[논문 리뷰] Intelligent Bearing Fault Diagnosis with Convolutional Long-Short-Term-Memory Recurrent Neural Network

Amin Khorram, Mohammad Khalooei|arXiv (Cornell University)|2019. 09. 16.

Machine Fault Diagnosis Techniques인용 수 4

한 줄 요약

이 논문은 원시 가속도계 데이터를 사전 처리 없이 처리하는 컨volutional long-short-term-memory 순환 신경망(CRNN)을 사용한 엔드 투 엔드 지능형 rolling bearing 고장 진단 방법을 제안한다. 이 방법은 시간 도메인 신호에서 직접 시간적 순서를 활용하여 기존 방법보다 뛰어난 성능을 보이며, 최소한의 데이터 조작으로 기준 데이터셋에서 최고 수준의 정확도를 달성한다.

ABSTRACT

Fault diagnostics and prognostics are important topics both in practice and research. There is an intense pressure on industrial plants to continue reducing unscheduled downtime, performance degradation, and safety hazards, which requires detecting and recovering potential faults in its early stages. Intelligent fault diagnosis is a promising tool due to its ability to rapidly and efficiently processing collected signals and providing accurate diagnosis results. Although many studies have developed machine leaning (M.L) and deep learning (D.L) algorithms for detecting the bearing fault, the results have generally been limited to relatively small train and test datasets and the input data has been manipulated (selective features used) to reach high accuracy. In this work, the raw data, collected from accelerometers (time-domain features) are taken as the input of a novel temporal sequence prediction algorithm to present an end-to-end method for fault detection. We use equivalent temporal sequences as the input of a novel Convolutional Long-Short-Term-Memory Recurrent Neural Network (CRNN) to detect the bearing fault with the highest accuracy in the shortest possible time. The method can reach the highest accuracy in the literature, to the best knowledge of the authors of the present paper, voiding any sort of pre-processing or manipulation of the input data. Effectiveness and feasibility of the fault diagnosis method are validated by applying it to two commonly used benchmark real vibration datasets and comparing the result with the other intelligent fault diagnosis methods.

연구 동기 및 목표

• 비계획적 정지 시간을 최소화하면서 산업 시스템에서 초기 단계의 베어링 고장을 탐지하는 데 도전하는 것.
• 높은 정확도를 달성하기 위해 사전 처리된 또는 수작업으로 선택된 특징에 의존하는 기존 머신러닝 방법의 한계를 극복하는 것.
• 원시 시간 도메인 진동 신호를 직접 입력으로 사용하는 엔드 투 엔드 딥 러닝 프레임워크를 개발하는 것.
• 수정되지 않은 입력 데이터를 사용하여 문헌상 보고된 바 중 가장 높은 고장 진단 정확도를 달성하는 것.
• 실제 기준 진동 데이터셋을 활용하여 방법의 효과성과 실현 가능성을 검증하는 것.

제안 방법

• 모델은 가속도계에서 얻은 원시 시간 도메인 진동 신호를 입력으로 사용하며, 특징 공학 또는 사전 처리를 전혀 수행하지 않는다.
• 원시 신호에서 시간적 동역학을 유지하기 위해 동등한 시간 순서를 구성한다.
• 시퀀스에서 계층적인 공간-시간 특징을 추출하기 위해 새로운 컨볼루션 리커런트 신경망(CRNN)을 설계한다.
• CRNN은 국소 패턴 추출을 위한 컨볼루션 층과 장기적 시간적 의존성 모델링을 위한 LSTM 층을 조합한다.
• 신경망은 원시 신호 시퀀스에서 직접 베어링 고장 상태를 분류하기 위해 엔드 투 엔드로 훈련된다.
• 고정밀도와 빠른 추론을 위해 아키텍처가 최적화되어 실시간 고장 진단이 가능하다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 원시 진동 데이터에 대해 사전 처리나 특징 선택 없이 최고 수준의 고장 진단 정확도를 달성할 수 있는가?
• RQ2 제안된 CRNN 아키텍처는 원시 가속도계 신호에서 시간 패턴을 얼마나 효과적으로 포착할 수 있는가?
• RQ3 엔드 투 엔드 학습 접근 방식은 공 ing된 특징에 의존하는 전통적 방법보다 우수한 성능을 보이는가?
• RQ4 정확도와 강건성 측면에서 다양한 기준 데이터셋에서 이 방법의 성능은 어떠한가?
• RQ5 기존의 지능형 진단 시스템보다 더 이르고 신뢰성 있게 고장을 탐지할 수 있는가?

주요 결과

• 제안된 CRNN 모델은 수정되지 않은 원시 진동 신호를 사용하여 문헌상 보고된 바 중 가장 높은 고장 진단 정확도를 달성한다.
• 모델은 데이터 사전 처리나 특징 선택이 전혀 필요 없어 진단 파이프라인을 단순화한다.
• 두 가지 널리 사용되는 실제 진동 데이터셋에서 뛰어난 성능을 보이며, 강건성과 일반화 능력을 확인한다.
• 엔드 투 엔드 훈련 접근 방식은 기존 방법보다 더 빠른 추론과 높은 정확도를 제공한다.
• 결과는 베어링 고장 진단에서 컨볼루션 층과 순환 층을 조합하여 시간적 시퀀스 모델링을 수행하는 것이 효과적임을 검증한다.