[논문 리뷰] Multi-Fault Diagnosis Of Industrial Rotating Machines Using Data-Driven Approach: A Review Of Two Decades Of Research

Shreyas Gawde, Shruti Patil외 4명|arXiv (Cornell University)|2022. 05. 30.

Engineering Diagnostics and Reliability인용 수 15

한 줄 요약

이 논문은 지난 20년간 산업용 회전 기계에서의 다중 고장 진단을 위한 데이터 기반 접근법에 대한 체계적 리뷰를 제시한다. PRISMA 프레임워크를 사용하여 센서 선택, 데이터 수집, 특징 추출, 다중 센서 융합 및 인공지능 기법을 분석한다. 최근의 인공지능 기술 발전을 바탕으로 주요 과제, 연구 격차 및 해결책을 규명하며, 산업 4.0 환경에서 예측 유지보수 분야의 향후 연구를 위한 종합적 기반을 제공한다.

ABSTRACT

Industry 4.0 is an era of smart manufacturing. Manufacturing is impossible without the use of machinery. Majority of these machines comprise rotating components and are called rotating machines. The engineers' top priority is to maintain these critical machines to reduce the unplanned shutdown and increase the useful life of machinery. Predictive maintenance (PDM) is the current trend of smart maintenance. The challenging task in PDM is to diagnose the type of fault. With Artificial Intelligence (AI) advancement, data-driven approach for predictive maintenance is taking a new flight towards smart manufacturing. Several researchers have published work related to fault diagnosis in rotating machines, mainly exploring a single type of fault. However, a consolidated review of literature that focuses more on multi-fault diagnosis of rotating machines is lacking. There is a need to systematically cover all the aspects right from sensor selection, data acquisition, feature extraction, multi-sensor data fusion to the systematic review of AI techniques employed in multi-fault diagnosis. In this regard, this paper attempts to achieve the same by implementing a systematic literature review on a Data-driven approach for multi-fault diagnosis of Industrial Rotating Machines using Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) method. The PRISMA method is a collection of guidelines for the composition and structure of systematic reviews and other meta-analyses. This paper identifies the foundational work done in the field and gives a comparative study of different aspects related to multi-fault diagnosis of industrial rotating machines. The paper also identifies the major challenges, research gap. It gives solutions using recent advancements in AI in implementing multi-fault diagnosis, giving a strong base for future research in this field.

연구 동기 및 목표

• 산업용 회전 기계에서의 다중 고장 진단에 대한 통합된 문헌 부족 문제를 해결하기 위해.
• PRISMA 방법론을 사용하여 데이터 기반 접근법을 체계적으로 분석하기 위해.
• 다중 고장 상황에서의 센서 선택, 데이터 수집, 특징 추출 및 다중 센서 융합 기법을 평가하기 위해.
• 지난 20년간 다중 고장 진단에 사용된 다양한 인공지능 기법들을 비교·분석하기 위해.
• 데이터 기반 다중 고장 진단 분야에서의 주요 과제, 연구 격차 및 향후 연구 방향을 규명하기 위해.

제안 방법

• PRISMA(체계적 리뷰 및 메타분석을 위한 선호 보고 항목) 프레임워크를 사용하여 체계적 문헌 리뷰를 수행하였다.
• 2000년부터 2022년까지의 산업용 회전 기계에서의 데이터 기반 다중 고장 진단에 관한 동료 심사 논문을 수집하고 분석하였다.
• 사용된 센서 유형, 데이터 수집 방법, 특징 추출 기법 및 적용된 인공지능 모델을 기반으로 논문을 평가하였다.
• 다중 고장 상황에서의 기계학습 및 딥러닝과 같은 인공지능 기법의 비교 분석을 수행하였다.
• 다중 센서 데이터 융합 전략과 그 진단 정확도에 미치는 영향을 통합적으로 분석하였다.
• 문헌의 주제적 및 정량적 융합을 통해 추세, 한계 및 연구 격차를 규명하였다.

실험 결과

연구 질문

• RQ1 지난 20년간 산업용 회전 기계에서의 다중 고장 진단에 널리 사용된 주요 데이터 기반 기법은 무엇인가?
• RQ2 센서 선택 및 데이터 수집 방법은 다중 고장 진단 정확도에 어떻게 영향을 미치는가?
• RQ3 다중 고장 상황에서 가장 효과적인 특징 추출 및 다중 센서 융합 전략은 무엇인가?
• RQ4 다양한 인공지능 모델(예: SVM, DNN, CNN)은 다중 동시 고장 진단에서 어떻게 비교되는가?
• RQ5 현재의 다중 고장 진단 연구에서 주요 과제와 연구 격차는 무엇인가?

주요 결과

• 단일 고장 진단에 대한 광범위한 연구에도 불구하고, 다중 고장 진단에 대한 체계적 리뷰가 부족한 연구 격차가 존재한다.
• 대부분의 연구가 단일 고장 상황에 집중되어 있으며, 실제 산업 현장에서의 다중 고장 검출 통합이 제한되어 있다.
• 기존 기계학습 모델에 비해 컨볼루션 신경망(CNN) 및 순환 신경망(RNN)과 같은 딥러닝 모델이 다중 고장 진단에서 더 높은 정확도를 보였다.
• 다중 센서 데이터 융합은 복잡한 고장 상황에서 진단 신뢰도 향상과 고장 분리 능력 향상에 뚜렷한 기여를 하였다.
• 센서 배치 및 데이터 품질은 연구 간 진단 성능에 영향을 미치는 핵심 과제로 남아 있다.
• PRISMA 기반 리뷰 결과, 다중 고장 진단 연구 분야에서 표준화된 평가 프로토콜 및 벤치마크 데이터셋의 부재가 드러났다.