[논문 리뷰] An Automated Auto-encoder Correlation-based Health-Monitoring and Prognostic Method for Machine Bearings

Ramin Hasani, Guodong Wang외 1명|arXiv (Cornell University)|2017. 03. 18.

Machine Fault Diagnosis Techniques참고 문헌 9인용 수 36

한 줄 요약

이 논문은 진동 데이터에서 풍부한 특징을 추출하기 위해 희소 auto-encoder를 사용하고, 그 후 상관 분석과 이동 평균 필터링을 통해 고장 시작 시점의 정확한 감지를 가능하게 하는 자동화되고 비지도 학습 기반의 기계 베어링 건강 모니터링 및 예측 방법을 제안한다. Auto-encoder Correlation-based (AEC) 비율을 계산함으로써 고장을 조기에 탐지할 수 있으며, 다양한 고장 지속 실험에서 고장 시작 시점 식별에 대해 최대 98.51%의 높은 정확도를 달성한다. 이는 사전 지식이나 수동 특징 공학 없이도 강력한 일반화 능력과 자율성을 보여준다.

ABSTRACT

This paper studies an intelligent ultimate technique for health-monitoring and prognostic of common rotary machine components, particularly bearings. During a run-to-failure experiment, rich unsupervised features from vibration sensory data are extracted by a trained sparse auto-encoder. Then, the correlation of the extracted attributes of the initial samples (presumably healthy at the beginning of the test) with the succeeding samples is calculated and passed through a moving-average filter. The normalized output is named auto-encoder correlation-based (AEC) rate which stands for an informative attribute of the system depicting its health status and precisely identifying the degradation starting point. We show that AEC technique well-generalizes in several run-to-failure tests. AEC collects rich unsupervised features form the vibration data fully autonomous. We demonstrate the superiority of the AEC over many other state-of-the-art approaches for the health monitoring and prognostic of machine bearings.

연구 동기 및 목표

• 사전 지식이나 수동 간섭 없이 완전히 자동화되고 비지도 학습 기반의 기계 베어링 건강 모니터링 및 예측 방법을 개발하는 것.
• 수동으로 설계된 특징에 의존하지 않고 원시 진동 센서 데이터에서 풍부하고 정보가 풍부한 특징을 추출하는 것.
• 다양한 고장 지속 실험에서 고장 발생 초기 시점의 정밀한 감지 및 높은 민감도와 정확도를 확보하는 것.
• 고장을 진행시키는 과정을 반영하는 연속적이고 지능적인 건강 상태 추세를 제공하는 것.
• 다양한 베어링 유형과 실험 조건 간에 일반화 가능하게 하여 강건성과 보편적 적용성을 확보하는 것.

제안 방법

• 원시 진동 데이터에 대해 희소 auto-encoder를 훈련시어 입력 센서 신호에서 깊이 있는 비지도 특징을 추출한다.
• 초기(예상되는 건강 상태) 샘플의 특징과 이후 샘플의 특징 간 피어슨 상관 계수를 시간에 따라 계산한다.
• 상관 계수 시퀀스를 이동 평균(MA) 필터를 통과시어 변동성을 완화하고 노이즈를 줄인다.
• 필터링된 출력을 정규화하여 Auto-encoder Correlation-based (AEC) 비율을 산출하며, 이는 시스템의 건강 상태를 나타낸다.
• AEC 비율을 사용하여 고장을 진행시키는 추세를 모니터링하고 고장을 시작하는 지점에 대해 높은 정밀도로 탐지한다.
• 이 방법은 완전히 자율적으로 작동하며, 수동 특징 선택이나 도메인 전문 지식에 기반한 튜닝이 필요하지 않다.

실험 결과

연구 질문

• RQ1 비지도 딥 러닝 방법이 사전 지식 없이 원시 진동 데이터에서 의미 있는 특징을 추출하여 베어링 건강 모니터링에 활용할 수 있는가?
• RQ2 초기 특징 표현과 변화하는 특징 표현 간의 상관 관계가 베어링 고장 시작 시점을 신뢰성 있게 나타낼 수 있는가?
• RQ3 제안된 AEC 방법은 최신 기술 대비 고장을 시작하는 지점 탐지에 얼마나 정확한가?
• RQ4 AEC 방법이 다양한 조건의 고장 지속 실험 간에 얼마나 잘 일반화되는가?
• RQ5 AEC 비율은 고장을 진행시키는 과정을 반영하는 연속적이고 해석 가능한 건강 상태 추세를 제공할 수 있는가?

주요 결과

• S1B4-sensor2에 대해 AEC 방법은 고장을 시작하는 지점 식별에 98.51%의 정확도를 달성했으며, 모든 테스트 실험 중에서 가장 높은 정확도를 기록했다.
• S3B3에 대해서는 고장 시작 시점 예측 정확도가 98.47%였으며, 이는 다양한 베어링 유형과 실험 조건 간에 강력한 일반화 능력을 보여준다.
• AEC 비율은 그림 5에서 색상 코드로 표현된 건강 상태 변화를 통해 모든 6개의 고장 지속 실험에서 고장을 진행시키는 추세를 성공적으로 시각화했다.
• 표 4의 정성적 및 정량적 비교를 통해 AEC 방법은 고장 탐지 민감도와 자동화 성능에서 다수의 최신 기술 대비 뛰어난 성능을 보였다.
• AEC 알고리즘은 완전한 자율성과 비지도 운영을 보였으며, 수동 프리프로세싱이나 레이블이 부여된 데이터 없이도 원시 데이터에서 풍부한 특징을 추출했다.
• S1B3, S1B4, S2B1, S3B3를 포함한 다양한 베어링 데이터셋 간에서 뚜렷한 고성능을 유지하며 높은 강건성을 보였다.