[논문 리뷰] Fault Diagnosis of Helical Gear Box using Large Margin K-Nearest Neighbors Classifier using Sound Signals

M. Amarnath, S. Arunav외 3명|arXiv (Cornell University)|2015. 08. 19.

Gear and Bearing Dynamics Analysis참고 문헌 18인용 수 5

한 줄 요약

이 논문은 음향 신호와 대용량 K-최근접 이웃(LMKNN) 분류기를 사용하여 나선 기어박스의 고장 진단 시스템을 제안한다. 음향 데이터에서 통계적 특징을 추출하고, J48 의사결정나무를 통해 핵심 특징을 선별한 후 LMKNN을 적용하여 분류를 수행하여, 특히 전통적인 FFT 기반 방법이 실패하는 비정상적 신호 조건에서도 건강한 상태와 고장 난 상태를 높은 정확도로 구분한다.

ABSTRACT

Gear drives are one of the most widely used transmission system in many machinery. Sound signals of a rotating machine contain the dynamic information about its health conditions. Not much information available in the literature reporting suitability of sound signals for fault diagnosis applications. Maximum numbers of literature are based on FFT (Fast Fourier Transform) analysis and have its own limitations with non-stationary signals like the ones from gears. In this paper, attempt has been made in using sound signals acquired from gears in good and simulated faulty conditions for the purpose of fault diagnosis through a machine learning approach. The descriptive statistical features were extracted from the acquired sound signals and the predominant features were selected using J48 decision tree technique. The selected features were then used for classification using Large Margin K-nearest neighbor approach. The paper also discusses the effect of various parameters on classification accuracy.

연구 동기 및 목표

• 음향 신호를 사용한 기어 고장 진단에 대한 연구 부족, 특히 비정상적 조건에서의 연구를 해결하기 위해.
• 비정상적 기어 신호 분석에서 FFT 기반 방법의 한계를 극복하기 위해.
• 비정상적 조건에서도 신뢰할 수 있는 고장 탐지를 위한 기계 학습 기반 접근법을 개발하기 위해.
• 음향 데이터를 사용하여 기어 고장 상태를 분류하는 데 있어 대용량 K-최근접 이웃(LMKNN) 분류기의 성능을 평가하기 위해.
• J48 의사결정나무 알고리즘을 사용하여 음향 신호에서 가장 구분력 있는 특징을 식별하고 선별하기 위해.

제안 방법

• 건강한 상태와 시뮬레이션 고장 상태에서 나선 기어박스로부터 음향 신호를 촬영하였다.
• 평균, 표준편차, 왜도, 첨도, 제곱근 평균 제곱근 등의 통계적 특징을 음향 신호에서 추출하였다.
• 추출된 특징 집합에서 가장 관련성이 높은 특징을 선별하기 위해 J48 의사결정나무 알고리즘을 적용하였다.
• 선택된 특징을 사용하여 대용량 K-최근접 이웃(LMKNN) 분류기를 훈련시켜 고장 상태를 분류하였다.
• 분류 성능을 평가하기 위해 K와 마진 크기 등의 파라미터를 다양하게 변화시켜 정확도에 미치는 영향을 분석하였다.
• 실제 음향 데이터를 사용하여 검증하여 비정상적 신호 특성에 대해 뛰어난 강건성을 입증하였다.

실험 결과

연구 질문

• RQ1 음향 신호는 기어박스의 상태를 고장 진단을 위해 효과적으로 나타낼 수 있는가?
• RQ2 음향 데이터를 사용할 때 대용량 K-최근접 이웃 분류기는 기존 KNN보다 어떻게 비교되는가?
• RQ3 음향 신호에서 추출한 통계적 특징 중에서 기어 고장을 식별하는 데 가장 구분력 있는 것은 무엇인가?
• RQ4 LMKNN의 K와 마진 크기의 변화가 분류 정확도에 어떻게 영향을 미치는가?
• RQ5 J48 의사결정나무는 비정상적 기어 신호의 고장 진단을 위한 특징 선별을 얼마나 향상시킬 수 있는가?

주요 결과

• LMKNN 분류기는 음향 신호를 사용하여 건강한 상태와 고장 난 상태를 높은 정확도로 구분하는 데 성공하였다.
• J48 의사결정나무를 통한 특징 선별은 관련 없거나 중복된 특징을 줄여 분류 성능을 크게 향상시켰다.
• 비정상적 신호에 대해 강건성을 입증하여 기존 FFT 기반 접근법보다 이 분야에서 뛰어난 성능을 보였다.
• 특정 K와 마진 크기 조합에서 최적의 분류 정확도를 달성하여 파라미터 튜닝에 민감함을 시사하였다.
• 첨도와 제곱근 평균 제곱근 등의 통계적 특징이 고장 탐지에 매우 구분력 있음이 확인되었다.
• 본 연구는 음향 신호가 기어 고장 진단을 위한 신뢰할 수 있고 비침습적인 조건 정보의 원천으로 가능함을 확인한다.