Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ pp. 269-277 April 2021 / 269
J. Korean Soc. Precis. Eng., Vol. 38, No. 4, pp. 269-277 http://doi.org/10.7736/JKSPE.021.002
ISSN 1225-9071 (Print) / 2287-8769 (Online)
์์ฌํํ ์ด์ ์ง๋จ์ ์ํ ๋ฐ์ดํฐ ์์ง ๋ฐ ๋จธ์ ๋ฌ๋ ๊ธฐ๋ฐ ๋ถ์
A Machine Learning-Based Signal Analytics Framework for Diagnosingthe Anomalies of Centrifugal Pumps
๊น๊ฐํ1, ๊ฐ์งํ2, ๋ฐ์นํ1,#
Kang Whi Kim1, Jihoon Kang2, and Seung Hwan Park1,#
1 ์ถฉ๋จ๋ํ๊ต ๊ธฐ๊ณ๊ณตํ๋ถ (School of Mechanical Engineering, Chungnam National University)
2 ํ๊ตญ์ฐ์ ๊ธฐ์ ๋ํ๊ต ๊ฒฝ์ํ๋ถ (School of Business Administration, Korea Polytechnic University)
# Corresponding Author / E-mail: [email protected], TEL: +82-42-821-5649
ORCID: 0000-0003-3864-0639
KEYWORDS: Centrifugal pump (์์ฌํํ), Fault diagnosis (๊ณ ์ฅ ์ง๋จ), Feature extraction (ํน์ง ์ถ์ถ), Random forest (๋๋ค ํฌ๋ ์คํธ)
A smart factory with Big Data analytics is getting attention because of its ability to automate and make the manufacturing
environment more intelligent. At the same time, higher reliability is required with a drastic increase in complexity and
uncertainty within the current system of manufacturing fields. The pump is considered as one of the most crucial equipment
as it can affect the overall manufacturing performance of the manufacturing processes and it needs to be timely diagnosed
of its mechanical condition as a top priority. In this research, we propose an operation system of centrifugal pumps and a
data-driven fault diagnostic model that is developed by collecting relevant multivariate data from several natures. Proposed
machine learning models can be used for detecting and diagnosing pump faults via analytical processes containing signal
preprocessing and feature engineering procedures. Simulation and case studies from rotating machinery have demonstrated
the effectiveness of the proposed analytical framework not only for attaining quantitative reliability but practical usages in
actual manufacturing fields as well.
Manuscript received: January 11, 2021 / Revised: February 11, 2021 / Accepted: February 25, 2021
1. ์๋ก
4์ฐจ ์ฐ์ ํ๋ช ์ ์๋๊ฐ ๋๋ํ๋ฉด์ ์ ๋ฐ์ ์ธ ๊ธฐ๊ณ์์คํ ์ ํฐ
๋ณํ๊ฐ ์์๋๋ค. ๊ณ ๋ํ๋๊ณ ์ง์ ํ๋ ๊ธฐ์ ๋ค์ด ์ค๋น์ ์ ์ฉ๋จ
์ ๋ฐ๋ผ ๊ทธ์ ๋ฐ๋ฅธ ๋ถํ์ค์ฑ๊ณผ ๋ณต์ก๋๋ ์ฆ๊ฐํ๊ฒ ๋๋ค. ๋ฐ๋ผ์
์ด๋ฅผ ํต์ ํ ์ ์๋ ๋์ ์ ๋ขฐ์ฑ์ด ์๊ตฌ๋๋ ์์คํ ์ ๋์ ํด์ผ
ํ๋ค. ํนํ ์ ์กฐ์ ์ ์์ด์ ์ง์์ ์ด๊ณ ์์ ์ ์ธ ์ค๋น ๊ฐ๋์ ์
ํด์ ์ ์ ํ ์ ์ง๋ณด์๋ ํ์์ ์ด๋ค. ์ด๋ฌํ ๋ณํ์ ๋ฐ๋ผ ๊ณ ์ฅ
์์ง ๋ฐ ๊ฑด์ ์ฑ๊ด๋ฆฌ ๊ธฐ์ (Prognostics and Health Management,
PHM)์ด ์ ๋ชฉ๋ ์ํ ๊ธฐ๋ฐ ์ ๋น(Condition-Based Maintenance,
CBM)๊ฐ ์กฐ๋ช ์ ๋ฐ๊ณ ์๋ค.1 ์ผ๋ฐ์ ์ผ๋ก ์ง์์ ์ด๊ณ ์์ ์ ์ธ ์ค
๋น ๊ฐ๋์ ์ํด์๋ ์๋ฐฉ์ ๋น(Preventive Maintenance, PM)๊ฐ
ํ์ํ๋ค. PM์ ์ค๋น์ ์ ์์ ์ธ ๊ฐ๋์ ๋ณด์ฅํ๊ณ , ๊ณ ์ฅ ๋ฐ์
์ ๋ง๊ธฐ ์ํด ์ ์ฌ์ ์ธ ๋ฌธ์ ๋ฅผ ์๋ณํ๋ ๋ชฉ์ ์ ๊ฐ์ง ์ ๊ฒ ๋ฐ
์ ๋น๋ฅผ ์๋ฏธํ๋ค. ๋ํ PM์ ํฌ๊ฒ ์๊ฐ ๊ธฐ๋ฐ ์ ๋น(Time-Based
Maintenance, TMB)์ CBM์ผ๋ก ๋ถ๋ฅ๋๋ค. TBM์ ํน์ ๊ฐ๋
์ฃผ๊ธฐ ํน์ ์ฌ์ฉ๋์ ํ ๋๋ก ํต๊ณ์ ์ธ ๋ฐฉ๋ฒ์ ํ์ฉํ์ฌ ์ต์ ์
์ ๋น ์ฃผ๊ธฐ๋ฅผ ๊ณํํ์ฌ ํํ๋ ๋ณด์ ๋ฐฉ๋ฒ์ด๋ค. ์ด ๋ฐฉ๋ฒ์ ์ด์
์ค์ ์ค๋น์ ์ํ๊ฐ ์ ์์ ์ธ์ง ๋ค์ ํ์ธํด๋ณผ ์ ์๋ค๋ ์ ์
์ ์ฅ์ ์ด ์๋ค. ํ์ง๋ง ์๊ฐ์ ์ฃผ๊ธฐ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ์ ๋น๋ฅผ ํ๊ธฐ
๋๋ฌธ์ ๋ถํ์ํ ์ ๋น ๋น์ฉ์ด ๋ฐ์ํ ์ ์์ผ๋ฉฐ ์ค๋น์ ์์์น
๋ชปํ ๊ณ ์ฅ ๋ฐ์์ผ๋ก ์ธํ ์ค๋น ์ค๋จ์ ์๋ฐฉํ๊ธฐ ์ด๋ ต๋ค. ๋ฐ๋ฉด
CBM์ ๊ณ์ธก์ฅ๋น ์์คํ ์ ํตํด ์ค์๊ฐ์ผ๋ก ์ค๋น์ ์ํ๋ฅผ ์
๋์ ์ผ๋ก ํ์ ํ๊ณ ์ค๋น์ ์ฑ๋ฅ ๊ฐ์ ํน์ ๊ณ ์ฅ์ ์์ธกํ์ฌ ํ
์์ ์ํด ์ ๋นํ๋ ๋ณด์ ๋ฐฉ๋ฒ์ด๋ค. TBM๋ณด๋ค ์์คํ ๊ตฌ์ถ ๋น
์ฉ๊ณผ ์ ์ง๋น์ฉ์ด ๋ง์ด ํ์ํ๋ค๋ ๋จ์ ์ด ์์ง๋ง, ์ค๋น์ ์ ๋ขฐ
์ฑ์ ๋์ด๊ณ ๊ณ ์ฅ ๋ฐฉ์ง์ ์ํ ์์ฐ์ฑ ํฅ์๊ณผ ์ ๋น ๋น์ฉ ์ ๊ฐ์
๊ธฐ๋ํ ์ ์๋ค.
Copyright ยฉ The Korean Society for Precision Engineering
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/
by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
270 / April 2021 ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ
๋ณธ ์ฐ๊ตฌ์์ ๋์์ผ๋ก ํ๋ ๊ธฐ๊ณ ์ฅ์น์ธ ์์ฌํํ(Centrifugal
Pump)๋ ์ํ ๋ฌ์ ํ์ ์ผ๋ก ์ธํ ์์ฌ๋ ฅ์ผ๋ก ์๋์ ์ฒด๋ฅผ ์ด์ก
์ํค๋ฉฐ ๊ตฌ์กฐ์ ๊ฐ๋จํจ๊ณผ ๋น๊ต์ ๋์ ํจ์จ์ ๊ฐ์ ธ ์ ์ , ์์ ํ
ํ, ์ ์กฐ, ์ยทํ์๋, ์๋ฐฉ ๋ฑ ๋ค์ํ ๋ถ์ผ์์ ๋๋ฆฌ ํ์ฉ๋๊ณ
์๋ค. ์๋ก ์ ์ ๋ฐ ์์ ํํ ๊ณต์ ์์ ์์ ํน์ ๋ฉ์ฌ ๋ฑ์ ์ด
์กํ ๋ ํ์ฉ๋๋ค. ์ด๋ ์ ์ฒด ๊ณต์ ์์คํ ์์ ์ด์ก ์ค ์์ค๋
๋ ์๋ ฅ์ ๋ค์ ๋์ด๊ธฐ ์ํด ๊ฐ ํํ๋ ์ ๊ธฐ์ ์ผ๋ก ์ฐ๊ฒฐ๋์ด ์
๋๋ฐ, ๋ง์ฝ ํ๋์ ํํ๊ฐ ์ค์๋ํ๊ฑฐ๋ ๊ณ ์ฅ์ด ๋๋ฉด ์ ์ฒด ๊ณต์ฅ
์ ๊ฐ๋์ด ์ค๋จ๋๋ค. ์ด๋ ์ฐ์ ์ฌํด ๋ฐ ๊ณต์ฅ์ ์์ฐ์ฑ๊ณผ ์ง๊ฒฐ๋
๊ธฐ ๋๋ฌธ์ ๋์ ์ค๋น ์ ๋ขฐ๋๋ฅผ ์๊ตฌํ๋ค.
์ด๋ก ์ธํด ํํ์ ์ค์๊ฐ ์ํ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ์ ๋น๋ฅผ ๊ณํํ๊ณ
๋ถ์์ ๊ณ ์ฅ์ ๋ง๊ธฐ ์ํ ์ง์์ ์ธ ๋ชจ๋ํฐ๋ง์ ์ํด ๋ชจ๋ธ ๋ฐ ๋ฐ
์ดํฐ ๊ธฐ๋ฐ์ ๋ง์ ์ฐ๊ตฌ๊ฐ ์ํ๋์๋ค. Babu์ Das2๋ ํ๋ ฅ๋ฐ์
์์ ํ์ ์ฅ์น์ธ ๋ณด์ผ๋ฌ ๊ธ์ ํํ๋ฅผ ๋์์ผ๋ก ๋ชจ๋ํฐ๋ง์ ํต
ํ ์ง๋ ์คํํธ๋ผ ๋ถ์ ๊ธฐ๋ฐ CBM ๋ฐฉ๋ฒ์ ์ ์ํ์๋ค. Shin3์
์ค์ผ ๋ฑ์ผ๋ก ์ธํ์ฌ ์ฃผ๊ธฐ์ ์ธ ์ ๋น๊ฐ ํ์ํ ์ด๊ตํ๊ธฐ์ ์ฑ๋ฅ
์ ์ง๋จํ๊ธฐ ์ํด ๋์ ์๋ฎฌ๋ ์ดํฐ๋ฅผ ๊ฐ๋ฐํ์๋ค. ์ด๋ ๊ณ ์ฅ๋ฐ
์ดํฐ๋ฅผ ์์ฑํ๊ณ , ์ํ ๊ณต๊ฐ ๋ชจ๋ธ ๊ธฐ๋ฐ์ ์ํ๊ด์ธก๊ธฐ๋ฅผ ์ ์ฉํ
์ฌ ์ค์ผ๋์ ๋ฐ๋ผ ์ง๋จํ๋ค. Muralidharan, et al.4์ ์ง๋ ์ ํธ
๊ธฐ๋ฐ์ผ๋ก ์์ฌํํ์ ์ ์ ๋ฐ ๋น์ ์ ์ํ ๋ฐ์ดํฐ๋ฅผ ์ทจ๋ํ๊ณ
์ด ์์๋ฐ์ดํฐ์์ ์จ์ด๋ธ๋ฆฟ ๋ณํ๊ธฐ๋ฒ์ ํตํด ํน์ง์ ์ถ์ถํ๊ณ
์ํฌํธ ๋ฒกํฐ ๋จธ์ ์ ์ฌ์ฉํ์ฌ ๋์ ๊ณ ์ฅ ์ง๋จ์จ์ ๋ณด์ฌ์ฃผ์๋ค.
ํด์ธ์ ๋ฌ๋ฆฌ ๊ตญ๋ด์์๋ ์์ฌํํ๋ฅผ ๋์์ผ๋ก Data-Driven
Approach ๋ฐฉ์์ ๋จธ์ ๋ฌ๋ ๊ธฐ๋ฐ ์ด์ ์ง๋จ์ ํ ์ฌ๋ก๊ฐ ๋ง์ง
์์ผ๋ฉฐ ํด์ธ๋ณด๋ค ์๋์ ์ผ๋ก ๊ด๋ จ ์ฐ๊ตฌ๊ฐ ๋ฏธ๋นํ๋ค.
๋ณธ ์ฐ๊ตฌ๋ ์์ฌํํ ์ด์ ์ง๋จ์ ์ํ ๋จธ์ ๋ฌ๋(Machine
Learning, ML) ๊ธฐ๋ฐ ๋ถ์ ํ๋ ์์ํฌ๋ฅผ ์ ์ํ๋ค. Fig. 1๊ณผ ๊ฐ์ด
์ ์ ๋ฐ ๋น์ ์ ์ํ์ ํํ์ ๋ํ ๋ฐ์ดํฐ๋ฅผ ํ๋ํ ๋ค ์ ์ฒ๋ฆฌ
๋ฐ ํน์ง ์ถ์ถ์ ์ํํ๋ค. ๊ทธ๋ฆฌ๊ณ ์ด๋ค ๋ฐ์ดํฐ๋ฅผ ๋ถ๋ฅํ๊ธฐ ์ํด
๋ชจ๋ธ์ ์ค๊ณํ ํ ์ต์ ํ๋ฅผ ๊ฑฐ์ณ ์ฑ๋ฅ์ ํ๊ฐํ๋ค. ์ด๋ฅผ ๋ฐํ์ผ
๋ก ์ต์ข ์ ์ผ๋ก ์ด์ ์ง๋จ์ ์ํ ์ธ์๋ฅผ ๋์ถํ๋ค.
2. Experimental Studies
๋ณธ ์ฅ์์๋ ์ ์, ๋น์ ์ ์ํ์ ํํ์ ๋ํ ์์๋ฐ์ดํฐ๋ฅผ
์ทจ๋ํ๋ ๊ณผ์ ์ ์ ์ํ๋ค. 2.1์ ์์๋ ์คํ ์ฅ์น ๊ตฌ์ถ์ ๊ดํ
๋ด์ฉ์, 2.2์ ์์๋ ์ด ์ฅ์น๋ก๋ถํฐ ์ ์๊ณผ ๋น์ ์ ๋ฐ์ดํฐ๋ฅผ ์ทจ
๋ํ๋ ๊ณผ์ ์ ๋ค๋ฃฌ๋ค.
2.1 Experimental Facility Setup
๋ณธ ์ ์์๋ ์ ์ ์ํ ํน์ ๋น์ ์ ์ํ์ ํํ์ ๋ํ ์
์๋ฐ์ดํฐ๋ฅผ DAQ์ ์ฌ๋ฌ ์ผ์๋ก๋ถํฐ ์ง์ํด์ ์ทจ๋ํ ์ ์๊ฒ
์คํ ์ฅ์น๋ฅผ ์ค๊ณํ๋ ๊ฒ์ด ๋ชฉ์ ์ด๋ค.
Fig. 2์ ๊ฐ์ด ์ฌ๋ฌ ์ผ์๋ก๋ถํฐ ์์๋ฐ์ดํฐ๋ฅผ ์ทจ๋ํ๊ธฐ ์ํด
์ ํํ๊ฐ ๊ณ์ ์๋ํ๊ณ , ์๋์ ์ฒด๋ฅผ ์ํ์ํค๋ ๋ฐฐ๊ด์์คํ ์ผ
๋ก ์ค๊ณํ๋ค. ํํธ, ์๋ชป๋ ๋ฐฐ๊ด์์คํ ์ค๊ณ๋ ์์คํ ์ ๋ถ์์
์ฑ์ ์ ๋ฐํ์ฌ ์์๋ฐ์ดํฐ ํ์ง์ ์ ์ํฅ์ ๋ฏธ์น๋ค. ์๋ชป๋ ์ค
๊ณ๋ก ๋ฐ์ํ ์ ์๋ ๋ํ์ ์๋ก ์บ๋นํ ์ด์ (Cavitation)์ด ์
๋ค. ์บ๋นํ ์ด์ ์ ์ ์ฒด์ ์๋ ๋ณํ๋ก ์ธํด ์ ์ฒด์ ์๋ ฅ์ด ์ฆ๊ธฐ
์ ์ดํ๋ก ๋ฎ์์ ธ์ ์ ์ฒด ๋ด์ ์ฆ๊ธฐ ๊ฑฐํ์ด ๋ฐ์ํ๋ ํ์์ด๋ค.
์ด๋ก ์ธํด ๋ถ์ ํน์ ์์ ๋ฑ์ด ๋ฐ์ํ๋ค. ๋ฐ๋ผ์ ๋ณดํต ์ด๋ฅผ ๋ฐฉ
์งํ๊ณ ์ ์ ํจํก์ ์์ (Available Net Positive Suction Head,
NPSHav)์ ํ์ํก์ ์์ (Required NPSH, NPSHre)๋ณด๋ค ํฌ๊ฒ ์ค
๊ณํ๋ค. NPSHre๋ ํํ์ ๊ณ ์ ํ ํน์ฑ์ด๊ณ , NPSHav๋ ํ์ดํ
์ค๊ณ๋ฅผ ํตํด ๋ณ๊ฒฝํ ์ ์๋ค. ์๋ ์(1)์ ์ฐธ๊ณ ํ์ฌ ๋ณธ ์ฐ๊ตฌ๋
์์กฐ์ ์๋ฉด์ ํํ ํก์ ๊ตฌ์ ์ค์ฌ์ถ๋ณด๋ค ๋๊ฒ ํ์ฌ Hz ํฌ๊ฒ ํ
๊ณ NPSHav๋ฅผ NPSHre๋ณด๋ค ํฌ๊ฒ ์ค๊ณํ์๋ค.
NPSHav = Ha ยฑ Hz Hf + Hv Hvp (1)
์ฌ๊ธฐ์, Ha = ํฑํฌ ์๋ฉด์ ์ ๋ ์๋ ฅ
์ฌ๊ธฐ์, Hz = ํฑํฌ ์๋ฉด๊ณผ ํํ ํก์ ๊ตฌ์ ์ค์ฌ์ถ ์ฌ์ด ์์ง๊ฑฐ๋ฆฌ
์ฌ๊ธฐ์, Hf = ํก์ ๋ฐฐ๊ด๋ถ์ ์์ค ์๋
์ฌ๊ธฐ์, Hv = ํํ ํก์ ๊ตฌ์ ์๋ ์๋
์ฌ๊ธฐ์, Hvp = ์๋์ ์ฒด์ ํฌํ์ฆ๊ธฐ์
์คํ์ฉ ์์ฌํํ๋ Wilo์ฌ์ PBI-203MA๋ฅผ ์ ์ ํ์๊ณ , ์ผ
์์ ์ข ๋ฅ์ ๊ฐ์๋ฅผ Table 1๊ณผ ๊ฐ์ด ์ ์ ํ์๋ค. ํํ์ ์ง๋์
๊ฐ๊ฐ ์์ง์ธ x, y, z์ถ์ 3๊ฐ์ง ๋ฐฉํฅ์ผ๋ก ์ธก์ ํ ์ ์๋๋ก ๋จ์ถ
๊ฐ์๋ ์ผ์๋ฅผ ๊ฐ๊ฐ ์ค์นํ์ฌ ์ธก์ ํ๋ค. ๋ํ ์๋ถ ๋ฐฐ๊ด์ ๋ณผํ
์ค ์ ๋ ์ผ์๋ฅผ ์ค์นํ์๊ณ ํํ์ ํก์ ๊ตฌ์ ํ ์ถ๊ตฌ์ ๊ฐ๊ฐ ์๋ ฅ
Fig. 1 Framework for fault diagnosis of centrifugal pump
ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ April 2021 / 271
์ผ์๋ฅผ ์ค์นํ์๋ค. ๋์ผ๋ก ๋ชจํฐ์ ๋จ์์ ์ค 220 V ํซ๋ผ์ธ์
์ ๋ฅ ์ผ์๋ฅผ ์ค์นํ์๋ค.
2.2 Experimental Design
๋ณธ ์ ์์๋ ์ค์ ํ ๊ณ ์ฅ ๋ชจ๋์ ์คํ ์ฅ์น๋ฅผ ํ์ฉํ ์ ์
๋ฐ ๋น์ ์ ๋ฐ์ดํฐ์ ์ทจ๋ ๋ฐฉ๋ฒ์ ๊ดํด ์ค๋ช ํ๋ค.
Jeoung๊ณผ Lee5์ ๋ ผ๋ฌธ์ ์ฐธ๊ณ ํ์ฌ ๊ณ ์ฅ์ ์ธ๊ฐํ ํํ ๋์
๋ถํ์ ๋ฉ์ปค๋์ปฌ ์ฐ์ผ๋ก ์ ์ ํ๋ค. ๋ฉ์ปค๋์ปฌ ์ฐ์ ํํ์ ๋ฐ๋ด
์ฅ์น๋ก ํ์ฐ์ง๊ณผ ์ถ ์ฌ์ด์ ๋นํ์ ๋ง์ ํ์ฐ์ง ๋ฐ์ผ๋ก ์ ์ฒด๊ฐ
๋์ค๋๋ ๊ฒ์ ๋ฐฉ์งํ๋ ์ค์ํ ํํ ๊ตฌ์ฑ์์์ด๋ค. ์ฐ์ ๊ตฌ์กฐ
๋ ๊ฐ๊ธฐ ๋ชฉ์ ์ ๋ฐ๋ผ์ ๋ค์ํ ํํ๋ก ์กด์ฌํ์ง๋ง, ์๋ ์๋ฆฌ๋
์ ์ฌํ๋ค. Fig. 3๊ณผ ๊ฐ์ด ๋ณดํต ํฌ๊ฒ ๊ณ ์ ๋ถ(Stationary Part)์ ํ
์ ๋ถ(Rotary Part)๋ก ๊ตฌ์ฑ๋์ด ์๊ณ , ํ์ ๋ถ ์คํ๋ง์ ์ฅ๋ ฅ ๋ฐ
์ ์ฒด์ ์๋ ฅ์ผ๋ก ๋ ์์๊ฐ ๋ฐ์ฐฉ๋๋ฉฐ ์ญ๋๋ฉด(Seal Face)์ ์ ๋ง
ํ์ฑ์ผ๋ก ์ธํ ์คํ๋ก ๋์ค์ ๋ฐฉ์งํ๋ค. ์ด๋ฅผ ๋ฐํ์ผ๋ก ์๊ฐ ๋ฐ
๋น์ฉ์ ํ๊ณ์ ์์ ์ฑ ๋ฌธ์ ๋ฅผ ๊ณ ๋ คํ์ฌ ๋น์ ์ ๋ฐ์ดํฐ๋ฅผ ์ทจ๋
ํ๊ธฐ ์ํด ๊ฐ์ ์คํ์ด ์๋ ์ธ์์ ์ธ ๊ฒฐํจ์ ๋์์ ์ธ๊ฐํ๋
๋ฐฉ์์ ์ฑํํ๋ค. ๊ทธ๋ฆฌ๊ณ ๋ฉ์ปค๋์ปฌ ์ฐ์ ๊ณ ์ฅ์ฌ๋ก์ ๋ํด Wilo
ํํ ์ ์ฒด์ ์๊ฒฌ์ ์๋ ดํ์ฌ ๊ฒฐํจ ์ ํ์ ๋ง๋ชจ๋ก ์ ์ ํ์๋ค.
๋ฐ๋ผ์ ๊ฒฐํจ ๋ชจ์ฌ ์ํธ์ ์ ์ํ๊ธฐ ์ํด Fig. 4์ ๊ฐ์ด ๊ณ ์ ๋ถ
์ ์ญ๋๋ฉด ๋ถ๋ถ์ ์ธ์์ ์ธ ๊ฒฐํจ์ ๊ฐํ๋ค.
ํํ ์ด์ ์ง๋จ ๋ชจ๋ธ์ ๊ฐ๋ฐํ๊ธฐ ์ํ ๋ฐ์ดํฐ ์์ง ๋ฐฉ๋ฒ์ ๋ค
์๊ณผ ๊ฐ๋ค. ํ ์ถ๋ฐธ๋ธ๋ฅผ ์์ํ ๊ฐ๋ฐฉํ๋ฉด์ ์ค์ ๋ 3,600 rpm์ ๋
๋ฌํ์ฌ ํํ๊ฐ ์์ ์ํ๊ฐ ๋์์ ๋ ๋ฐ์ดํฐ ๋ก๊น ์ ์์ํ๋ค.
ํ๋ํ ๋ฐ์ดํฐ๋ DAQ์ ADC (Analog to Digital Converter)๋ฅผ
๊ฑฐ์ณ ์๋ฒ์ log ํ์ผ ํํ๋ก ์ ์ฅ๋๋ค. ํํธ, ๋ฐฐ๊ด ์์คํ ๋ด์
๊ณ์ ์ํํ๋ ์๋์ ์ฒด์ ์จ๋ ์์น์ ๋ํ ๋ณ์๊ฐ ์คํ๋ฐ์ด
ํฐ์ ๋ฏธ์น๋ ์ํฅ์ ์ต์ํํ๊ธฐ ์ํด ์๊ฐ ๊ฐ๊ฒฉ์ ๋๊ณ ์คํ์
์งํํ๋ค. ์ด๋ฌํ ์ทจ๋ ๋ฐฉ๋ฒ์ผ๋ก ์ ์ ๋ฐ ๋น์ ์ ์ํ์ ํํ์
๋ํ ๋ฐ์ดํฐ๋ฅผ 10๋ถ ๋์ 1์ธํธ์ฉ, ์ด 10์ธํธ๋ฅผ ๊ฐ๊ฐ ์์งํ๊ณ ,
๋ถ์์ ์ํํ๋ค.
3. Data Preprocessing
๋ณธ ์ฅ์์๋ ์ด์ ์ง๋จ ๋ชจ๋ธ ๊ฐ๋ฐ์ ์ํด ์ทจ๋ํ ์์๋ฐ์ดํฐ
๋ฅผ ์ ์ฒ๋ฆฌํ๊ณ , ํต๊ณ์ ํน์ง ์ถ์ถ์ ํ๋ ๊ณผ์ ์ ์ค๋ช ํ๋ค.
3.1 Feature Extraction
๊ธฐ๊ณํ์ต ๋ชจ๋ธ์ ์ฑ๋ฅ์ ๋ฐ์ดํฐ์ ์ง๊ณผ ์์ ์์กด์ ์ด๋ค. ์ผ
์๋ก๋ถํฐ ์ทจ๋ํ ์์๋ฐ์ดํฐ๋ฅผ ๊ทธ๋๋ก ๋ชจ๋ธ์ ์ ๋ ฅํ ์ ์์ง
๋ง, ์์๋ฐ์ดํฐ๋ก๋ถํฐ ์ถ์ถํ ํต๊ณ์ ๊ธฐ๋ฐํ ํน์ง์ ์ ๋ ฅํ๋
๋ฐฉ๋ฒ์ด ๋ชจ๋ธ์ ์ฑ๋ฅ์ ํฅ์ํ ์ ์๋ค. Ahn, Yu, Choi6๋ ๊ฐ์คํฐ
๋น ๊ณ ์ฅ ์ง๋จ์ ์ํด ์ง๋ ์ ํธ์ ์๊ฐ, ์ฃผํ์ ์์ญ์ 19๊ฐ์
Fig. 2 Schematic diagram for piping system
Table 1 Numbers of sensors per type
Sensor types Number of sensors
Acceleration sensor (x, y, z) 3
Pressure transducer (in, out) 2
Current sensor 1
Flow meter 1
Fig. 3 Schematic diagram for assembly of mechanical seal
Fig. 4 Experimental mechanical seal for (a) Normal and (b) Wear
272 / April 2021 ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ
ํน์ง์ ์ถ์ถํ์๊ณ , Kankar, Sharma, Harsh7๋ ๋ฒ ์ด๋ง ๊ณ ์ฅ ์ง
๋จ์ ์ํด ์ง๋ ์ ํธ์ 6๊ฐ์ง ํต๊ณ์ ํน์ง์ ์ฌ์ฉํ์๋ค. ์์
๋ ์ฐ๊ตฌ์์ ํ์ฉ๋ ํน์ง๋ค์ด ํ์ ์ฒด ์ด์ ์ง๋จ์ ์์ด์ ์ฐ์
ํจ์ ํ์ธํ๊ณ , ๋ฐ๋ผ์ ๋ณธ ์ฐ๊ตฌ์์๋ ํผํฌ ํฌ ํผํฌ(Peak to
Peak), ํ๊ท (Mean), ํ์คํธ์ฐจ(Standard Deviation), ์คํจ๊ฐ(Root
Mean Square, RMS), ํ๊ณ ์จ(Crest Factor), ์๋(Skewness), ์ฒจ
๋(Kurtosis) ์ด 7๊ฐ์ง ํต๊ณ์ ํน์ง(f1 f7)์ ํ์ฉํ๋ค. ํผํฌ ํฌ
ํผํฌ๋ ํํ์ ์ต๋ ๋ณํ๊ฐ์ ๋ํ๋ธ๋ค. ํ๊ท ์ ์๋ฃ๋ค์ ์ ์ฒด
ํฉ์ ์๋ฃ ์๋ก ๋๋ ๋ํ์ ์ธ ํต๊ณ๊ฐ์ด๋ค. ํ์คํธ์ฐจ๋ ์๋ฃ์
์ฐํฌ๋๋ฅผ ๋ํ๋ด๋ ์์น์ด๋ค. ์คํจ๊ฐ์ ๊ทน์ฑ์ด ๋ฐ๋๋ ํํ์
ํน์ฑ์ ๋ํ๋ด๋๋ฐ ์ ์ฉํ ์ฒ๋์ด๋ค. ํ๊ณ ์จ์ ์คํจ๊ฐ์ ๋ํ
ํผํฌ๊ฐ์ ๋น์จ์ ๋ํ๋ด๋ฉฐ ๋ณดํต ์ถฉ๊ฒฉ ํํ์ ์ ํธ๋ฅผ ๊ฒ์ถํ๋
๋ฐ ์ ์ฉํ๋ค. ์๋๋ ๋ฐ์ดํฐ ๋ถํฌ์ ๋น๋์นญ์ฑ์ ๋ํ๋ด๋ ์ฒ๋
์ด๋ค. ์ฒจ๋๋ ๋ฐ์ดํฐ ๋ถํฌ์ ์ง์ค ์ ๋๋ฅผ ๋ํ๋ด๋ ์ฒ๋์ด๋ค. ๋ฐ
๋ผ์ Fig. 5์ ๊ฐ์ด Signals 1๋ถํฐ 7์ ํด๋นํ๋ ๊ฐ 7๊ฐ์ง ์ผ์
์ ํธ๋ค์ ํ๋ํ๋ฉด ๊ฐ ์ ํธ๋ ํต๊ณ์ ํน์ง๋ค(f1 f7)๋ก ์ถ์ถ๋์ด
์ด 49๊ฐ์ ํน์ง์ ์ป์ ์ ์๋ค.
3.2 Data Visualization
๋ณธ ์ ์์๋ ์ถ์ถํ ํน์ง์ ์๊ฐํ๋ฅผ ํตํด ์ด์ ์ง๋จ ๋ชจ๋ธ์
์ ์(Normal)๊ณผ ๋น์ ์(Seal Fault) ํด๋์ค ๋ถ๋ฅ ๊ฐ๋ฅ์ฑ์ ํ์ธ
ํ๋ค. ์ฌ๋ฌ ์ผ์ ์ ํธ์์ ์ถ์ถํ ํน์ง ๊ฐ์ ๋ฐ์ดํฐ ๋ถํฌ๋ฅผ ํ
์ ํ๊ธฐ ์ํด ์ฐ์ ๋ ํ๋ ฌ์ ํ์ฉํ ์ ์๋ค. ์ฐ์ ๋ ํ๋ ฌ์ด๋
๋ค๋ณ๋ ๋ฐ์ดํฐ์์ ๋ณ์ ์๊ฐ์ ์ฐ์ ๋๋ค์ ๊ทธ๋ฆฐ ๊ทธ๋ํ๋ฅผ ์
๋ฏธํ๋ค. ์ถ๊ฐ๋ก ์ ์๊ณผ ๋น์ ์ ํด๋์ค์ ์์ ์์ผ ๊ทธ๋ฆผ(Boxplot)
์ ํ์ฉํ์ฌ ์ ์ฒด ๋ฐ์ดํฐ ์ค ์์ 25%์ ํด๋นํ๋ ๊ฐ์ธ ์ 3์ฌ
๋ถ์์(Q3)์์ ํ์ 25%์ ํด๋นํ๋ ๊ฐ์ธ ์ 1์ฌ๋ถ์์(Q1)๋ฅผ
๋บ ์ฌ๋ถ์์(IQR)๊ฐ ๊ฒน์น๋์ง ํ์ธํ์ฌ ํ ์ผ์ ์ ํธ์์ ์ถ์ถ
ํ ํน์ง์ ๋ ํด๋์ค(Normal, Seal Fault) ๋ถ๋ฅ ๊ฐ๋ฅ์ฑ์ ์์ํ
์ ์๋ค. Fig. 6(a)์ ๊ฐ์ด f1 (Peak to Peak)์ ๋ํ ์ฐ์ ๋ ํ๋ ฌ
์์ ๋ณ์ 1๊ฐ๋ง ๊ณ ๋ คํ๊ธฐ ์ํด Boxplot์ ์ฐธ๊ณ ํ๋ฉด ์ ๋(Flow)
๊ณผ Y์ถ ๊ฐ์๋(Acc_y) ์ ํธ ํน์ง์ IQR ๊ตฌ๊ฐ์ด ํด๋์ค๊ฐ ๋ถ๋ฆฌ
๋์ด ์๊ธฐ ๋๋ฌธ์ ํด๋์ค ๋ถ๋ฅ์ ์ ์ฉํ ๊ฒ์ผ๋ก ๊ธฐ๋๋๋ค. ๋๋จธ
์ง ์ ํธ ํน์ง๋ค์ IQR ๊ตฌ๊ฐ์ด ํด๋์ค๊ฐ ๊ฒน์น๊ธฐ ๋๋ฌธ์ ํด๋์ค
๋ถ๋ฅ์ ์ํฅ๋ ฅ์ด ์ ์ ๊ฒ์ผ๋ก ์์๋๋ค. ๊ทธ๋ฆฌ๊ณ ๋ณ์ 2๊ฐ๋ฅผ ๊ณ
๋ คํ๊ธฐ ์ํด ์ฐ์ ๋๋ฅผ ์ฐธ๊ณ ํ๋ฉด Flow์ Acc_y ์ ํธ ํน์ง์ ๋ณ
์๋ก ํ์ฉํ์ ๋ ๋ค๋ฅธ ์ ํธ ํน์ง๋ค๋ณด๋ค ํด๋์ค๋ฅผ ์ ๋ถ๋ฅํ ์
์์ ๊ฒ์ผ๋ก ๊ธฐ๋๋๋ค. Figs. 6(c)์ 6(e)์ ๊ฐ์ด f3 (Standard
Deviation), f5 (Crest Factor)์ ๋ํ ์ฐ์ ๋ ํ๋ ฌ์์ Boxplot์
์ฐธ๊ณ ํ๋ฉด Acc_y ์ ํธ ํน์ง์ด ํด๋์ค ๋ถ๋ฅ์ ์ ์ฉํ ๊ฒ์ผ๋ก ๊ธฐ
๋๋๋ค.
๋ฐ๋ผ์ Acc_y ์ ํธ ํน์ง์ด ๋ณ์๋ก ํ์ฉ๋ ์ฐ์ ๋๋ค์ด ๋ค๋ฅธ
์ฐ์ ๋๋ค์ ๋นํด ํด๋์ค ๋ถ๋ฅ๊ฐ ์ ์ด๋ฃจ์ด์ง ๊ฒ์ ํ์ธํ ์ ์
๋ค. Figs. 6(b)์ 6(d)์ ๊ฐ์ด f2 (Mean), f4 (RMS)์ ๋ํ ์ฐ์ ๋
ํ๋ ฌ์์ Boxplot์ ์ฐธ๊ณ ํ๋ฉด ์ ๋, X, Y, Z์ถ ๊ฐ์๋(Acc_x,
Acc_y, Acc_z) ์ ํธ ํน์ง๋ค์ด ํด๋์ค ๋ถ๋ฅ์ ์ ์ฉํ ๊ฒ์ผ๋ก ์
์๋๋ค. ํํธ f2์ f4์ ์ฐ์ ๋๋ค์ ๊ฑฐ์ ๋์ผํ ๋ถํฌ๋ฅผ ๋ณด์ธ๋ค.
๋ฐ๋ผ์ ํ ์ผ์ ์ ํธ์์ f2์ f4 ํน์ง๋ค์ ๋์ ์๊ด๊ด๊ณ๋ฅผ ๋ณด
์ธ๋ค. Figs. 6(f)์ 6(g)์ ๊ฐ์ด f6 (Skewness), f7 (Kurtosis)์ ๋ํ
์ฐ์ ๋ ํ๋ ฌ์์ Boxplot์ ์ฐธ๊ณ ํ๋ฉด ๋ชจ๋ ์ ํธ ํน์ง๋ค์ IQR
๊ตฌ๊ฐ์ด ํด๋์ค๊ฐ ๋๋ถ๋ถ ๊ฒน์น๊ธฐ ๋๋ฌธ์ ํด๋์ค ๋ถ๋ฅ์ ๋ฎ์ ์
ํฅ์ ์ค ๊ฒ์ผ๋ก ๊ธฐ๋๋๋ค.
๊ฒฐ๊ณผ์ ์ผ๋ก ํด๋์ค ๋ถ๋ฅ์ ๋น๊ต์ ๋์ ์ํฅ์ ์ฃผ๋ ํน์ง๋ค
์ f1, f2, f3, f4, f5์ด๋ฉฐ ๋ฐ๋๋ก ๋ฎ์ ์ํฅ์ ์ฃผ๋ ํน์ง๋ค์ f6, f7
๋ก ์์ํ ์ ์๋ค.
4. Machine Learning Model for Fault Diagnosis
๋ฐ์ดํฐ๋ฅผ ํตํ ๋ชจ๋ธ๋ง ๋ฐฉ๋ฒ๋ก ์ค ๊ฐ์ฅ ๋๋ฆฌ ์๋ ค์ง ๊ธฐ๊ณํ์ต
์ ์ธ๊ณต์ง๋ฅ์ ํ ๋ถ์ผ๋ก, ์ปดํจํฐ๊ฐ ํ์ตํ ์ ์๋๋ก ์๊ณ ๋ฆฌ์ฆ
๊ณผ ๊ธฐ์ ์ ๊ฐ๋ฐํ๋ ๋ถ์ผ๋ฅผ ๋งํ๋ค. ๊ทธ๋ฆฌ๊ณ ๊ธฐ๊ณ์ ๋ถ์ฐฉ๋ ์ฌ๋ฌ
์ผ์๋ก๋ถํฐ ๋ฐ์ดํฐ๋ฅผ ์ทจ๋ํ๊ณ ๊ธฐ๊ณํ์ต์ ํ์ฉํ์ฌ ๊ธฐ๊ณ์ ์
ํ๋ฅผ ํ์ ํ๋ ์ด์ ์ง๋จ ๊ธฐ์ ์ด ๋ฐ์ ํ๊ณ ์๋ค. ์ฆ ๊ธฐ๊ณ์ ์
์คํ ์ ํด์์ ํตํ์ฌ ์ด์ ์ง๋จ์ ํ๋ ๊ธฐ์กด ๋ฐฉ๋ฒ๊ณผ๋ ๋ฌ๋ฆฌ ๊ธฐ
๊ณํ์ต์ ์ด์ฉํ์ฌ ์ด์ ์ง๋จ์ ์คํํ๋ ๋ฐฉ๋ฒ์ผ๋ก ์ผ์์์
์ทจ๋๋ ๋ฐ์ดํฐ๋ฅผ ํต๊ณ์ ์ผ๋ก ์ฒ๋ฆฌํ๊ณ , ํ๋ฅ ๋ก ์ ๋ชจ๋ธ์ ๊ธฐ๋ฐํ
์ฌ ํ์ฌ ๊ธฐ๊ณ์ ์ํ๊ฐ ์ด๋ค์ง, ํฅํ ๊ธฐ๊ธฐ์ ์ฑ๋ฅ ์ ํ ์ํ ๋ณ
ํ ์ถ์ด๋ฅผ ํ์ ํ๋ค.8
๊ธฐ๊ณ์ ๊ณ ์ฅ ์ง๋จ์๋ ์๋ ๋ง๋ฅด์ฝํ ๋ชจํ(HMM), ์ธ๊ณต์ ๊ฒฝ
๋ง(ANN), ์ํฌํธ ๋ฒกํฐ ๋จธ์ (SVM) ๋ฑ ๋ค์ํ ์ธ๊ณต์ง๋ฅ ๊ธฐ๋ฒ์ด
์ฌ์ฉ๋๋ค.9,10 ํํธ, ์์๋ธ ํ์ต ๊ธฐ๋ฒ์ ํ๋์ธ ๋๋ค ํฌ๋ ์คํธ๋
์คํ์๋๊ฐ ๋น ๋ฅด๊ณ , ์ฑ๋ฅ์ด ์ฐ์ํ๋ฉฐ ํธ๋ฆฌ ๊ธฐ๋ฐ ํ์ต์ด ๊ฐ๋ฅํ
์ฌ ๊ธฐ๊ณ ์ด์ ์ง๋จ์ ํจ๊ณผ์ ์ด๋ค.11 ๋ณธ ์ฐ๊ตฌ๋ ์ด๋ฌํ ๊ธฐ๊ณํ์ต
์๊ณ ๋ฆฌ์ฆ์ ํ์ฉํ์ฌ ์ ์ ๋ฐ ๊ณ ์ฅ ๋ฉ์ปค๋์ปฌ ์ฐ์ ๋ํ ํํ ์
์คํ ์ ์ด์ ์ง๋จ ๋ชจ๋ธ์ ๊ฐ๋ฐํ๋ค. ์์ ์ถ์ถํ ํต๊ณ ๊ธฐ๋ฐ 7๊ฐ
์ง ํน์ง๋ค์ ๊ฐ๊ฐ ์ฌ์ฉํ์ฌ ๋๋ค ํฌ๋ ์คํธ ๋ถ๋ฅ ๋ชจ๋ธ์ ํ์ต์
ํค๊ณ , k๊ฒน ๊ต์ฐจ๊ฒ์ฆ๋ฐฉ์์ผ๋ก ๋ชจ๋ธ ์ฑ๋ฅ์ ๊ฒ์ฆํ๋ค.
Fig. 5 Feature extraction of seven signals on time series
ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ April 2021 / 273
274 / April 2021 ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ
Fig. 6 Scatter plot for (a) f1 (Peak to peak), (b) f2 (Mean), (c) f3 (Standard deviation), (d) f4 (Root mean square), (e) f5 (Crest factor), (f) f6
(Skewness), (g) f7 (Kurtosis) from seven sensors data
ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ April 2021 / 275
4.1 Random Forest Based Diagnosis
๋๋ค ํฌ๋ ์คํธ(Random Forest, RF)๋ ์์๋ธ ํ์ต ๊ธฐ๋ฒ์ ์ฌ
์ฉํ๋ ๋ํ์ ์ธ ํธ๋ฆฌ ๊ตฌ์กฐ์ ๊ฐ๋ ํ์ต ๋ชจ๋ธ์ด๋ค. ์ผ๋ฐ์ ์ผ๋ก
RF๋ ๋ฐฐ๊น (Bagging) ์ ๊ทผ ๋ฐฉ์์ ์ฌ์ฉํ๋ค. ๋ฐฐ๊น ์ด๋ Bootstrap
Aggregation์ ์ฝ์๋ก ์ฃผ์ด์ง ํ๋ จ ๋ฐ์ดํฐ์ (Train Data Set)์
์ ๊ด์ธก๊ฐ๊ณผ ํน์ง๋ค์ ๋ฌด์์๋ก ์ํ๋งํด์ ๋ค์์ ์์ธก๋ชจํ์
๋ง๋ค์ด ๊ฐ๋ณ ์์ธก๋ชจํ์ ๋ค์๊ฒฐ ํฌํ๋ก ๋ชจ๋ธ์ ์ฑ๋ฅ์ ํ๊ฐํ
๋ ๋ฐฉ๋ฒ์ด๋ค. ํํธ ์ง๋ํ์ต ์๊ณ ๋ฆฌ์ฆ ๋ชจ๋ธ์ ํ์ตํ ๋ ํ๋ จ
๋ฐ์ดํฐ์ ์ ๊ท์น์ ์ ๋ฐ์ํ๋ฉด์ ํ ์คํธ ๋ฐ์ดํฐ์ ์ ๋ํด ์ผ
๋ฐํํ๋ ๊ฒ์ด ์ค์ํ๋ค. ๋ฐ๋ผ์ ๋ชจ๋ธ์ ๋ณต์ก๋๋ฅผ ๋ณ๊ฒฝํ๋ฉด์
ํ ์คํธ ๋ฐ์ดํฐ์ ์ ์ค์ ๊ฐ๊ณผ ํ์ตํ ๋ชจ๋ธ ์์ธก๊ฐ์ ์ฐจ์ด์ธ ์ค
์ฐจ(Error)๋ฅผ ์ต์ํํ๋ ์์ ์ ํ๋ค. ํ์ง๋ง ์ด๋ Bias-Variance
Trade Off ๋ฌธ์ ๋ฅผ ๊ฒช๋๋ค. ์ค์ฐจ๋ ํธํฅ(Bias), ๋ถ์ฐ(Variance), ์ก
์ ํธ(Noise)๋ก ๊ตฌ์ฑ๋๋๋ฐ ์ฐ๋ฆฌ๊ฐ ๋ค๋ฃฐ ์ ์๋ ์ค์ฐจ๋ ํธํฅ๊ณผ
๋ถ์ฐ์ด๋ค. ํธํฅ์ ํ๋ จ ๋ฐ์ดํฐ์ ์ ํตํด ํ์ตํ ์ฌ๋ฌ ๋ชจ๋ธ์ ์
์ธก๊ฐ๊ณผ ํ ์คํธ ๋ฐ์ดํฐ์ ์ ์ค์ ๊ฐ์ ๋ํ ์ฐจ์ด์ ํ๊ท ์ ๋ปํ
๋ฉฐ ๋ถ์ฐ์ ํ์ตํ ์ฌ๋ฌ ๋ชจ๋ธ์ ์์ธก๊ฐ์ด ์ผ๋ง๋ ๋๊ฒ ํผ์ ธ ์๋
์ง๋ฅผ ๋ํ๋ธ๋ค. ์ผ๋ฐ์ ์ผ๋ก ํธํฅ์ ์ค์ด๊ธฐ ์ํด ๋ชจ๋ธ์ ๋ณต์กํ
๊ฒ ๋ง๋ค๋ฉด ํ๋ จ ๋ฐ์ดํฐ์ ์ ์ ํํํ์ง๋ง ํฐ ๋ ธ์ด์ฆ ์ฑ๋ถ๊น์ง
๋ชจ๋ธ๋ง์ ๋ฐ์ํ๊ธฐ ๋๋ฌธ์ ๊ณผ์์ ํฉ(Overfitting) ๋ฌธ์ ๊ฐ ๋ฐ์ํ
๊ณ ๋ชจ๋ธ์ ๋ถ์ฐ์ด ์ปค์ ธ ์ค์ฐจ๊ฐ ์ฆ๊ฐํ๋ค. ๋ฐ๋๋ก ์ผ๋ฐ์ ์ผ๋ก ๋ถ
์ฐ์ ์ค์ด๊ณ ์ ๋ชจ๋ธ์ ๋จ์ํ๊ฒ ๋ง๋ค๋ฉด ํ๋ จ ๋ฐ์ดํฐ์ ์ ์ ํ
ํํ์ง ๋ชปํด ๊ณผ์์ ํฉ(Underfitting) ๋ฌธ์ ๊ฐ ๋ฐ์ํ๊ณ ๋ชจ๋ธ์ ํธ
ํฅ์ด ์ปค์ ธ ์ค์ฐจ๊ฐ ์ฆ๊ฐํ๋ค. ๋ฐฐ๊น ์ ํธํฅ-๋ถ์ฐ ์์ถฉ ๋ฌธ์ ๋ฅผ ํด
๊ฒฐํ ์ ์์ผ๋ฉฐ ํธํฅ์ ์๊ฒ ์ ์งํ๋ฉด์ ๋ชจ๋ธ์ ๋ถ์ฐ์ ์๊ฒ ํ
์ ์๋ค. ๊ทธ๋ฆฌ๊ณ RF๋ ์ด๋ฌํ ๋ฐฐ๊น ๊ณ์ด์ ๊ฐ์ฅ ๋ํ์ ์ด๊ณ ์
์ธก๋ ฅ์ด ์ฐ์ํ ์๊ณ ๋ฆฌ์ฆ์ด๋ค.12
๋ฐ๋ผ์ ๋ณธ ์ฐ๊ตฌ์์๋ RF ๊ธฐ๋ฐ์ ๋ชจ๋ธ์ ํ์ตํ์๊ณ , ์ด๋ฅผ
์ํด ์ ์ ํํ์ ๋ฐ์ดํฐ ํด๋์ค๋ 0์ผ๋ก ๋น์ ์ ํํ์ ๋ฐ์ด
ํฐ ํด๋์ค๋ 1๋ก ๋ผ๋ฒจ๋ง(Labelling)ํ๋ค. ๊ทธ ํ RF ์๊ณ ๋ฆฌ์ฆ์ผ
๋ก ๋ชจ๋ธ์ค๊ณํ๊ณ , ์ต์ ํํ๊ธฐ ์ํด k๊ฒน ๊ต์ฐจ๊ฒ์ฆ(k-Fold Cross
Validation) ๋ฐฉ๋ฒ์ ํ์ฉํ๋ค. k๊ฒน ๊ต์ฐจ๊ฒ์ฆ์ด๋ ์ ์ฒด ๋ฐ์ดํฐ์
์ k๊ฐ์ ๊ทธ๋ฃน์ผ๋ก ๋๋์ด k1๊ฐ์ ํ๋ จ ๋ฐ์ดํฐ์ ๊ณผ 1๊ฐ์ ํ
์คํธ ๋ฐ์ดํฐ์ ์ ๋ง๋ค์ด ํ์ต์ํค๊ณ , ๊ฐ ๊ทธ๋ฃน์ ๋ค๋ฅด๊ฒ ๋ฒ๊ฐ์
๊ฐ๋ฉฐ ๋ฐ๋ณตํ์ตํ๋ ๋ฐฉ๋ฒ์ด๋ค. ์ด๋ ์ด ๋ฐ์ดํฐ ๊ฐ์๊ฐ ๋น๊ต์ ์
์ ๋ ๋ชจ๋ธ ์ฑ๋ฅ์ ํฅ์์ํฌ ์ ์๋ ์ฅ์ ์ด ์๋ค.
4.2 Experimental Result
๋ณธ ์ฐ๊ตฌ์์๋ ๊ฐ ํน์ง(f1 f7)์ด RF ๊ธฐ๋ฐ์ ์ด์ ์ง๋จ ๋ชจ๋ธ
ํ์ต์ ์ผ๋ง๋งํผ ์ํฅ์ ์ฃผ๋์ง ํ์ ํ๊ธฐ ์ํด ํน์ง๋ง๋ค ๋ชจ๋ธ
์ ํ์ต์ํค๊ณ , 7๊ฐ์ง ๋ชจ๋ธ ์ฑ๋ฅ์ ์ต์ข ์ ์ผ๋ก ํ๊ฐํ๋ค. ๋ฐ๋ผ
์ ๋ชจ๋ธ์ ํ๊ฐํ๊ธฐ ์ํด Fig. 7๊ณผ ๊ฐ์ ํผ๋ํ๋ ฌ์ด ํ์ํ๋ค. 0
๊ณผ 1์ ๋ผ๋ฒจ์ ๊ฐ์ง ๋ฐ์ดํฐ๋ฅผ ๋ถ๋ฅํ๋ค๊ณ ํ ๋ ๊ด์ฌ ๋ฒ์ฃผ๋ ๋ณด
ํต ๋ผ๋ฒจ 1์ด๋ค. True Positives (TP)๋ ๋ผ๋ฒจ 1์ 1๋ก ์ฌ๋ฐ๋ฅด๊ฒ ํ
๋จํ ๊ฒฝ์ฐ์ด๊ณ , False Negatives (FN)๋ ๋ผ๋ฒจ 1์ 0์ผ๋ก ์๋ชป ํ
๋จํ ๊ฒฝ์ฐ์ด๋ค. ์ด์ด์ False Positives (FP)๋ ๋ผ๋ฒจ 0์ 1๋ก ์
๋ชป ํ๋จํ ๊ฒฝ์ฐ์ด๊ณ , True Negatives (TN)๋ ๋ผ๋ฒจ 0์ 0์ผ๋ก ์ฌ๋ฐ
๋ฅด๊ฒ ํ๋จํ ๊ฒฝ์ฐ์ด๋ค. ์ด 4๊ฐ์ง ๊ฒฐ๊ณผ๋ฅผ ๋ฐํ์ผ๋ก ๋ชจ๋ธ์ ๋ช ๊ฐ์ง
์ฒ๋๋ก ํ๊ฐํ ์ ์๋๋ฐ ์ ํ๋(Accuracy), ์ ๋ฐ๋(Precision),
์ฌํ๋(Recall) ๋ฑ์ด ์๋ค. ๋ณธ ์ฐ๊ตฌ๋ ์ ํ๋ ์ฒ๋๋ฅผ ์ฌ์ฉํ๋ค.
์ ํ๋๋ ๋ผ๋ฒจ 1์ 1๋ก ๋ผ๋ฒจ 0์ 0์ผ๋ก ์ ํํ๊ฒ ๋ถ๋ฅํด๋ธ ๊ฒ
์ ์๋ฏธํ๋ฉฐ ์ด๋ ๋ชจ๋ธ์ด ๋ฐ์ดํฐ์ ๋ผ๋ฒจ๋ค์ ์ ํํ๊ฒ ์์ธกํ
๋์ง ๋ํ๋ด๋ ์ฒ๋์ด๋ค. ์ ํ๋๋ ์(2)์ ๊ฐ๋ค.
(2)
์ด์ ๊ดํ ๊ฒฐ๊ณผ๋ก Table 2์ ๊ฐ์ด f1 (Peak to Peak), f2
(Mean), f3 (Standard Deviation), f4 (RMS), f5 (Crest Factor), f6
(Skewness), f7 (Kurtosis) ๊ฐ ํน์ง์ ์ ๋ ฅ๊ฐ์ผ๋ก ํ ๋ชจ๋ธ๋ค์ ๋ถ
๋ฅ ์ ํ๋๋ฅผ ์ฐ์ถํ์๋ค. ๊ฒฐ๊ณผ๋ฅผ ์ดํด๋ณด๋ฉด f1, f2, f3, f4 ํน์ง๋ค์
๊ฑฐ์ 100%์ ๊ฐ๊น์ด ๋ถ๋ฅ ์ ํ๋๋ฅผ ๋ณด์ด๋ฉฐ f5, f6, f7๋ ์๋์ ์ผ
๋ก ๋ฎ์ ๋ถ๋ฅ ์ ํ๋๋ฅผ ๋ณด์ฌ์ค๋ค. ๊ฒฐ๊ณผ์ ์ผ๋ก f1, f2, f3, f4๋ ํํ
์ด์ ์ง๋จ ๋ชจ๋ธ์ ์๋์ ์ผ๋ก ํ์ฉ ๊ฐ์น๊ฐ ๋์ ์ธ์(Factor)์
์ ์์ํ ์ ์๋ค.
ํํธ, ์ด๋ค ํต๊ณ์ ํน์ฑ ์ธ์์ ๋ํด 7๊ฐ์ง ์ผ์์ ์ฐ์ ์์
๋ฅผ ํ์ธํ๊ธฐ ์ํด ๋๋ค ํฌ๋ ์คํธ ๋ชจ๋ธ์ ์ฌ์ฉํ์ฌ ๋ณ์ ์ค์๋
๋ฅผ ์ ์ ์๋ค. ๋ณ์ ์ค์๋๋ ๋ชจ๋ธ ์ ๋ ฅ๋ณ์๊ฐ ๋ถ๋ฅ ์ ํ๋์
๋ ธ๋ ๋ถ์๋(Node Impurity) ๊ฐ์ ์ ์ผ๋ง๋งํผ ๊ธฐ์ฌ๋ฅผ ํ๋ ์ ๋
๋ก ์ธก์ ๋๋ค. ๋ฐ๋ผ์ ๋ถ๋ฅ ์ ํ๋๊ฐ ์๋์ ์ผ๋ก ๋์ f3, f4 ๋ชจ๋ธ
๊ณผ ์๋์ ์ผ๋ก ๋ฎ์ f6, f7 ๋ชจ๋ธ์ ๋ํด ๊ฐ๊ฐ ๋ณ์ ์ค์๋๋ฅผ ํ์ธ
ํ๋ค.
Figs. 8๋ถํฐ 11์ f3, f4, f6, f7 ํน์ง๋ณ ๋ชจ๋ธ์์ ๋ณ์ ์ค์๋๊ฐ
๋์ ์์๋๋ก ํน์ง์ 3๊ฐ์ง๋ก ์ ํํ์ฌ 3์ฐจ์ ๊ทธ๋ํ๋ก ๊ทธ๋ฆฐ
๊ฒฐ๊ณผ์ด๋ค. Fig. 8์ ์ฐธ๊ณ ํ๋ฉด, f3 ๋ชจ๋ธ์ ์์ ํน์ง ์ผ์๋ y์ถ
๊ฐ์๋ ์ผ์, ํก์ ๊ตฌ ์๋ ฅ ์ผ์, ํ ์ถ๊ตฌ ์๋ ฅ ์ผ์์ด๋ค. Fig. 9๋ฅผ
AccuracyTP TN+
TP FP FN TN+ + +---------------------------------------------=
Fig. 7 Confusion matrix
Table 2 Accuracy of seven models for features
f1 f2 f3 f4 f5 f6 f7
Accuracy
[%]99 99 100 99 96 92 92
276 / April 2021 ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ
์ฐธ๊ณ ํ๋ฉด, f4 ๋ชจ๋ธ์ ์์ ํน์ง ์ผ์๋ z์ถ ๊ฐ์๋ ์ผ์, ํ ์ถ๊ตฌ
์๋ ฅ ์ผ์, y์ถ ๊ฐ์๋ ์ผ์์ด๋ค. Fig. 10์ ์ฐธ๊ณ ํ๋ฉด, f6 ๋ชจ๋ธ์
์์ ํน์ง ์ผ์๋ z์ถ ๊ฐ์๋ ์ผ์, ์ ๋ฅ ์ผ์, ํก์ ๊ตฌ ์๋ ฅ ์ผ
์์ด๋ค. Fig. 11์ ์ฐธ๊ณ ํ๋ฉด, f7 ๋ชจ๋ธ์ ์์ ํน์ง ์ผ์๋ ํ ์ถ๊ตฌ
์๋ ฅ ์ผ์, ์ ๋ฅ ์ผ์, x์ถ ๊ฐ์๋ ์ผ์์ด๋ค. ์ด์ฒ๋ผ ์ด๋ค ํต๊ณ
์ ํน์ฑ ์ธ์(f1 f7) ๋ชจ๋ธ์ ๋ํด 7๊ฐ์ง ์ผ์๋ณ๋ก ๋ถ๋ฅ ์ ํ๋
๋ฅผ ๋์ด๋๋ฐ ๊ธฐ์ฌํ๋ ์ ๋๊ฐ ๊ฐ๊ฐ ๋ค๋ฅด๋ค๋ ๊ฒ์ ์ ์ ์๋ค.
๊ฒฐ๊ณผ์ ์ผ๋ก ํํ ์ด์ ์ง๋จ ๋ชจ๋ธ์ ๊ฐ๋ฐํ ๋ ์ด๋ค ์ผ์๋ฅผ ์ฌ์ฉ
ํ๊ณ ์ด๋ค ํต๊ณ์ ํน์ง(f1 f7)์ ์ ํํ๋๋์ ๋ฐ๋ผ ๋ชจ๋ธ ๋ถ๋ฅ
์ ํ๋๊ฐ ์ ์๋ฏธํ๊ฒ ๋ฌ๋ผ์ง ์ ์๋ค. ๋ฐ๋ผ์ ์ผ์ ์ ์ ๊ณผ ํด๋น
์ผ์์ ๋ฐ์ดํฐ๋ก๋ถํฐ ์ถ์ถํ ํน์ง์ ์ ํ์ด ์ค์ํ๋ค.
5. ๊ฒฐ๋ก
์์ฌํํ๋ ์ ์ , ์์ ํํ, ์ ์กฐ, ์ยทํ์๋, ์๋ฐฉ ๋ฑ ๋ค์ํ
๋ถ์ผ์์ ๋๋ฆฌ ํ์ฉ๋๊ณ ์์ผ๋ฉฐ, ์ค์ํ ์ญํ ์ ์ํํ๋ค. ๋ฐ๋ผ
์ ์ง์์ ์ด๊ณ ์์ ์ ์ธ ์ค๋น ๊ฐ๋์ ์ํด์๋ ์๋ฐฉ์ ๋น(PM)
๋ฐฉ๋ฒ์ ํ์ฉํ๋ฉฐ ์ด ์ค์์ ์ค์๊ฐ์ผ๋ก ์ค๋น์ ์ํ๋ฅผ ์ง๋จํ
์ ์๋ CBM ๋ฐฉ๋ฒ์ ํจ๊ณผ์ ์ด๋ค.
๋ณธ ์ฐ๊ตฌ๋ ํํ์์คํ ์ ์ค๊ณํ ํ ๋ฉ์ปค๋์ปฌ ์ฐ์ ์ ์๊ณผ
๊ณ ์ฅ ์ํ๋ฅผ ๊ฐ์ ํ์ฌ ๊ฐ์๋, ์๋ ฅ, ์ ๋, ์ ๋ฅ ์ผ์๋ค๋ก๋ถํฐ
Fig. 8 Three-dimensional distribution for f3 (y-Axis acceleration), f3
(Inlet), f3 (Outlet) (Best-case)
Fig. 9 Three-dimensional distribution for f4 (z-Axis acceleration), f4
(Outlet), f4 (y-Axis acceleration) (Best-case)
Fig. 10 Three-dimensional distribution for f6 (z-Axis acceleration),
f6 (Current), f6 (Inlet) (Worst-case)
Fig. 11 Three-dimensional distribution for f7 (Outlet), f7 (Current),
f7 (x-Axis acceleration) (Worst-case)
ํ๊ตญ์ ๋ฐ๊ณตํํ์ง ์ 38๊ถ ์ 4ํธ April 2021 / 277
๋ฐ์ดํฐ๋ฅผ ์ทจ๋ํ์๋ค. ๋ํ, ์ทจ๋๋ ๋ฐ์ดํฐ๋ก๋ถํฐ ํน์ง์ ์ถ์ถ
ํ์ฌ ๋๋ค ํฌ๋ ์คํธ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ๊ฐ ํน์ง์ ๋ถ๋ฅ ์ฑ๋ฅ์ ํ๊ฐํ
์๋ค.
์คํ์ ๋ฉ์ปค๋์ปฌ ์ฐ์ด ์ ์๊ณผ ๋ง๋ชจ์ธ 2๊ฐ์ง ๊ฒฝ์ฐ๋ฅผ ์ค์ ํ์ฌ
๋๋ค ํฌ๋ ์คํธ๋ฅผ ์ฌ์ฉํ์ฌ 7๊ฐ์ง ํน์ง๋ค ๊ฐ๊ฐ์ ๋ชจ๋ธ์ ๊ฐ๋ฐํ
๊ณ ๋ถ๋ฅ ์ฑ๋ฅ์ ํ๊ฐํ์์ผ๋ฉฐ, ๋ชจ๋ธ ๋ชจ๋ 90% ์ด์์ ๋ถ๋ฅ ์ฑ
๋ฅ์ ๋ณด์ฌ์ฃผ์๋ค. ํ์ง๋ง f1, f2, f3, f4, f5์ ๋ชจ๋ธ๋ค์ ์๋์ ์ผ๋ก
๋์ ๋ถ๋ฅ ์ฑ๋ฅ์ ๋ณด์ฌ์ค ๊ฒ์ ๋ฐํด f6, f7์ ๋ชจ๋ธ๋ค์ ์๋์ ์ผ
๋ก ๋ฎ์ ๋ถ๋ฅ ์ฑ๋ฅ์ ๋ณด์ฌ์ฃผ์๋ค. ๋ฐ๋ผ์ ๋ณธ ์คํ ๊ฒฐ๊ณผ๋ ์ด์
์ง๋จ์ ์ํ ๋ชจ๋ธ์ ๊ฐ๋ฐ ์ ๋ชจ๋ ํน์ง์ ์ฌ์ฉํ๋ ๊ฒ๋ณด๋ค ์ด์
๋ถ๋ฅ์์ ๋ณด๋ค ์ ํฉํ ํน์ง์ ์ ๋ณํด์ผ ํ๋ค๋ ๊ฒ์ ๋ณด์ฌ์ค๋ค.
ํ์ ์ฐ๊ตฌ๋ก์จ ๋ณธ ํํ ๋ฐ์ดํฐ ์์ง ์์คํ ์ ํ์ฉํ์ฌ ํํ
์ ๋ค์ํ ๊ณ ์ฅ ์ํฉ์ ๊ฐ์ ํ ์คํ ์ค๊ณ ํ ๋ฐ์ดํฐ๋ฅผ ์์งํ์ฌ
ํํ์ ์ฌ๋ฌ ๊ณ ์ฅ ๋ชจ๋ ๋ถ๋ฅ ์๊ณ ๋ฆฌ์ฆ์ ์ ์ฉํ ์์ ์ด๋ค. ๋ํ,
ํน์ ๊ณ ์ฅ ๋ชจ๋๋ณ๋ก ๊ณ ์ฅ์ ์ ๋๋ฅผ ๋ค์ํ๊ฒ ๊ณ ๋ คํ์ฌ ๊ณ ์ฅ์
์ฌ๊ฐ๋์ ๋ํ ํํ์ ์ฑ๋ฅ ํน์ฑ์ ๋ฐ์ดํฐ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ํ์ฌ ๋ชจ
๋ธ๋ง์ ์ํํ๊ณ ์ ํ๋ค.
ACKNOWLEDGEMENT
์ด ์ฐ๊ตฌ๋ ์ถฉ๋จ๋ํ๊ต ํ์ ์ฐ๊ตฌ๋น์ ์ํด ์ง์๋์์.
REFERENCES
1. Lee, S. and Youn, B. D., โIndustry 4.0 and Direction of Failure
Prediction and Prognostics and Health Management (PHM),โ
Transactions of the Korean Society for Noise and Vibration
Engineering, Vol. 25, No. 1, pp. 22-28, 2015.
2. Babu, G. S. and Das, V. C., โCondition Monitoring and Vibration
Analysis of Boiler Feed Pump,โ International Journal of
Scientific and Research Publications, Vol. 3, No. 6, pp. 1-7,
2013.
3. Shin, Y., โA Study on Diagnosing Fouling of Heat Exchangers
of a Hybrid Heat Pump,โ Korean Journal of Air-Conditioning
and Refrigeration Engineering, Vol. 26, No. 5, pp. 240-246,
2014.
4. Muralidharan, V., Sugumaran, V., and Indira, V., โFault
Diagnosis of Monoblock Centrifugal Pump Using SVM,โ
Engineering Science and Technology, an International Journal,
Vol. 17, No. 3, pp. 152-157, 2014.
5. Jeoung, R. H. and Lee, B. K., โFault Detection Signal for
Mechanical Seal of Centrifugal Pump,โ Journal of the Korean
Society of Safety, Vol. 27, No. 3, pp. 20-27, 2012.
6. Ahn, B. H., Yu, H. T., and Choi, B. K., โFeature-Based Analysis
for Fault Diagnosis of Gas Turbine Using Machine Learning and
Genetic Algorithms,โ Journal of the Korean Society for Precision
Engineering, Vol. 35, No. 2, pp. 163-167, 2018.
7. Kankar, P. K., Sharma, S. C., and Harsha, S. P., โFault Diagnosis
of Ball Bearings Using Machine Learning Methods,โ Expert
Systems with Applications, Vol. 38, No. 3, pp. 1876-1886, 2011.
8. Lee, S., Min, H., and Jeong, H., โIssues Related to Abnormal
Diagnosis Technology Using Machine Learning,โ Transactions of
the Korean Society for Noise and Vibration Engineering, Vol. 25,
No. 1, pp. 16-21, 2015.
9. Kim, Y. S., Lee, D. H., and Kim, D. W., โFault Severity
Diagnosis of Ball Bearing by Support Vector Machine,โ
Transactions of the Korean Society of Mechanical Engineers B,
Vol. 37, No. 6, pp. 551-558, 2013.
10. Kim, J. S. and Yoo, H. H., โFault Diagnosis of a Rotating Blade
Using HMM/ANN Hybrid Model,โ Transactions of the Korean
Society for Noise and Vibration Engineering, Vol. 23, No. 9, pp.
814-822, 2013.
11. Yang, B. S., Di, X., and Han, T., โRandom Forests Classifier for
Machine Fault Diagnosis,โ Journal of Mechanical Science and
Technology, Vol. 22, No. 9, pp. 1716-1725, 2008.
12. Jung, H. and Park, M., โA Study of Big Data-Based Machine
Learning Techniques for Wheel and Bearing Fault Diagnosis,โ
Journal of the Korea Academia-Industrial Cooperation Society,
Vol. 19, No. 1, pp. 75-84, 2018.
Kang Whi Kim
Undergraduate Researcher in the School of
Mechanical Engineering, Chungnam
National University. His research interest is
prognostics & health management (PHM)
for machinery.
E-mail: [email protected]
Jihoon Kang
Assistant Professor in the Department of
Business Administration, Korea Polytechnic
University. His research interests include
integration method of physical models into
machine learning approaches, which deals
with smart factory problems such as predic-
tive maintenance, quality control, and manu-
facturing process optimizations.
E-mail: [email protected]
Seung Hwan Park
Assistant Professor in the School of
Mechanical Engineering, Chungnam National
University. His research interests include
process monitoring, control and diagnostics
for smart manufacturing, and data science-
based manufacturing analytics.
E-mail: [email protected]