Vibration-based Gearbox Diagnostics by Enhancement of Weak Fault-characteristic Information :약한 고장 특성 정보의 강화를 통한 진동 기반 기어박스 진단 방법

김윤한

추천

검색

자료유형: 학위논문

저자정보: 김윤한 (서울대학교, 서울대학교 대학원)

지도교수: 윤병동

발행연도: 2022

저작권: 서울대학교 논문은 저작권에 의해 보호받습니다.

이용수10

초록· 키워드

다양한 기계 및 제조 시스템의 핵심 동력부로 활용되는 산업용 기어박스의 예상치 못한 고장은 막대한 경제적 손실 뿐만 아니라 인명 피해를 일으킬 수 있다. 따라서 시스템의 신뢰성과 가용도 향상을 위한 산업용 기어박스 진단 기술이 주목받고 있다. 특히, 다양한 제조 공정 등으로 인해, 복잡하고 반복적인 운행 환경에서 활용되는 산업용 기어박스의 수가 최근 증가함에 따라, 운행 환경에 강건한 기어박스 고장 진단 기술이 요구되고 있다. 이를 위해 본 연구에서는 기어박스가 등속으로 회전할 때 추출된 진동 신호를 활용한다. 이와 같은 신호 추출 과정은 진동 신호에 포함된 기어박스의 특성 주파수의 변동성을 줄일 수 있기에, 운행 환경에 강건한 기어박스 진단 기술 개발에 활용할 수 있다. 그러나 이러한 신호 추출 과정은 제한적인 등속구간으로 인해 필연적으로 진동 신호 내의 고장 특성 정보를 약화시키게 된다. 구체적으로, 약한 고장 특성 정보는 1) 비동기화 된 신호, 2) 복잡하게 변조된 고장 신호, 3) 불충분한 시간-주파수 정보를 포함하므로, 기존의 기어박스 진단 기술의 적용을 제한한다.
따라서 본 학위논문에서는 이러한 약한 고장 특성 정보의 강화를 통해 기어박스 진단 기술을 개선하기 위한 세 가지의 연구를 제안한다. 첫 번째 연구에서는 비동기화 된 신호의 노이즈 제거 기술을 제안한다. 제안하는 방법에서는 푸리에 변환을 활용해 비동기화 된 신호의 진폭과 위상 정보를 추출한 후, 위상 정보는 유지하며 진폭의 평균을 구함으로써 비동기화 된 신호의 노이즈를 줄일 수 있다. 두 번째 연구에서는 고장 특성을 강조할 수 있는 신호 분해 방법을 제안한다. 제안하는 방법에서는 고장으로 인해 변조된 신호들의 그룹에 따른 신호 분해를 위해, 셉스트럼을 활용하여 스펙트럼을 스무딩시킨다. 스무딩 된 스펙트럼에서 대역 통과 필터를 적응적으로 설계함으로써, 고장 특성이 강조된 분해된 신호를 얻을 수 있다. 세 번째 연구에서는 고장 특성 정보에 내재된 물리를 고려한 새로운 딥러닝 기반 분류 모델을 제안한다. 다양한 파형을 갖는 고장 신호를 효과적으로 추출하고 분류하기 위하여, 다중스케일 합성곱 필터를 활용한 새로운 시간-주파수 표현을 구축한다. 또한, 이를 내재하는 합성곱 신경망을 학습시켜, 시간-주파수 표현에 고장 특성 정보를 강화함과 동시에 기어박스 상태 분류 정확도를 향상시킬 수 있다.

Industrial gearboxes are widely used for transmission components in various mechanical and manufacturing systems. Unexpected faults in gearboxes lead to significant downtime loss and maintenance cost; thus, industrial gearbox fault diagnostic approaches have emerged to improve the reliability and availability of these systems. In particular, as numerous industrial gearboxes have been employed in complex and repetitive operating conditions in various manufacturing processes, it has become necessary to develop robust gearbox diagnostic methods suitable for these operating conditions. To this end, this research focuses on vibration signals extracted from the constant rotating speed regions of the input shaft in a gearbox. This signal extraction process can reduce the variability of the characteristic frequencies for the measured vibration signals to consider the various operating conditions of the gearbox; these extracted signals can then be used to develop gearbox diagnostic methods that are robust to the operating conditions. However, this extraction process inevitably weakens the fault-characteristic information in the vibration signal due to the limited information available from the constant rotating speed regions. Specifically, the weak fault-characteristic information typically available includes 1) unsynchronized signals, 2) complexly modulated fault-related signals, and 3) insufficient time-frequency information. These factors limit the application of existing gearbox diagnostic techniques and motivate the search for a new method.
Therefore, this doctoral dissertation proposes three research thrusts to enable vibration-based gearbox diagnostics by enhancing weak fault-characteristic information. The first research thrust proposes a de-noising technique for unsynchronized signals. In the proposed method, the noise of the unsynchronized signal can be reduced by averaging the magnitudes of the unsynchronized signals and retaining the phase information of each unsynchronized signal; the magnitudes and phase information can be obtained via Fourier transform. The second research thrust proposes a new signal decomposition method that can highlight the fault-related features in the vibration signals. In the proposed method, a cepstrum analysis is newly employed to create a smoothed spectrum of a vibration signal that reveals the modulation sideband cluster. By adaptively designing a bandpass filter in the smoothed spectrum using the proposed method, decomposed signals with enhanced fault-related features are achieved. The third research thrust proposes a new deep-learning model that considers the physics of the fault-characteristic information for health classification. To effectively extract and classify fault-related signals with various waveforms, a new time-frequency representation is constructed based on multiscale convolutional filters. By learning the newly designed convolutional neural network including the new time-frequency representation, gearbox diagnostic accuracy is significantly improved based on the enhanced fault-characteristic information available in the new time-frequency representation.

#Fault diagnostics #Industrial gearbox #Vibration signal analysis #Deep-learning #Weak fault-characteristic information #Prognostics and health management (PHM)

Chapter 1 Introduction 1
1.1 Motivation 1
1.2 Research Scope and Overview 3
1.3 Dissertation Layout 6
Chapter 2 Technical Background and Literature Review 8
2.1 Framework of Vibration-based Fault Diagnostics 8
2.2 Physics of Fault in Industrial Gearboxes 13
2.2.1 Dynamic Modelling of Fault in the Gearboxes 14
2.2.2 Mathematical Modelling of Fault in the Gearboxes 17
2.3 Vibration Signal Analysis for Gearbox Diagnostics 21
2.3.1 Synchronous Averaging 21
2.3.2 Demodulation Analysis Based on Signal Decomposition 22
2.3.3 Time-frequency Representation 24
2.4 Convolutional Neural Network (CNN) for Gearbox Diagnostics 25
2.5 Summary and Discussion 30
Chapter 3 Phase-based Time Domain Averaging (PTDA) 31
3.1 Background: Configuration of Cycloidal Gearbox and Characteristics of the Vibration Signals in the Gearbox 32
3.1.1 Configuration of the Cycloidal Gearbox in the Industrial Robot 32
3.1.2 Characteristics of the vibration signals of gearboxes 34
3.2 Phase-based Time Domain Averaging (PTDA) Method for Fault Detection of a Gearbox 37
3.2.1 Phase-based Time Domain Averaging (PTDA) 37
3.2.2 Fault Detection Using Residual Signals 43
3.3 Validation of the Proposed Method 45
3.3.1 Testbed Setup for Cycloidal Gearbox in the Industrial Robot 46
3.3.2 Case Study 1: Simple Joint Rotating Motion 49
3.3.3 Case Study 2: Arc Welding Motion 58
3.3.4 Case Study 3: Spot Welding Motion 67
3.4 Summary and Discussion 76
Chapter 4 Cepstrum-assisted Empirical Wavelet Transform (CEWT) 77
4.1 Background: Empirical Wavelet Transform (EWT), Cepstrum Analysis, and Characteristic Frequencies of Planetary Gearboxes 78
4.1.1 Empirical Wavelet Transform (EWT) 78
4.1.2 Cepstrum Analysis for Spectral Filtering 80
4.1.3 Characteristic Frequencies of Planetary Gearboxes 81
4.2 Cepstrum-assisted Empirical Wavelet Transform (CEWT) Based Demodulation Analysis 83
4.2.1 Cepstrum-assisted Empirical Wavelet Transform (CEWT) 84
4.2.2 Demodulation Analysis 88
4.2.3 Summary of the Proposed Method 89
4.3 Validation of the Proposed Method 91
4.3.1 Case Study 1: Numerical Simulation 91
4.3.2 Case Study 2: Experiment with a Planetary Gearbox Testbed 111
4.4 Summary and Discussion 132
Chapter 5 Health-adaptive Time-scale Representation (HTSR) Embedded Convolutional Neural Network 134
5.1 Theoretical Background of Time-scale Representation (TSR) and Convolutional Neural Network (CNN) 136
5.1.1 Time-scale Representation (TSR) 136
5.1.2 Multiscale Convolutional Neural Network (MSCNN) 138
5.2 Health-adaptive Time-scale Representation Embedded Convolutional Neural Network (HTSR-CNN) 140
5.2.1 Health-adaptive Time-scale Representation (HTSR) 140
5.2.2 Fault Diagnostics Based on the HTSR-CNN Approach 145
5.3 Validation of the Proposed Method 151
5.3.1 Case Study 1: Prognostics and Health Management (PHM) 2009 Challenge Data 151
5.3.2 Case Study 2: Experimental Data from a Planetary Gearbox Testbed 164
5.4 Summary and Discussion 176
Chapter 6 Conclusion 178
6.1 Contributions and Significance 178
6.2 Suggestions for Future Research 180
Appendix 183
References 186
국문 초록 204

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)