딥러닝을 이용한 음향기반 현장 적응형 공조설비 결함진단 시스템 :Acoustic-based field adaptive Air Handling Unit fault diagnosis system using Deep Learning

박상현

추천

검색

자료유형: 학위논문

저자정보: 박상현 (인하대학교, 인하대학교 대학원)

지도교수: 이상권

발행연도: 2023

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수22

초록· 키워드

본 연구에서는 기계 시스템인 회전기계설비 중 하나인 공조설비의 상태진단 및 결함진단을 사물인터넷 기술의 음향 센서를 기반으로 딥러닝을 이용하여 기계 시스템의 실시간 상태 감시 및 이상을 조기에 감지하여 고장을 사전에 예측하는 시스템을 개발하였다. 회전기계설비의 결함 유형을 단일 결함 유형과 복합 결함 유형으로 나누어 총 17종의 결함 유형을 제작하여 고장진단에 대한 이론적인 내용을 실험으로 검증하였고, 이를 근거로 음향 신호의 데이터 취득, 신호 처리, 특징 추출 및 고장 유형 분류 등의 과정을 수행하여 데이터 기반인 딥러닝 모델을 개발하였다. 또한, 실제 현장에 적응하도록 설비 가동 여부 판단과 설비 사양 정규화를 통해 결함 유형 분류를 한다. 공조설비로부터 수집된 음향 데이터를 기반으로 설비의 가동과 비가동을 MFCC 계수의 평균값을 기준으로 분류하고, 가동 대역 주파수를 산출하여 Mel-Spectrogram 이미지로 변환하여 합성곱 오토인코더 모델로 학습하였으며, GMM 기법을 사용하여 외부 소음을 분류하여 실제 가동 소음만을 분류하였다. 현장의 각기 다른 설비들의 사양을 정규화하기 위해 Cycle GAN을 사용하여 현장 데이터를 실험실의 데이터와 유사해지도록 설비 사양 정규화를 수행하였다. 결함 유형 분류에서는 이미지 분류에 탁월한 성능을 가지는 CNN 모델을 사용하였으며, 그 결과, Train 데이터 세트 100%, Test 데이터 세트 98.9%로 다른 머신러닝에 비해 더 높은 정확도를 보였다. 제안된 모델들은 실제 공조설비 현장에서 예지보전 시스템으로 적용하였다. 베어링 볼 결함의 이상 알림이 발생한 공조설비의 음향 데이터를 제안 모델에 적용하였고, 그 결과 베어링 볼 결함으로 동일하게 결함 유형을 분류하였으며, 공조설비의 베어링 교체 및 분해 결과 실제 베어링 볼 결함을 확인할 수 있었다. 이를 통해, 실제와 진단예측의 동일한 결과를 확인하였으며 제안 모델의 정확한 결함 유형 분류 성능 및 우수한 결과를 도출하는 것을 실사례를 통해 검증하였다.

In this study, a system was developed to detect real-time status monitoring and abnormalities of Air Handling Unit of mechanical systems using deep learning based on acoustic sensors of IoT technology to predict failures in advance. A total of 17 types of defects were produced by dividing the defect types of rotating machinery into single defect types and complex defect types, and the theoretical contents of fault diagnosis were verified through experiments. Based on this, the data acquisition, signal processing, feature extraction, and failure type classification of acoustic signals were performed to develop a data-based deep learning model. In addition, to adapt to the actual site, the defect type is classified by determining whether the equipment is operating or not and normalizing the equipment specifications. Based on the acoustic data collected from the Air Handling Unit, the operation and non-operation of the equipment were classified based on the average value of the MFCC coefficient to adapt to the on-site. The operating band frequency was calculated and converted into a Mel-Spectrogram image, trained with a Convolutional AutoEncoder model, and only the actual operating noise was classified by classifying the external noise using the GMM technique. In order to normalize the specifications of different facilities in the field, the facility specification normalization was performed so that the field data were similar to the laboratory data using Cycle GAN. In the defect type classification, a CNN model with excellent performance for image classification was used, and as a result, the train data set was 100% and the test data set was 98.9%, which showed higher accuracy than other machine learning. The proposed models were applied as a predictive maintenance system in the actual AHUs site. The acoustic data of the Air Handling Unit, where the abnormal notification of the bearing ball defect occurred, was applied to the proposed model, and as a result, the defect type was classified as the bearing ball defect. Through this, the same results of the actual and diagnostic predictions were confirmed, and the accurate defect type classification performance of the proposed model and the derivation of excellent results were verified through real examples.

#딥러닝 #고장진단 #음향신호 #건전성 예측 및 관리 기술 #공조설비

제1장 서론 …………………………………………………………………………… 1
1.1 연구 배경 ……………………………………………………………………… 1
1.2 연구내용 및 목적……………………………………………………………… 4
1.3 논문의 구성 …………………………………………………………………… 5
제2장 관련 연구 ……………………………………………………………………… 7
2.1 회전기계설비 결함진단 ……………………………………………………… 7
2.2 상태진단 및 결함진단 방법 ………………………………………………… 9
2.2.1 결함 데이터 수집 ……………………………………………………… 10
2.2.1.1 결함 유형 선정 …………………………………………………… 11
2.2.1.2 결함 유형 제작 …………………………………………………… 14
2.2.1.3 데이터 수집 방식 ………………………………………………… 19
2.2.2 결함 신호 분석 기법 ………………………………………………… 22
2.2.2.1 시간 영역 분석 …………………………………………………… 23
2.2.2.2 주파수 영역 분석 ………………………………………………… 25
2.2.2.3 시간-주파수 영역 분석 ………………………………………… 26
2.2.3 상태진단 판정 ………………………………………………………… 29
2.2.4 결함진단 판정 ………………………………………………………… 34
2.2.4.1 결함주파수 산출 ………………………………………………… 35
2.2.4.2 결함주파수 차수 분석 …………………………………………… 38
2.3 결함 유형 분류 방법 ……………………………………………………… 41
2.4 결함 유형 분류에서의 딥러닝 …………………………………………… 42
2.4.1 심층 신경망(Deep Neural Network) …………………………… 44
2.4.2 합성곱 신경망(Convolutional Neural Network) …………… 46
2.4.3 합성곱 오토인코더(Convolutional AutoEncoder) …………… 48
2.4.4 Cycle GAN …………………………………………………………… 49
2.5 관련 연구 및 한계 ………………………………………………………… 53
제3장 음향 기반 결함 유형 분류 시스템 ……………………………………… 55
3.1 제안 시스템 개요…………………………………………………………… 55
3.2 제안 시스템 프로세스 ……………………………………………………… 56
3.3 현장 음향 데이터 수집 …………………………………………………… 57
3.4 현장 음향 데이터 전처리 ………………………………………………… 58
3.4.1 현장 설비 가동/비가동 분류 ………………………………………… 59
3.4.1.1 가동 영역 주파수 추출 ………………………………………… 60
3.4.1.2 합성곱 오토인코더 학습 ……………………………………… 62
3.4.1.3 가동 소음 군집화 ……………………………………………… 65
3.4.2 설비 사양 정규화 ……………………………………………………… 67
3.5 음향 기반 결함 유형 분류 모델 구축 …………………………………… 68
제4장 실험 및 성능평가 …………………………………………………………… 70
4.1 실험 환경 구성 …………………………………………………………… 70
4.1.1 하드웨어 사양 ………………………………………………………… 70
4.1.2 소프트웨어 사양 ……………………………………………………… 71
4.2 평가 방법 …………………………………………………………………… 72
4.2.1 평가 방법 개요 ………………………………………………………… 72
4.2.2 평가 방법 프로세스 …………………………………………………… 74
4.3 제안 시스템 성능평가 …………………………………………………… 74
4.3.1 실험데이터 구성 ……………………………………………………… 74
4.3.2 현장 설비 가동/비가동 분류 모델 실험 결과 …………………… 77
4.3.3 설비 사양 정규화 모델 실험 결과 ………………………………… 80
4.3.4 현장 적응형 결함 유형 분류 모델 실험 결과 …………………… 88
4.4 실험 결과 요약 …………………………………………………………… 93
제5장 현장 적용 및 결과 ………………………………………………………… 94
5.1 적용 환경 …………………………………………………………………… 94
5.1.1 적용 환경 개요 ………………………………………………………… 94
5.1.2 공조설비 정의 ………………………………………………………… 95
5.2 시스템 적용 ……………………………………………………………… 99
5.2.1 개요 …………………………………………………………………… 99
5.2.2 개선점 도출 및 고도화 ……………………………………………… 100
5.3 현장 적용 사례 …………………………………………………………… 101
5.3.1 개요 …………………………………………………………………… 101
5.3.2 시스템 진단 결과 …………………………………………………… 103
5.3.3 현장 진단 결과 ……………………………………………………… 104
제6장 결론 ………………………………………………………………………… 107
6.1 연구 결과 및 기대효과 ………………………………………………… 107
6.2 향후 연구 계획 …………………………………………………………… 112
참고문헌 …………………………………………………………………………… 114

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)