Journal Archive

최근 들어 생산 현장에서 사용되는 기계 설비의 성능이 비약적으로 향상되었지만 동시에 기계 설비의 구조적 복잡도 또한 증가하였다. 산업 현장에서 사용되는 기계 설비들 중에서 고출력 대형 전기 모터와 같은 회전 기계는 생산 공정에서 큰 역할을 담당한다. 생산 현장에서 회전 기계에 고장이 발생하게 된다면 해당 고장을 수리하는데 발생하는 비용 뿐 아니라 수리를 진행하면서 생산 공정이 정지됨에 따라 부가적인 손실까지 발생하게 되므로 이를 방지하기 위해서는 작동하는 회전 기계의 상태를 실시간으로 감시하여 고장이 발생하는 초기에 해당 고장을 진단하는 기술이 꼭 필요하다. 회전 기계를 구성하는 부품 중 하나인 베어링은 회전 기계의 고장 원인 중 가장 큰 비중을 차지하므로, 베어링의 고장을 조기에 진단할 수 있다면 회전 기계의 고장으로 인해 발생하는 손실을 상당히 줄일 수 있을 것으로 기대된다[1].

베어링에서 발생하는 진동 및 소음과 같은 동작 정보를 이용하여 고장을 진단하는 다양한 기법들이 개발되어 왔다[1], [2]. 기존의 베어링 고장 진단 기법들은 주로 진동 데이터를 사용하여 신호 처리 기법을 통해 고장을 진단하였다. 하지만 진동 데이터를 활용하는 진단 방법은 회전 기계의 회전 속도가 일정하거나 큰 변화가 없을 경우에만 높은 정확도를 보여주는 한계점을 가지고 있다. 가변적인 회전 속도를 가지거나 매우 저속으로 동작하는 환경의 경우에는 진동 신호와 비교하여 음향 방출 신호(Acoustic Emission Signals)를 활용하는 것이 더욱 효과적일 수 있다[3]. 음향 방출 신호는 물체에서 발생한 에너지가 탄성파의 형태로 전달되는 것으로 회전 기계에서 수집되는 음향 방출 신호에는 노이즈가 많이 존재하기 때문에 별도의 전처리 과정을 통해 노이즈를 제거해 줄 필요가 있다. 이를 위해 기존 연구에서는 회전 기계의 베어링에서 수집한 음향 방출 신호를 시간의 변화에 따라 주파수의 변화를 표현하는 스펙트로그램(Spectrogram) 이미지로 변환하였다[3]. 이러한 변환을 통해 노이즈를 제거함과 동시에 베어링 고장 진단에 용이하도록 특징을 추출하여 딥러닝을 적용하는 고장 진단 기법의 데이터로 사용하였다. 딥러닝 기법이 발전하면서 단순히 글자나 이미지 안의 물체를 판별하는 것을 넘어 효과적인 영상 데이터 분류를 가능하게 함으로써 다양한 산업 진단 분야에서 활용이 되고 있기 때문이다[4], [5]. 기존 연구에서는, 스펙트로그램 이미지로 변환된 음향 방출 신호를 이미지 분류에 효과적인 CNN(Convolutional Neural Network)을 적용한 고장 진단 기법에 적용함으로써, 기존의 신호 처리에 기반한 고장 진단 기법에 비해 상당히 높은 진단 정확도를 제공할 수 있었다[3]. 또한, CNN 기반 딥러닝을 활용하는 베어링 고장 진단 기법의 실시간 진단 가능성을 판단하기 위해, 음향 방출 신호를 낮은 MAC(Multiply Accumulate) 복잡도를 가지는 CNN 모델에 적용하여 제한된 성능을 가지는 임베디드 보드에 학습된 상태로 이식하여 고장을 진단하는데 소요되는 시간을 측정한 후, 획득한 결과를 토대로 기존 기법으로는 실시간 고장 진단이 불가능하다고 판단하였다[6]. 본 논문에서는, 기존 연구에서 사용된 베어링 고장 진단 기법의 계산 복잡도를 감소시키기 위해, 사용되는 CNN 모델의 단계를 분리하여 입력 데이터의 정상/비정상 상태만을 구분하는 초기 고장 진단 단계와 초기 단계에서 고장으로 분류되는 데이터에 대해서만 어떤 종류의 베어링 결함인지를 판별하는 고장 원인 분류 단계의 2단계로 구성함으로써, 고장 진단 정확도를 해치지 않는 정도에서 필터 수를 줄여 직접적인 연산량을 감소시키는 모델 경량화 기법을 제안하고자 한다.

본 논문의 구성은 다음과 같다. 2장에서는 본 연구의 배경 및 관련 연구에 대해 기술하고, 3장에서는 제안하는 진단 계산 복잡도 감소 기법에 대해 설명한다. 4장에서는 고장 진단 정확도 및 복잡도 비교를 위한 실험 방법에 대해서 기술하고 실험 결과를 상세하게 논의한 후, 마지막으로 5장에서 결론을 기술한다.

본 논문에서는 회전 기계의 베어링에서 수집한 음향 방출 신호를 스펙트로그램 이미지로 변환한 뒤 CNN 모델을 적용한 고장 진단 기법을 제한된 성능의 임베디드 보드에서 실시간 고장 진단이 가능할 정도의 실행시간을 갖도록 경량화하는 방법을 제안한다. 그 방안으로 고장 진단 기법의 구조를 바꾼 구조적 경량화 기법과 정확도를 거의 저하시키지 않는 정도에서 사용하는 CNN 모델의 필터 수를 줄여 직접적인 연산량을 감소시키는 경량화 기법을 적용한다.

제안하는 구조적 경량화 기법은 그림 2에서 보이는 바와 같다. CNN 모델에서 한 개의 레이어를 분리하여 베어링의 정상 상태 여부만을 구분하는 역할을 담당하는 초기 고장 진단 단계를 구성하고, 이후 나머지 레이어를 포함하여 비정상 데이터로 분류된 경우에 대해 어디에서 발생한 결함으로 인한 베어링 고장인지 판별하는 고장 원인 분류 단계를 구성한다. 제안하는 기법에서, 초기 고장 진단 단계에서 사용되는 하나의 레이어는 매우 낮은 복잡도를 가지기 때문에 빠르게 정상/비정상 데이터를 구분할 수 있다는 장점을 제공할 수 있다. 이후 잔여 레이어를 포함한 CNN 모델의 전체 레이어를 사용하여 고장 원인을 분류하는데 이때 이전 단계에서 사용한 하나의 레이어는 이미 학습이 되었기 때문에 해당 레이어는 빠르게 지나가고 잔여 레이어의 학습이 이루어지게 된다. 이러한 방식을 적용하면 베어링 고장 진단에 요구되는 전체적인 연산량을 감소시킬 수 있다. 예를 들어, 일반적인 방식이 100개의 연산이 이루어지며 이를 10회 학습을 진행한다고 가정하면 총 연산 수는 1,000회가 되지만, 초기 고장 진단 단계에서 10개의 연산이 이루어지고, 고장 원인 분류 단계에서 90개의 연산이 수행된다고 가정하면 제안하는 기법에서는 총 연산 수가 910회가(10 + 90*10) 되는 것이다.

Fig. 2. 
Proposed bearing fault diagnosis process

제안하는 기법에서는 베어링 고장 진단 정확도를 거의 저하시키지 않는 정도에서 사용되는 CNN 모델의 필터 수를 줄여 연산량을 직접적으로 감소시키는 경량화 기법도 함께 적용한다[17],[18].

CNN 모델의 필터 수를 줄이는 만큼 연산량이 직접적으로 감소하게 되지만 이로 인하여 특징 맵 또한 줄어들기에 결과적으로 진단 정확도까지 점차 감소하게 된다. 하지만 CNN 모델에 따라 진단 정확도가 급격히 감소하는 지점이 다르게 존재하기 때문에, 여러 지점에 대해 테스트를 수행함으로써 기존 고장 진단 기법의 진단 정확도와 크게 차이나지 않으면서 연산량이 최소가 되는 지점을 찾아낼 수 있다. 이러한 방식의 필터 축소를 통해 네트워크 전체의 용량을 축소하는 방법은 이미 개발되어 레이어 구조가 규격화된 CNN 모델에 대해 세부적인 개선을 하는 것으로 준 구조적 경량화로도 볼 수 있다[18].

본 논문에서는 실제 산업 현장에서 빈번하게 사용되는 전기 모터의 주요 부품인 베어링 상태 진단을 위한 딥러닝 기반 베어링 고장 진단 기법의 계산 복잡도를 감소시키기 위한 기법을 새롭게 제안하였다. 베어링 고장 진단을 위해 적용되는 CNN 모델에서 한 개의 레이어를 별도로 분리하여 베어링의 정상/비정상 상태만을 구분하는 초기 고장 진단 단계를 구성하고, 비정상 상태로 판단된 데이터에 대해서는 잔여 레이어를 사용하여 어떤 종류의 베어링 결함이 발생한 것인지를 판별하는 고장 원인 분류 단계를 구성하는 구조적 경량화 기법을 적용하였다. 또한, 고장 진단 정확도를 거의 저하시키지 않는 수준에서 CNN 모델의 필터 수를 줄여 직접적인 연산량을 감소시키는 기법을 함께 적용하였다. 제안 기법을 적용한 결과, 기존의 베어링 고장 진단 기법과 비교하여 MAC 복잡도는 약 30% 감소시키고, 라즈베리파이에서 수행되는 고장 진단 시간은 약 55% 감소시키는 결과를 얻을 수 있었다.