고장 감지 및 격리

Fault detection and isolation

FDIR(Fault Detection, Isolation and Recovery)은 제어 엔지니어링의 하위 분야로, 시스템 모니터링, 결함 발생 시기 파악, 결함 유형 및 위치 파악과 관련이 있다. 두 가지 접근방식을 구분할 수 있다: 결함을 나타내는 센서 판독치의 직접 패턴 인식과 일부 모델에서 도출된 센서 판독치와 예상 값 사이의 불일치 분석. 후자의 경우, 불일치나 잔차가 일정 임계값을 초과하면 결함이 검출된다고 하는 것이 일반적이다. 그런 다음 고장 유형과 고장 위치를 기계에서 분류하는 것이 결함 분리 작업이다. 고장 감지 및 격리(FDI) 기법은 크게 두 가지 범주로 분류할 수 있다. 여기에는 모델 기반 FDI와 신호 처리 기반 FDI가 포함된다.

모델 기반 FDI

항공기 엘리베이터 제어 시스템의[1] 작동기에 대한 모델 기반 FDI 로직의 예

모델 기반 FDI 기법에서는 시스템의 일부 모델을 사용하여 고장 발생을 결정한다. 시스템 모델은 수학적 또는 지식 기반일 수 있다. 모델 기반 FDI 기법으로는 관찰자 기반 접근법, 패리티-공간 접근법 및 매개변수 식별 기반 방법이 있다[2]. 모델 기반의 FDI 체계의 또 다른 추세가 있는데, 이것을 세트 멤버쉽 방식이라고 한다. 이러한 방법은 특정 조건에서 결함의 감지를 보장한다. 가장 가능성이 높은 모형을 찾는 대신 이 기법들은 데이터와 호환되지 않는 모형을 생략한다는 것이 주된 차이점이다.[3][4]

오른쪽 그림에 표시된 예는 진실 표와 상태 차트를 사용하여 항공기 엘리베이터 반응형 제어기에 대한 모델 기반 FDI 기법을 보여준다. True 테이블은 검출된 고장에 대해 컨트롤러가 어떻게 반응하는지 정의하고, 상태 차트는 컨트롤러가 각 액추에이터의 다양한 작동 모드(패시브, 액티브, 대기, 꺼짐, 분리) 사이에서 어떻게 전환하는지 정의한다. 예를 들어 유압 시스템 1에서 고장이 감지되면 True 테이블이 좌측 내측 액추에이터를 꺼야 한다는 이벤트를 상태 차트로 전송한다. 이 모델 기반 FDI 기법의 장점 중 하나는 이 반응성 컨트롤러가 액추에이터 유압 장치의 연속 시간 모델에도 연결될 수 있다는 것이며, 이는 전환 과도현상에 대한 연구를 가능하게 한다.[5]

신호 처리 기반 FDI

신호 처리 기반 FDI에서는 측정에서 일부 수학적 또는 통계적 연산을 수행하거나, 일부 신경망을 측정으로 훈련시켜 결함에 대한 정보를 추출한다.[6][7][8][9]

신호 처리 기반 FDI의 좋은 예는 신호가 케이블이나 전기선을 통해 전송되고 반사된 신호를 수학적으로 원래의 신호와 비교하여 고장을 식별하는 시간 영역 반사측정법이다. 예를 들어 스프레드 스펙트럼 시간 영역 반사 측정은 와이어 결함을 감지하기 위해 확산 스펙트럼 신호를 와이어 라인 아래로 보내는 것을 포함한다.[10] 또한 새로운 결함을 식별하고 주어진 신호를 정상 및 결함 세그먼트로 분할하기 위한 몇 가지 클러스터링 방법이 제안되었다.[11]

기계고장진단

기계고장진단(machine fault diagnostics)은 기계에서 발생하는 고장을 찾는 것과 관련된 기계공학 분야다. 그것의 특히 잘 개발된 부분은 특히 가장 흔히 접하는 유형의 하나인 회전 기계에 적용된다. 고장으로 이어지는 가장 가능성이 높은 고장을 식별하기 위해 진동 모니터링, 열 이미징, 오일 입자 분석 등 데이터 수집에 많은 방법을 사용한다. 그런 다음 스펙트럼 분석, 파장 분석, 파장 변환, 단기 푸리에 변환, 가보르 확장, 위그너-빌 분포(WVD), 셉스트럼, 비스펙트럼, 상관 방법, 고해상도 스펙트럼 분석, 파형 분석 등의 방법을 활용하여 이러한 데이터를 처리한다.위상 정보가 아닌 nly 주파수 분포) 및 기타. 이 분석 결과는 고장의 원래 원인을 파악하기 위해 근본 원인 고장 분석에 사용된다. 예를 들어 베어링 고장을 진단할 경우 설치 시 베어링 자체가 손상된 것이 아니라 다른 설치 오류(예: 정렬 불량)로 인해 베어링 손상이 발생했을 가능성이 높다. 베어링의 손상 상태를 진단하는 것은 정밀 유지보수를 목적으로 하기에는 충분하지 않다. 근본 원인을 규명하고 교정할 필요가 있다. 이렇게 하지 않으면 교체 베어링이 곧 같은 이유로 마모되고 기계에 더 많은 손상이 가해져 위험하게 남게 된다. 물론 데이터 수집 단계에서 수행된 스펙트럼 분석의 결과로서도 원인이 가시적일 수 있지만, 항상 그런 것은 아닐 수 있다.

결함을 감지하는 가장 일반적인 기법은 시간 빈도 분석 기법이다. 회전하는 기계의 경우 기계의 회전 속도(RPM이라고도 함)는 상수가 아니며, 특히 기계의 시동 및 정지 단계에서는 특히 그렇지 않다. 기계가 안정상태로 가동되는 경우에도 회전속도는 안정상태 평균값을 중심으로 변화하며, 이 변화는 부하 및 기타 요인에 따라 달라진다. 회전하는 기계에서 얻어지는 음향·진동 신호는 회전속도와 밀접한 관계가 있기 때문에, 본질적으로 시간변동 신호라고 할 수 있다. 이러한 시간 변수 특징에는 기계 결함 서명이 포함되어 있다. 따라서 이러한 특징들을 추출하고 해석하는 방법은 연구와 산업 응용에 중요하다.

신호 분석에 사용되는 가장 일반적인 방법은 FFT 또는 푸리에 변환이다. 푸리에 변환과 그 역상대는 신호를 연구하기 위한 두 가지 관점을 제공한다: 시간영역을 통한 또는 주파수영역을 통한 것이다. 시간 신호의 FFT 기반 스펙트럼은 주파수 내용의 존재를 보여준다. 이것들과 그것들의 크기나 위상 관계를 연구함으로써, 우리는 고조파, 사이드밴드, 비트 주파수, 내결함 주파수 등과 같은 다양한 종류의 정보를 얻을 수 있다. 그러나 FFT는 시간이 지남에 따라 주파수 내용이 변하지 않는 신호에만 적합하지만, 위에서 언급한 바와 같이 회전 기계에서 얻어지는 소리 및 진동 신호의 주파수 내용은 시간 의존성이 매우 높다. 이러한 이유로 FFT 기반 스펙트럼은 시간이 지남에 따라 주파수 내용이 어떻게 발전하는지를 감지할 수 없다. 좀 더 구체적으로 말하면, 기계의 RPM이 시동 또는 정지 기간 동안 증가하거나 감소하는 경우, FFT 스펙트럼의 대역폭은 단순히 안정 상태를 위한 것보다 훨씬 더 넓어질 것이다. 따라서 그러한 경우 고조파들은 스펙트럼에서 그렇게 구별할 수 없다.

기계 고장 진단을 위한 시간 빈도 접근방식은 선형 방법과 2차 방법의 두 가지 광범위한 범주로 나눌 수 있다. 차이점은 선형 변환을 반전시켜 시간 신호를 구성할 수 있기 때문에 노이즈 감소, 시간 변동 필터링 등 신호 처리에 더 적합하다는 것이다. 2차 방법은 신호 형상의 분석, 분류 및 검출에 유용한 조인트 시간 주파수 영역에서의 신호의 에너지 분포를 기술하지만, 2차 시간 주파수 표현에서 위상 정보가 손실된다. 또한 이 방법으로는 시간 이력을 재구성할 수 없다.

단기 푸리에 변환(STFT)과 가보르 변환은 일반적으로 선형 시간 빈도 방법으로 사용되는 두 개의 알고리즘이다. 선형 시간 주파수 분석을 기존 FFT의 진화로 간주할 경우, 2차 시간 주파수 분석은 전력 스펙트럼의 상대적 분석이 될 것이다. 2차 알고리즘에는 가보르 스펙트로그램, 코헨의 클래스, 적응 스펙트로그램이 있다. 시간 주파수 분석의 주요 장점은 일반적으로 신호의 특성을 나타내는 주파수 변화의 패턴을 발견하는 것이다. 이 패턴이 식별되는 한 이 패턴과 관련된 기계 고장을 식별할 수 있다. 시간 빈도 분석의 또 다른 중요한 용도는 시간 변동 필터를 사용하여 특정 주파수 성분을 걸러내는 능력이다.

강력한 고장 진단

실제로 모델 불확실성과 측정 소음은 고장 감지 및 분리를 복잡하게 만들 수 있다.[12]

결과적으로, 고장 진단을 사용하여 산업 요구를 비용 효율적으로 충족시키고, 애초에 피해야 할 비용보다 더 많은 투자를 요구하지 않고 유지보수 비용을 절감하려면, 이를 적용하는 효과적인 계획이 필요하다. 이것은 유지보수, 수리 및 운영의 대상이며, 다른 전략은 다음과 같다.

인공지능을 이용한 고장 감지 및 진단

고장 감지 및 진단을 위한 기계 학습 기술

참고 항목: 머신러닝

고장 감지 및 진단에서, 실제로 감독되는 학습 방법에 속하는 수학 분류 모델은 중복성, 결함 및 비정상적인 샘플을 정확하게 식별하기 위해 라벨이 부착된 데이터 집합에 대해 교육된다. 지난 수십 년 동안, 이 연구 분야에서 개발되고 제안된 다른 분류와 전처리 모델이 있다.[13] K-neear-neighbors 알고리즘(kNN)은 고장 감지 및 진단 문제를 해결하기 위해 사용된 가장 오래된 기술 중 하나이다.[14] 이 인스턴스 기반 알고리즘이 가지고 있는 단순한 논리에도 불구하고, 큰 데이터셋에서 사용될 때 큰 차원성과 처리 시간의 일부 문제가 있다.[15] kNN은 치수성의 저주를 극복하기 위해 형상을 자동으로 추출할 수 없기 때문에, 주성분 분석(PCA), 선형판별분석(LDA) 또는 표준상관분석(CCA)과 같은 일부 데이터 사전처리 기법들이 더 나은 성능에 도달하기 위해 동반되는 경우가 많다.[16] 많은 산업 사례에서 kNN의 효과를 다른 방법과 비교했는데, 특히 이 분야에서 널리 사용되고 있는 SVM(Support Vector Machine)과 같은 보다 복잡한 분류 모델을 가지고 있다. 커널 방법을 사용한 적절한 비선형 매핑 덕분에 SVM은 작은 훈련 데이터로도 일반화 성능이 인상적이다.[17] 그러나 일반 SVM은 자동 기능 추출 자체가 없으며 kNN과 마찬가지로 데이터 전처리 기법과 결합되는 경우가 많다.[18] SVM의 또 다른 단점은 성능이 초기 파라미터, 특히 커널 방법에 매우 민감하기 때문에 [19]각 신호 데이터 집합에서는 먼저 파라미터 튜닝 프로세스를 수행해야 한다는 것이다. 따라서, 훈련 단계의 저속은 고장 감지 및 진단 사례에서 SVM의 사용과 관련하여 SVM의 제한이다.[20]

정상 신호의 시간 영역 파형(상단) 및 CWTS(하단)

인공신경망(ANN)은 고장 검출과 진단에서 가장 성숙하고 널리 사용되는 수학 분류 알고리즘 중 하나이다. ANN은 복잡한 관계(일반적으로 결함 감지 및 진단 문제에서 본질적으로 존재하는)의 효율적인 자체 학습 능력으로 잘 알려져 있으며 운영이 용이하다.[18] ANN의 또 다른 장점은 관련 없는 형상에 무시할 [21]수 있는 가중치를 할당하여 시스템이 다른 형상의 추출기를 처리하지 않도록 돕는다는 것이다. 그러나 ANN은 교육 세트를 과도하게 적합시키는 경향이 있으며, 이는 검증 세트에 대한 검증 정확도가 떨어지는 결과를 초래할 것이다. 따라서 일부 정규화 조건과 사전 지식이 ANN 모델에 추가되어 과대 편성을 방지하고 더 높은 성능을 달성하는 경우가 많다. 더욱이, 숨겨진 층의 크기를 적절하게 결정하는 것은 빈약한 근사치 및 일반화 능력을 피하기 위해 철저한 매개변수 조정이 필요하다.[20] 일반적으로 서로 다른 SVM과 ANN 모델(즉, 백프로그래밍 신경망과 다층 퍼셉트론)은 기어박스,[22] 기계 부품(즉, 기계식[23] 베어링),[24] 압축기, 풍력 및 가스 터빈[25][26], 강철판과 같은 산업에서 고장 감지 및 진단에서 성공적인 성과를 보였다.[27]

고장 감지 및 진단을 위한 심층 학습 기술

콘볼루션 신경망의 전형적 구조
참고 항목: 딥러닝

ANN의 연구 진전과 깊고 복잡한 레이어를 이용한 딥러닝 알고리즘의 등장으로, 고장 검출과 진단에 대처하기 위한 새로운 분류 모델이 개발되었다.[28] 대부분의 얕은 학습 모델은 신호에서 몇 가지 특성 값을 추출하여 원래 신호에서 차원성을 감소시킨다. 콘볼루션 신경망을 이용함으로써 연속파울렛 변환스칼로그람을 정상과 불량 등급으로 직접 분류할 수 있다. 이러한 기법은 중요한 고장 메시지를 생략하는 것을 방지하고 고장 감지 및 진단 성능을 향상시킨다.[29] 또한 신호를 영상구성으로 변환함으로써 2D콘볼루션 신경망을 구현해 진동영상 기능에서 발생하는 결함 신호를 식별할 수 있다.[30]

심층신앙 네트워크,[31] 제한된 볼츠만 기계[32] 및 오토엔코더들은[33] 이 연구 분야에서 성공적으로 사용된 다른 심층신경망 구조들이다. 기존의 머신러닝에 비해 딥러닝 모델은 심층 아키텍처로 인해 데이터셋에서 보다 복잡한 구조를 학습할 수 있지만, 높은 정확도를 얻기 위해서는 더 큰 샘플과 더 긴 처리 시간이 필요하다.[18]

결함 복구

FDIR의 결함 복구는 고장이 감지되고 격리된 후 시스템을 안정적인 상태로 되돌리기 위해 취한 조치다. 고장 복구의 몇 가지 예는 다음과 같다.

  • 결함 있는 장비의 스위치 OFF
  • 결함이 있는 장비에서 중복 장비로의 전환
  • 기능이 제한된 안전 모드로 전체 시스템 상태 변경

참고 항목

참조

  1. ^ 제이슨 R. 2005년 8월 15일부터 18일까지 캘리포니아 주 샌프란시스코에서 열린 2005년 8월 15일-18일 AIA 모델링 및 시뮬레이션 기술 컨퍼런스 및 전시에서 Ghidella와 Pieter J. Mosterman, "항공기 제어 설계의 요구 사항 기반 시험", 용지 ID AIA 2005-5886.
  2. ^ S.X. 모델 기반 고장 진단 기술, Springer 2008
  3. ^ Harirchi, Farshad; Ozay, Necmiye (2015). "Model Invalidation for Switched Affine Systems with Applications to Fault and Anomaly Detection**This work is supported in part by DARPA grant N66001-14-1-4045". IFAC-PapersOnLine. 48 (27): 260–266. doi:10.1016/j.ifacol.2015.11.185.
  4. ^ Farshad Harirchi와 Necmiye Ozay, "사이버-물리 시스템의 보증 모델 기반 결함 탐지: 모델 무효화 접근법" , arXiv
  5. ^ 2004년 8월 16일 - 19일, 로드아일랜드 컨벤션 센터, 프로비던스, 프로비던스, RI, 2004년 AIA 모델링 및 시뮬레이션 기술 컨퍼런스의 "항공우주에서의 결함 시나리오 교육을 위한 모델 재사용" 피터 모스터만과 제이슨 기델라.
  6. ^ Liu, Jie (2012). "Shannon wavelet spectrum analysis on truncated vibration signals for machine incipient fault detection". Measurement Science and Technology. 23 (5): 1–11. Bibcode:2012MeScT..23e5604L. doi:10.1088/0957-0233/23/5/055604.
  7. ^ 아마디마네쉬, 알리레자, S. 모하마드 샤흐르타시 "S-transform을 채택한 다중 소수 회선에 대한 투명 기반 결함 위치 방법." 전력 공급 28.3(2013): 1373-1380. 1373-1380.
  8. ^ 아마디마네쉬, 알리레자, 세이예드 모하마드 샤흐르타시. "3단자 전송 라인에 대한 시간 변환 기반 고장 위치 알고리즘." IET Generation, Transmission & Distribution 7.5(2013): 464-473.
  9. ^ 아마디마네쉬, A, S. M. 샤흐르타시. "3개 터미널 라인의 고장 위치에 대한 S-변환 배치" 환경 및 전기 엔지니어링(EEIC), 2011년 10차 국제 컨퍼런스: IEEE, 2011.
  10. ^ 퍼스, 신시아, 스미스, 폴, 로, 쳇. "중요 결함 위치용 스펙트럼 센서 확산 2010-05-01 아카이브 2010-05-01 오늘 실시간 유선 네트워크에" 2005년 6월 6일 구조 제어 및 상태 모니터링
  11. ^ 바램푸어소힐과 모시리와 베갓과 살라수르와 카림과 "온라인 결함 탐지 및 격리를 위한 가중 및 제한 가능한 C-평균 클러스터링 [1]" 적용 인텔리전스, Vol 35, 페이지 269-284, 2011년 6월 6일.
  12. ^ "고장 감지를 위한 잔여물 선택", 2014년.
  13. ^ Chen, Kunjin; Huang, Caowei; He, Jinliang (1 April 2016). "Fault detection, classification and location for transmission lines and distribution systems: a review on the methods". High Voltage. 1 (1): 25–33. doi:10.1049/hve.2016.0005.
  14. ^ Verdier, Ghislain; Ferreira, Ariane (February 2011). "Adaptive Mahalanobis Distance and $k$-Nearest Neighbor Rule for Fault Detection in Semiconductor Manufacturing". IEEE Transactions on Semiconductor Manufacturing. 24 (1): 59–68. doi:10.1109/TSM.2010.2065531. S2CID 23707431.
  15. ^ Tian, Jing; Morillo, Carlos; Azarian, Michael H.; Pecht, Michael (March 2016). "Motor Bearing Fault Detection Using Spectral Kurtosis-Based Feature Extraction Coupled With K-Nearest Neighbor Distance Analysis". IEEE Transactions on Industrial Electronics. 63 (3): 1793–1803. doi:10.1109/TIE.2015.2509913. S2CID 265207.
  16. ^ Safizadeh, M.S.; Latifi, S.K. (July 2014). "Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell". Information Fusion. 18: 1–8. doi:10.1016/j.inffus.2013.10.002.
  17. ^ Liu, Jie; Zio, Enrico (December 2016). "Feature vector regression with efficient hyperparameters tuning and geometric interpretation". Neurocomputing. 218: 411–422. doi:10.1016/j.neucom.2016.08.093.
  18. ^ a b c Liu, Ruonan; Yang, Boyuan; Zio, Enrico; Chen, Xuefeng (August 2018). "Artificial intelligence for fault diagnosis of rotating machinery: A review". Mechanical Systems and Signal Processing. 108: 33–47. Bibcode:2018MSSP..108...33L. doi:10.1016/j.ymssp.2018.02.016.
  19. ^ Genton, Marc G. (2001). "Classes of Kernels for Machine Learning: A Statistics Perspective". Journal of Machine Learning Research. 2: 299–312. doi:10.1162/15324430260185646.
  20. ^ a b Kotsiantis, S.B.; Zaharakis, I.D.; Pintelas, P.E. (2006). "Machine learning: a review of classification and combining techniques". Artificial Intelligence Review. 26 (3): 159–190. doi:10.1007/s10462-007-9052-3. S2CID 1721126.
  21. ^ Vercellis, Carlo (2008). Business intelligence : data mining and optimization for decision making ([Online-Ausg.]. ed.). Hoboken, N.J.: Wiley. p. 436. ISBN 978-0-470-51138-1.
  22. ^ Saravanan, N.; Siddabattuni, V.N.S. Kumar; Ramachandran, K.I. (January 2010). "Fault diagnosis of spur bevel gear box using artificial neural network (ANN), and proximal support vector machine (PSVM)". Applied Soft Computing. 10 (1): 344–360. doi:10.1016/j.asoc.2009.08.006.
  23. ^ Hui, Kar Hoou; Ooi, Ching Sheng; Lim, Meng Hee; Leong, Mohd Salman (15 November 2016). "A hybrid artificial neural network with Dempster-Shafer theory for automated bearing fault diagnosis". Journal of Vibroengineering. 18 (7): 4409–4418. doi:10.21595/jve.2016.17024.
  24. ^ Qi, Guanqiu; Zhu, Zhiqin; Erqinhu, Ke; Chen, Yinong; Chai, Yi; Sun, Jian (January 2018). "Fault-diagnosis for reciprocating compressors using big data and machine learning". Simulation Modelling Practice and Theory. 80: 104–127. doi:10.1016/j.simpat.2017.10.005.
  25. ^ Santos, Pedro; Villa, Luisa; Reñones, Aníbal; Bustillo, Andres; Maudes, Jesús (9 March 2015). "An SVM-Based Solution for Fault Detection in Wind Turbines". Sensors. 15 (3): 5627–5648. Bibcode:2015Senso..15.5627S. doi:10.3390/s150305627. PMC 4435112. PMID 25760051.
  26. ^ Wong, Pak Kin; Yang, Zhixin; Vong, Chi Man; Zhong, Jianhua (March 2014). "Real-time fault diagnosis for gas turbine generator systems using extreme learning machine". Neurocomputing. 128: 249–257. doi:10.1016/j.neucom.2013.03.059.
  27. ^ Tian, Yang; Fu, Mengyu; Wu, Fang (March 2015). "Steel plates fault diagnosis on the basis of support vector machines". Neurocomputing. 151: 296–303. doi:10.1016/j.neucom.2014.09.036.
  28. ^ Lv, Feiya; Wen, Chenglin; Bao, Zejing; Liu, Meiqin (July 2016). Fault diagnosis based on deep learning. 2016 American Control Conference (ACC). pp. 6851–6856. doi:10.1109/ACC.2016.7526751. ISBN 978-1-4673-8682-1. S2CID 6019009.
  29. ^ Guo, Sheng; Yang, Tao; Gao, Wei; Zhang, Chen (4 May 2018). "A Novel Fault Diagnosis Method for Rotating Machinery Based on a Convolutional Neural Network". Sensors. 18 (5): 1429. Bibcode:2018Senso..18.1429G. doi:10.3390/s18051429. PMC 5982639. PMID 29734704.
  30. ^ Hoang, Duy-Tang; Kang, Hee-Jun (2019). "Rolling element bearing fault diagnosis using convolutional neural network and vibration image". Cognitive Systems Research. 53: 42–50. doi:10.1016/j.cogsys.2018.03.002. S2CID 53265827.
  31. ^ Lei, Yaguo; Jia, Feng; Lin, Jing; Xing, Saibo; Ding, Steven X. (May 2016). "An Intelligent Fault Diagnosis Method Using Unsupervised Feature Learning Towards Mechanical Big Data". IEEE Transactions on Industrial Electronics. 63 (5): 3137–3147. doi:10.1109/TIE.2016.2519325. S2CID 2380770.
  32. ^ Shao, Haidong; Jiang, Hongkai; Zhang, Xun; Niu, Maogui (1 November 2015). "Rolling bearing fault diagnosis using an optimization deep belief network". Measurement Science and Technology. 26 (11): 115002. Bibcode:2015MeScT..26k5002S. doi:10.1088/0957-0233/26/11/115002.
  33. ^ Jia, Feng; Lei, Yaguo; Lin, Jing; Zhou, Xin; Lu, Na (May 2016). "Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data". Mechanical Systems and Signal Processing. 72–73: 303–315. Bibcode:2016MSSP...72..303J. doi:10.1016/j.ymssp.2015.10.025.