Earticle

초록

한국어

본 논문에서는 LSTM 오토인코더를 이용하여 라디에이터의 고장진단을 수행하였다. 먼저 라디에이터의 내구연한 랜덤 가진 시험에서 진동 신호를 취득하였으며, Raw data에 10초 단위로 Window를 씌워 시간영역 통계적 특징 을 추출하여 변수로 설정하고 Sliding 기법으로 데이터를 증강하였다. 데이터는 4개의 Stage로 구분되며, Stage 1(정상)만을 훈련 데이터로 사용하고 Stage 2, 4(정상, 비정상) 데이터를 이용하여 모델 최적화 및 평가를 수행하 였다. LSTM 오토인코더 모델의 은닉층과 은닉층 노드의 수, Dropout 비율 및 L2 정규화 파라미터를 최적화하고 평가 결과, ROC 곡선에서 AUC 가 0.9942로 우수한 성능을 확인하였다. 그리고 레이블이 없는 Stage 3의 상세 고장시점을 LSTM 오토인코더로 진단할 수 있었다. 또한 임계점을 조정하여 LSTM 오토인코더의 재구성오차가 임 계점을 초과할 때 고장을 진단할 시, 고장 발생 시점보다 조기에 라디에이터 고장을 예측 진단할 수 있었다.

영어

In this paper, a fault diagnosis of the radiator was performed using the LSTM autoencoder. At first, the vibration signal of radiator were acquired in the random vibration durability test. And the time domain statistical features were extracted from data with 10 seconds window augmented by the sliding technique. The data is divided into 4 stages, and stage 1 (normal) is used as a training data. In addition, the LSTM autoencoder model is optimized and evaluated using stage 2, 4 (normal, abnormal) data. The number of hidden layers and nodes, dropout rate and L2 regularization parameters of the LSTM autoencoder model have been optimized. As a result, the area under the ROC curve was 0.9942 confirming excellent performance. Then the detailed failure point of unlabeled stage 3 was diagnosed using LSTM autoencoder. In addition, fault diagnosis was performed when the reconstruction error of the LSTM autoencoder exceeds the adjusted threshold. As a result, the radiator failure could be predicted earlier than before a failure occurs.

목차

요약
Abstract
1. 서론
2. 라디에이터 데이터의 특징
2.1. 라디에이터
2.2. 내구 연한 랜덤 가진 시험
2.3. 데이터 라벨링(Labeling)
2.4. 실험 데이터의 Feature engineering
3. 딥러닝 모델 선정 및 배경
3.1. LSTM 오토인코더(Autoencoder)
3.2. 기존 연구와의 차이점
4. 실험 및 결과
4.1. LSTM 오토인코더 Baseline 구조
4.2. LSTM 오토인코더 모델 최적화
4.3. Test Dataset 의 평가 Metrics
4.4. LSTM 오토인코더를 이용한 상세 고장진단결과
5. 결론
Acknowledgement
참고문헌

저자

• 이정근 [ Jeong-Geun Lee | 인하대학교 공학대학원 미래융합기술학과 ]
• 김덕환 [ Deok-Hwan Kim | 인하대학교 전자공학과 ] 교신저자

참고문헌