Earticle

초록

한국어

에어컴프레서는 다양한 제조공장에서 널리 사용되고 있는 원동기이며, 공기역학을 기반으로 하는 다수의 제조 장비 에 동력을 제공하고 있어, 예기치 못한 고장이 발생할 경우 전체 제조라인의 가동이 중단될 수 있다. 본 연구에서는 컴프레서에 통신이 가능한 진동센서를 부착하여 컴프레서 가동 시 발생되는 진동 데이터를 클라우드 상에 축적하고 수집된 데이터로부터 컴프레서의 운영 상태 진단을 위한 특징들을 추출하였다. ‘합성곱신경망(Convolutionl Neural Networks)’을 활용하여 수집된 데이터와 추출된 특징들을 학습시켜 컴프레서의 상태 건전성을 자동으로 예측할 수 있도록 인공지능 알고리즘을 고안하였다. 이후 합성곱신경망의 최적화 파라미터별로 컴프레서의 건전성 예측 정확도에 어떠한 영향을 미치는지 실험하였다. 실험결과, 합성곱신경망을 통한 컴프레서의 진동 데이터 분석에 서는 ‘모멘텀’ 최적화 기법의 판정 정확도가 가장 우수하였다. 데이터 셋의 특성에 따라 적절한 신경망 최적화 기법 이 합성곱신경망 학습 효율과 예측 정확도를 결정짓는 매우 중요한 요소임을 확인할 수 있었다.

영어

The air compressor is a common rotating machine that is widely used in various manufacturing plants, and provides power to a number of manufacturing devices based on aerodynamics in the plant, so if an unexpected failure occurs, the entire manufacturing line can be shut down. In this study, a vibration sensor capable of communication was attached to the compressor, the vibration data generated during compressor operation was accumulated on the cloud, and features for diagnosing the operating status of the compressor were extracted from the collected data. An artificial intelligence algorithm was designed to automatically predict the health-condition of the air- compressor by learning the collected data and extracted features using ‘Convolutional Neural Network (CNN). And then we tested how each CNN optimization parameter affected the compressor's health prediction accuracy. As a result of the experiment, in analyzing compressor vibration data through CNN, the ‘momentum’ optimization algorithm had the best accuracy, and depending on the characteristics of the data set. We found that appropriate neural network optimization techniques are a very important factor in determining CNN learning efficiency and prediction accuracy.

목차

요약
Abstract
1. 서론
2. 관련연구
2.1 에어컴프레서 및 진동센서
2.2 에어컴프레서 건전성 기준
2.3 합성곱신경망의 구조 및 기술동향
2.4 기존의 설비 진단 방법
3. 합성곱신경망을 활용한 건전성 예측 기법
3.1 에어컴프레서 건전성에 대한 기준 정의
3.2 합성곱신경망 학습을 위한 진동 데이터 수집
3.3 합성곱신경망 입력 데이터 설정
3.4 합성곱신경망 Architecture 선정 및 학습
4. 실험결과
4.1 실험 구조도
4.2 입력 데이터 형상
4.3 1D-CNN 설정 조건 및 파라미터 값
4.4 최적화 기법별 실험 결과
5. 결론
참고문헌

저자

• 윤종필 [ JongPil Youn | 숭실대학교 IT정책경영학과 ]
• 김영훈 [ Younghoon Kim | 숭실대학교 IT정책경영학과 ]
• 양지숙 [ Jisuk Yang | 숭실대학교 IT정책경영학과 ]
• 임종태 [ Jongtae Ihm | 한밭대학교 자율전공학부 ] 교신저자

참고문헌