다중 센서 기반의 웨이블릿 변환과 CNN 딥러닝 모델을 이용한 산업 설비 고장진단에 관한 연구

Abstract

석유화학 산업 현장에서 주요 설비인 배관, 탱크, 교반기, 압축기는 현대산업의 핵심적인 시설물 중 하나이다. 고정 설비와 회전 설비를 구성하는 필수 요소 중 비교적 빈번하게 발 생하는 결함은 부식, 크랙, 누출, 마모, 피로파괴 등이 있다. 이러한 결함들은 생산성 저하, 노후화로 인한 사고가 발생하는데, 조기 결함을 분석하여 사고를 방지하여야 한다. 하지만 산업 현장에서 설비의 상태를 확인하고 결함을 진단하는 과정은 전문적인 지식과 경험적 판단이 필요하다. 즉, 전문인력이 없는 상황에서 상태진단 및 결함 조기 감지는 불가능하다. 상태진단 전문가가 근무하지 않거나 상태 기반 정비를 운영하는 스마트팩토리의 회전설비 유지 및 안정성 확보를 위한 도구가 필요하다. 산업 현장에서 신호를 수집하고 자동으로 상 태를 진단하여 결함 원인을 분류한다면 설비 유지관리에 큰 도움이 될 것이다. P-F 곡선에 따르면, 결함이 발생한 초기 단계에서는 초음파 신호가 발생하고 결함이 진행됨에 따라 진동의 변화가 발생한다. 초음파 신호와 진동 신호를 분석하기 위해 다중 센서 기반의 고장 진단 장치를 개발하고, 장치 내부에 전처리 알고리즘과 딥러닝 네트워크 모델을 통해 결함을 분류하는 시스템을 제안한다. 이 시스템에서 제안하는 전처리 알고리즘에는 버터워스 주파수 대역 필터, 힐버트 변환, 로그 스케일 변환, 연속 웨이블릿 변환이 포함되는데, 이러한 전처리 알고리즘을 통해 최종적으로 시간-주파수-에너지 스펙트럼이 추출된다. 먼저, 버터워스 주파수 대역 필터는 신호의 불필요한 고주파나 저주파 성분을 제거하여 원하는 대역만을 통과시키는 역할을 하는데, 센서 제조사에서 제공된 동작 주파수 대역을 기반으로 필터를 적용하였다. 힐버트 변환은 실수부와 허수부를 이용하여 신호의 순간 진폭과 위상 정보를 추출하는 데 사용된다. 그리고 포락선 추출을 통해 배관 누출, 기어 결함,베어링 결함에서 발생 되는 미세한 충격성 신호를 검출한다. 마지막으로, 연속 웨이블릿 변환을 통해 신호의 주파수 성분을 시간에 따라 다양한 스케일에서 분석하여 신호의 특정 패턴을 추출하였다. 이러한 전처리 과정을 거쳐 생성된 2차원 스펙트럼 이미지를 경량화 네트워크인 MobileNet CNN 모델의 입력으로 사용하여, 개발된 장치와 알고리즘을 검증하기 위해 다양한 환경을 모사한 테스트베드를 통해 검증하였다. 배관의 주요 결함인 누출과 크랙 분류 성능은 96.95%, 교반기의 주요 결함인 기어 결함, 베어링 결함, 임펠러 결함 분류 성능은 94.40%, 머시닝 센터 주요 결함인 기어결함, 베어링 결함, 공구 결함 분류 성능은 98.33%로 높은 결함 분류 성능을 보였다. 본 논문에서 개발한 고장진단 장치는 다중 센서 신호 측정과 결함 자동 분류는 전문 지식 없이도 산업 설비의 상태진단이 가능하도록 도움 이 될 것이며 노후화으로 인한 사고와 생산성 저하, 비용 손실을 방지하는데 기여할 것으로 예상된다.