Deep Learning Algorithm을 활용한 유압 매니퓰레이터의 고장 진단 및 복구에 관한 연구

Abstract

국문요약 매니퓰레이터는 사람을 대신해 국내외 산업에서 많이 쓰이고 있으며 최근에는 4차 산업혁명 의 핵심 기술인 인공지능, 빅데이터, 사물인터넷과 같은 기술들이 제조 산업 전반으로 적용되 고 있다. 또한 자동화 및 무인화 기술을 적용하여 생산 효율을 최대화하는 연구 역시 활발히 진행되고 있다.

매니퓰레이터에 부착된 다양한 센서에 고장이 생길 경우 매니퓰레이터의 오작동으로 공정 운 영에 경제적 손실이 발생하는 것은 물론, 인명 피해도 발생할 수 있다. 이를 해결하기 위해 전문가가 일정 주기마다 이상 여부를 확인하여 관리하지만 고장 점검 시기를 놓치거나 발견하 지 못하는 경우도 있으며, 데이터 수집을 위한 센서의 개수가 많아 이를 모두 확인하는 것은 어렵다. 따라서 자체적으로 임베디드 시스템에서 센서의 고장 유무를 실시간으로 파악하고 빠 른 대응을 위해 고장 진단 및 유형을 판별하는 것이 필요하다.

고장 진단에 대한 접근방법 중 모델 기반 접근방법은 정확도가 높고 적은 양의 데이터로도 고장 진단이 가능하다. 또한 모델의 변수를 바꿔줌으로써 다양한 운행 환경에서도 적용이 가 능한 장점이 있다. 그러나 모델 기반 방법은 시스템의 복잡도가 크게 증가하면서 모델을 완전 히 구현하기 힘들고, 모델의 변수 또한 추정하기 쉽지 않다.

두 번째 방법인 데이터 주도 접근방법은 복잡한 시스템에 적용가능한 장점이 있지만, 예측 모델의 훈련을 위해서는 많은 데이터가 필요하다는 단점이 있다.

본 논문에서는 모델 기반 접근방법의 예측 불가능한 요인들을 보완하기 위해 데이터 주도 접 근방법을 기반으로 한 고장 진단 및 복구 알고리즘을 제안하였으며, Deep Learning Algorithm을 적용하여 다음과 같은 결과를 도출하였다.

1. 3축 유압 매니퓰레이터에 대한 Forward Kinematics, Inverse Kinematics를 적용하여 매 니퓰레이터의 기구학 특성을 분석하였으며, 유압 회로를 분석하였다.

2. 기구학 모델과 유압 모델을 연결하여 매니퓰레이터의 가상 시뮬레이션 모델을 구축하였다.

3. 일시적 고장에 대해 Kalman Filter를 적용하여 고장 신호를 복구하였다.

4. 영구적 고장에 대해 NN, RNN, LSTM, GRU를 활용한 알고리즘을 설계하여 적용하고 고장 신호를 복구하였다.

5. 가상 시뮬레이션 모델에서 검증된 결과를 바탕으로 실차에 적용하여 고장 신호를 복구하였 으며, 고장 상황 발생 시 Position tracking이 잘 수행됨을 검증하였다.