작은 소리 데이터 세트에서 드릴 비트 오류를 ​​감지하기 위한 딥 러닝 접근 방식

Scientific Reports 12권, 기사 번호: 9623(2022) 이 기사 인용

1905년 액세스

4 인용

3 알트메트릭

측정항목 세부정보

기계 상태를 모니터링하는 것은 제조 산업에서 매우 중요합니다. 고장난 부품을 정지하고 수리하기 위해 기계의 고장난 부품을 조기에 감지하면 기계의 가동 중지 시간을 최소화할 수 있습니다. 이 기사에서는 펄프, 종이 및 바이오 연료 생산을 위한 장비와 공정을 공급하는 스웨덴 Sundsvall의 회사인 Valmet AB에서 드릴 소리를 사용하여 드릴 기계의 고장을 감지하는 방법을 제시합니다. 드릴 데이터 세트에는 변칙적 소리와 일반 소리라는 두 가지 클래스가 포함되어 있습니다. 드릴 실패를 효과적으로 감지하는 것은 다음과 같은 이유로 인해 여전히 어려운 과제입니다. 드릴 소리의 파형은 복잡하고 감지 시간이 짧습니다. 더욱이, 사실적인 사운드스케이프에서는 소리와 소음이 동시에 존재합니다. 게다가, 최첨단 딥러닝 기술을 적용하기에는 균형 잡힌 데이터 세트가 작습니다. 이러한 어려움으로 인해 데이터 세트의 소리 수를 늘리기 위해 소리 증대 방법이 적용되었습니다. 본 연구에서는 CNN(Convolutional Neural Network)을 LSTM(장단기 기억)과 결합하여 Log-Mel 스펙트로그램에서 특징을 추출하고 두 클래스의 전역 표현을 학습했습니다. 제안된 CNN의 활성화 함수로는 ReLU 대신 Leaky ReLU(Leaky Rectified Linear Unit)가 사용되었습니다. 또한 소리의 이상 현상에 주의를 기울이기 위해 LSTM 계층 이후 프레임 수준에 주의 메커니즘을 배포했습니다. 그 결과, 제안된 방법은 Valmet의 데이터 세트에서 두 가지 종류의 기계음을 분류하는 데 전체 정확도 92.62%에 도달했습니다. 또한 짧은 소리가 포함된 또 다른 드릴링 데이터세트에 대한 광범위한 실험에서는 97.47%의 정확도가 나왔습니다. 여러 클래스와 장기간 사운드를 사용하여 공개적으로 사용 가능한 UrbanSound8K 데이터 세트를 활용한 실험에서는 91.45%의 결과를 얻었습니다. 공개적으로 사용 가능한 데이터 세트뿐만 아니라 데이터 세트에 대한 광범위한 실험을 통해 제안된 방법의 효율성과 견고성이 확인되었습니다. 제안된 시스템을 재현하고 배포하기 위해 https://github.com/thanhtran1965/DrillFailureDetection_SciRep2022에서 오픈 소스 저장소를 공개적으로 사용할 수 있습니다.

드릴 결함 감지 시스템은 기계 고장을 방지하기 위해 공장에서 널리 사용됩니다. 드릴링 머신에는 금속 표면에 수천 개의 작은 구멍을 뚫기 위한 90개 또는 120개의 드릴 비트가 포함되어 있습니다1. 드릴 비트가 파손되면 수동 드릴링과 사후 생산이 필요하며 이는 리소스를 요구하고 회사에 전반적인 비용이 많이 듭니다. 유지보수 기술자는 10분마다 기계를 정지하여 부러진 드릴 비트를 식별하고 드릴링 기계를 다시 시작하기 전에 교체합니다. 따라서 드릴링 머신의 결함 감지 시스템은 머신의 가동 중지 시간과 유지 관리 비용을 최소화하는 데 매우 중요합니다.

지난 10년 동안 드릴 고장을 감지하고 진단하기 위한 많은 연구가 수행되었습니다. Choi et al.2는 드릴 파손의 특성 매개변수(CPDF)라는 이름의 시간 영역 및 주파수 영역 특징 추출 방법을 제안했습니다. 두 번째 단계에서는 MLP(다층 퍼셉트론)를 사용하여 드릴 상태 지수 임계값을 기반으로 드릴 실패를 예측했습니다. 이렇게 하면 오류율이 낮아집니다. 드릴 실패 진단의 정확성을 높이기 위해 Skalle 등3은 증상 감지(예: 연질 형성, 절단 축적, 국부적인 도그 레그)에 기반한 방법을 제안했습니다. Kumar et al.4는 인공 신경망(ANN), 지원 벡터 머신(SVM) 및 베이지안 분류기의 세 가지 분류기 방식을 사용하여 진동 신호를 사용하여 드릴 실패를 감지하고 분류했습니다. 진동 기반 신호에는 잡음이 포함되는 경우가 많기 때문에 잡음을 제거하고 소스를 분리하여 결함 감지 정확도를 향상시키는 여러 기술이 필요했습니다.

연구자들은 최근 몇 년간 소리 및 진동 분석을 사용해 결함을 감지하고 분류해 왔습니다5. 딥러닝의 발전으로 기계, 특히 드릴 머신의 결함을 진단하고 분류하기 위한 특징을 자동으로 추출하는 데 CNN(Convolutional Neural Networks)이 사용되었습니다. 진동에 대한 음향 분석의 장점으로 인해 Glowacz6는 전기 충격 드릴 및 커피 그라인더에 대한 음향 기반 결함 감지 방법을 제안했습니다. RMS(Root Mean Square) 및 다중 확장 필터(MSAF-17-MULTIEXPANDED-FILTER-14)를 사용한 진폭 선택 방법을 포함한 이러한 음향 특징을 사용하여 가장 가까운 이웃 분류기로 결함 상태를 분류했습니다. 또한, 전동 임팩트 드릴의 결함을 검출하기 위해서는 기어가 동력전달의 주요 구성요소이기 때문에 드릴의 기어박스 장치의 결함을 판별할 필요가 있다. Jing et al.7은 시간에 따라 변하는 음량과 음향 신호로부터의 로지스틱 회귀를 사용하여 전기 충격 드릴 고장을 감지하는 방법을 제안했습니다.