멀티 레이어 퍼셉트론 신경망을 활용한 선박 기관시스템의 진동 데이터 분석

Abstract

최근 급격하게 발전하고 있는 머신러닝 기술을 이용하여 기계의 진동 신호로부터 상태 모니터링을 수행하려는 연구가 활발하다. 진동 기반의 기계 상태 모니터링을 위해서 많은 종류의 특징이 추출되어 사용되고 있는데, 주파수에 따른 진동 신호의 전력을 나타내는 전력 스펙트럼 밀도(Power spectral density)도 대표적인 특징 인자 중의 하나이다. 본 연구에서는 전력 스펙트럼 밀도에 주성분 분석을 적용하여 유효한 데이터 성분을 추출한 후, 멀티 레이어 퍼셉트론 신경망을 적용해 기관시스템의 고장 상태를 탐지하는 연구를 수행하였다. 연구에 사용한 데이터는 가속도계를 이용하여 측정된 실제 스케일의 선박용 발전기 진동 데이터로서 16,384 Hz의 샘플율로 약 10분 내외의 길이로 측정된 시계열 데이터이다[1]. 연구에서는 먼저 데이터를 기관의 사이클(cycle) 길이 단위로 분리한 후, 푸리에 변환을 통해 각 단위 길이 데이터의 전력 스펙트럼 밀도를 측정하였다. 측정된 스펙트럼 밀도에 주성분 분석을 적용한 후, 이를 멀티 레이어 퍼셉트론 신경망에 입력하여 고장 진단을 수행하고, 사용되는 주성분의 개수에 따른 고장 진단 정확도를 산출하였다. 산출 결과, 그림2와 같이 정상과 고장 상태의 분류 정확도는 주성분의 개수에 따라 증가하나, 최종적으로는 6개 이상의 주성분일 때 약 99.4%의 정확도로 수렴하였다. 이는 스펙트럼과 같이 기존의 특징 데이터가 가지고 있는 고차원 정보를 주성분 분석을 통해 차원을 축소하여, 고장 진단 성능을 유지하면서 더 적은 입력 데이터 양과 계산 시간으로 상태 진단을 수행할 수 있음을 의미한다.