DOI QR코드

DOI QR Code

스마트 제조를 위한 베어링 결함 예지 정비 데이터셋 구축

Building Bearing Fault Detection Dataset For Smart Manufacturing

  • Kim, Yun-Su (Dept. of Information and Communication Engineering, Changwon National University) ;
  • Bae, Seo-Han (Dept. of Information and Communication Engineering, Changwon National University) ;
  • Seok, Jong-Won (Dept. of Information and Communication Engineering, Changwon National University)
  • 투고 : 2022.09.19
  • 심사 : 2022.09.29
  • 발행 : 2022.09.30

초록

제조 현장에 사용되는 전기적 구동 모터는 베어링의 결함 발생 시 시스템 전체의 작동 정지를 초래하게 된다. 제조 환경 작동의 정지는 시간과 금전적으로 막대한 손해를 일으키며 이러한 베어링의 결함 원인으로는 회전 요소들의 지속적인 접촉으로 인한 마모, 과도한 하중 적용, 구동 환경 등 다양한 요소가 될 수 있다. 따라서 본 논문에서는 국내 제조 환경과 유사한 모터 구동 환경을 제작하여, 다양한 원인의 베어링 환경을 모의한다. 또한 구축된 환경을 바탕으로 정상 및 결함 상태에 따라 달라지는 진동 특성의 변화를 센서를 통해 수집하여 베어링 결함 예지 정비를 위한 데이터셋을 제안한다. 진동 특성 수집에 사용된 센서는 Microphone G.R.A.S. 40PH-10을 사용하여 수집하였으며, 다양한 기계학습 모델을 사용하여 제안하는 데이터셋에 훈련된 견본 베어링 예지 정비 시스템을 제작해본 결과, 심층 신경망 모델 기준 시간 영역 92.3%, 주파수 영역 98.3%의 높은 정확도 성능을 보여준다.

In manufacturing sites, bearing fault in eletrically driven motors cause the entire system to shut down. Stopping the operation of this environment causes huge losses in time and money. The reason of this bearing defects can be various factors such as wear due to continuous contact of rotating elements, excessive load addition, and operating environment. In this paper, a motor driving environment is created which is similar to the domestic manufacturing sites. In addition, based on the established environment, we propose a dataset for bearing fault detection by collecting changes in vibration characteristics that vary depending on normal and defective conditions. The sensor used to collect the vibration characteristics is Microphone G.R.A.S. 40PH-10. We used various machine learning models to build a prototype bearing fault detection system trained on the proposed dataset. As the result, based on the deep neural network model, it shows high accuracy performance of 92.3% in the time domain and 98.3% in the frequency domain.

키워드

과제정보

This work was supported by the Ministry of Education of the Republic of Korea and the National Research Foundation of Korea (NRF-2019S1A5C2A03083556)

참고문헌

  1. D. Neupane and J. Seok, "Bearing Fault Detection and Diagnosis Using Case Western Reserve University Dataset With Deep Learning Approaches: A Review," in IEEE Access, vol.8, pp.93155-93178, 2020. DOI: 10.1109/ACCESS.2020.2990528.
  2. Case Western Reserve University Bearing Data Center. "CWRU dataset," 2019. https://engineering.case.edu/bearingdatacenter
  3. Universitat Paderborn, "Konstruktions-Und Antriebstechnik (KAt)-Data Sets and Download," 2019. Available:https://mb.uni-paderborn.de/kat/forschung/datacenter/bearing-datacenter/
  4. Femto-st-Sciences & Technologies. "FEMTO dataset," 2019. Available: https://www.femto-st.fr/en/The-Institute/introduction
  5. Society For Machinery Failure Prevention Technology., "MFPT Dataset," 2020. https://mfpt.org/fault-datasets/
  6. University of Cincinnati "IMS Bearing Dataset," https://www.nasa.gov/intelligent-systems-division#bearing