대한안전경영과학회지 (Journal of the Korea Safety Management & Science)

  • 제11권1호
  • /
  • Pages.87-91
  • /
  • 2009
  • /
  • 1229-6783(pISSN)
  • /
  • 2288-1484(eISSN)
대한안전경영과학회 (Korea Safety Management & Science)
권호 표지

Parzen Density Estimation과 Multi-class SVM을 이용한 지능형 고장진단 방법

An Intelligent Fault Detection and Diagnosis Approaches using Parzen Density Estimation and Multi-class SVMs

  • 서광규 (상명대학교 공과대학 산업정보시스템공학과)
  • Seo, Kwang-Kyu (Dept. of Industrial Information and Systems Engineering, Sangmyung University)
  • 발행 : 2009.03.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문은 상대적으로 새로운 기법인 Parzen Density Estimation과 Multi-class SVM을 이용한 지능형 고장 탐색과 진단 방법을 제안하고 있다. 본 연구에서는 롤링 베어링을 대상으로 고장을 탐색하고 진단하기 위한 방법을 제안하는데 Parzen Density Estimation과 Multi-class SVM은 고장 클래스를 잘 표현할 수 있다. Parzen Density Estimation은 새로운 패턴 데이터의 거절과 알려진 데이터 패턴의 밀도의 평가에 의해 새로운 패턴을 찾아낼 수 있고, Multi-class SVM 기반의 방법은 여러 클래스의 고장을 support vector로 표현하여 고장 패턴을 찾아낼 수 있다. 본 연구에서는 실제의 다중 클래스를 가지는 롤링 베어링의 고장 데이터를 사용하여 고장 패턴을 탐색하는 과정을 보여주는데, 커널함수의 적절한 파라미터의 선택에 의한 Multi-class SVM 기반의 방법이 multi-layer perceptron이나 Parzen Density Estimation 방법보다 우수함을 입증한다.

키워드

참고문헌

  1. Duda, R.O., Hart, P.E. and Stork, D.G., Pattern Classification, 2nd Ed., Wiley-Interscience, (2001)
  2. Lee, Y. S. et al., 'An acoustic diagnostic technique for use with electric machine insulation', IEEE Transactions on Dielectrics and Electrical Insulation, 9(1994): 1186–1193 https://doi.org/10.1109/94.368645
  3. Lou, X., Loparo, K. A., 'Bearing fault diagnosis based on wavelet transform and fuzzy inference', Mechanical Systems and Signal Processing, 18(6)(2004): 373-390 https://doi.org/10.1016/S0888-3270(03)00077-3
  4. Markou, M., Singh, S., 'Novelty detection: a review-part 1: statistical approaches. Signal Processing', 83(12) (2003): 2481-2497 https://doi.org/10.1016/j.sigpro.2003.07.018
  5. Markou, M., Singh, S, 'Novelty detection: a review-part 2: neural network based approaches', Signal Processing, 83(12)(2003): 2499-2521 https://doi.org/10.1016/j.sigpro.2003.07.019
  6. Scholkopf, B., Smola, A.J., Learning with Kernels, MIT Press, Cambridge Massachusetts London, (2002)
  7. Stone, G. C., Sedding, H. G., & Costello, M. J., 'Application of partial discharge testing to motor and generator stator winding maintenance', IEEE Transactions on Industry Application, 32(1996): 459–464 https://doi.org/10.1109/28.491498
  8. Tax, M. J., Duin, P. W., 'Support vector data description', Machine Learning, 54(2004): 45-66 https://doi.org/10.1023/B:MACH.0000008084.60811.49
  9. Thollon, F., Jammal, A., & Grellet, G., 'Asynchronous motor cage fault detection through electromagnetic torque measurement', European Transactions on Electrical Power, 3(1993): 375–378 https://doi.org/10.1002/etep.4450030509
  10. Thomson, W. T., & Fenger, M., 'Current signature analysis to detect induction motor faults', IEEE Transactions on Industry Applications, 7(2001); 26–34 https://doi.org/10.1109/2943.930988