• 융합신호처리학회논문지
• /
• 제20권2호
• /
• pp.78-83
• /
• 2019

소리 기반 기계 고장 진단은 기계의 음향 방출 신호에서 비정상적인 소리를 자동으로 감지하는 것이다. 수학적 모델을 사용하는 기존의 방법은 기계 시스템의 복잡성과 잡음과 같은 비선형 요인이 존재하기 때문에 기계 고장 진단이 어려웠다. 따라서 기계 고장 진단의 문제를 패턴 인식 문제로 해결하고자 한다. 본 논문에서 DWT와 인공신경망 기반 패턴 인식 기법을 이용한 자동화 기계 고장 진단 기법을 제안한다. 기계의 결함을 효과적으로 탐지하기 위해 DWT를 이용해 대역별 분해 후 최상위 고주파 부대역과 최하위 저주파 부대역을 제외한 나머지 부대역의 PSD를 구하여 인공신경망 기반 분류기의 입력으로 사용한다. 그 결과 본 연구에서 제안한 방법은 효과적으로 결함을 탐지할 뿐만 아니라 소리 기반의 다양한 자동 진단 시스템에도 효과적으로 활용될 수 있음을 보여준다.

• 한국음향학회지
• /
• 제35권2호
• /
• pp.110-117
• /
• 2016

수동소나 시스템에서는 함정의 소음원에서 발생하는 방사 소음을 분석하여 표적을 탐지 및 식별한다. 소나의 탐지 범위 안에 다수의 소음원이 존재하면 신호를 분석할 때 각 소음원에서 나오는 성분들이 혼합되어 각각의 소음원을 규명하기가 어렵다. 이를 해결하기 위해 일반적으로는 배열 센서를 이용한 빔을 형성하여 소음원의 신호를 공간적으로 분리하는 기법이 사용되지만 환경에 따라 여전히 어려운 점이 있다. 본 연구에서는 수동소나 표적신호를 분리하기 위한 새로운 방법으로 주파수영역 독립성분분석(FDICA: Frequency Domain Independent Component Analysis)을 적용하고, 혼합된 표적신호를 분리하는 모의실험을 수행하여 그 타당성을 검증하였다. 표적신호 합성을 위한 특징 정보로는 기계류 토널 성분 및 프로펠러 성분을 사용하였고, 분리 전 후의 결과를 LOFAR(Low Frequency Analysis and Recording), DEMON(Detection Envelope Modulation On Noise) 분석을 통해 비교하였다.

• 융합신호처리학회논문지
• /
• 제21권3호
• /
• pp.121-126
• /
• 2020

소리 기반 기계 고장 진단은 기계의 음향 방출 신호에서 비정상적인 소리를 자동으로 감지하는 것이다. 수학적 모델을 사용하는 기존의 방법은 기계 시스템의 복잡성과 잡음과 같은 비선형 요인이 존재하기 때문에 기계 고장 진단이 어려웠다. 따라서 기계 고장 진단의 문제를 딥러닝 기반 이미지 분류 문제로 해결하고자 한다. 본 논문에서 스펙트로그램 이미지를 이용한 CNN 기반 자동화 기계 고장 진단 기법을 제안한다. 제안한 방법은 기계의 결함 시 발생하는 주파수상의 특징 벡터를 효과적으로 추출하기 위해 STFT를 사용하였으며, STFT에 의해 검출된 특징 벡터들은 스펙트로그램 이미지로 변환하여 CNN을 이용해 기계의 상태별로 분류한다. 그 결과는 제안한 방법은 효과적으로 결함을 탐지할 뿐만 아니라 소리 기반의 다양한 자동 진단 시스템에도 효과적으로 활용될 수 있다.

• 한국음향학회지
• /
• 제43권1호
• /
• pp.19-28
• /
• 2024

본 논문은 Convolutional Neural Network(CNN) 모델을 이용하여 선박 소음의 로파그램 분석을 통한 선박 식별 시 허프 변환을 적용함으로써 성능을 향상시키는 방안을 제안한다. 수동소나에 수신된 신호를 처리하면 시간-주파수 영역인 로파그램이 생성된다. 로파그램에는 선박이 방사하는 기계류 소음이 토널 신호로 나타나고 이를 분석하면 선박의 클래스를 특정할 수 있다. 그러나 로파그램의 분석은 숙달된 인원에 의해 진행되는 전문적이고 오랜 시간이 소요되는 작업이다. 또한, 로파그램에는 수중환경 특성 상 다양한 배경소음이 같이 전시되기 때문에 표적 식별을 위한 분석이 매우 어렵다. 이 문제를 해결하기 위해 로파그램에 허프 변환을 적용하여 선을 추가함으로써 토널 신호를 강조하였다. 원본 로파그램과 허프 변환을 적용한 로파그램에 대해 CNN 모델을 이용해 식별을 시도한 결과, CNN 모델의 정확도와 매크로 F1 점수를 통해 허프 변환을 적용한 것이 로파그램 식별 성능을 향상시켰음을 보여주었다.

• 화약ㆍ발파
• /
• 제30권2호
• /
• pp.1-8
• /
• 2012

국내에서 발파풍과 지반진동을 취급하는 유일한 법규가 바로 환경부의 소음진동관리법이다. 하지만 이 법규는 생활소음과 생활진동을 주로 취급하고 있으므로 지반진동에 대한 안전기준을 dB(V) 단위의 진동레벨에 의해 규정하고 있다. 그러나 발파로 발생되는 지반진동은 충격진동에서 볼 수 있는 것과 같은 독특한 특성을 지니고 있으며, 그 지속시간도 기계류나 장비류, 시설물 등에서 발생하는 진동과 비교하여 매우 짧은 특성이 있다. 그러므로 발파작업에 대한 진동법규에서는 통상 구조물 손상에 대한 지반진동의 영향을 고려하여 안전기준을 최대입자속도(peak particle velocity; PPV)로 설정한다. 그럼에도 불구하고 진동파동의 주파수 스펙트럼에 대한 충분한 고려도 없이 PPV로부터 진동레벨(vibration level; VL)을 예측하거나 $m/kg^{1/2}$이나 $m/kg^{1/3}$ 단위의 환산거리에 따라 VL을 추정하려는 시도들이 있다. 이 시도들은 주로 발파공사 과정에서 소음진동관리법을 충족시키려는 목적으로 이루어지는 것으로 보인다. 그러나 원칙적으로 전체 주파수 스펙트럼 상에서는 속도나 가속도 피크치 사이에는 아무런 상관관계도 존재할 수 없다. 따라서 이러한 상관관계나 추정식의 유도작업은 반드시 동일하거나 매우 유사한 주파수 스펙트럼을 지니는 파동들에 한해서 수행되어야 한다.