• 조명전기설비학회논문지
• /
• 제19권6호
• /
• pp.36-45
• /
• 2005

이 논문은 다른 종류의 유도전동기 구름베어링 손상을 유도전동기 고정자 전류신호해석을 통하여 검출하고 실시간으로 손상을 진단하는 알고리즘을 개발하였다. 유도전동기 구름베어링의 손상을 검출하기 위하여 정상적인 베어링을 갖는 유도전동기, 측정열에 불량을 가지고 있는 전동기와 베어링 외륜에 구멍을 가지고 있는 2가지 종류의 비정상 베어링을 갖는 유도전동기 3set를 실험시스템을 구축하였다. 또한 유도전동기의 구름베어링시스템의 비정상적인 상태에서 고정자전류을 검출하기 위하여 TMS320F2407 DSP 칩을 이용하여 데이터 획득보드를 개발하였다. 이 고정자전류신호를 해석을 통하여 베어링 손상을 검출하기 위한 방법으로 FFT, 웨이브렛 분석 및 내적에 의한 평균 신호패던에 의한 분석결과를 제시하였다. 특히 내적에 의한 신호분석 온 통하여 베어링 손상 여부를 실시간으로 진단할 수 있는 새로운 알고리즘과 분석방법을 제시하였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제15권5호
• /
• pp.1610-1629
• /
• 2021

Failures frequently occurred in manufacturing machines due to complex and changeable manufacturing environments, increasing the downtime and maintenance costs. This manuscript develops a novel deep learning-based method named Multi-Domain Convolutional Neural Network (MDCNN) to deal with this challenging task with vibration signals. The proposed MDCNN consists of time-domain, frequency-domain, and statistical-domain feature channels. The Time-domain channel is to model the hidden patterns of signals in the time domain. The frequency-domain channel uses Discrete Wavelet Transformation (DWT) to obtain the rich feature representations of signals in the frequency domain. The statistic-domain channel contains six statistical variables, which is to reflect the signals' macro statistical-domain features, respectively. Firstly, in the proposed MDCNN, time-domain and frequency-domain channels are processed by CNN individually with various filters. Secondly, the CNN extracted features from time, and frequency domains are merged as time-frequency features. Lastly, time-frequency domain features are fused with six statistical variables as the comprehensive features for identifying the fault. Thereby, the proposed method could make full use of those three domain-features for fault diagnosis while keeping high distinguishability due to CNN's utilization. The authors designed massive experiments with 10-folder cross-validation technology to validate the proposed method's effectiveness on the CWRU bearing data set. The experimental results are calculated by ten-time averaged accuracy. They have confirmed that the proposed MDCNN could intelligently, accurately, and timely detect the fault under the complex manufacturing environments, whose accuracy is nearly 100%.

• Journal of applied mathematics & informatics
• /
• 제41권6호
• /
• pp.1257-1274
• /
• 2023

Rotating machines heavily rely on an intricate network of interconnected sub-components, with bearing failures accounting for a substantial proportion (40% to 90%) of all such failures. To address this issue, intelligent algorithms have been developed to evaluate vibrational signals and accurately detect faults, thereby reducing the reliance on expert knowledge and lowering maintenance costs. Within the field of machine learning, Artificial Immune Systems (AIS) have exhibited notable potential, with applications ranging from malware detection in computer systems to fault detection in bearings, which is the primary focus of this study. In pursuit of this objective, we propose a novel procedure for detecting novel instances of anomalies in varying operating conditions, utilizing only the signals derived from the healthy state of the analyzed machine. Our approach incorporates AIS augmented by Dynamic Time Warping (DTW). The experimental outcomes demonstrate that the AIS-DTW method yields a considerable improvement in anomaly detection rates (up to 53.83%) compared to the conventional AIS. In summary, our findings indicate that our method represents a significant advancement in enhancing the resilience of AIS-based novelty detection, thereby bolstering the reliability of rotating machines and reducing the need for expertise in bearing fault detection.

• Journal of Power Electronics
• /
• 제8권2호
• /
• pp.181-191
• /
• 2008

The task performed by induction motors grows increasingly complex in modern industry and hence improvements are sought in the field of fault diagnosis. It is essential to diagnose faults at their very inception, as unscheduled machine down time can upset critical dead lines and cause heavy financial losses. Artificial intelligence (AI) techniques have proved their ability in detection of incipient faults in electrical machines. This paper presents an application of AI techniques for the detection of inter-turn insulation and bearing wear faults in single-phase induction motors. The single-phase induction motor is considered a proto type model to create inter-turn insulation and bearing wear faults. The experimental data for motor intake current, rotor speed, stator winding temperature, bearing temperature and noise of the motor under running condition was generated in the laboratory. The different types of fault detectors were developed based upon three different AI techniques. The input parameters for these detectors were varied from two to five sequentially. The comparisons were made and the best fault detector was determined.

• 한국정보통신학회논문지
• /
• 제6권2호
• /
• pp.294-299
• /
• 2002

이 논문은 신경회로망을 기반으로 한 유도전동기의 고장 진단 기법을 제시한다. 제안된 기법은 고정자전류만을 측정하여 FFT 변환 후 진단 훈련을 위해 일반화한다. 정상, 베어링고장, 고정자 권선고장 그리고 회전자 엔드-링 고장을 갖는 모터로부터 학습데이터를 획득하고 여러 고장 유형을 진단한다. 더욱 효과적인 고장 진단을 위해, 전부하의 100％, 60％, 30％로 부하율을 변화시켜서 학습절차에 적용하였다. 실험 결과들은 제안된 방법이 오차 범위 0.56％∼0.04％와 같은 높은 진단 정밀도를 가지고 있어 실제 진단시스템에 적용 가능함을 보여주고 있다.

• 한국산학기술학회논문지
• /
• 제19권1호
• /
• pp.75-84
• /
• 2018

본 철도 유지보수 산업의 효율화를 위해서는 핵심부품의 적시 관리를 통한 부품 가동률 향상 및 철도 운행의 안정성 향상이 필요하다. 또한 유지보수 시스템 고속화에 따른 신뢰성 향상과 핵심부품의 유지보수 비용 절감의 두 가지 측면을 모두 만족시키기 위해, 부품 이력관리와 대규모 빅데이터의 자동화된 분석 기술을 활용한 부품 상태 진단 기술 수요가 증가하고 있다. 이 논문에서는 철도차량의 차상 및 지상 장치로부터 발생되는 실시간 빅데이터 수집, 처리, 분석을 위해서 빅데이터 플랫폼 기반의 철도차량 부품의 상태 데이터 관리시스템을 개발하였으며, 이 시스템의 활용으로 철도차량의 부품 상태정보 및 시스템 리소스에 대한 실시간 모니터링이 가능하다. 또한 빅데이터 플랫폼으로부터 수집된 상태 데이터를 기반으로 분산/병렬처리 및 자동화된 부품 고장진단이 가능한 머신러닝 기법을 제안하였다. 실험결과, 분산/병렬처리 기술이 적용된 알고리즘의 실행시간 단축을 아마존 웹서비스의 가상 인스턴스 생성 시스템을 통해 증명하였으며, random forest 머신러닝 기법을 활용한 고장 진단 모델의 베어링 및 차륜 부품에 대한 상태 예측 정확도가 83%임을 확인하였다.

• 대한기계학회논문집B
• /
• 제37권6호
• /
• pp.551-558
• /
• 2013

서포트 벡터 머신(Support Vector Machine, SVM)은 학습용 데이터 집합이 확보되어 있을 경우, 매우 강력한 분류 알고리즘이다. 따라서 패턴인식은 물론 기계학습 분야에서 결함진단 도구의 하나로 이용되고 있다. 본 논문에서는 최적 특징과 SVM 을 이용하여 볼 베어링의 결함유형과 결함의 정도를 진단한 결과를 기술하였다. SVM 학습용 특징데이터에는 12 개의 시간영역 특징과 9 개의 주파수영역 특징들이 포함되어 있으며 이들 특징들은 다양한 베어링 결함조건에서 측정된 진동신호와 진동신호의 이산 웨이블렛 변환신호로부터 추출되었다.

• 비파괴검사학회지
• /
• 제33권4호
• /
• pp.330-335
• /
• 2013

결함을 조기에 발견하기 위한 실시간 모니터링 시스템은 적외선 열화상 기술을 중점으로 구성된다. 본 연구의 중점은 비파괴 적외선 열화상 기법을 사용하여 볼베어링의 손상 검출 및 온도 특성 분석이다. 본 논문에서는 신뢰성 평가를 위한 적외선 실험 데이터와 기존의 주파수 데이터를 비교했다. 실험을 통해 베어링의 온도 특성에 따라 다양한 손상 상황을 분석했다. 본 논문의 실험의 결과로부터 적외선 열화상 기법은 실시간으로 동작 상태에 하중을 받는 볼베어링의 손상 탐지를 위한 매우 유용한 기법임이 확인되었다.

• 오토저널
• /
• 제14권5호
• /
• pp.83-94
• /
• 1992

There has been a suggestion of many techniques as the methods of diagnosis for rotational machinery. In this study, HFRT was used as the analysis method for ball bearing of automobile and was compared with the conventional ANC technique. And this paper presented the computer simulation process about fault types and noise for the validity of the algorithm and identification of the physical meanings of HFRT. Also, experiment was performed using ball bearing and the results showed that HFRT was much more effective than the conventional methods in diagnostic process.

• 비파괴검사학회지
• /
• 제32권3호
• /
• pp.291-295
• /
• 2012

In the industrial field, real-time monitoring system like a fault early detection is very important. For this, the infrared thermography technique as a new diagnosis method is proposed. This study is focused on the damage detection and temperature characteristic analysis of ball bearing using the non-destructive infrared thermography method. In this paper, thermal image and temperature data were measured by a Cedip Silver 450 M infrared camera. Based on the results, the temperature characteristics under the conditions of normal, loss lubrication, damage, dynamic loading, and damage under loading were analyzed. It was confirmed that the infrared technique is very useful for the detection of the bearing damage.