Home

최근, 드론의 상업 및 산업현장의 적용이 급격히 증가하고 대형화가 가속되고 있으나, 이와 함께 추락사고와 그에 따르는 2차 피해 또한 증가하고 있어 드론 산업발전에 걸림돌이 되고 있다. 이와 같은 문제점을 해결하기 위해 산업용 드론의 동력부(모터, 프로펠러, 프레임 등.)의 고장 또는 정비 불량으로 인한 추락사고를 사전 예방할 수 있는 동력부 이상 진단시스템 개발이 필요하다.

본 연구에서는 정상 기체 상태의 진동신호를 주파수 도메인으로 변환한 학습데이터를 이상 점검 테스트 데이터와의 유클리드 거리를 측정함으로써, 비행 직전 및 이륙 시기에 모터, 프로펠러, 암 체결부 등의 동력부 이상 상태를 자동 점검 할 수 있는 드론 시스템에 실제 적용 가능한 이상 진단시스템을 설계 및 구현하였다. 또한, 데이터 처리 대상을 줄이기 위하여 이상 상태에서의 유의미한 패턴변화를 보이는 주파수 대역을 찾는 실험을 수행하였고, 드론시스템에 실제 적용이 가능하도록 초소형 진동센서 및 마이크로프로세서 환경에서 신호처리가 가능한 알고리즘을 제시하였다.

회전체를 갖는 시스템의 이상을 자동으로 판별하기 위한 선행 연구는 다양한 방법이 제안되고있으며 선형판별분석(Linear discriminant analysis), 인공신경망(Artificial neural networks), 주성분 분석(Principal component analysis), 마할라노비스 거리 분류기(Mahalanobis distance classifier) 등 여러 가지 분석 기법을 이용하여 판별하는 방법이 사용되었고, 그 중 ‘마할라노비스 거리’ 기반의 분류 기법은 다른 분석 기법들에 비해 비교적 우수한 성능을 보여주고 있다[1]-[6].

본 연구에서는 드론시스템의 제한적 환경 특성, 예를 들면, 신호처리 시스템 성능, 용량, 물리적 사이즈 등의 제약을 극복할 수 있는 초소형 신호처리 시스템을 구현하기 위한 가볍고 효과적인 알고리즘을 개발하는데 중점을 두었다.

선행된 관련 연구에서는 정상 운영 중인 시스템의 각종 상태 값을 변수로 설정하여 각 변수간의 상관관계를 변수간 공분산의 크기에 따라 가중치를 고려하여 거리계산을 할 수 있어 변별력을 높일 수 있다는 장점이 있어 ‘마할라노비스 거리’ 측정방법을 이용하여 왔다[4][6][7]. 하지만, 드론에 탑재가 가능한 소형 마이크로프로세서 기반의 신호처리 시스템 구현에는 ‘마할라노비스 거리’ 측정 방법의 연산처리량이 너무 무거운 것이 단점인 바, 본 연구는 동력부의 이상진단을 위해 드론의 암에서 발생하는 진동신호 스펙트럼만을 변수로 설정하여 소형 마이크로프로세서 모듈을 통한 유클리드 거리 연산만으로 시스템 구현이 가능하도록 하는 것을 목표로 한다.

이를 위하여 진동신호 주파수 스펙트럼을 진동센서의 최대 샘플링 주파수(4kHz)의 1/4인 1kHz 대역을 이상진단을 위한 신호처리 구간으로 설정하고, 이를 다시 10개의 주파수 구간변수 F1에서 F10으로 정의한다. 각 구간변수는 구간의 평균레벨로 산출한다. 이상진단 처리를 위해서는 정상상태에서 학습한 각 구간변수의 정상데이터 집단과 이상진단을 위해 채집한 샘플데이터 집단과의 ‘유클리드 거리’를 산출하여[10] 그 결과값에 따라 이상을 판별하도록 한다.

제안한 방법의 타당성을 검증하기 위하여 정상상태 및 이상상태에 있어서 진동 데이타를 취득하여 이상 유무를 판단하는 일련의 실험을 수행하였다.

먼저, 정상상태의 프로펠러를 회전속도 1,000 RPM으로 설정 한 후 진동신호를 샘플하여 1kHz 대역 내의 100Hz 단위의 10개구간(F1~F10)을 설정하여[그림 6] 각 구간별 평균 레벨을 5회 측정한 학습데이터 테이블을 표 1과 같이 산출하였으며, 표 1의 데이터를 기반으로 1kHz 대역 구간별 학습데이터 평균벡터 U를 구하면 표 2와 같다.

Fig. 6. 
Frequency data under 1000 RPM

정상상태 프로펠러를 회전속도 1000RPM에서의 진동신호를 샘플하여 100Hz 대역 내에서 발생되는 하모닉 폴의 피크값을 6개(P1~P6)까지 순서대로 5회 측정하여 학습데이터 테이블을 표 3과 같이 산출하였고, 표 3의 데이터를 기반으로 100Hz 대역 하모닉 피크값 학습데이터 평균벡터 UL을 구하면 표 4와 같다.

동일한 방법으로, 이상상태의 프로펠러를 회전속도 1,000RPM으로 설정 한 후 진동신호를 측정하여 1kHz 대역 내 10개 구간(F1~F10)별 평균 레벨을 값을 측정하였으며, 동시에 100Hz 대역 내의 하모닉 피크값 6개를 순서대로 표 5와 같이 측정하였다.

상기와 같이 일련의 실험을 수행하여, 프로펠러 이상 상태 1kHz 구간 유클리드 거리 계산을 하였다. 먼저, 프로펠러의 이상상태에서 측정한 1kHz대역 구간별 진동레벨 평균 값 표 2와 1kHz 대역 구간별 학습데이터 평균벡터 U[표 4]를 이용하여 유클리드 거리 D를 구하였다[표 6].

계산된 결과는 1kHz 대역에서의 유클리드 거리 D=20.33, 100Hz 대역에서의 유클리드 거리는 DL=37.10 이였다. 실제 정상 상태에서 샘플링 된 실험 데이터를 기반으로 유클리드 거리 D를 구하면, 대부분 D<3.5 이었음을 고려할 때, 상기 데이터는 충분히 유의미한 데이터이다.

본 연구에서는 산업용 드론에 실장/탑재가 가능한 수준의 크기, 무게 및 성능을 만족할 수 있는 진동신호분석 기반의 이상 진단시스템을 설계 및 구현을 하였다. 드론 동력부 정상상태의 진동신호를 입력 받아 주파수 도메인으로 변환한 학습데이터를 만들고, 샘플된 테스트 데이터와의 유클리디안 거리를 측정함으로써 동력부 이상 상태를 식별 할 수 있는 방법을 제안하고 실험을 통해 검증을 하였다. 소형 산업용 드론에 실제 장착하기 위한 초소형 진동센서 모듈 환경에서 신호처리가 가능한 H/W를 그림 1과 같이 설계 제작하였고, 데이터 처리용량을 최소화한 알고리즘을 제시하였다. 또, 제시한 알고리즘 검증을 위한 실험환경을 그림 2와 같이 구성하여 정상상태 및 모의 이상상태(비정상 상태)에서의 데이터수집 실험을 진행하였다.

제안된 이상상태 식별 방법의 검증은, 프로펠러에 이상이 생겨 밸런스가 무너진 이상상태를 연출하여 설정하고, 회전속도 1,000RPM에서 테스트 측정한 테스트벡터 T와 정상상태의 학습된 평균벡터 U와의 유클리디안 거리를 측정하는 방법으로 진행하였다. 검증 결과, 0~1kHz 구간에서의 유클리디안 거리 D값은 20.33, 0~100Hz 구간에서의 유클리디안 거리 DL값은 37.10으로 나타났다. 여러 차례 실험을 통해 정상상태에서의 유클리디안 값이 3.5이상을 넘지 않음을 감안할 때 충분히 식별이 가능한 변화량임을 확인하였는 바, 제안된 식별 방법은 충분한 식별능력을 유지함과 동시에 드론시스템에 탑재 가능한 이상 진단시스템을 구현하는데 솔루션이 될 수 있음을 확인하였다. 향후 지속적인 시스템 설계 및 구현을 위한 연구 과정으로 이상진단의 기준값(그림 5의 D_th) 설정을 위한 수학적 모델링 연구와, 선행 연구된 다차원변수 기반의 고장진단 연구결과들과 계량화된 비교연구를 진행하고 있다.