Home

4차 산업혁명, 사물인터넷(IoT), 스마트팩토리 등의 최근 트랜드에 따라 공장 기계설비의 자동화가 가속화 되고 있다. 이에 따라 기계설비의 정지, 고장 등에 따른 손실을 줄이기 위하여 결함 진단 분야에서도 인공지능형 진단 시스템의 개발이 요구되고 있다.

딥러닝과 기계학습은 데이터를 이용하여 모델을 학습한다는 공통점이 있지만 데이터를 학습하는 과정에서 큰 차이가 있다. 기계학습에서는 이미지를 인식하기 위해서는 사진을 그대로 사용하는 것이 아니라 사진 속의 객체를 가장 잘 구분할 수 있는 특성인자를 찾아낸다. 기계학습에서 모델의 성능을 결정하는 것은 이 특성인자가 얼마나 데이터를 잘 대표하는가이다. 반면 딥러닝의 경우에는 사람이 특성인자를 선정하는 것이 아니라 데이터로부터 모델을 학습하는 과정이며 목표를 잘 달성할 수 있는 특성인자를 스스로 찾는다. 기계분야에서도 복잡한 기계시스템으로부터 취득한 데이터로부터 특성인자를 찾아내는 것은 전문가의 지식을 많이 요구하기 때문에 기계학습의 적용에 어려움이 많았다.

반면 딥러닝은 특성인자를 자동으로 찾아내기 때문에 기계설비의 고장 진단 분야에서 딥러닝을 활용하려는 시도가 늘어나고 있다[1].

기계설비는 고장 위험에 노출되어 있으며, 사용 시간이 길수록 고장 위험성은 한층 높아진다. 제조 공장 또는 가공 공장에 구축된 기계설비들이 고장나면 제품의 생산성과 수익성에 큰 영향을 끼치게 되며 산업재해 또는 사후 조치로 인한 많은 비용이 지출되며 필요할 때에 설비를 사용하지 못하는 불편을 초래하게 된다[2][3]. 그러나 기계설비의 고장 원인은 확인이 어려우며, 기계설비에 고장 원인(부품 결함)이 잔존함에도 불구하고 기계설비가 막연히 오래 지속되기만을 바라면서 간단히 대체하고 있는 실정이다.

물론 풍력발전기를 비롯하여 각종 기계설비의 고장을 진단하기 위해 각 기계설비별로 ISO 진동기준이 마련되어 있다[4]. 하지만 기계설비에 구성된 부품들의 고장 원인(부품 결함)을 확인하여야 하는데, 기계설비에 구성된 부품들에서 측정되는 데이터의 분석을 통해 찾는 접근법들은 기계설비의 고장 원인을 정확하게 파악하기 위해 정확한 부품의 사양을 요구하며, 진단 전문가를 필요로 한다[5][6]. 이러한 문제점으로 인해 산업현장에서는 전문가의 경험과 개인적인 능력에 의존하여 고장 원인을 찾아야 하는 어려움이 있다.

또한, 종래의 진단 시스템은 기계설비와 같은 대상에 결합되는 가속도 센서, 온도센서, 클램프 전류 센서와 같은 다양한 센서와 센서들을 통합, 분기하기 위한 정션 박스, 신호처리장치, 디스플레이 장치 등으로 구성되는데 기계설비의 상태를 정밀하게 감시하기 위해서는 다양한 종류의 센서를 필요로 하고 각각의 센서들은 고가이기 때문에 고가의 기계설비에만 적용되거나 저가의 기계설비에는 센서의 종류를 단순화하여 적용하는 문제점이 있었다. 이에 대해 복합 MEMS 센서는 다수의 MEMS 센서가 하나의 센서모듈에 장착된 것으로서 기계설비의 원격 실시간 진단에 있어서 운전 환경을 측정하는 용도로 적용할 필요성을 인식해 오고 있었다[7].

본 논문에서는 비교적 저렴하고 다양한 종류의 센서가 내장된 복합 MEMS 센서 기반의 기계설비 결함 진단시스템의 개발에 대해 소개한다. 복합 MEMS 센서를 이용하여 기계설비의 운전 환경을 측정함으로써 기계설비의 정지, 과도상태 등을 판단하여 진단에 필요한 정상적인 운전상태가 아닌 경우에 취득한 진동가속도 데이터는 학습에서 미리 제외시킬 수 있는 장점이 있다. 다음의 2장에서는 시스템의 주요 구성부에 대해 설명하고 딥러닝을 위한 구성도 및 진단 결과 화면을 제시하였으며, 3장에서는 결론 및 향후 과제에 대해 소개한다.

본 논문에서는 오토인코더와 딥러닝 모델이 캐스캐이드 형태로 내장된 기계설비 진단 시스템의 개발 사례에 대해 소개하였으며 각 구성부는 다음의 특징을 가진다.

첫째, 머신러닝부는 오토인코더를 이용하여 이상 상태 감지(Anomaly detection)와 특징맵을 형성하도록 하였으며, 그 다음 딥러닝 모듈에서 결함을 분류하도록 설계하였다. 뿐만 아니라, 이러한 진단 알고리즘을 nVidia Jetson Nano 기반에서 실행하도록 하였으며, 수집한 데이터의 신호처리, 데이터베이스화를 함께 담당하도록 구현하였다.

둘째, 센서부는 기계설비의 운전 환경을 계측하기 위한 복합 MEMS 센서를 채용하였으며, 이것은 가속도, 온습도, 빛, 자이로스코프, 자기, 압력, 음향 센서 등의 복수의 센서를 갖추고 있어서 기계설비의 운전 환경을 저렴하게 구축할 수 있는 장점이 있었다. 특히, 기계설비의 진단에 불필요한 정지, 과도상태 등을 판단한 후, 진단에 필요한 정상 운전상태에서의 진동가속도 데이터만을 학습에 이용할 수 있도록 구현하였다.

셋째, 오토인코더 모듈은 데이터수집부로부터의 원신호 또는 FFT 처리된 데이터를 입력하는 입력 레이어 유닛과, 입력레이어가 인코딩되어 특징맵을 가진 히든레이어로 압축되는 히든 레이어 유닛과, 히든레이어가 디코딩되어 출력레이어로 재구축되는 출력레이어 유닛로 구성된다. 오토인코더 모듈은 기계설비의 정상적인 작동에 대한 신호를 온라인 학습하도록 설계하였으며, 입력레이어와 출력레이어 간의 평균제곱오차가 소정의 값 이상일 경우 이상 상태라고 판단하게 된다. 오토인코더 모듈에서 이상 상태라고 판단한 경우에 딥러닝 모듈은 특징맵을 바탕으로 기계설비의 결함 진단 결과를 생성하는 것을 특징으로 한다. 본 논문에서는 회전기계 결함 시뮬레이터 상에서의 벨트, 베어링, 마찰, 언밸런스 등의 기본적인 결함을 성공적으로 감지하여 진단 결과를 도출하였다.

앞으로 진단의 신뢰성 및 재현성을 확보하기 위한 노력을 계속해 나가고자 하며, 현재의 연구결과를 바탕으로 최종적으로는 더욱 작은 소형, 무선의 인공지능 진단장치를 개발하여 상용화 하고자 한다. 이를 위해 신경회로망의 구조를 단순하게 만들어서 계산속도를 향상시킬 수 있는 Pruning 기법의 도입, 신경회로망의 최적구조 탐색에 관한 연구를 계속 진행해 나가고자 한다.