핵심 개념
단시간 푸리에 변환(STFT)을 활용하여 모터 전류 신호를 시간-주파수 2D 이미지로 변환하고, 이를 합성곱 신경망(CNN) 기반 딥러닝 모델에 적용하면 모터 고장 진단 성능을 향상시킬 수 있다.
초록
딥러닝 기반 모터 상태 진단 연구 논문 요약
참고문헌: Piedad, E. Jr, Galvin Mayordo, Z., Prieto-Araujo, E., & Gomis-Bellmunt, O. (2024). Deep Learning-based Machine Condition Diagnosis using Short-time Fourier Transformation Variants. 2024 International Conference on Artificial Intelligence in Information and Communication (ICAIIC). IEEE.
본 연구는 단시간 푸리에 변환(STFT)과 그 변형 기법들을 활용하여 모터 전류 신호를 시간-주파수 2D 이미지로 변환하고, 합성곱 신경망(CNN) 기반 딥러닝 모델을 통해 모터 고장을 진단하는 데 그 목적이 있다. 이를 통해 기존 연구들과 비교하여 모터 고장 진단 성능을 향상시키고 2D 이미지 기반 방법의 효용성을 검증하고자 한다.
본 연구에서는 정상 상태 1개, 인위적으로 고장을 유발한 상태 4개(베어링 축 정렬 불량, 고정자 권선 단락, 회전자 바 손상, 외부 베어링 결함) 등 총 5개의 2-HP 유도 전동기로부터 단상 전류 신호 데이터를 수집하였다. 각 모터는 5가지 부하 조건(0, 25, 50, 75, 100%)에서 10kHz의 샘플링 주파수로 5초 동안 데이터를 수집하여 총 3,750개의 데이터 세트(각 클래스당 750개 샘플)를 생성하였다.
수집된 데이터는 5가지 STFT 변환 방법(겹치지 않는 STFT 및 재정렬 STFT, 겹치는 STFT 및 재정렬 STFT, 싱크로스퀴즈 STFT)을 사용하여 2D 시간-주파수 이미지로 변환되었다. 변환된 이미지는 CNN 모델의 입력 데이터로 사용되었으며, 10겹 교차 검증을 통해 모델의 성능을 평가하였다.