## 서명 지도 데이터 증강: 유도 전동기 고장 진단을 위한 신경망
HSE University 전문가들이 개발한 Signature-Guided Data Augmentation 방법은 신경망이 3상 유도 전동기의 고장을 99% 정확도로 탐지할 수 있게 합니다. 고장 유형 분류 정확도는 86%에 달합니다. 이 접근법은 정상 전동기의 전류 신호를 기반으로 합성 데이터를 생성하여 장비를 물리적으로 손상시키지 않고 실제 결함을 시뮬레이션합니다. 이는 산업계에서 실제 고장 데이터셋 부족 문제를 해결합니다.
3상 유도 전동기는 생산 시스템의 핵심 구성 요소입니다. 자동차 공장의 조립 라인부터 상수도 네트워크의 펌프까지 다양하게 사용되죠. 고장은 가동 중단, 손실, 안전 위험을 초래합니다. 전통적인 전류 스펙트럼 분석은 수동 필터 조정, 주파수 추출, 전문 지식을 요구해 프로세스를 지연시킵니다.
전통 방법과 ML 접근법의 도전 과제
전통적인 MCSA(Motor Current Signature Analysis)는 전류 스펙트럼의 시각적 검사를 기반으로 합니다. 엔지니어들은 고정자 권선 단선, 회전자 편심, 단락 등과 연관된 특징적인 고조파를 찾습니다. 이 과정은 노동 집약적이며 특정 전동기에 대한 캘리브레이션, 부하 및 작동 조건 고려가 필요합니다.
기계 학습은 자동화를 약속하지만 데이터 부족에 부딪힙니다. 실제 고장은 드물고 고장 신호 아카이브도 유지되지 않습니다. 표준 증강(노이즈, 시프트)은 결함 물리를 고려하지 않아 모델의 일반화 성능을 떨어뜨립니다.
HSE 팀—Artem Ryzhikov, Sara Ali, Alexander Khizhik, Stepan Svirin, Denis Derkach—이 Signature-Guided 접근법을 도입했습니다. 이 알고리즘은 물리 모델에서 전형적인 고장의 '서명'을 추출해 깨끗한 신호에 주입합니다.
Signature-Guided Data Augmentation 작동 원리
이 방법은 물리적 패턴에 의존합니다:
- 고정자 턴 단선: 기본 주파수 주위에 사이드밴드 고조파 추가.
- 회전자 편심: 회전 주파수에서 2f_r 계수로 변조.
- 단락: 제로 시퀀스 전류 증가를 동반한 위상 비대칭.
- 베어링 결함: BPFO/BPFI 주파수에서 충격 스파이크.
신호는 이러한 서명을 정상 스펙트럼에 오버레이하여 생성됩니다. 신경망(CNN 또는 Transformer 기반)은 혼합 데이터셋으로 학습합니다: 80% 합성 + 20% 실제(사용 가능 시).
과정:
- 정상 모드에서 전류 기록(FFT 스펙트럼).
- 전동기의 기준 서명 추출.
- 고장 생성: 모델 기반 고조파 주입.
- 분류기 학습(이진: 정상/고장; 다중 클래스: 고장 유형).
- 보류 세트로 검증.
Denis Derkach는 강조합니다: 이 방법은 FEM 시뮬레이션이나 실제 고장 테스트를 요구하지 않으며 MCSA의 분석 공식만 사용합니다.
실험 결과
두 전동기(4극 및 6극, 50 Hz) 데이터셋으로 테스트:
| 작업 | 정확도 | 재현율 | F1-점수 |
|--------|----------|--------|----------|
| 이진 분류 (정상/고장) | 99% | 98.5% | 98.7% |
| 다중 클래스 (5 유형) | 86% | 84% | 85% |
Sara Ali는 지적합니다: 이 시스템은 정상 데이터로 시작해 과거 고장 기록 없이 탐지기로 진화합니다. 새로운 전동기에 대한 일반화는 기준 서명을 재기록함으로써 달성됩니다.
중급/고급 개발자를 위한 장점:
- 최소 데이터 요구: 하나의 정상 신호.
- 물리적 해석 가능: 고조파로 추적 가능.
- 확장성: 전력, 극수 등 모든 매개변수에 적용.
- 조기 탐지: 신뢰도 점수 임계값.
주요 요약
- 실제 고장 데이터 없이 이진 분류 99% 정확도.
- MCSA 서명 기반 생성으로 현실성 보장.
- 예측 유지보수를 통한 가동 중단 감소.
- 산업 현장 검증 예정.
- 개방성: 특정 하드웨어에 국한되지 않음.
이 접근법은 SCADA/IIoT 시스템에 통합됩니다: 엣지 디바이스가 실시간으로 전류를 분석해 경고를 전송합니다. 향후 계획은 진동과 온도로 확대입니다.
— Editorial Team
아직 댓글이 없습니다.