Impulse train을 이용한 케이블 고장 진단

출처: Attention Recurrent Neural Network-Based Severity Estimation Method for Early-Stage Fault Diagnosis in Robot Harness Cable

 

 

이번에는 모터 전원 케이블의 온라인 및 오프라인 소프트 결함 진단을 위한 새로운 접근 방식을 소개합니다.

 

모터 전원 케이블은 자동화된 제조 시설에서 중요한 역할을 합니다.

케이블 결함은 생산성 감소, 고객 신뢰 손실, 작업장 부상 증가 등 비용이 많이 드는 문제를 초래할 수 있습니다.

이는 안전 장치와 산업 장비가 케이블을 통해 작동하기 때문입니다. 매우 짧은 케이블을 진단하고 동일한 아키텍처로 온라인 및 오프라인 진단을 수행할 수 있는 새로운 효과적인 접근 방식이 필요합니다.

 

공장 현장에서의 적용성을 위해, 다른 방법들과 달리, 소수의 파라미터와 수동 조작이 필요 없는 진단 방법이 요구됩니다.

따라서 여기서 제안하는 방법은 주기적인 버스트 주입과 비침습적 커패시티브 커플링을 활용합니다.

케이블이 여전히 작동 중인 동안 소프트 결함이 발생할 경우 결국 하드 결함으로 발전할 수 있으므로, 소프트 결함 진단에 초점을 맞추었습니다.

 

소프트 결함의 조기 진단은 하드 결함의 후속 진단보다 치명적인 생산 중단을 예방하는 데 더 유리합니다. 자동화 라인에서 장비는 정기 유지 보수 시간을 제외하고 하루 24시간 작동하므로 현장에서 진단할 수 있는 온라인 및 오프라인 진단이 모두 필요합니다.

 

알고리즘으로는 1D CNN 모델을 사용하여 고급 기능을 학습하였습니다.

제안된 방법의 장점은 다음과 같습니다:

 

(1) 설치된 케이블이 매우 짧은 자동화 공장의 와이어링 하니스 케이블에 적합합니다.

(2) 온라인 및 오프라인 진단과 다양한 케이블 유형에 간단하고 동일하게 적용할 수 있습니다.

(3) 진단 모델은 수동 기능 추출 및 사전 도메인 지식 없이 원시 신호에서 직접 구축할 수 있습니다.

 

다양한 결함 시나리오를 통한 실험 결과 이 방법이 실제 케이블 결함에 적용될 수 있음을 보여줍니다.

기존의 다른 방법들은 사전 지식과 특수 기술이 필요한 원시 데이터 전처리가 필요합니다.