Attention recurrent neural network 이용한 케이블 초기 고장
케이블은 기계 및 시설의 제어와 계측에 매우 중요합니다. 따라서 케이블 결함을 조기에 진단하는 것이 시스템 다운타임을 방지하고 생산성을 극대화하는 가장 효과적인 접근 방식입니다.
본 연구는, 결국 영구적인 결함(개방 회로 및 단락)이 되는 일시적인 상태인 "소프트 결함 상태"에 초점을 맞췄습니다.
그러나 이전 연구에서는 소프트 결함 진단 문제가 충분히 고려되지 않아 유지보수를 지원하는 데 필요한 결함 심각도와 같은 중요한 정보를 제공하지 못했습니다. 본 연구에서는 초기 단계의 결함을 진단하기 위해 결함 심각도를 추정하여 소프트 결함 문제를 해결하는 데 중점을 두었습니다.
제안된 진단 방법은 이상치 탐지 및 심각도 추정 네트워크로 구성됩니다. 이상치 탐지 부분은 산업 응용의 다양한 운영 조건을 처리할 수 있도록 특별히 설계되었습니다. 먼저 오토인코더가 삼상 전류를 사용하여 결함을 감지하기 위해 이상 점수를 계산합니다. 결함이 감지되면 장기 단기 기억(LSTM) 및 어텐션 메커니즘이 통합된 결함 심각도 추정 네트워크가 입력의 시간 종속 정보를 기반으로 결함 심각도를 추정합니다.
따라서 전압 센서나 신호 발생기와 같은 추가 장비가 필요하지 않습니다. 실험 결과 제안된 방법이 7가지 다른 소프트 결함 정도를 성공적으로 구별할 수 있음을 보여주었습니다.
본 연구의 핵심 1:
어텐션 메커니즘을 기반한 네트워크에 RNN이 통합되어 시간 종속 정보를 고려하고 장기 의존성 문제를 극복합니다. RNN은 순차 데이터를 활용하는 신경망의 일종으로, 이 연구에서는 케이블에서 얻은 시계열 데이터가 순차적이고 시간 종속적이기 때문에 RNN을 채택했습니다.
본 연구의 핵심 2:
이상치 탐지 네트워크의 입력은 zero sequence current와 squred current ratio이며, 이상치 점수가 생성됩니다. 심각도 추정 네트워크는 이 이상치 점수를 받아 결함 지표를 추정하며, 이는 결함의 심각도를 직접적으로 나타냅니다. 제안된 방법은 추가 장비가 필요하지 않아 비용 효율적이고 공간을 절약할 수 있습니다. 또한, 케이블 매개변수나 전문가 지식이 필요하지 않습니다. 더욱이, 제안된 방법은 유지보수 직원에게 결함 상황을 평가할 수 있는 결함 심각도 추정 기능을 제공합니다.
산업 현장에 적용 결과, 다양한 결함 및 운영 조건에서 효과적이고 정확하게 작동함을 입증했습니다. 향후 연구에서는 데이터 융합 알고리즘을 사용하는 explainable-AI 접근 방식을 통해 가동식 케이블의 문제인 간헐적 결함에 중점을 둘 것입니다.
