A Study on Anomaly Detection Using Normalized Autoencoder for the Rotating Machines

Abstract

실제 산업에서는 사고를 방지하고 정비에 필요한 인적 자원의 낭비를 줄이기 위해서 상태 감시 기술이 활용된다. 그 중에서도 공장에서 사용되는 주요 부품인 회전 기기에 대한 이상 진단 기술의 중요성이 크다. 그러나 상태 감시에서 취득되는 데이터는 대부분 정상 상태라는 불균형 문제와 다양한 운영조건으로 인해 데이터 레이블 제공이 어렵다는 문제를 가지고 있다. 본 논문에서는 정규화된 오토엔코더를 통해 이러한 특징을 가지는 데이터를 활용할 수 있는 회전 기기 이상 진단 방법을 제안한다. 제안된 방법은 다양한 샘플링 주파수를 가진 진동 데이터에서 활용 가능하도록 고안되었으며 다음의 절차를 따른다. 센서에서 취득된 1차원 진동 신호는 데이터 전처리 과정에서 위그너빌 분포를 통해 2차원 이미지로 변환된다. 이후 정규화된 오토엔코더를 통해 재구성 오차와 잠재 벡터에 기반한 특성인자를 추출하고, 마할라노비스 거리를 활용하여 건전성 지표를 제시한다. 제시된 지표는 순차 비 확률 검정을 통해 정상 혹은 이상의 진단 결과를 제공하는 데 활용한다. 제안된 방법은 현장에서 취득된 15 kW 스크류 압축기와 IMS 베어링 데이터 세트를 통해서 검증되었다. 본 연구에서 제안된 방법은 기본 오토엔코더의 잠재 벡터를 사용하는 것보다 향상된 성능을 보여주며, 다른 이상 진단 방법과 비슷한 시기에 이상을 감지하는 것이 확인되었다.|Condition monitoring is used to reduce the waste of the human resources for maintenance and to prevent economical damage from the accidents in the industrial plants. The rotating machinery, that is main component of industrial plants, is one of the important target of condition monitoring. However, there are two problems with the collected data from the condition monitoring: the imbalance between faults and normal data, and the unlabeled data under the various operating conditions. This paper proposes the anomaly detection framework using normalized Autoencoder to solve the problems of condition monitoring data for the rotating machines. The framework can be used for the processing of vibration data with various sampling rate. The proposed method consists of four major steps. First, Wigner-Ville distribution transforms a 1D vibration signal segment into 2D time-frequency image. Second, normalized Autoencoder extracts a feature based on the latent vector and reconstruction error. Third, a single health index is calculated by the mahalanobis distance of features. Finally, sequential probability ratio test determines the fault diagnosis result of target system using the proposed health index. The proposed method is verified on the 15 kW screw compressor dataset and IMS bearing dataset. The validation results show that the performance of proposed framework is improved than the performance of framework with Autoencoder and latent vector and the proposed method detects fault in a IMS dataset at a similar time to other fault detection method.