A Study on Machine- and Sensor Location- Independent Fault Diagnosis of Rotating Machines

Abstract

Recently, deep learning is widely employed for the fault diagnosis of rotating machines. Nonetheless, there are two challenges for implementing deep-learning-based fault diagnosis methods in the real applications. First, in the field, it is challenging to collect condition monitoring data from faulty rotating machines. Second, it is difficult to attach sensors on the identical location between different rotating machines. To overcome the challenges, this study proposes a new deep learning model that combines the CDAN architecture with the Mixstyle module, namely, Mix CDAN. Mix CDAN is tested in a situation where only normal data is included in the target data. The optimal location for the application of the Mixstyle module is investigated for mechanical equipment according to comparative experiments. To demonstrate the feasibility of the proposed method, case studies are provided from data acquired from the CWRU bearing testbed and the SDDO bearing testbed. The proposed Mix CDAN is compared with the performance of existing deep learning models including CNN, CMD, DANN, and CDAN. The proposed model achieves improved detection accuracy and F1-score while reducing false negatives independents of the sensor location in the state that only normal target data is included.|최근에는 회전 기계의 고장 진단에 딥러닝이 널리 활용되고 있다. 그럼에도 불구하고 딥러닝 기반 결함 진단 방법을 현장 장비에 구현하는 데에는 두 가지 과제가 있다. 첫째, 현장에서는 결함이 있는 회전 기계에서 상태 모니터링 데이터를 수집하는 것이 어렵다. 둘째, 서로 다른 회전 기계 간에 동일한 위치에 센서를 부착하기 어렵다. 이를 극복하기 위해 본 연구에서는 CDAN 아키텍처와 Mixstyle 모듈을 결합한 새로운 딥러닝 모델인 Mix CDAN을 제안한다. Mix CDAN은 대상 데이터에 정상 데이터만 포함된 상황에서 테스트된다. Mixstyle 모듈의 적용을 위한 최적의 위치는 비교 실험에 따라 기계 장비에 대해 조사된다. 제안된 방법의 타당성을 입증하기 위해 CWRU 베어링 테스트베드와 SDDO 베어링 테스트베드에서 획득한 데이터로부터 사례 연구를 제공한다. 제안된 Mix CDAN은 CNN, CMD, DANN, CDAN을 포함한 기존 딥러닝 모델의 성능과 비교된다. 제안된 모델은 정상 타겟 데이터만 포함된 상태에서 센서 위치와 무관하게 위음성을 줄이면서 탐지 정확도와 F1-score를 향상시킨다.