진동 데이터에 CNN의 적용

END-TO-END 모델

주어진 진동신호를 별다른 처리 없이 딥러닝 모델의 입력 신호로 사용하고 모델의 출력값으로 목표로 하는 컴프레서의 건전성 상태를 MAPPING한다.

순서

1. 많은 데이터를 0.012씩 잘라 윈도윙했을 때도, 모델을 훈련시키기에 충분한 데이터의 양이 존재함.

2. 데이터 불균형 해결. SUB-SAMPLING 진행

3. 진동신호를 이미지 처리에 많이 활용되는 CNN을 사용하여 학습시킴

3-1. CNN은 기본적으로 kernel-wise computation이기 때문에 Filter Design으로 해석 가능하다.

회전체의 신호 분석에서, 특히 그 회전체가 등속 상태에 있을 때 가장 중요한 것은 주파수 성분 분석이다. 시간 도메인에서 신호를 봐도 보이지 않는 특징이 주파수 도메인으로 변환될 때, 특징이 나타나는 경우가 있다.

• 하지만 진동신호는 1차원이기 때문에 3차원으로 바꾸는 과정이 필요

3-1-1. 데이터의 채널을 높이로 사용한다.

3-1-2. 높이방향으로 데이터를 3회 반복하여 덧붙인다.

3-1-3. 채널 방향으로 데이터를 3회 반복하여 덧붙인다.

Hierarchial Neural Network

기존의 Hierarchial 네트워크는 서로 다른 위상의 특징을 활용하기 위해 고안되었다. 입력된 데이터에서 추출된 Low-level 특징을 보존하고, 더 연산이 진행된 High-level 특징을 함께 사용해서 최종적인 결과를 도출하겠다는 아이디어이다.

고장 심각도 진단보다는 고장 분류가 더 쉽다는 전제하에서 고장 분류는 Low-level 특징으로, 고장 심각도 진단은 Low-level 특징과 High-level 특징을 함께 사용해서 풀 수 있다.

1. 입력된 신호로부터 Resnet 기반으로 Low-level 특징 추출

2. Low-level 특징으로 고장 모드 분류

3. Low-level 특징을 연산하여 High-level 특징으로 변환

4. Low-level 특징과 High-level 특징으로 고장의 심각도 평가

결론

1월 30일날 정리된 포스트들은 전부

1. 위상의 차이에 따라서 생성된 channel 별 데이터들의 차이점은 무엇인가?

2. daq에서 생성된 channel 별 데이터들에 mcmc 방법을 써도 괜찮은가?

에 대한 근본적 질문을 고찰한 것입니다.

출처: https://tech.onepredict.ai/4177db9c-7fdd-476b-92e1-a66d17589e23,
https://tech.onepredict.ai/5cb7430d-1b7b-4d64-b129-9295f6b01283