본문 바로가기
HOME> 논문 > 논문 검색상세

학위논문 상세정보

SVD 기반 특징 추출 기법을 이용한 실시간 저속 구름 베어링 결함 진단 원문보기
Real-time low-speed bearing fault diagnosis using the feature extraction technique of SVD-based

  • 저자

    강현준

  • 학위수여기관

    울산대학교 일반대학원

  • 학위구분

    국내석사

  • 학과

    전기전자 · 컴퓨터공학과 컴퓨터공학전공

  • 지도교수

    김종면

  • 발행년도

    2014

  • 총페이지

    32 p.

  • 키워드

    진동신호(vibration signal) 전류신호(current signal) 음향방출 신호(acoustic emission) 특이치 분해(singular value decomposition) 경험적 모드분해(empirical mode decomposition EMD) 서포트 벡터 머신(support vector machine) 고속 푸리에 변환(fast fourier transform) STFT(short-time fourier transform) 웨이블릿 변환(wavelet transform) 신호의 에너지(short-time energy STE) 이산 코사인 변환(descrete cosine tranform DCT);

  • 언어

    kor

  • 원문 URL

    http://www.riss.kr/link?id=T13540287&outLink=K  

  • 초록

    본 논문에서는 저속으로 동작하는 구름 베어링의 다중 결함 조기 검출을 위해 결함 특징 추출, 효과적인 특징 선택, 선택된 특징을 이용한 결함 분류의 세 단계로 구성된 결함 진단 기법을 제안한다. 베어링 조기 결함 검출을 위해 정상 베어링과 세가지 유형의 베어링 결함 신호를 취득하여 실험을 수행하였으며 음향 방출 센서는 구동축의 베어링 하우징 부분에 부탁하여 결함 유형별 0.5초 간격으로 90개의 샘플을 취득하여 본 실험에 사용하였다 특이치 분해(singular value decomposition, SVD), 시간영역 분석, 주파수 영역분석, 웨이블릿 변환을 이용하여 베어링 결함 유형별 효과적인 특징을 추출하고, 추출한 특징을 역 전파 신경 회로망, 서포트 벡터 기계(support vector machine, SVM), SFAM(Simplified Fuzzy ARTMAP)의 입력으로 사용하여 베어링의 결함을 진단한다. 본 논문에서는 고장 검출 및 분류를 위해 추출된 특징벡터를 역 전파 신경 회로망을 구성하는 입력 뉴런 수, 은닉 뉴런 수, 학습 알고리즘 등에 의해 분류 성능이 달라지며, 다중 서포트 벡터 머신을 분류기로 사용함에 있어서는 커널 함수가 분류 성능에 많은 영향을 미친다. 따라서 본 논문에서는 많은 실험을 통해 실시간 저속 구름 베어링의 고장 검출 및 분류에 있어 최적의 성능을 보이는 설정 방법을 제시한다. 본 논문에서는 제안한 결함 진단 기법의 여러 가지 사례중심으로 보여주며 성능을 비교함으로써 제안한 기법이 실시간 동작여부 평가에 대한 타당성을 검증한다.


 활용도 분석

  • 상세보기

    amChart 영역
  • 원문보기

    amChart 영역