| 1 |
1
기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행하는 단계;상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산하는 단계;전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성하는 단계;상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출하는 단계; 및상기 기계 결함 감지 모델을 통해 베어링 결함을 감지하는 단계;를 포함하는, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법
|
| 2 |
2
제1항에 있어서, 상기 통계적 파라미터들은, Peak, RMS(Root-Mean Square), Crest factor 및 kurtosis를 포함하는, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법
|
| 3 |
3
제1항에 있어서, 상기 합성곱 신경망 기반의 기계 결함 감지 모델은, 1D CNN(1D Convolution Neural Network)으로 구성된, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법
|
| 4 |
4
제1항에 있어서, 상기 전처리를 수행하는 단계는,진동 데이터로부터 균등한 간격으로 샘플링을 수행하는 단계;샘플링된 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성하는 단계; 및생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행하는 단계;를 포함하는, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법
|
| 5 |
5
제1항에 있어서,상기 다차원의 벡터는 260차원의 벡터인, 합성곱 신경망 모델을 이용한 기계 결함 감지 방법
|
| 6 |
6
제1항에 따른 상기 합성곱 신경망 모델을 이용한 기계 결함 감지 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 저장 매체
|
| 7 |
7
기계의 베어링에 결함이 발생할 때까지 측정된 진동 데이터에 대해 전처리를 수행하는 전처리부;상기 진동 데이터로부터 베어링의 진동 특성을 나타내는 시계열 기반의 통계적 파라미터들(Vibration Statistical parameters)을 계산하는 파라미터 계산부;전처리된 진동 데이터에 상기 통계적 파라미터들을 연결(concatenate)하여 다차원의 벡터를 생성하는 벡터 생성부;상기 다차원의 벡터를 입력으로 하는 합성곱 신경망 기반의 기계 결함 감지 모델을 학습하여 기계 결함의 특징을 추출하는 기계 학습부; 및상기 기계 결함 감지 모델을 통해 베어링 결함을 감지하는 결함 감지부;를 포함하는, 합성곱 신경망 모델을 이용한 기계 결함 감지 장치
|
| 8 |
8
제7항에 있어서, 상기 통계적 파라미터들은, Peak, RMS(Root-Mean Square), Crest factor 및 kurtosis를 포함하는, 합성곱 신경망 모델을 이용한 기계 결함 감지 장치
|
| 9 |
9
제7항에 있어서, 상기 합성곱 신경망 기반의 기계 결함 감지 모델은, 1D CNN(1D Convolution Neural Network)으로 구성된, 합성곱 신경망 모델을 이용한 기계 결함 감지 장치
|
| 10 |
10
제7항에 있어서, 상기 전처리부는,진동 데이터로부터 균등한 간격으로 샘플링을 수행하는 샘플링부;샘플링된 진동 데이터가 가지고 있는 시간적 정보를 학습에 이용하기 위해 미리 설정된 개수의 데이터를 그룹화하여 윈도우(window)를 생성하는 윈도우 생성부; 및생성된 윈도우의 데이터 포인트를 하나씩 증가시켜가며 윈도우를 이동시키는 시계열 전처리를 수행하는 윈도우 이동부;를 포함하는, 합성곱 신경망 모델을 이용한 기계 결함 감지 장치
|
| 11 |
11
제7항에 있어서,상기 다차원의 벡터는 260차원의 벡터인, 합성곱 신경망 모델을 이용한 기계 결함 감지 장치
|
