Study of Interpretable AI Based Bearing Fault Frequency Band Estimation Utilizing Generated Signal

Abstract

Selecting a resonance band for demodulation is the most important step in envelope based rolling element bearing diagnosis as the fault impulses modulate to a certain resonant frequency band. To date, many researchers have developed various indicators in multi-domain and use either a binary tree or optimization tool to find the most suitable filter bank with maximum indicator. However, conventional indicator-based methods require specific domain knowledge for choosing the indicator and high computation for calculation since they are based on complex signal processing. To address this issue, this paper suggests a deep learning-based approach using one-dimensional attention gated convolutional neural network(1D-AttGCNN) trained only with a generated signal. The model learns to regress pre-defined resonant parameters of the generated signals and require no additional training when diagnosing a real fault signal. The proposed architecture includes an attention-gated layer, which automatically learns to localize resonance-induced impulse through backpropagation. Moreover, uncertainty and non-Gaussian noise were taken into account in the signal generating process to facilitate the model adaptation to the real target signal. The validity of the proposed model is examined in various environments with different difficulties via three case studies. Furthermore, comparisons with the conventional Fast Kurtogram and Autogram methods are presented with quantitative measures based on mean absolute deviation distance. Results demonstrate the superiority of the proposed method over the conventional method and the effectiveness of the proposed architecture and signal generation methods.

베어링의 고장 신호가 특정 공진 주파수 대역에 진폭 변조 되기에 진폭 변조를 위한 주파수 대역을 선택하는 것은 포락 해석 기반의 베어링 고장 진단 분야에서 가장 중요한 부분이다. 최근까지, 많은 연구자들이 여러 도메인에서 공진 영역을 가르킬 수 있는 표지(indicator)들을 개발하였으며 이진 트리나 최적화 기법과 같은 방법으로 이 표지를 최대화 하는 방식으로 올바른 필터 영역을 추정하고자 하였다. 그러나, 이러한 표지들이 복잡한 신호처리 과정을 거쳐서 계산되기에 기존의 기법들은 필연적으로 표지 선택에 다량의 도메인 지식을 요하며 밴드 추출 과정에도 최적성과 실시간 진단 사이의 트레이드 오프(trade-off)가 발생하는 문제점이 있다. 이러한 문제를 해결하기 위하여 본 학위 논문에서는 생성 신호로 훈련된 1차원 어텐션 게이트 합성곱 신경망(1D-AttGCNN) 기반의 딥러닝 기법을 제안한다. 해당 모델은 생성 신호에서 사전에 정의된 공진 파라미터를 회귀하는 방법을 학습하며 진단 과정에서는 추가로 실제 데이터에 대한 훈련을 요하지 않는다. 또한 제안한 아키텍쳐는 어텐션 게이트를 포함하여, 자동으로 고장으로 발생하는 공진 영역을 국부화 시키는 방법을 학습할 수 있다. 또한 본 학위 논문에서는 신호 생성 과정에 불확실성과 비가우시안 노이즈를 고려하여 목표가 되는 실제 신호에 모델이 적응을 올바르게 하도록 하였다. 본 학위 논문에서는 제안 기법의 정합성은 세가지 케이스를 활용하여 여러 다른 공학적 환경에서 검증하였다. 또한, 기존의 빠른 컬토그램(Fast Kurtogram)과 오토그램(Autogram)이라는 기법과의 정량적인 비교 또한 포함되었다. 결과적으로 제안 기법은 기존에 기법에 비하여 우수한 진단 성능을 보여주었으며, 제안 아키텍처와 신호 생성 과정의 유효성 또한 검증 되었다.