Investigation on Fault Information Extraction for Acoustic Emission based Rolling Element Bearing Diagnostics under Noisy Conditions

Abstract

현대 산업에서 구름 요소 베어링(rolling element bearing)은 회전체를 구성하는 부품 가운데 가장 다양한 시스템에서 활용되며 핵심적인 역할을 하는 기계 부품 중 하나이다. 베어링은 회전체에 가해지는 하중 및 자중을 지지하며, 축의 안정적인 회전을 보조한다. 예기치 못한 베어링의 파손은 물적·인적 피해를 야기시킬 뿐 아니라, 이의 유지 보수를 위한 회전체 시스템의 가동 중단으로 때때로 막대한 경제적인 손실을 초래하기도 한다. 이를 예방하기 위하여 많은 연구자들은 가속도계 혹은 속도계와 같은 진동 기반의 센서를 통하여 베어링의 건전성 상태를 진단하는 연구를 수행해왔다. 최근에는 데이터 처리 기술의 발전과 발맞추어 음향방출(acoustic emission) 센서를 활용하여 보다 정밀하게 베어링을 진단하는 기술들이 활발히 연구되고 있다. 음향방출 센서의 높은 민감도는 베어링의 건전성을 추론 할 수 있는 미세한 고장 신호까지 취득이 가능하며, 이는 기존의 진동 기반의 상태 감시(condition monitoring)에서 다소 어려웠던 조기 고장 진단(early fault detection)이나 높은 강성을 가지는 베어링 시스템의 고장 진단(fault diagnosis)을 가능케 하였다. 하지만 높은 민감도로 인해 음향방출 원신호(raw signal)는 베어링 관련 신호 뿐만 아니라 노이즈를 포함한 다른 무수히 많은 정보들을 함축하고 있기에, 목적하는 베어링의 건전성(health index)을 직접적으로 규명하기 어렵다. 아울러, 음향방출 신호는 높은 샘플링 레이트(sampling rate)로 인하여 통상적으로 매우 큰 데이터 규모를 갖기 때문에, 기존의 진동 기반 신호 처리 방법들을 호환·적용하기에 현실적인 어려움이 있다. 때문에, 음향방출 센서로부터 취득된 원신호에서 목적하는 베어링의 고장 정보를 성공적으로 추출하기 위해서는 적절한 신호처리 방법이 필요하며, 이는 다른 신호에 가려져 있는 베어링 고장 신호를 찾아내는 것과, 베어링의 고장과 관련되지 않는 신호들을 제거하는 두 가지 핵심 기능을 동시에 수행하여야 한다. 따라서, 본 박사 학위 논문에서는 잡음(noise) 환경에서의 회전체 베어링 고장 진단을 위한 음향방출 신호처리 기법 개발에 초점을 맞추고자 한다. 이에 두 가지 핵심 연구를 진행하였으며 주제는 다음과 같다: 1) 베어링의 건전성을 추론하기 위한 고장 관련 주파수 밴드 선정 기법에 관한 연구, 2) 베어링의 고장과 무관한 신호의 제거를 위한 디노이징(de-noising) 기법 연구. 먼저, 첫번째 핵심 연구는 노이즈가 많은 음향방출 데이터를 대상으로 계산 비용에 효율적인 주파수 밴드 선정 알고리즘을 개발하는 것이다. 산업내 실질적인 적용성을 증진시키기 위하여 해당 연구에서는 추가적인 스펙트럼 분석(spectrum analysis) 없이, 시간 도메인의 특성치만을 이용하여 고장을 가려내는 새로운 척도(defect measure)를 제안하였다. 제안된 척도는 베어링의 고장 특성을 기반으로 분할된 신호들의 충격성(impulsiveness)과 반복성(periodicity)을 고려하여 설계되었으며, 임의의 충격 외란(random impulsive disturbance)과 비정상성을 가지는 주기적인 노이즈(non-Gaussian periodic noise)에 모두 강건성을 가짐을 보였다. 또 다른 핵심 연구는 최적 주파수밴드 선정으로도 여전히 필터링 할 수 없는 전기노이즈를, 진단 평면에서 디노이징 하는 연구이다. 본 연구에서는 여러 전기 노이즈 중에서도 높은 비정상성으로 음향방출 신호 분석에 있어서 큰 어려움으로 알려진 전자파간섭(electromagnetic interference)에 초점을 맞추었다. 복잡한 고주파 변조(complex high-frequency modulation)를 가지는 전자파간섭을 제거하기 위하여, 본 연구는 다중 센서(multi-sensor) 기반의 분석법을 수행하였고, 추가 센서로는 모터로 유입되는 전류 신호를 이용하였다. 다중 센서 기반의 디노이징을 위해 경험적 모드 분해(empirical mode decomposition) 기법과 확률 분포 기반의 동적 필터(dynamic filter) 설계를 수행하였다. 이를 통해 전류신호로부터 운행 조건에 따라 변화무쌍한 전자기간섭 노이즈를 유동적으로 선별하고, 목적하는 베어링 고장에 대한 신호적 외란 위험성을 최소화하였다. 결과적으로, 제안된 디노이징 기법은 시스템 작동 조건의 유무와 관계 없이 음향방출 신호의 포락 스펙트럼 내 전자파간섭 성분들을 효과적으로 제거함을 보였다.

In modern industry, the bearing is one of the most commonly used mechanical components for general rotor systems. It supports the applied loads on the rotary machine and makes the shaft system stable during rotation. The unexpected bearing failures can cause a halt down of whole rotor systems, making a huge economic loss. To prevent unexpected losses, much research has been conducted regarding condition monitoring of bearing systems using transducers, such as velocimeters and accelerometers. Recently, by means of the development of data processing technology, acoustic emission (AE) sensor has been actively employed for sensitive bearing diagnosis. The high sensitivity of AE sensors enables an early fault detection and defect monitoring of high stiffness systems, which is rather difficult for the vibrational approach. The raw measured AE signals include much information about the bearings health states. However, it is hard to figure out the health index directly. Because the measured AE signals generally consist of multi-components, including noise. The bearing fault signal is almost buried under other components due to the weak energy. In addition, AE signal handling involves high sampling rate measuring, which can cause the applicability issue of traditional vibration-based signal processing techniques in a practical manner. For this reason, extracting target fault information in raw AE data practically needs several advanced signal processing techniques: it includes detecting the hidden fault signals and eliminating the unrelated components to bearing defects. Therefore, this doctoral dissertation focuses on developing signal processing techniques for AE-based bearing diagnosis under noisy conditions. The dissertation investigates two thrusts: 1) research into a frequency band searching for bearing fault reasoning and 2) study of de-noising the irrelevant components to bearing defect. The first research thrust suggests an effective band-selection method for AE sensor data under severe noise conditions. To increase the methods practicality in real applications, the proposed method defines a new indicator that is calculated from the time-domain features of the measured signal, without additional spectrum analysis. The suggested indicator employs the correlation coefficient and kurtosis of specially segmented signals to prevent disturbances from impulsive and non-Gaussian periodic noise components. The other research thrust proposes a de-noising technique for electrical components, especially electromagnetic interference (EMI), which easily corrupts AE measurements with highly non-stationarity. To this end, this study employs multi-sensor approach with an additional current sensor. In addition, an empirical mode decomposition (EMD) and probability-based dynamic filter are designed to adaptively sort out EMI components. A multi-sensor approach using EMD delivers algorithmic robustness even under the ever-changing nature of EMI, and a probabilistic approach enables effective filtering, while minimizing the risk of interrupting the bearings defect signal. Finally, the proposed dynamic filter effectively removes EMI components from the AE envelope spectrum for bearing diagnosis.