산업용 모터 진단을 위한 Conventional Feature 및 Condition Index의 특징 기여도 분석

키워드

확장요약문

산업용 모터는 다양한 산업설비의 핵심 구성요소로, 예기치 못한 고장은 설비의 가동 중단 및 유지보수 비용 증가로 이어질 수 있다. 이에 따라, 진동 신호를 활용한 머신러닝 기반 결함 진단 연구가 활발히 수행되고 있다. 기존 머신러닝 기반 진단에서는 RMS, Kurtosis, Skewness 등 형상적·통계적 특징을 주로 활용하지만, 이러한 특징은 결함의 물리적 특성을 직접적으로 반영하기 어렵고 외부 Noise에 영향을 받을 수 있다. 반면, 회전체 전용 상태지표 Condition Index(CI)는 결함 관련 진동 특성을 정량화한 지표로, 결함 유형과의 물리적 연관성을 확보할 수 있다는 장점이 있다.

본 연구에서는 실제 산업현장에서 취득한 12대의 산업용 모터 진동 데이터를 활용하였으며, Normal, Unbalance, Misalignment, Airgap Unbalance의 네 가지 상태를 분석 대상으로 구성하였다. 진동 신호로부터 형상적·통계적 특징과 Time Waveform, FFT Spectrum, Orbit, Full Spectrum 기반의 CI를 산출하고, SVM 을 이용하여 결함 분류 성능을 비교한다. 또한, 원본 진동 신호에 서로 다른 수준의 Noise를 추가하여 분석 조건을 구성하고, Noise 수준에 따른 분류 정확도 및 성능 저하 정도를 평가한다. 특징 기여도 분석에는 Permutation Importance와 SHapley Additive exPlanations(SHAP)를 적용하여 Noise 수준에 따른 각 입력 변수의 중요도와 결함 유형별 기여도 변화를 비교·분석한다. 이러한 분석을 통해 물리적 결함 특성을 반영한 CI의 진단 강건성과 해석 가능성을 검토하고자 한다. 나아가 실제 산업설비의 Noise 환경에서 CI 기반 머신러닝 진단의 적용 가능성을 평가하고, 신뢰성 있는 결함 진단을 위한 기초자료를 제시하고자 한다.