지능형 결함 진단 시스템 설계 시 데이터 부족 문제를 해결하기 위한 시스템의 비선형성 활용

Leveraging systems' non-linearity to tackle the scarcity of data in the design of Intelligent Fault Diagnosis Systems

딥 트랜스퍼 러닝(DTL)은 지능형 결함 진단 시스템(IFDS)을 효율적으로 구축할 수 있도록 합니다. 그러나 DTL 방법은 여전히 많은 양의 레이블링된 데이터에 크게 의존합니다. 기계 또는 구조물의 결함을 다룰 때는 이러한 양의 데이터를 확보하는 것이 어려울 수 있습니다. 본 논문에서는 강력한 데이터 부족 상황에서 DTL을 사용하여 진동 기반 IFDS를 설계하는 새로운 접근 방식을 제안합니다. 실제 시스템의 고유한 비선형성을 활용하는 주기적인 멀티-엑시테이션 레벨 절차를 사용하여, 사전 훈련된 컨볼루션 신경망(CNN)이 결함 진단을 위해 편리하게 분석할 수 있는 이미지를 생성합니다. 본 논문에서는 IFDS 설계 시 발생하는 일반적인 데이터 부족 문제를 해결하기 위한 새로운 데이터 시각화 방법과 증강 기술을 제안합니다. 철도 팬그래프 구조에 대한 실험적 검증은 제안된 방법에 대한 효과적인 지지 자료를 제공합니다.

Deep Transfer Learning (DTL) allows for the efficient building of Intelligent Fault Diagnosis Systems (IFDS). On the other hand, DTL methods still heavily rely on large amounts of labelled data. Obtaining such an amount of data can be challenging when dealing with machines or structures faults. This document proposes a novel approach to the design of vibration-based IFDS using DTL in condition of strong data scarcity. A periodic multi-excitation level procedure leveraging intrinsic non-linearities of real-world systems is used to produce images that can be conveniently analysed by pre-trained Convolutional Neural Networks (CNNs) to diagnose faults. A new data visualization method and its augmentation technique are proposed in this paper to tackle the typical lack of data encountered during the design of IFDS. Experimental validation on a railway pantograph structure provides effective support for the proposed method.