[일본NTN 기술, 184] 베어링 박리현상의 수명 예측 기술(3)

 

[ Feature Fusion Network ]

FFN은 화상 인식에 자주 이용되는 딥러닝 기법을 적용한 신경망

(Convolutional Network) Neural Network, CN)를 기반으로 개발한 회귀기법임.

FFN의 이미지도를 그림 4에 나타냄.

 

Feature Fusion Network

일반적인 CNN에서는 계측 시점의 입력 데이터만으로 대응하는 목적변수를 직접 예측함.

그러나 FFN은 과거의 복수회분 입력 데이터에서 각 시점의 열화 지표(열화 상황을 0 ～ 1)
의 범위에서 정규화한 지표)를 산출하고 열화 지표를 계측순열로 벡터화하여,  열화지표 벡터를 중간변수로 하여 
이용함으로써 목적 변수(박리 사이즈 및 SS 여수명) 로 인하여 예측 정확도를 높일 수 있음.

 

[ 계층 베이즈 회귀(  Hierarchical Bayesian Regression, HBR) ]

앞에서 언급한  SS 잔여수명은 각 시간별로 예측한 것이 때문에 계측 시각마다 예측치가 변동함.

실제적인 잔여수명 예측치는 운전시간 경과에 따라 단조롭게 감소하는 것이 일반적임.

그러므로 우리는 단조로운 감소 함수로 수명의 회귀 곡선을 정의했고, 본 개발에서는 상기와 더불어 베어링 개체 간의 편차도 고려함.

HBR에서는 계측시점 보다 과거의 모든 데이터를 이용하여 수명 및 그 회귀곡선을 구하고,  구체적으로는 베어링의 개체차가 확률분포에 의거하여 흩어진 다음 베어링마다 개별적인 잔여수명,회귀 곡선을 다룰 수 있게 함으로  SS 잔여수명이 전체 학습 데이터의 평균에서 크게 벗어난 개체에 대해서도 최종적으로  출력되는 잔여수명을 비교적 정밀하게 예측할 수 있음.

 

[ 베어링 진동과 베어링 수명 설명 ] 출처: YOUTUBE.

 

https://youtu.be/UFW4T56gIBg