표제지
목차
제1장 서론 9
제2장 이론적 배경 13
2.1. 스펙트로그램(시간-주파수 도메인 특징) 13
2.1.1. 푸리에 변환(FT : Fourier Transform) 13
2.1.2. 단시간 푸리에 변환 (STFT : Short Time Fourier Transform) 14
2.1.3. 스펙트로그램(Spectrogram) 16
2.2. 머신러닝 모델 18
2.2.1. ResNet 18
2.2.2. 합성곱 신경망(Convolutional Neural Network) 21
제3장 베어링 결함진단 딥러닝 모델 26
3.1. CWRU 베어링 결함진단 데이터셋 26
3.2. CWRU 데이터 전처리 34
3.3. 베어링 결함진단 CNN 기반 경량화 딥러닝 모델 39
3.3.1. 제안하는 CNN 경량화 모델 39
3.3.2. 1x1 컨볼루션 추가 경량화 모델 40
3.3.3. 스펙트로그램 크기 축소 적용 경량화 모델 41
제4장 실험 결과 및 분석 43
4.1. 제안 CNN 경량화 딥러닝 모델 성능 43
4.2. 1x1 컨볼루션 추가 적용한 CNN 경량화 모델 성능 48
4.3. 입력 차원 축소 추가 적용한 CNN 경량화 모델 성능 52
4.4. CWRU 데이터셋에 대한 경량화 모델 성능 54
4.5. 타 연구와 성능 비교 60
제5장 결론 63
참고문헌 64
ABSTRACT 67
[표 1] 실험에 사용된 8개 데이터셋 35
[표 2] Set1 실험데이터에 대한 ResNet-50 모델과 CNN 모델의 분류 결과 45
[표 3] Set1 실험데이터에 대한 CNN 기반 경량화 모델의 분류 결과 47
[표 4] Set1 실험데이터에 대한 1x1 컨볼루션 적용 전후 모델 분류 결과 49
[표 5] 입력데이터 차원 축소에 따른 모델 분류 성능 비교 53
[표 6] 전체 실험데이터에 대한 모델 분류성능 비교 54
[표 7] 1x1 컨볼루션 추가 적용한 CNN 기반 경량화 모델 분류성능 55
[표 8] 입력데이터 축소(65x30) 적용 CNN 기반 경량화 모델 분류성능 56
[표 9] 입력데이터 축소(65x30) 및 1x1 컨볼루션 추가 적용한 CNN 기반 경량화 모델 분류성능 59
[표 10] SOTA 모델 성능 60
[표 11] 입력데이터 크기 65x50 및 1x1 컨볼루션적용 CNN1 모델 성능 61
[표 12] 입력데이터 65x30 및 1x1 컨볼루션 적용 CNN1 모델 성능 62
[그림 1] CWRU 진동센서 신호의 STFT 15
[그림 2] Ball Fault(0.007") 진동센서 신호 스펙트로그램 16
[그림 3] Inner race Fault(0.007") 진동센서 신호 스펙트로그램 16
[그림 4] ILSVRC 우승 모델 분류성능 19
[그림 5] CNN의 컨볼루션 방식과 ResNet의 잔차블록 20
[그림 6] CNN 모델 구조 22
[그림 7] CNN모델 컨볼루션층 23
[그림 8] 최대 풀링과 평균 풀링 24
[그림 9] 드롭아웃 적용 전후 25
[그림 10] CWRU Bearing 데이터셋 획득 실험 장비 27
[그림 11] 12KHz Drive End Bearing Fault 데이터셋 29
[그림 12] 12KHz Fan End Bearing Fault 데이터셋 31
[그림 13] 48KHz Drive End Bearing Fault 데이터셋 33
[그림 14] Fault 종류에 따른 베어링 진동 신호 37
[그림 15] Fault 종류에 따른 베어링 진동 신호로부터 획득한 65x50 크기 스펙트로그램 38
[그림 16] 제안하는 CNN 경량화 베어링 결함진단 모델 40
[그림 17] 1x1 컨볼루션 추가 적용한 CNN 경량화 베어링 결함진단 제안 모델 41
[그림 18] 스펙트로그램 차원 크기 축소 적용한 CNN 경량화 베어링 결함진단 모델 42
[그림 19] Set1 데이터에 대한 ResNet-50 모델의 결함 분류 Confusion Matrix 44
[그림 20] Set1 데이터에 대한 CNN3 모델의 결함 분류 Confusion Matrix 44
[그림 21] Set1 데이터를 활용한 CNN1 모델 학습과정에서 Train과 Validation Accuracy와 Loss 50
[그림 22] Set1 데이터를 활용한. CNN0 모델 학습과정에서 Train과 Validation Accuracy와 Loss 50
[그림 23] Set2 실험데이터를 활용한 CNN1 모델 학습과정에서 Train과 Validation Accuracy와 Loss 57
[그림 24] Set2 실험데이터를 활용한 CNN0 모델 학습과정에서 Train과 Validation Accuracy와 Loss 57
[그림 25] Set3 실험데이터를 활용한 CNN1 모델 학습과정에서 Train과 Validation Accuracy와 Loss 57
[그림 26] Set3 실험데이터를 활용한 CNN0 모델 학습과정에서 Train과 Validation Accuracy와 Loss 57