본 논문에서는 저속으로 회전하는 유도 전동기의 베어링 결함을 검출하기 위해 경험 모드 분리법 과 히스토그램 모델링을 이용하는 방법을 제안한다. 제안한 방법은 유도 전동기에서 취득된 원신호에 EMD 기법을 적용하여 잡음으로 인한 신호의 왜곡을 최소화하고, 신호를 정규화하여 신호를 구성하 는 히스토그램의 포락선을 모델링한다. 모델링된 신호에서 부분 상관 계수와 DET(Distance Evaluation Technique) 기법을 적용하여 결함 유형별 고유한 특징을 추출 및 선택한다. 추출된 특징 을 SVR(Support Vector Regression) 분류기의 입력으로 사용하여 베어링의 내륜, 외륜 및 롤러 결함 을 분류한다. 최적의 분류성능을 위해 SVR 커널함수의 매개변수를 0.01에서 1.0까지 변화시키고, 특징 개수는 2에서 250개까지 변화시키면서 실험한 결과, 0.55의 커널 매개변수와 45개 특징 개수에서 제안 한 방법이 기존의 결함 분류 알고리즘 보다 높은 분류 성능을 보였으며, 평균 약 95%의 분류 성능을 보였다.
This paper proposes a method using empirical mode decomposition (EMD) and histogram modeling for bearing defects of a low-speed rotational induction motor. The proposed method minimizes signal distortion caused by noise using the EMD and conducts histogram envelope modeling by normalizing a signal. Then, the method extracts and selects unique features of each fault using partial autocorrelation coefficients (PARCOR) and distance evaluation technique (DET). Using the extracted features as inputs, support vector A Feature Extraction Method Using Empirical Mode Decomposition and HistogramModeling for Robust Bearing Fault Diagnosis regression (SVR) classifies inner, outer, and roller faults of a bearing. For the optimal classification performance, we vary a variable of the kernel function of SVR ranging from 0.01 to 1.0 and the number of features ranging from 2 to 250. Experimental results indicate that the proposed method having a parameter of 0.55 and 45 features outperforms conventional fault classification methods, yielding an average of 95% classification performance.
1. 서론 2. 베어링 결함 3. 제안하는 벼어링 결함 진단 시스템 4. 실험 및 결과 분석 5. 결론 References
