To train deep learning algorithms, a sufficient number of data are required. However, in most engineering systems, the acquisition of fault data is difficult or sometimes not feasible, while normal data are secured. The dearth of data is one of the major challenges to developing deep learning models, and fault diagnosis in particular cannot be made in the absence of fault data. With this context, this paper proposes an anomaly detection methodology for rotating machines using only normal data with self-labeling. Since only normal data are used for anomaly detection, a self-labeling method is used to generate a new labeled dataset. The overall procedure includes the following three steps: (1) transformation of normal data to self-labeled data based on a pretext task, (2) training the convolutional neural networks (CNN), and (3) anomaly detection using defined anomaly score based on the softmax output of the trained CNN. The softmax value of the abnormal sample shows different behavior from the normal softmax values. To verify the proposed method, four case studies were conducted, on the Case Western Reserve University (CWRU) bearing dataset, IEEE PHM 2012 data challenge dataset, PHMAP 2021 data challenge dataset, and laboratory bearing testbed; and the results were compared to those of existing machine learning and deep learning methods. The results showed that the proposed algorithm could detect faults in the bearing testbed and compressor with over 0.999 AUROC. In particular, it was possible to detect not only bearing faults but also structural faults such as unbalance and belt looseness with very high accuracy. Compared with the existing GAN, the autoencoder-based anomaly detection algorithm, the proposed method showed high anomaly detection performance.
딥러닝 알고리즘을 학습하기 위해서, 충분한 양의 데이터가 필요하다. 하지만, 대부분의 기계 시스템에서 결함 데이터를 얻는 것은 매우 어렵거나 불가능한 경우가 많은 반면에 정상 데이터는 확보가 가능하다. 데이터 부족 문제는 딥러닝 기반 알고리즘에서 매우 중요한 어려움 중 하나이다. 그리고 특히 고장 데이터 없이 높은 성능의 고장진단 알고리즘을 개발하는 것은 매우 어렵다. 따라서 정상 데이터만을 사용하여 회전체의 이상여부를 판단하는 새로운 이상진단 알고리즘을 이 논문에서 제안한다. 정상 데이터만 학습에 사용하기 때문에 셀프 라벨링 기법을 이용하여 새로운 라벨링 데이터셋을 생성하여 학습에 사용한다. 전체적인 이상진단 과정은 세단계로 구분된다. (1) 프리텍스트 태스크를 기반으로 하여 정상 데이터를 이용한 새로운 라벨링 데이터셋을 생성한다. (2) CNN(Convolutional neural network)를 학습한다. (3) 학습된 CNN의 출력값인 소프트맥스 값을 이용하여 이상수치를 계산하여 이상진단을 진행한다. 정상 데이터의 소프트맥스 값과 비정상 데이터의 소프트맥스는 다른 형태를 보이기 때문에 이를 이용하여 이상진단에 활용한다. 제안한 방법을 검증하기 위해서 세가지 케이스 스터디를 진행하였다. Case Western Reserve Univeristy(CWRU) 베어링 데이터셋, PHMAP2021 데이터 챌린지 데이터셋, 그리고 연구실 베어링 테스트베드에서 취득한 데이터를 활용하였다. 제안한 알고리즘이 베어링 테스트베드와 컴프레셔 데이터에 대해서 0.999 이상의 이상진단 정확도를 보였다. 특히 베어링 결함뿐만 아니라 불평형과 벨트 풀림과 같은 기계적 결함 데이터에 대해서도 매우 높은 정확도를 보였다. 기존의 GAN, AutoEncoder알고리즘과 비교하였을 때, 더 높은 진단 정확도를 보였다.
