In the context of rotating machinery systems, it is inevitable to encounter variable load conditions. These conditions
result in alterations to the rotation speed of the motor rotor, consequently inducing fluctuations in the magnetic flux within the motor. Such variations manifest in the motor current signal in a manner resembling a fault frequency akin to the supply frequency. Due to the minimal difference between the supply frequency and the fault frequency, extracting the latter proves challenging. Therefore, this study introduces a methodology for discerning fault characteristics by employing time series signal imaging. The diagnostic process for abnormalities comprises the following sequential steps: (1) transforming 1-dimensional time series data into 2-dimensional images, (2) training Convolutional Neural Networks (CNN) based on normal data utilizing self-labeling techniques, and (3) computing indicators of integrity. The study advocates the utilization of Gramian Angular Field (GAF) for imaging purposes. GAF images possess the attribute of encapsulating temporal information from the signal. The envelope of the current signal is derived through Hilbert transform. Both the original signal and the envelope signal are then translated into GAF images. The image derived from the original signal captures the characteristics of the supply frequency, whereas the image from the envelope signal delineates the features of the defect frequency. CNN, renowned for its efficacy in image recognition, serves as a feature extractor. Notably, a self-labeling technique is employed to construct a learning dataset exclusively from normal data. Through this approach, CNN is trained as a feature extractor for normal data. The Mahalanobis distance is subsequently adopted as an indicator of integrity.
가변 부하조건은 회전기계 시스템에서 필연적이다. 가변 부하조건은 모터 로터 회전속도를 변화시키고 모터 내 자기속의 변화를 유도한다. 이는 모터 전류신호에 공급주파수와 비슷한 결함주파수 형태로 반영된다. 공급주파수와 결함주파수의 차이가 작기 때문에 결함주파수를 추출하는 것에 어려움이 있다. 이에 본 연구에서는 시계열 신호 이미지화를 통한 결함의 특징을 추출하는 방법을 제시한다. 이상진단을 위한 전반적인 절차는 다음 단계로 구성된다: (1) 1차원 시계열 데이터를 2차원 이미지로 변환, (2) 자가 라벨링 기법을 활용한 정상데이터 기반 Convolutional Neural Networks (CNN) 학습, (3) 건전성 지표 계산. 본 연구는 Gramian Angular Field (GAF)를 활용한 이미지화를 제안한다. GAF 이미지는 신호의 시간 정보를 반영한다는 특징이 있다. 힐베르트 변환을 통해 전류신호의 포락선을 구한다. 원 신호와 포락선 신호를 GAF 이미지로 변환한다. 원 신호의 이미지는 공급주파수의 특징을 반영하고, 포락선 신호의 이미지는 결함주파수의 특징을 반영한다. 이미지 인식에 뛰어난 성능을 보인 CNN을 특성 추출기로 활용을 했다. 하지만, 정상데이터로만 학습데이터 셋을 구축하기 위해 자가 라벨링 기법을 활용했다. 이를 통해 CNN은 정상데이터의 특성 추출기로서 학습된다. Mahalanobis 거리를 건전성 지표로 삼았다.
