본 논문은 산업현장에 사용되고 있는 회전체의 고장 여부를 주파수 분석과 인공지능을 통해 판단하는 고장 감지 알고리즘에 대해 다루고 있다.
회전체는 산업현장에서 광범위하게 사용되는 필수적인 요소이며 지속적인 마찰과 부식으로 인해 모터와 베어링의 고장이 빈번하게 발생한다.
현재, 고장의 점검은 근로자들을 직접 투입하여 검사하고 있으며 이로 인해 회전체 끼임 사고가 증가하고 있다. 따라서 이러한 사고를 줄이기 위해 무인으로 동작할 수 있는 임베디드 자동화 시스템 환경의 구축과 정확한 고장 판단을 위한 인공지능 알고리즘의 개발이 요구된다.
본 논문에서는 회전체에서 발생하는 고장 소리를 FFT 분석을 통해 스펙트로그램으로 변환하고 딥러닝의 분야 중 시각처리에 가장 많이 사용하는 컨볼루셔널 뉴럴 네트워크(CNN)를 도입하여 고장을 판별하는 알고리즘을 제안한다. 전체구조는 전이학습을 이용하고 분류기를 설계하여 추가하였다. 취득한 실제 소리 데이터를 이용하여 훈련 한 후 실제 고장 데이터를 인공지능 모델을 이용하여 판별하였다. 실험결과 다양한 고장 소리에 반응하여 고장유무를 판별할 수 있었다.
향후 더욱 정밀한 고장 판단을 위해 데이터의 분류를 초기, 중기, 말기로 세분화한 인공지능 알고리즘에 대한 연구가 필요하다.