발전에 필요한 펌프와 터빈, 제조현장에서 주로 쓰이는 압축기나 모터 등 회전설비는 현대산업의 핵심적인 시설물 중 하나이다. 회전설비를 구성하는 필수 요소 중 비교적 결함이 빈번하게 발생하는 부품은 대표적으로 베어링이 있다. 회전설비의 유지보수를 위한 베어링 상태진단은 가장 기초적이며 필수적인 과정이다. 하지만 현장에 적용된 베어링의 상태를 확인하고 결함을 진단하는 과정은 전문적인 지식과 경험적 판단이 필요하다. 즉, 전문인력이 없는 상황에서 상태진단 및 위험감지는 불가능하다. 상태진단을 전문으로하는 인력이 근무하지 않거나 CBM을 실시하고 있는 스마트팩토리의 회전설비 유지 및 안정성 확보를 위한 도구가 필요하다. 누구나 현장에서 신호를 계측하고 자동으로 상태를 진단하여 결함 원인을 분류한다면 설비 유지관리에 큰 도움이 될 것이다.
일반적으로 회전기기의 상태진단 및 평가는 진동 신호를 계측하여 진단이 이루어진다. 진동 신호의 측정은 크게 변위, 속도 또는 가속도 센서를 이용하여 측정되며 미분과 적분을 통해 결과 도출이 가능하다는 특징이 있다. 측정된 진동 신호는 다양한 신호처리 기법으로 변환되어 상태진단에 사용되며 베어링 결함의 경우 FFT를 활용한 주파수 분석으로 내륜, 외륜, 케이지, 볼 총 4가지 결함을 확인할 수 있다.
진동 신호 계측을 통한 베어링 결함 주파수 분석은 이미 다양한 시도와 이론적 연구가 이루어졌다. 하지만 회전설비의 가동 방법, 상태, 베어링 제조사, 품질 등등 다양한 이유로 인하여 베어링 결함 신호의 확인과 판단에는 지식과 경험이 필요하다. 특히 제조사별로 다른 진동수를 보여주기 때문에 제조사가 확인되지 않는 경우 확실한 베어링 결함이라는 결론을 내리기 힘들다. 이러한 문제점을 해결하기 위해 인공지능을 활용한 베어링 결함 신호분류를 연구들이 시도되고 있으며 정확도를 높이기 위한 알고리즘 개발 노력이 계속되고 있다. 특히 사전에 주어지는 정보가 적은 상태에서 인공지능을 활용한 분석기법은 그 빛을 발한다.
본 논문에서는 베어링 결함분류를 위해 진동 신호 데이터를 이용한다. 그리고 적절한 신호처리와 데이터 변환을 통해 미리 학습된 CNN 모델을 활용하여 베어링 결함 신호를 자동으로 분류하는 계측 장비를 제안한다. 본 논문에서 제작한 계측 장치의 진동 신호 측정과 베어링 결함 자동 분류는 전문 지식 없이도 회전설비의 상태진단이 가능하도록 도움이 될 것이며 결함으로 인한 사고를 방지하는데 기여할 것으로 예상된다.