신경회로망을 이용한 고출력 해상용 디젤엔진 소음분석 및...

工學碩士學位論文

신경망을 이용한 고출력 해상용 디젤엔진

소음패턴 분석 및 고장진단

A Study of the Neural-Network-Based

Pattern Recognition and Fault Diagnosis

Using Acoustic Patterns of

Marine Diesel Engine

2001年 12月

昌原大學校産業大學院

機械設計工學科

金弼允

工學碩士學位論文

신경망을 이용한 고출력 해상용 디젤엔진

소음패턴 분석 및 고장진단

A Study of the Neural-Network-Based

Pattern Recognition and Fault Diagnosis

Using Acoustic Patterns of

Marine Diesel Engine

指導敎授洪大善

이 論文을 工學碩士學位論文으로 提出함

2001年 12月

昌原大學校産業大學院

3

목 차

목 차 ………………………………………………………i

LIST OF FIGURES ………………………………………………………iii

LIST OF TABLES…………………………………………………………iv

제 1 장 서 론 ………………………………………………………………1

1.1 연구 배경 및 목적 …………………………………………………1

1.2 연구내용 ………………………………………… …………………2

제 2 장 소음패턴 분석 ……………………………………………………3

2.1 소음측정 장비 ………………………………………………………3

2.2 실험대상 엔진 사양 …………………………………………………4

2.3 소음측정 부위 ………………………………………………………5

2.4 측정소음 데이터 및 패턴 분석 ……………………………………6

2.5 소음에 따른 고장 분류 ……………………………………………9

2.5.1 주파수별 주 음원(Sound source location) 추적 …9

제 3 장 고장진단 신경회로망 개발 ………………………………………13

3.1 신경회로망의 개요 …………………………………………………13

3.1.1 신경회로망의 개요……………………………………………13

3.1.2 신경회로망의 구조 ……………………………………………15

3.1.3 신경회로망의 용어 및 응용분야……………………………17

3.2 고장진단 패턴 데이터 ………………………………………………20

3.2.1 정상패턴의 정의 ………………………………………………20

3.2.2 고장패턴의 정의 ………………………………………………20

3.3 고장진단 신경회로망 …………………………………………………22

3.3.1 구조 ……………………………………………………………22

3.3.2 Flow Chart …………………………………………………23

3.3.3 Algorithm ……………………………………………………24

4̀ - i -

3.4 시뮬레이션 결과 ……………………………………………………25

3.4.1 학습(Training) 결과 …………………………………………25

3.4.2 출력값에 따른 고장분류 ……………………………………26

3.4.3 테스트 데이터 및 테스트결과 ………………………………27

3.4.3.1 테스트용 입력패턴 데이터…………………………27

3.4.3.2 테스트 출력 결과 값 ………………………………28

제 4 장 결론 …………………………………………………………………30

향후계획 ………………………………………………………………………31

참고문헌 ………………………………………………………………………32

초록 ………………………………………………………………………33

5- ii -

LIST OF FIGURES

Fig. 1.1 Flow Chart

Fig. 2.1 Sound Measuring Unit

Fig. 2.2 Diesel Engine for Study

Fig. 2.3 Sectors for Sound Measuring

Fig. 2.4 Group 1 Sound Patterns



Fig. 2.7 Sound Graph by Frequency (80Hz)

Fig. 3.1 Structure of a biological neuron

Fig. 3.2 Structure of a biological neuron’s model

Fig. 3.3 Types of activation function

Fig. 3.4 Normal and Abnormal Patterns

Fig. 3.5 Structure of Applied Neural Network

Fig. 3.6 Program Flow Chart

Fig. 3.7 Training Performance Result Graph

6- iii -

LIST OF TABLES

Table 2-1 Group 1 Sound Data (Hz vs dB)



Table 2-4 Parts and Causes by Abnormal Sounds

Table 3-1 Neuro vs Digital Computer

Table 3-2 Normal and Abnormal Pattern Data

Table 3-3 Algorithm for the Neural Network

Table 3-4 Parameters for the Programing

Table 3-5 Target Values vs Output Results

Table 3-6 Input Pattern Data for Test

Table 3-7 Output Results

7- iv -

제 1 장 서 론

1.1 연구 배경 및 목적

디젤엔진을 실제 운전 시에 다양한 형태의 고장진단 방법이 있다 그

일반적인 형태가 재래식 아날로그 형태인 압력의 변화나 온도의 변화 및

연무나 보조 센서들에 의하여 엔진의 고장 상태를 진단하거나 특정시간

운전 후 주기적인 분해점검등에 의해 엔진의 각종 부품의 마모나 비 정

상 운전 상태 등을 찾아 낸다. 그러나 엔진운전 중 대부분의 큰 고장들

예를 들면 과급기 소손, 피스톤 마모, 밸브소손, 불완전 연소 등이 숙련

된 운전자나 베테랑 서비스 요원들의 오랜 경험에 의한 소음 청취 및 분

석에 따라 진단되고 발견되는 경우가 많다.

물론 특정 이상 소음 발생을 지각 했을 경우는 이미 고장상태가 너무

심각하여 막대한 비용을 지불해야 하는 경우가 대부분이다. 또한 소음

청취 및 분석에 의한 고장진단에는 오랜 경험이 필요하고 또한 그 진단

결과가 경험에 의하여 이루어지기 때문에 신뢰성에 큰 문제가 있으며 오

진으로 인한 각종 손실비용이 발생이 빈번하게 발생한다. 일반적으로 재

래식 아날로그 형태인 고장진단 방법인 압력이나 온도 변화나 연무의 측

정에 의한 고장방법은 인류가 각종압력과 온도계를 발명함으로써 가능하

여 졌으나 실제로 운전 중 많은 고장 부분이 가청 주파수 범위내의 소리

에 의해 진단이 되고 정비되는 것이 현실이며 이러한 것을 경험에 의존

할 수 밖에 없었던 것은 그 동안 이러한 소음을 채취 및 분석 할 수 있

는 센서들의 범용화와 이 채취된 데이터를 처리하고 음원을 추적 분석할

수 있는 분야의 발전이 더디게 진행되어 왔기 때문으로 보여진다. 게다

가 각종 선박들이 무인 자동화 원격 운전 시스템을 도입하여 엔진을 운

전 함으로써 엔진 가까이에서 소음 변화에 따른 엔진고장을 진단할 수

있는 기회마저도 점차 줄어들고 있는 추세이므로 대형사고의 사전 방지

가 힘들어 지고 있는 것이 현실이다. 그러므로 이러한 경험적이었던 소

음분석에 의한 광범위한 엔진 고장진단 방법을 소음 데이터의 취출 과

분석 및 고장 유형들을 인공지능화가 가능한 신경회로망을 이용하여 진

단 가능성을 연구함으로써 보다 나은 엔진 운전환경을 구현하며, 대형사

고를 사전에 예방하여 막대한 사후처리 비용을 감소시키고 선박의 안전

운항에 기여 하고자 한다.

8- 1 -

1.2 연구내용

엔진이 100% 부하의 정상상태에서 운전중일 때의 엔진의 각 섹터별

소음 세기(dB)를 주파수 대역별로 채취하고 주파수별 주 음원처(엔진

부품 혹은 작동부)를 추적 정의를 한다. 그리고 각 섹터별 주파수 대역

별 소음의 세기에 따른 소음패턴을 정의하고 분석을 한다. 그런 후 엔진

의 정상소음을 대표할 수 있는 정상패턴과 위치를 정의하며 발생 가능한

고장패턴을 고장의 종류에 따라 임의로 생성(Generation)시켜 신경회

로망 프로그램으로 학습(Training)을 시킨 후 유사 테스트 패턴으로 테

스트하여 신경회로망을 이용한 엔진의 고장여부 진단의 가능성을 타진하

여 본다. 전체 연구 Flow Chart 는 Fig 1.1과 같다.

BP 학습

Total Error <ε

소음패턴 분석

소음음원 추적

정상패턴정의 고장패턴 Generation

엔진소음측정

신경회로망

No

START

END

Fig 1.1 Flow Chart

9- 2 -

제 2 장 소음패턴 분석

2.1 소음측정 장비

본 연구에서는 소음데이터를 채취하고 음원을 추적하기 위하여 B&K

사의 듀얼 채널 리얼타임 주파수 분석기 (타입 2144), 음향 인텐시티

프로보 (타입 3583) 그리고 음향 인텐시티 캘리브레이트 (타입 3541)

로 구성된 소음측정장비를 사용하였다. 듀얼 채널 리얼타임 주파수 분석

기는 음향분석 전문측정장비로 20~20kHz의 가청주파수 범위에서 1/3

옥타브 밴드 별로 병렬처리가 가능한 실시간 분석기이다. 따라서 시간에

따라 급격히 변동하는 음향신호를 분석처리하기 위하여 사용되므로 일반

적인 소음측정장비와는 다른 방식이다. 음향 인텐시티 프로보는 두개의

특성이 같은 페어마이크로폰을 이용하여 음의 입자속도와 음압을 계측하

여 최종적으로 음향 인텐시티를 구할 수 있으며 이때 구하여진 인텐시티

중 액티브 인텐시티는 음원의 입사각에 수직한 면과 곱하여 음향파워를

산출하는데 사용되어지며 리액티브 인텐시티는 크기와 방향을 가진 벡터

량을 이용하여 음원의 위치를 찾는데 유용한 인텐시티 등고선도를 작성

하는데 사용될 수 있다 특히 타입3583은 일반적인 인텐시티 프로보가

1/2 인치 페어마이크로폰만으로 구성되어져 있는 것에 비해 1/4 인치

페어마이크로폰 한 쌍이 추가되어 10kHz까지의 음향 인텐시티 및 음향

파워를 구할 수 있다. 음향 인텐시티 캘리브레이트는 250 Hz에서

124.10 dB를 측정할 수 있는 피스톤폰 (Type 4228) 과 핑크노이즈 발

생기인 ZI 0055 와 그 부속물로 구성되어져 있으며 음압레벨, 입자속도

(Particle Velocity) 그리고 음향인텐시티를 직접 캘리브레이션 할 수

있는 장비이다. 장비의 그림은 Fig. 2.1 이다

Fig. 2.1 Sound Measuring Unit

10- 3 -

2.2 실험대상 엔진 사양

실험대상엔진은 창원소재 STX사에서 덴마크 소재 MANB&W사와 기

술 제휴로 생산한 최신 기종인 인라인 타입, 4 행정 디젤기관인

8L27/38모델을 대상으로 하였다. 본 엔진을 선정한 이유로는 본 엔진은

무 배관시스템을 채택하여 모든 주 배관시스템을 엔진 전면에 장착된 주

물박스 속에 통합함으로써 엔진의 유지보수를 최대한 줄이고 엔진을 컴

팩트하게 설계한 것이 특징이다. 그러나 배관라인에 필수적으로 들어가

는 각종 펌프와 이를 구동하는 드라이빙 기어들의 비정상 혹은 고장상태

를 대형 고 중량의 주물박스 분해 없이 외부에서 점검하기가 난이하며

또한 실린더 내 폭발압력이 190 bar로 엔진의 각종구동부위에 과도한

부하가 걸리는 엔진이므로 소음패턴 분석에 위한 엔진고장 모델로 최적

의 엔진이라 고려되었기 때문이다. 본 엔진은 선박 발전기용 고 출력 디

젤엔진이며 출력이 720 Rpm에서 3,264 마력의 출력을 낼 수 있다.그림

은 Fig. 2.2이다.

11- 4 -

Fig. 2.2 Diesel Engine for Study

2.3 소음측정 부위

소음 측정은 엔진의 전면부를 3개 그룹으로 나누고 각 그룹별 15개

전체 45개 섹터로 균등하게 나누어 측정을 하였다. 각 섹터에서 소음을

체취 하는 목적은 엔진 각 섹터별 소음패턴들 과 섹터별 소음패턴를 비

교하여 엔진전체의 소음패턴을 분석하고, 각 주파수 대역별 음원처를 추

적하여 고장진단에 활용하기 위한 목적이다. Fig 2.3에서 3개 그룹 45섹

터의 측정포인터를 볼 수 있다. 그룹2의 86섹터 위치의 패턴이 정상패

턴으로 정의됨과 동시에 소음측정 센서의 위치가 된다.

Fig. 2.3 Sectors for Sound Measuring

72 71 70 69 68 67 66 65 64

81 80 79 78 77 76 75 74 73

90 89 88 87 86 85 84 83 82

99 98 97 96 95 94 93 92 91

108 107 106 405 104 103 102 101 100

GROUP 1 GROUP 2 GROUP 3

12- 5 -

2.4 측정소음 데이터 및 패턴 분석

엔진의 각 부분을 3개의 그룹 및 45 섹터로 구분하고 주파수 대역별

소


음의 세기(dB)를 측정하여 패턴을 분석한 결과 각 섹터들의 소음패턴

이 Fig 2.4, Fig2.5, Fig2.6에서와 같이 주파수 대역별 5dB 이내의 근소

한 차이만을 가지는 일정한 패턴을 가지고 있는 것을 알 수가 있었다.

즉 각각의 섹터에 따라 큰 차이가 없이 엔진 전체적으로 유사한 소음의

패턴을 형성하고 있음을 알 수 가 있다. 그러므로 엔진 중앙부 그룹 2의

86번 섹터의 소음패턴을 정상패턴으로 정의를 하고 소음센서위치를 86

번 섹터의 중앙에 고정하여 정상과 고장패턴을 모니터링하여 엔진고장여

부를 진단할 수가 있다고 볼 수가 있다. 각 그룹별 소음값 들은 Table

2-1, Table 2-2, Table, 2-3에 나타내었다.

13


- 6 -

able 2-2 Group 2 Sound Data (Hz vs dB) T


14- 7 -

86번 위치 : 정상패턴 및 소음측정센서 위치



15- 8 -

2.5 소음에 따른 고장 분류

.5.1 주파수별 주 음원(Sound Source Location) 추적

소음 분석에 의한 주파수별 음원을 추적하기 위하여는 먼저 각 주파

수

ig. 2.7 S

림 Fig. 2.7은 80Hz의

일

2

별 주 음원 처를 찾아내는 것이 매우 중요하다. 이러한 음원 처를 찾

기 위한 방법은 소음청취에 의한 엔진 고장진단에 경험이 많은 전문가의

도움을 받을 수 있으나 과학적이지 못하고 특정 주파수의 음원을 찾아내

는 것에 많은 오류가 존재할 수 있기에 소음측정 장비로 리액티브 인텐

시티를 측정하고 측정된 크기와 방향을 가진 벡터량을 이용하여 음원의

위치를 찾는데 인텐시티 등고선도를 작성하여 음원처를 추적할 수 있다.

본 실험에서 음원 추적을 위하여 채취된 리액티브 인텐시티 등고선도 중

80Hz 의 음원등고선도를 그림 Fig 2.7에서 보여준다.

Engine W idth (mm)

Fig.

GROUP GROUP GROUP

72 71 70 69 68 67 66 65 64

81 80 79 78 77 76 75 74 73

90 89 88 87 86 85 84 83 82

99 98 97 96 95 94 93 92 91

108 107 106 405 104 103 102 101 100

1 2 30.00 500.00 10 2500.00 3000.00 3500.00

0.00

500.00

1000.00

1500.00

2000.00

E

음원:연소실

음원:캠축 음원:캠축

소음세기(dB)

(mm)

F

그

한 위치에 포개어 놓은

음의 밀도를 등고선 형태로

dB 단위로 나타내고 있다.

하게 밀집한 부분에 소음이

00.00 1500.00 2000.00

ngine

Height

ound G

음원등

Engine W

것이다.

나타내

상기 등

발생하

-

raph by Frequency (80

고선도를 측정한 엔진을

idth (m 2.7 m Sou)

그림 Fig. 2.7상의 음원

고 있고 각 등고선별 소

고선을 분석하여 보면 등

는 주 음원처가 있음을

16 9-

Hz)

배경으로 동

nd Graph by

등고선도에서

음의 세기를

고선이 조밀

알 수가 있다.

그러므로 등고선 밀도의 분석에 따라 본 엔진의 주파수 80Hz 대역에서

의 주 음원처는 엔진의 연소실계통과 캠축이 주 음원처임을 알 수가 있

다. 그러므로 본 주파수 대역에서 비정상 소음 레벨이 발생하게 되면 관

련 음원처의 부분에 고장과 같은 비정상적인 문제가 발생했다는 것을 추

론 할 수가 있다. 이러한 리액티브 인텐시티 등고선도를 이용한

40~10000Hz 사이의 각 주파수 대역별 주 음원처를 추적, 분석하고 주

파수 대역별 소음세기(dB) 이상 시 엔진고장 부분과 원인을 Table 2-

4에 정의를 하였다.

Table 2-4 Parts and Causes by Abnormal Sounds

주 음원 dB 이상 시 엔진고장 부분과 원인 주파수

(Hz)

40 Crankshaft Crankshaft bearings

Piston Piston

Driving

Connecting rod

Piston

Cranksh

Connecting rod

Piston

Driving

Connecting rods

Crankshaft

Cranksh

Connecting rods

Crankshaft bearin

Combustion

Camshafts

Fuel injection timing, A

combustion

Camshaft we

wearing

Crankshaft

Fuel injec

combustion

Camshaft we

wearing

Bearing w

abnormal

Driving ge

160 Driving and sliding parts Camshafts, Connecting r

50 Gears for pumps aft driving gears

63 gears for pumps aft driving gears, pump gears

gs

80 bnormal

aring, Camshaft bearing

100 Combustion Camshaft tion timing, Abnormal

aring, Camshaft bearing

earing, Connecting rod ass’y

125 Driving gears for camshafts ars abnormal

ods, Bearings,

Turbocharger

17- 10 -

주

(Hz) 주 음원 dB 이상 시 엔진고장 부분과 원인

파수

d sliding mshafts, Connecting rods, Bearings

Piston Cylinder line

ass’y wearing

400 Driving gears for camshafts Driving gears abnormal

Driving gears fo Driving gears a

parts (engine body comp

800 Driving and sliding parts body Driving and sliding parts (engine

complete)

complete)

2000 Engine body structure

(middle)

Combustion

iddle)

bnormal

stion

Engine body structure (m

Fuel injection timing, A

combu

Fuel Injectio

200 Exhaust gas system

Driving an parts

Abnormal combustion, Overload

Ca ,

Turbocharger

250 Combustion chamber

Driving gears for camshaf

Fuel injection timing, Abnormal

ustion

Driving gears abnormal

ts comb

315

Connecting rod

r ass’y wearing, Piston

Connecting rod ass’y wearing

500 r camshafts bnormal

630 Combustion chamber

Driving and sliding parts

Fuel injection timing, Abnormal

Driving and sliding Driving and sliding

lete)

18

1000 Driving and sliding parts Driving and sliding parts (engine body

1250 Engine body structure (all) Engine body structure


(all)

Engine body structure

(all)

2500 Combustion

Camshaft

n timing, Abnormal

combustion

Camshaft wearing, Camshaft bearing

wearing

- 11 -

3150 Engine body structure (all) Engine body structure

Engine bod Engine body

Engine bo

19

4000 y structure (all)

structure


(Lower right)

dy structure (all)

6300 Engine body structure (all) Engine body structure (all)



- 12 -

제 3 장 고장진단 신경회로망 개발

3.1 신경회로망의 개요

3.1.1 신경회로망의 개요

최근, 인간 두뇌세포의 구조와 기능에 근거한 신경회로망(Neural

Network)의 연구 및 적용기술의 개발이 생물학, 심리학, 물리학 분야를

학 전 분야에 걸쳐 활발히 추진되고 있다.

요 추진 요인들 중 하나로서는 기존의 디지털(Digital) 컴퓨터로 해결

해결할 수 있는 새로운 형태의 정보처리 기

의 개발을 들 수 있다. 이러한 신경망 구조를 이용한 뉴로 컴퓨터는

T

포함하여 컴퓨터를 비롯한 공

주

하기 힘든 다양한 문제들을

술

able 3-1에 나타낸 바와 같이 여러 면에서 디지털 컴퓨터와는 큰 차

이점이 있다.

Table 3-1 Neuro vs Digital Computer

Neuro computer Digital computer

Process data Digital, Analog Digital

Process

method

Parallel Sequential

Basic element Neuron Logic

Performance Training Programming

Storage Weight Memory

Search Content Address

20

Application Association,

Optimum

Calculation

- 13 -

신경회 의 는 컴 으

로 볼 수 있으며, 프로그래 고리즘에 의존하지 않고 대상의 변

이에 적응해가며 연계(Association)와 유사성(Similarity)의 기능들을

수행한다. 기존의 Von Neuman 컴퓨터와는 전혀 다른 정보처리 과정

및 구조적 특성을 가지는 신경회로망은 연계추론(Associative

Reasoning), 학습(Learning), 병렬분산처리(Parallel Distributed

Processing), 일반화(Generalization) 등 인간 두뇌세포의 중요 기능들

을 효과적으로 실현하게 된다.

로망은 일종 계산능력을 가지

밍이나 알

퓨터 기억 소자들의 집합

21- 14 -

3.1.2 신경회로망의 구조

뇌를 구성하는 신경 시스템의 가장 기본적인 기능 단위인 뉴런

euron)이라는 세포는 수많은 다른 뉴런들이 서로 연결된 하나의 망을

성한다. 각 뉴런들은 다른 뉴런들과 연결되어 있는 수상돌기

endrite)를 통하여 입력 신호를 받아들인 후 간단한 변환과정을 수행

화시켜 변환된 신호를 다른 뉴런들에게 전

한다. 뉴런들간의 정보전달과정에서 시냅스는 전달되는 신호의 강도를

조

(n

구

(d

한 후 축색돌기(axon)를 활성

달

절하는 역할을 한다. 생물학적 뉴런의 개략적인 모습은 Fig. 3.1에 나

타내었다 정보처리의 관점에서 보면 개개의 뉴런은 특별하고 정교한 기

능을 가진 세 부분(수상돌기 : Dendrite, 세포체 : Soma, 축색돌기 :

Axon)으로 구성되어 있다. 한 뉴런의 수상돌기와 다른 뉴런의 축색돌기

의 연결지점을 시냅스(Synapse)라 한다. 시냅스는 신경망의 입력의 가

중치(Weight)를 제공한다. 따라서 시냅스 연산은 시냅스에 저장된 경험

에 의해 각 입력 신호의 가중치를 지정한다.

22

Fig. 3.1 Structure of a biological neuron

- 15 -

뉴런은 다른 뉴런 또는 외부로부터 입력을 받는다. 그 입력들의 가중

은 Fig. 3.2에서 표시된 것처럼 비선형 활성화 함수로 위의 생물학

뉴런의 구조를 수학적인 모델로 간략하게 나타낼 수 있다.

된 합

적

-1v3 w3

Input neuron

Synapse operation

Synapse(Weight)

Dendrite

Summation

Activation function Axon

Soma

(Neural cell)

-1v3 w3

Input neuron

Synapse operation

Synapse(Weight)

Dendrite

Summation

Activation function Axon

Soma

(Neural cell)

net

f(net)1

v1

v2

w1

w2 WXnet

(Output neuron)

net

f(net)1

v1

v2

w1

w2 WXnet

(Output neuron)

Fig. 3.2 Structure of a biological neuron's model

이러한 생물학적 운동 뉴런과 같은 구조를 신경회로망에 적용 할 경우

사용되는 용어에는 다음과 같은 것들이 있다.

23- 16 -

3.1.3 신경회로망의 용어 및 응용분야

런(Neuron, Processing Unit)

물학적으로 신경계의 최소단위는 뉴런인데 신경회로망에서도 같은 구

를 가지고 있으므로 뉴런은 신경회로망 구조 중 가장 기본적인 단위가

다. 이는 일반적인 회로망에서의 절점(Node), 또는 처리단위

수하게 생물학적 신경의 기

단위와 흡사한 작용을 한다. 그 작용은 들어온 입력신호에 대한 평가

입력신호들을 결합시키고 의사 결정폭

관계를 결정

는 중요한 역할을 하는데 입력된 학습데이터에 따라 일정한 규칙에 의

역할을 한다. 일종의 생물학적 뉴런에서

은 신경회로망에서 사용

능한 활성화 함수의 수학적인 모델들을 Fig. 2-3에 나타내었다. 신경

수를 사용하지만, 비선형 미분방정식

뉴

생

조

된

(Processing Unit)로도 불리 운다. 이는 순

본

를 하며 그 세기를 판단하는데,

(Threshold)과 비교시킨 후 출력을 결정하는 역할을 한다.

결합계수(Weight Coefficient)

각각의 입력은 상대적인 결합계수를 가지고 있다. 이는 생물학적으로

시냅스의 결합효율과 관계가 있는 양이다. 수학적으로는 입력벡터 상호

간의 곱하기, 내적, 외적, 등의 관계를 가질 수 있다. 결합의 결과는 벡

터량이나, 스칼라량을 동시에 가질 수 있다. 이는 입출력의

짓

해 변화하여 학습을 진행하는

시냅스와 같은 역할을 한다고 생각할 수 있다.

활성화함수(Activation Function)

신경회로망의 입출력관계에서의 전달함수는 일반적으로 비선형 특성을

가진다. 뉴런의 출력결과로 사용되는 선형함수는 극히 제한적으로 쓰이

며, 현재의 뉴런의 전달함수는 일반적으로 계단함수, 임계논리 함수, 시

그모이드(Sigmoid) 함수 등을 사용한다. 다음

가

망 기법에 따라 여러 가지 활성화함

일 경우 시그모이드 함수가 주로 사용되어진다.

24- 17 -

net

f(net)

-1

1

net

f(net)

-1

1

계단 함수

net

f(net)

-1

net

f(net)

-1

11

임계논리 함수

net

f(net)

0.5

net

f(net)

0.5

11

단극 시그모이드 함수

net

f(net)

-1

net

f(net)

-1

양극 시그모이드 함수

Fig. 3.3 Types of a tivation function

몇 개의 군을 이루어 계층(Layer)을 형성한다. 이 계층은 신호

향을 결정하고 동시에 출력벡터를 생

11

c

뉴런의 조합(Combining Neuron)

뉴런은

처리 시 군을 이루어 신호처리의 방

성하는데 입출력층 사이에 은닉층이 있어 복잡한 형태의 함수로 이들 상

호간의 결합계수의 조정으로 학습이 가능하게 해준다. 신호처리 단계에

25- 18 -

서는 층별로 동시 출력이 가능한 병렬처리 구조를 가지고 있어서 계산시

간의 대폭 감소 효과를 가져온다.

새로운 계산체제로서 신경회로망은 다음과 같은 기능상 중요한 특징을

진다.

렬처리 기능(Parallel Process)

체가 구조적으로 병렬일 뿐만 아니라, 처리과정도 병렬 처리

근사화에서 계산시간이 문제

(Storaging Knowledge)

에 입력되어 학습의 과정을 거치면, 학습원리에 의해 결합계

다. 이는 복잡한 패턴도 구분하여

)

수근사화 이론은 신경회로망 기본이론 중에서 가장 중요한 부분 중의

델링의 이론적

가

고유의 병

회로망 자

이며 동시에 계산이 진행된다. 이는 시스템

가 되는 경우에 큰 장점이 될 수 있다. 신경회로망은 기존 디지털컴퓨터

의 병렬처리 과정이 입력시킨 데이터 사이의 관계에 의해서 자체적으로

수행된다.

지식의 저장

신경회로망

수가 변경되고 이 결과는 계속 저장된

저장할 수 있어서 필요에 따라 재현된 결과를 얻을 수 있다는 것이다.

연상기억(Associative Memory)등 비슷한 성질의 데이터에 대해 기억

을 할 수 있는 능력을 갖춘 회로망이라는 것이다. 신경회로망은 주어진

입력에 대해 이에 상응하는 최소 에너지 함수를 가지려고 가장 안정된

상태에 이르려고 하는 경향이 있고, 회로망을 변화시키면 가장 비슷한

경우의 과거 데이터를 출력하는 능력을 갖추고 있다.

신경회로망에 의한 함수 근사화(System Identification

함

하나이다. 이 이론들은 기기 해석의 학습 및 일반화의 모

체계화와 이용가능성의 토대를 제공하게 된다. 신경회로망을 이용하여

입력벡터공간과 출력벡터공간사이의 사상을 학습하는 문제는 주어진 입

출력쌍의 데이터 집합으로부터 입출력 데이터간의 관계를 규명하여 시스

템을 모델링하는 문제와 같은데, 여러 가지 최적화를 해석하는데 있어

비선형 관계를 고려한 시스템함수를 추정하는데 적용할 수 있다.

26

- 19 -

3.2 고장진단 패턴 데이터

Fig. 2.6에서와 같이 엔진의 각 지역별 소음

턴이 주파수 대역별 5dB 이내의 차이만을 가지는 일정하며 유

사

.2.2 고장패턴의 정의

패턴의 채취와 축적의 어려움으로 본 연구에

는 유사 고장패턴을 소음레벨이 상승(High) 과 하강(Low)할 때를 가

정

3.2.1 정상패턴의 정의

앞서 Fig. 2.4, Fig. 2.5,

패 근소한

한 값을 가지고 있는 것을 알 수 가 있었다. 그러므로 엔진의 정 중앙

에 위치해 있는 Group 2의 86 번 위치에 소음센서를 설치하고 정상소

음을 채취 위치로 설정하고 기 채취 된 86번 위치의 소음패턴을 1개의

정상패턴으로 정의를 한다. 정상패턴의 데이타 값은 Table 3-2 있으며

패턴은 그림 Fig 3.4에서 볼 수 있다. 소음패턴에서 4000~10000Hz 의

주파수 영역에서는 음원처를 분석한 결과 특정한 엔진부분의 음원처가

나타나지 않아 고장진단패턴에서 제외를 시키고 40~3150Hz 사이의 주

파수 영역에서 패턴을 정의하였다.

3

고장패턴은 실제의 고장

서

하여 각각 하나씩 16개의 고장패턴을 생성(Generation) 하였다. 16개

의 고장패턴을 생성 할 때 각 고장부들을 특징적으로 지배하고 있는 주

파수 대역에서는 지배정도에 따라 4~10 dB 범위의 가중치를 부과 하

였고 기타 주파수 대역 부분은 지배하고 있는 정도에 따라 2~5dB를 가

중치로 부과 하였다. 고장패턴의 데이타 값은 Table 3-2에서 볼 수 있

으며 패턴은 Fig 3.4에서 볼 수 있다.

27- 20 -

Table 3-2 Normal and Abnormal Pattern Data

Fig 3.4 Normal and Abnormal Patterns

28- 21 -

3.3 고장진단 신경 회로망

에서는 신경회로망 구조를 Hiddern Layer 3개가 사용되

으며 각 Layer에 사용된 활성 는 Tangent Sigmoid이다. 각

La

Fi ure of A ral Net

3.3.1 구조

본 실험모델

었 화 함수

yer별로 Node 수는 30, 15, 4개이며 Bias와 Weight는 Random하게

주어졌다. 사용된 Parameter는 Learning Rate가 0.1 Momentum

Constant가 0.2로 하였으며 Mean Square Error가 10-5이 되면

Training이 멈추게 하였다. 적용된 신경회로망 구조는 아래 그림 Fig.

3.5에 나타내었다. .

pplied Neu

de 수 : 15

g 3.5 Struct

de 수 : 30

p

p2

Hidden

Layer 1

No

Hidden

Layer 2

No

Hidden

Layer 3

Node 수 : 4

a

a

a

ap

p

work

29- 22 -

3.3.2 Flow Chart

Flow Chart를 나타낸다. 프로그램이 시작되면 정상 및

장패턴을 정의하게 되고 입력된 패턴을 정규화 시킨 다음, 학습(Training)시

켜

Fig. 3.5는 프로그램의

고

Mean Square Error를 계산한다. 이것이 Emax값보다 작은지를 판단하게 되

고 작지않다면 Weight와 Bias는 Update되어 정해진 Error값보다 작아질 때

까지 계속 학습하게 된다. 학습이 끝난 신경회로망에는 Test용 패턴을 입력시

키게 되고 마지막으로 성공횟수와 성공율이 계산되어지게 된다.

30

Fig. 3.6 Program Flow Chart

- 23 -

3.3.3 Algorithm

디젤엔진의 정상 및 고장소음 패턴을 학습(Training)시키

위한 알고리즘을 Table 3-3에서 간략하게 표현하였다.

Step1 Target(t)값 및 Max Error(Emax)값 정의

Step2 Input Pattern(P) 입력

Step3 Feed Forward에 의한 출력값(a) 계산

Step4 Error(e)값 계산 e = t - a

Step5 Mean Square Error값 계산

If MSE < Emax => Training 종료

Step6 Sensitivity 계산 S → S → …. → S2 → S1

Step7 Increment 계산 ∆W, ∆B

Step8 Weight 및 Bias Update

Repeat Step2

본 연구에서 해상용

기

Table 3-3 Algorithm for the neural network

Else 다음 Step

M M-1

31- 24 -

3.4 시뮬레이션 결과

를 학습(Training)한 결과를 Fig. 3.6

에서 볼 수 있다. 신경회로망을 학습(Training)시키는데 사용된

Pa

3.4.1 학습(Training) 결과

정상 패턴하나와 고장패턴 16개

rameter는 Table 3-3과 같다.

Fig. 3.7 Training Performance Result Graph

Table 3-4 Parameters for the Programming

Learning Rate 0.1

Momentum Constant 0.2

32

Goal 10-5

- 25 -

3.4.2 출력값에 따른 고장분류

패턴 하나와 고장패턴이 여덟개

므로 9가지의 패턴종류가 있고 각 고장패턴별로 높은부분

able 3-5 Target Values vs Output Results

Target 고 장 패 턴

목표(Target)값의 종류는 정상

이

(High)과 낮은부분(Low)이 있어 개수는 총17개이다. 이 9종류의

고장패턴을 분류하기 위해 –1과 1로 나타내어지는 1x4 행렬로 각

각의 경우에 매핑(Mapping) 시켰다.

T

1 1 1 1 정상 pattern

-1 1 1 1 Crankshafts 고장 pattern - High

-1 1 1 1 Crankshafts 고장 pattern - Low

1 -1 -1 -1 Pistons 고장 pattern - High

1 -1 -1 -1 Pistons 고장 pattern - Low

-1 -1 1 1 Driving gears for pumps 고장 pattern - High

-1 -1 1 1 Driving gears for pumps 고장 pattern - Low

-1 1 -1 1 Connecting rod 고장 pattern - High

-1 1 -1 1 Connecting rod 고장 pattern - Low

-1 1 1 -1 Cumbustion 고장 pattern - High

-1 1 1 -1 Cumbustion 고장 pattern - Low

1 -1 1 1 Camshaft 고장 pattern - High

1 -1 1 1 Camshaft 고장 pattern - Low

1 1 -1 1 Driving gears for camshafts 고장 pattern - High

1 1 -1 1 Driving gears for camshafts 고장 pattern - Low

1 1 1 -1 Driving and sliding parts 고장 pattern - High

1 1 1 -1 Driving and sliding parts 고장 pattern - Low

33

- 26 -

3.4.3 테스트 데이터 및 테스트 결과

.4.3.1 테스트 용 입력 패턴 데이터

테스트를 위하여 각 고장원인별 테스트패턴을 소음레벨이 상승(High)

범위에서 Test용 정상패턴

개 테스트용 고장패턴 16개를 생성(Generation)하여 총 18개

의

3

및 하강(Low)할 때를 가정하여 1~5dB 값

2 임의로

Test 패턴을 만들었다. 그리고 이것을 학습(Training)된 신경회로망

의 신뢰성을 Test 하기위한 입력패턴의 데이터로 사용하였다.

Table3-4 에서 테스트용 입력패턴 데이터 값을 볼 수가 있다.

Table 3-6 Input Pattern Data for Test

34- 27 -

3.4.3.2 Test 출력결과 값

학습(Training)된 신경회로망을 테스트하기 위한 Table 3-2에 있는

력하여 테스트한 결과 총 18개의 테스트

턴 중 17개 패턴이 인식에 성공을 하고, Combustion – High부분에 있

어

비고

Test 용 입력패턴 데이터를 입

패

서 인식실패를 하여 전체 인식 성공률이 비교적 우수한 94%가 나왔

으며 출력 결과 값을 아래 Table 3-5에서 볼 수 있다.

Table 3-7 Output Results

입력 Pattern 출 력 결 과

Target 값 1 1 1 1 정상

Test Pattern 1 출력값 1.0000 0.9936 0.9992 0.9967 인식

Target 값 1 1 1 1 정상

Test Pattern 2 출력값 1.0000 0.9932 0.9992 0.9959 인식

Target 값 -1 1 1 1

Test Pattern 1 출력값 인식

Target 값 -1 1 1 1 Crankshafts 고장

Test Pattern 2 출력값 -1.0000 0.9968 1.0000 0.9953 인식

Target 값 1 -1 -1 -1 Pistons 고장

Test Pattern 1 출력값 0.9997 -0.9990 -0.9995 -0.9891 인식

Target 값 1 -1 -1 -1 Pistons 고장

Test Pattern 2 출력값 0.9976 -0.9950 -1.0000 -0.9928 인식

Target 값 -1 -1 1 1

출력값 -0.9876 -0.9966 0.9977 1.0000 인식

Target 값 -1 -1 1 1 Driving gears for

pumps 고장

Test Pattern 2 출력값 -0.9212 -0.9976 0.9978 1.0000

인식

Crankshafts 고장

-0.9984 0.9687 0.9990 0.9960

Driving gears for

pumps 고장

Test Pattern 1

35- 28-

입력 Pattern 출 비고 력 결 과

Target 값 -1 1 -1 1 Connecting rod 고장

Test Pattern 2 출력값 -0.9999 0.9946 -0.9970 0.9898 인식

Target 값 -1 1 1 -1 Cumbustion 고장

Test Pattern 1 출력값 -0.9674 0.9998 0.9984 -0.9934 인식

Target 값 -1 1 1 -1 Cumbustion 고장

Test Pattern 2 출력값 -0.9993 1.0000 -0.1527 -0.9853

인식

불가

Target 값 1 -1 1 1 Camshaft 고장

Test Pattern 1 출력값 0.9946 -0.9968 0.9995 0.9982 인식

Target 값 1 -1 1 1 Camshaft 고장

Test Pattern 2 출력값 0.9968 -0.9919 0.9975 0.9993 인식

Target 값 1 1 -1 1

출력값 1.0000 0.9982 -0.9830 0.9985 인식

Target 값 1 1 -1 1 Driving gears for

camshafts 고장

Test Pattern 2 출력값 1.0000 0.9954 -0.9989 0.9948

인식

Target 값 1 1 1 -1 riving and sliding

parts 고장

Test Pattern 1 출력값 0.9989 1.0000 1.0000 -0.9945

인식

Target 값 1 1 1 -1 Driving and sliding

parts 고장

Test Pattern 2 출력값 0.9968 1.0000 0.9995 -0.9848

인식

Target 값 -1 1 -1 1 Connecting rod 고장

Test Pattern 1 출력값 -0.9991 0.9513 -0.8897 0.9916 인식

Driving gears for

camshafts 고장

Test Pattern 1

D

36

- 29-

제 4장 결론

본 실험에서 고장패턴을 학습시키는 데에는 Matlab 5.3 Neural

Network Toolbox를 사용하였는데 많은 양의 데이터를 학습

라 학습시간은 다소 걸렸으나 일단 학습된 신경회

망은 학습(Training)패턴 대비 max 5dB 차이가 나는 테스트패턴에서

94

장진단 부분을 본 신경회로망을 이용

실시한다면 사람이 판단할 수 없는 아주 적은 변화의 소음에도 고장

부

(Training)시킴에 따

로

%의 우수한 성공률을 보였다.

이러한 결과를 근거로 현재 해상용 디젤엔진의 소음변화에 의한 고장

진단이 대부분 숙련된 운전자와 서비스 요원들의 경험에 의존하여 왔던

소음청취에 의한 광범위한 엔진 고

해

위를 사전에 찾아내어 정비하는 것이 가능하여 짐으로써 고장부위를

사전에 탐지하여 대형사고를 예방, 사고로 인한 정비시간 및 경비 절감

그리고 원격 소음 모니터링에 의한 고장진단이 가능하여 질 수 있음으로

써 선박의 안전운항에 기여할 수 있으리라 고려되어 진다.

37- 30-

향후계획

본 실험에서는 고장패턴을 임의로 생성(Generation)한 테이터를 사용

하여 신경망을 학습(Training)시켰기 때문에 현장에서 바로 적용할 수

없으나 향후 지속적으로 실제로 발생하는 신뢰성 있는 고장패턴들을

지

는

속적으로 채취, 축적하여 본 신경회로망을 학습시키면 고출력 해상용

디젤엔진의 고장진단에 있어 실제로 적용이 가능한 새로운 차원의 고장

진단 도구가 될 수 있으므로 실제의 고정패턴 채취 및 축적이 향후 주

과제가 될 것이다.

38- 31-

참고문헌

1. 오창석, "뉴로 컴퓨터", 지성출판사. pp. 5-7.

2. 이상배, "Fuzzy-Neuro Control System". 교학사. pp. 117-126.

런싱의 최적화 기법

에 관한 연구", 창원대학교 대학원 석사학위 논문, 2000

3. 권순일, "신경회로망을 이용한 원자력발전소의 주요 고장진단에

4. 김달현, "선박엔진용 실시간 고장진단시스템의 구현에 관한 연구",

5. 이진하, "고장패턴과 신경망을 이용한 시스템의 고장진단", 경북대

6. 최욱현, "하이브리드 지식표현을 이용한 선박엔진 고장진단시스템

3. 안병재, "개선된 신경망을 이용한 조립라인 밸

관한 연구", 부산대학교 대학원 석사학위 논문, 2001

한국해양대학교 대학원 석사학위 논문, 2001

학교 대학원 석사학위 논문, 2000

의 개발에 관한 연구" 한국해양대학교 대학원 석사학위 논문,

1999

7. 김찬, "엔진 고장진단용 전문가 시스템(Driver)의 설계" 한양대학

교 대학원 석사학위 논문, 1989

39- 32 -

Abstract

A Study of the Neural-Network-Based Pattern

Recognition and Fault Diagnosis Using Acoustic

Dept. of Mechanical Design and Manufacturing

Graduate School, Changwon National University

Changwon, Korea

-

e

di the engine. The fault

diagnosis for the marine diesel engines by hearing abnormal sounds

ha

Patterns of Marine Diesel Engine

by Kim, Pilyun

This thesis develops a neural network for Neural-Network

Based sound pattern recognition and fault diagnosis for marin

esel engine using acoustic patterns of

s been widely being performed by the skilled and experienced

engine operators and service engineers while the engine is running.

But that kind of fault diagnosis for the marine diesel engines has

lots of problems, because it requires the skilled and experienced

engine operators and service engineers and it is not any theoretical

basis and just depends on the engineer’s experience. Therefore,

there must have been lots of mistakes in finding the causes of the

abnormal conditions by hearing the abnormal sounds by the

engineer. Therefore, this thesis develops a neural network, which

can replace the experience of hearing the abnormal sounds by a

neural network. In order to do this job, all the sound data were

40- 33 -

measured and the sound patterns by the frequency band were

analyzed. And then the sound sources were defined based on the

sound reactive intensity map. The normal sound pattern was

selected and defined based on the result of studying all the sound

patterns. The abnormal patterns and the test patterns were

generated based on the result of studying all the sound patterns and

data in order to train and test the developed neural network.

The testing result of this neural network showed excellent and

therefore, when this neural network with more actual abnormal

patterns gathered from the engine operation sites is applied to the

field, it will contribute to the enhanced safe ship navigation, saving a

lo

t of the maintenance and trouble shooting cost by an accident for

the marine diesel engine.

41

- 34 -

42

초록

본 논문은 해상용 고출력 디젤엔진의 소음변화에 의한 고장진단 방법

이 대부분 숙련된 운전자와 서비스 요원들의 경험에 의존하여 왔던 부분

을 신경회로망을 이용하여 인공 지능화된 진단 방법으로 진단이 가능하

록 하는 것이다. 이렇게 하기 위하여 실험대상으로 선정된 디젤엔진의

각

도

부분의 소음을 채취하고 패턴을 분석하였으며 주파수 대역별 음원처

를 추적 정의하였다. 그리고 이것을 기반으로 정상 소음패턴을 정의하였

으며 발생 가능한 고장유형별 고장패턴을 생성시켜 연구 개발된 신경회

로망에 학습을 시키고 발생 가능한 테스트 패턴을 생성시켜 본 시스템의

신뢰성을 검증한 결과 우수 하였다. 그러므로 소음청취에 의한 광범위

한 엔진 고장진단 부분을 본 신경회로망을 이용해 진단을 실시한다면 사

람이 판단할 수 없는 아주 적은 변화의 소음에도 고장부위를 사전에 찾

아내어 정비하는 것이 가능하여 짐으로써 고장부위를 사전에 탐지하여

대형사고를 예방, 사고로 인한 정비시간 및 경비 절감 그리고 원격 소음

모니터링에 의한 고장진단이 가능하여 질 수 있음으로써 선박의 안전운

항에 기여할 수 있으리라 고려되어 진다.

- 35-

신경회로망을 이용한 고출력 해상용 디젤엔진 소음분석 및...

Documents