Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)
Journal of Society of Korea Industrial and Systems Engineering Vol.47 No.4 pp.132-144
DOI : https://doi.org/10.11627/jksie.2024.47.4.132

Real-time Fault Detection in a Bearing-shaft System Through Deep Learning-Based Machine Sound Analysis Robust to Environmental Noises

Min Hee Lee, Gun Chang Lee, Su Jeong Oh, Sujeong Baek†
Department of Industrial & Management Engineering, Hanbat National University
Corresponding Author : sbaek@hanbat.ac.kr
08/11/2024 04/12/2024 10/12/2024

Abstract


Bearing-shaft systems are essential components in various automated manufacturing processes, primarily designed for the efficient rotation of a main shaft by a motor. Accurate fault detection is critical for operating manufacturing processes, yet challenges remain in sensor selection and optimization regarding types, locations, and positioning. Sound signals present a viable solution for fault detection, as microphones can capture mechanical sounds from remote locations and have been traditionally employed for monitoring machine health. However, recordings in real industrial environments always contain non-negligible ambient noise, which hampers effective fault detection. Utilizing a high-performance microphone for noise cancellation can be cost-prohibitive and impractical in actual manufacturing sites, therefore to address these challenges, we proposed a convolution neural network-based methodology for fault detection that analyzes the mechanical sounds generated from the bearing-shaft system in the form of Log-mel spectrograms. To mitigate the impact of environmental noise in recordings made with commercial microphones, we also developed a denoising autoencoder that operates without requiring any expert knowledge of the system. The proposed DAE-CNN model demonstrates high performance in fault detection regardless of whether environmental noise is included(98.1%) or not(100%). It indicates that the proposed methodology effectively preserves significant signal features while overcoming the negative influence of ambient noise present in the collected datasets in both fault detection and fault type classification.



딥러닝 기반 기계음 분석을 통한 환경 소음에 강건한 베어링 샤프트 시스템의 실시간 고장 감지

이민희, 이건창, 오수정, 백수정†
국립한밭대학교 산업경영공학과

초록


    1. 서 론

    많은 제조 산업 현장에서 사용되는 자동화 생산 설비에서 발생하는 고장 중 많은 비중을 차지하는 기계요소는 회전 운동을 담당하는 베어링 샤프트 시스템이며, 이러한 회전 시스템은 컨베이어 벨트, Computer Numerical Control (CNC) 기반의 절삭 가공 장비, 증기 터빈, 펌프 등에서 주요 핵심 기구부로 사용되고 있다[5,10]. 따라서, 베어링 샤프트 시스템의 상태를 정확하게 진단할 수 있는 고장 감지 시스템의 구축은 생산 시스템을 효율적으로 운영하기 위해서 필수적이다. 최근 들어 사물인터넷, 클라우드 서비스 등을 통해 데이터 수집, 저장, 처리 및 분석 기술이 함께 발전하였다. 이에 따라 베어링 샤프트 시스템의 고장 감지를 위하여 아날로그 센서를 설치하고, 방대한 양의 설비 운영 데이터를 수집하여, 기계 건전 상태를 분석하는 형태의 연구가 많이 수행되고 있다[3,17,25]. 특히 기계 시스템의 경우 작동 시 발생하는 진동을 감지하기 위한 가속도 또는 각속도 센서, 열을 감지하기 위한 온도 센서, 적외선 카메라 등을 많이 활용하였다. 예를 들어, O et al.[21]는 유도전동기 에서 발생하는 베어링 고장을 진단하기 위해 모터의 토크 신호를 수집하여 분석하였다. 토크 관측기를 이용하여 데이터를 수집하였고, 베어링 고장에 대하여 사전 분석한 결과 특정 주파수에서 크기 변화가 유의미하게 나타남을 알 수 있었다. 이를 기반으로 대역 통과 필터를 설계하여 고장 발생 유무를 정확하게 파악할 수 있었다. Hou et al.[6]의 연구에서는 항공기 엔진 내의 베어링 샤프트 시스템의 고장을 감지하기 위하여 진동 신호를 분석하였다. 세 가지 건전 상태인 정상, Inner Ring 불량, Outer Ring 불량 상태에서 수집된 데이터를 기반으로 전통적인 Spectrum 분석부터 최신의 딥러닝 기법을 통해 고장 감지를 한 결과, Convolution Neural Network(CNN) 또는 Long-Short Term Memory (LSTM), Time Series Transformer와 같은 복잡한 딥러닝에 적용하였을 때 고장 감지 성능이 높았다.

    그러나 위와 같은 센서 신호를 분석하여 고장을 감지하는데 있어서는 특정 센서를 어디에 설치할 것인지, 얼마나 많은 센서를 사용할 것인지 등에 따라 고장 감지 성능이 달라진다. 예를 들어 Kim et al.[14]는 범용 공압 실린더의 고장을 실시간으로 감지하고자 가속도, 각속도, 자기장 및 온도 신호가 함께 수집되는 모션 센서를 활용하였다. 모션 센서를 통해 수집된 다변량 센서 데이터를 기반으로 딥러닝 기반 분류 모델을 구축하였으며, 실시간으로 고장 상태를 정확히 분류하였다. 이 과정에서 센서 설치 위치와 아날로그 신호 유형에 따른 고장 감지 성능을 최적화하여 가장 효율적인 다변량 센서 부착 위치를 추천하였다. 다시 말해 설치할 센서의 종류 및 위치, 배치 등에 따라 고장 감지를 위한 분석 결과가 크게 영향을 받으므로 성공적인 고장 감지를 위해서는 반드시 데이터 수집 최적화를 위한 추가적인 사전 분석이 필요하다[9,18,24].

    그러나, 소리 신호를 고장 감지를 위해 수집할 경우, 상대적으로 매우 먼 거리가 아니라면 센서를 설치할 위치로 부터 받는 영향이 적을뿐더러 기계에 직접 센서를 부착하지 않기에 기계의 내부 구조나 동작에 영향을 주지 않는다. 또한 소리 신호는 기계가 작동할 때 반드시 발생하는 현상 중 하나이므로 자동차 엔진의 문제를 확인하거나, 산업용 기계의 마모나 균열을 감지하는 등과 같은 기계의 건전 상태를 분석하는데 전통적으로 많이 사용되었다[8,13]. 소리를 이용하는 연구에서는 분석 대상의 기계음을 수집하는 과정에서 항상 환경 소음이 함께 수집된다. 이상적으로는 환경 소음을 제거할 수 있는 기능의 고성능 마이크를 사용하거나, 환경 소음이 없는 환경에서 데이터를 수집하여야 하나 이는 실제 산업 현장에서 구현하거나 적용하기에 매우 어렵다.

    그러므로 본 연구에서는 실제 제조 산업 현장에서 사용이 가능하도록, 이러한 한계를 극복하기 위해 기계음 분석을 통해 고장 감지를 수행하되 주변 환경 소음에 강건하면서도 간편한 딥러닝 기반의 고장 모델을 구현하는 것을 목표로 한다. 먼저 소음이 없는 이상적인 상태에서 고장 감지 모델을 구축하고, 추후 고장 감지 모델에 이상적인 기계음 신호를 제공하기 위한 환경 소음 제거(Denoising) 모델을 추가 개발하였다. 또한 산업 현장에서의 적용을 고려하여 기계음 데이터의 수집은 보편적인 상용 마이크를 활용하였고, 다양한 환경 소음을 고려하기 위하여 환경 소 음을 합성한 데이터를 제작하였다. 최종적으로 딥러닝을 활용한 기계 설비 주변의 환경 소음을 효과적으로 제거하고, 고장으로 인한 소리의 미묘한 차이를 감지하여 사람의 오감으로도 찾지 못하는 고장을 정확하게 감지하는 것을 목표로 한다. 이를 통해 노트북 또는 스마트폰에 탑재된 마이크를 이용하여 언제 어디서든 베어링 샤프트 시스템의 고장 감지가 가능함에 따라 추후 산업 현장에서의 적용 가능성이 높을 것으로 기대된다.

    본 논문의 제2장에서는 소리를 이용한 고장 감지 관련 연구를 소개한 후, 제3장에서 기계음 분석을 통한 고장 감지 과정을 전반적으로 설명한다. 제4장에서는 분석에 사용한 베어링 샤프트 시스템의 상태를 정의하고, 연구를 위해 기계음 데이터를 수집하는 과정을 설명하였다. 제5장에서는 수집한 데이터를 기반으로 환경 소음 제거 및 고장 감지 분석을 수행한 결과에 대해 기술하였으며, 제6장에 서는 최종적인 연구 결과를 기술하였다.

    2. 관련 연구

    기계 시스템의 고장을 감지하기 위하여 소리 신호 분석 기반의 많은 연구가 수행되어 왔다[8,13]. 예를 들어, Park and Kim[22]의 연구에서는 음향 방출 신호 분석을 통해 베어링 샤프트 시스템의 고장 상태를 분석하였다. 수집된 신호에서 설비의 정상 상태 대비 고장에 의한 변화를 효과적으로 발견하고자 Short Term Fourier Transform(STFT) 을 수행하였다. STFT를 통해 얻은 Spectrogram(스펙트로그램)을 CNN에 적용하여 고장을 감지한 결과 약 99.95% 의 높은 정확도를 보였다. 컨베이어 시스템에서 발생하는 기계 소리를 분석하여 고장을 감지하고자 하는 연구도 수행되었다[32]. 드론을 통해 컨베이어의 근처에서 발생하는 기계 소리를 원격으로 수집하였으며, Fast Fourier Transform(FFT) 분석 기반의 지도학습으로 실제 현장에서 고장을 감지할 수 있었다.

    온도, 진동과 같은 아날로그 센서 데이터 분석을 통해 고장 감지를 하는데 있어서의 단점이 데이터 수집을 위한 센서를 어디에, 얼마나, 어떤 종류를 설치할 것인가에 관한 고민이라면, 소리 신호를 수집할 때는 주변의 환경 소음에 영향을 받는다는 것이 가장 큰 단점이다. 그러므로 주어진 데이터 내에서 대상 기계 시스템에서 발생하지 않은 환경 소음에 대한 영향을 최소화하기 위한 연구 역시 많이 진행되었다. 예를 들어 Baek and Kim[4]의 연구에서는 시끄러운 생산 환경 내에서 제품에서 발생하는 불량과 관련된 이음을 찾아내고자 듀얼 채널 음향 데이터 수집 시스템을 개발하였다. 제안하는 시스템을 사용할 경우 소리가 들려오는 방향을 기반으로 생산 환경에서 들려오는 배경 소음과 제품에서 발생하는 이음을 충분히 구분할 수 있었다. 컨베이어 시스템의 고장을 감지하는 연구에서도 제조 현장에서 발생하는 소리와 컨베이어 자체에 발생하는 고장으로 인한 소리를 분리할 수 없었다[32]. 이에 따라 현장에서의 경험을 토대로 고장이 발생한 컨베이어의 기계음은 고주파 영역의 주파수 성분이 크게 나타난다는 지식을 고장 감지에 활용하였다(고주파 영역의 주파수 성분이 일정 시간 동안 자주 발생하면 고장으로 판단). 이외에도 많은 연구들을 요약해보면 환경 소음에 대한 부정적 영향을 제거하는 방법은 크게 사전에 기계 시스템의 정상 및 고장 상태에 따라 발생하는 기계음의 특징을 분석하거나(예: 특정 고장 유형에서 관찰되는 Dominant Frequency 대역 등), 반대로 정해진 소음에 대한 학습을 사전에 수행하는 것이다 [12,22].

    이와 같은 방법은 사전에 기계 시스템에 관한 정확한 물리 정보를 알고 있거나, 전문가의 지식이 충분할 때 효과적으로 높은 고장 감지 성능을 보인다. 그러나 환경 소음이나 기계의 고장은 항상 같은 패턴으로 발생하는 것이 아니기에 이에 대해 사전에 지식을 가지고 미리 학습을 하게 될 경우 실제 제조 환경에 적용할 때는 오히려 효용성이 낮아질 것이다. 그러므로 본 연구에서는 환경 소음의 유무에 관계없이 좋은 성능을 보이는 고장 감지 모델을 구축하고자 한다. 이를 위하여 실제 제조 환경에서 손쉽게 수집할 수 있는 정상적으로 작동할 때는 기계음 데이터를 수집한 후 다양한 환경 소음을 학습하여 환경 소음을 제거할 수 있는 모델을 고장 감지 모델에 부착하여 사용하는 것을 제안한다.

    3. 기계음 분석을 통한 고장 감지 모델 프레임워크

    본 연구에서 베어링 샤프트 시스템의 실시간 고장 감지를 위해 수행한 딥러닝 모델의 학습(Train)은 크게 두 가지 스텝으로 구분하여 진행하였다. 첫 번째 스텝은 소음이 없는 베어링 샤프트 시스템의 기계음을 수집하여 Log-mel Spectrogram(로그-멜 스펙트로그램)으로 변환하는 전처리 과정을 거친 후 CNN을 통해 베어링 샤프트 시스템의 고장을 감지하고 고장 유형을 분류하는 것이다. 이는 올바른 기계음 데이터가 입력되었을 때 고장 감지에 있어 정확도가 높은 모델을 구축하기 위한 과정으로 <Figure 1>에서 ‘Step 1’으로 표기되었다. 반면에 ‘Step 2’는 실제 산업 현장에서 기계음 데이터가 수집되는 것을 고려하여 대상 기계에서 발생하지 않으면서 고장 감지에 방해가 될 수 있는 환경 소음이 수집된 데이터에 포함되어 있다고 가정한다. 이를 위해서는 기존 Step 1과 같이 첫 번째 단계로는 Log-mel Spectrogram 변환을 수행하나, 이후 해당 Spectrogram을 CNN 기반의 고장 감지 모델에 직접 입력하기 전에 환경 소음 제거 과정이 필요하다. 해당 과정을 위한 Denoising Autoencoder(DAE) 기반의 환경 소음 제거용 딥러닝 모델 구축 과정을 <Figure 1>의 ‘Step 2’와 같이 추가하였다. 또한 간편한 사용을 위하여 ‘Step 2’ 과정에서 기존 CNN 모델에 대해 별도의 튜닝 과정을 수행하지는 않았다. 요약하자면, 본 연구에서는 수집된 히스토리 데이터를 이용하여 오프라인상에서 모델 학습하는 과정으로 i) 데이터 전처리 관점에서의 환경 소음 제거를 위한 DAE 모델과 ii) 순수 기계음만이 포함된 데이터를 이용하여 고장 감지를 수행하기 위한 CNN 모델을 구축한 것이다.

    온라인에서 고장 감지를 수행할 때는 수집된 소리 데이터 내에 환경 소음이 완벽히 포함되지 않았을 것이라는 확신을 가질 수 없다. 그러므로 수집된 소리 데이터에 대해 항상 <Figure 2>와 같이 순차적으로 DAE 모델과 CNN 모델을 거쳐 실시간으로 현재 베어링 샤프트 시스템의 건전 상태를 정상 또는 고장으로 판단하였다. 이는 딥러닝 모델을 구축하는 관점에서 테스트(Test)에 해당하며 제안한 모델의 성능을 확인하였다. 이어지는 5장에서는 학습 단계에서 사용한 분석 방법에 대해 상세 기술하고자 한다.

    4. 분석 대상 및 수집 데이터

    4.1 베어링 샤프트 시스템의 정상 및 고장 상태 정의

    제안하는 고장 감지 모델을 학습하고 그 성능을 검증하기 위하여 <Figure 3>과 같이 모터에 의해 회전하는 하나의 베어링 샤프트 시스템을 사용하였다. 해당 베어링 샤프트 시스템은 하나의 샤프트(축)가 회전하는 시스템으로써 샤프트의 양 끝단에 각각의 베어링이, 중앙에 플레이트가 삽입되어 있으며 동력은 좌측에 연결된 모터에 의해 공급된다. 또한 제작한 소프트웨어를 통해 샤프트의 회전 속도를 자유롭게 조절할 수 있다. 먼저 정상(Normal) 상태의 경우 제조사에서 제공한 사용 설명서의 기준에 맞게 설치 되어 동작되는 것을 의미한다. 샤프트에 삽입된 플레이트에 별도의 부착물이 없으며 모터에 연결된 샤프트가 휘어 지지 않은 경우이다.

    반면 시스템의 고장 상태로는 문헌조사를 통하여 빈번하게 발생하는 것으로 확인된 축 비틀림(Angular Misalignment)과 무게 불균형(Mass Unbalance)을 <Figure 4>와 같이 재현하고자 하였다[11,12,29]. 축 비틀림의 경우 주 샤프트가 수평의 올곧은 직선을 유지하는 정상 상태와 다르게, 주 샤프트의 직교 방향으로 균일하게 힘을 가하여 휘어지게 만드는 고장 유형이다. 이를 위해 본 연구에서는 메인 모터에 고정된 주 샤프트의 직교 방향에 모터를 추가로 설치하여 균일한 힘을 가하였다. 해당 고장을 발생시키기 위하여 <Figure 5>와 같이 약 3mm 사선으로 휘어지게 조작하였다. 이에 따라 정상 상태에서 축과 거리 측정을 위한 기준점과의 거리가 12.12mm였기에 축 불균형 고장을 위해 서는 3mm를 추가하여 <Figure 4>-(b)와 같이 15.12mm가 되도록 조정하였다.

    무게 불균형의 경우, <Figure 4>-(c)와 같이 샤프트의 가운데 위치한 플레이트를 4분할한 후 특정 분할 면에 추를 3개 추가함으로써 하나의 플레이트 내에서 원심력이 서로 다르게 적용되도록 고장 상태를 설정하였다. 마지막 고장 유형은 축 비틀림과 무게 불균형을 동시에 발생시킨 것이다.

    또한 본 연구에서 고장 상태를 재현하기 위해 설정한 기준은 선행 연구와 사전 실험을 통하여 기계가 작동할 때 들리는 소리로는 작업자가 구분할 수 없을 정도의 수준 임을 확인하였다[11,29]. 예를 들어 <Figure 6>은 실제 정상 및 각 고장 상태에서 수집된 소리 데이터를 Spectrogram으로 변환하였을 때의 결과이다. 보여지는 바와 같이 축 비틀림 고장을 발생시킨 고장 상태(<Figure 6>-(b)) 또는 무게 불균형을 발생시킨 고장 상태(<Figure 6>-(c))에서의 Spectrogram이 정상 상태(<Figure 6>-(a))에서의 Spectrogram과 큰 차이가 없음을 확인할 수 있다.

    4.2 소리 데이터 수집 및 증강

    먼저 분석 대상인 베어링 샤프트 시스템으로부터 정의된 정상 및 고장 상태별로 각 30개의 순수 기계음만이 포함된 데이터 세트를 수집하고자 하였다. 만약 원본 기계음 데이터 수집을 위하여 고성능 마이크를 한다면, 마이크의 자체 기능을 통해 Denoising이 가능하기에 이를 통해 조금 더 고해상도의 데이터를 얻을 수 있다는 장점이 있다. 그러나, 추후 산업 현장에서 상시적으로 사용하기에는 어려움이 있을 것으로 판단하였다. 이에 따라 추후 개발될 고장 감지 모델 활용의 범용성을 고려하여 생산 현장에서 많이 사용되는 노트북, 스마트폰에 내장된 마이크의 성능과 유사한 마이크를 사용하였다. 또한 각 데이터 세트는 정상 및 고장 상태 재현을 위하여 기계적 조작을 위한 제어 파라미터 세팅을 완료한 후, 주변 환경이 조용한 상태에서 축이 회전을 시작하고 나서 약 14초 동안의 소리로 구성되어 있다. 데이터 수집을 위해 사용한 노트북 내장형 마이크는 베어링 샤프트 시스템의 정면에 위치하도록 하였다. 수집된 데이터는 환경 소음이 포함되지 않은 순수 기계음으로 간주하여 CNN 기반의 고장 감지 모델 학습 및 평가에 사용하였다.

    그러나 본 연구에서는 실제 제조 환경에서 바로 적용이 가능하도록 외부 소음이 섞여 있는 경우에도 고장 감지가 가능한 것을 목표로 함에 따라 환경 소음이 함께 섞여 있 는 기계음 데이터가 필요하였다. 환경 소음이 섞여 있는 소리 데이터는 기존에 수집된 순수 기계음 데이터에 다양한 종류의 환경 소음 데이터를 합성하여 증강하였다. 특정 환경 소음에 대해 편향되지 않을뿐더러 실제 제조 환경에서 가장 많이 발생할 수 있는 환경 소음을 얻기 위하여 한국지능정보사회진흥원의 AI-HUB에서 제공하는 자유대 화 음성과 공장 기계음을 이용하였다[1,2]. 베어링 샤프트 시스템 동작으로부터 수집한 모든 상태 종류의 순수 기계음 데이터에 환경 소음 데이터를 합성하여 데이터를 증강하는 과정에서 실제 발생하는 소리의 크기(0.1dB, 0.2dB) 와 유사하게 환경 소음의 최대 크기(Maximum Peak)를 조절하였다. 그 결과, <Table 1>과 같이 각 시스템의 건전 상태에 따른 30개의 데이터 세트 별로 총 12개의 데이터 증강 처리를 통해 총 720종류의 환경 소음이 섞인 기계음 데이터를 추가적으로 생성할 수 있었다.

    4.3 소리 데이터의 Log-mel Spectrogram 변환

    베어링-샤프트 시스템에서 발생하는 기계음은 시간에 따른 변화를 보이는 시계열 데이터 형태이면서, 소리의 삼 요소인 높이(Pitch), 세기(Loudness), 음색(Timbre)에 따라 고유의 특징을 보인다. 이러한 데이터 특징을 효과적으로 고려하기 위해, 시간-크기 2차원의 원본 시계열 데이터를 시간-주파수-진폭의 3차원의 Log-Mel Spectrogram으로 변환하였다. Spectrogram은 소리 데이터를 분석하는 데 있어 보편적으로 사용되는 방법으로, 시간 축에 따른 진폭의 변화를 통해 파형을, 주파수 축의 변화에 따른 진폭의 변화를 스펙트럼을 통해 동시에 확인하는 방법이다[27]. 이러한 Log-mel Spectrogram은 기본 Spectrogram의 주파수 축의 표기 단위를 소리의 삼요소 중 하나인 Pitch에 따른 가 청정도를 고려한 Log-mel scale로 한 번 더 변환한 것이다. Log-mel scale은 저주파수 영역을 더 자세히 분석하고 고주파수 영역은 상대적으로 간략히 표현하기 때문에, 고 주파수 영역에서 자주 관찰되는 환경 소음을 제거하고 분석 대상으로부터 수집되는 기계음 데이터에 집중하기에 효과적이다. <Figure 7>은 원본 기계음 데이터를 Log-mel Spectrogram으로 변환한 예시이다. 변환된 Log-mel Spectrogram은 시간과 주파수 정보를 유지하고 있으며, 가로, 세로, 색상의 변화가 의미를 가지는 2차원 이미지로 간주된다.

    본 연구에서는 실제 베어링 샤프트 시스템으로 수집되거나, 환경 소음을 추가하여 증강한 소리 데이터를 구분하지 않고 분석에 적용하고자 하는 소리 데이터는 모두 데이터 전처리 과정을 통해 Log-mel Spectrogram으로 변환하였다. 이 변환 과정에서 사용된 주요 파라미터와 그에 대한 설정값은 <Table 2>와 같다. 첫째, 샘플링 주파수(Sampling Rate)는 아날로그 신호를 디지털로 변환하기 위해 초당 처리할 수 있는 샘플의 수를 수치로 표현한 것으로 보편적으로 소리 데이터에 많이 사용되는 44,100Hz를 적용하였다. 둘째, 멜 대역의 수(Number of Mel Bands)는 Mel Filter Bank에 있는 필터의 개수이며 숫자가 클수록 전체 소리 데이터의 구간을 세밀하게 나누게 된다. 셋째, 윈도우 길이(Window Length)는 전체 소리 신호를 얼마나 작은 시간 구간으로 나누어 분석할 것인가를 의미하며, 작을수록 더 세밀한 시간 구역으로 구분하여 분석하게 된다. 넷째, 고속 푸리에 변환에서의 주파수 대역의 수(Number of FFT points)는 Window Length가 나눠 놓은 시간 구간에서 주파수 성분을 분석할 때 사용되며, 주파수 해상도를 결정하는 역할을 한다. 마지막으로 다섯째, 홉의 길이(Hop Length)는 시간 도메인에서 슬라이딩 윈도우를 적용할 때 윈도우 간의 이동 간격을 결정하는 파라미터이다. 위와 같은 Log-mel Spectrogram 분석을 위한 파라미터의 설정값은 소리 데이터 분석에서 보편적으로 많이 사용하는 값으로 결정하였다.

    5. 고장 감지 모델 구축 및 분석 결과

    5.1 환경 소음 제거를 위한 Autoencoder 기반 Denoising 모델 구축

    제조 시스템이 작동되는 산업 현장에서 수집된 기계음에 환경 소음이 없다는 보장이 없음에 따라 본 연구에서는 고장 감지 모델에 수집된 원본 데이터를 직접 적용하지 않고, 환경 소음을 항상 선제적으로 제거하는 것을 제안하고자 한다. 이를 위해 Autoencoder 기반의 DAE를 사용하였다. Autoencoder(오토인코더)는 비지도 학습을 위한 대표적인 딥러닝 모델로써, 입력된 데이터를 압축시켜 특징 벡터(Latent Vector)를 생성하고 다시 원본과 최대한 유사하게 복구하는 방법이다. 일반적으로는 Autoencoder의 입력층과 출력층에 동일한 데이터를 사용하여 학습을 수행 한다. 이러한 특징을 응용하여, 모델 학습 시 입력 데이터에는 노이즈를 인위적으로 추가한 데이터를, 출력 데이터에는 노이즈가 추가되기 전의 원본 데이터를 사용하는 DAE 방법이 고안되었다[28]. 고안된 DAE의 경우 모델의 평가 과정에서 입력 데이터 내의 노이즈에 영향받지 않고 원본 데이터를 복원할 수 있는 능력을 갖게 되므로[26], 노이즈에 강건한 모델을 만드는 것이 목적인 경우에 효과적으로 사용할 수 있다.

    본 연구에서는 DAE의 특징을 응용하여 실제 수집된 소리 데이터에서 분석을 방해하는 환경 소음을 노이즈로 간 주하여 제거하는데 사용하고자 하였다. 이를 위해 출력 데이터로는 실제 조용한 환경에서 분석 대상인 베어링 샤프트 시스템만을 작동시킴으로써 수집된 기계음을, 입력 데이터는 출력 데이터에 주변 환경 소음이 섞여 있는 소리 데이터(기계음과 환경 소음)를 사용하여 Denoising 과정을 학습하였다. 본 연구에서 수집한 모든 소리 데이터는 4.3 절에서 소개된 전처리 과정을 통해 선제적으로 Log-mel Spectrogram으로 변환하였으므로, 본 DAE 모델의 입력 데이터로도 Spectrogram 이미지가 그대로 사용되었다.

    제안하는 DAE 모델의 최적 하이퍼파라미터 조합을 찾기 위해 Random Search 기법을 사용하였다. Random Search는 하이퍼 파라미터를 최적화하기 위한 방법 중 하나로, 매개변수 공간 내에서 무작위로 하이퍼파라미터 조합을 선택하고 해당 조합을 평가하여 최적의 조합을 찾아내는 알고리즘이다[16]. 다른 기법들보다 계산 비용을 절감할 수 있고 특정 조합에 집중하는 것보다 더 많은 다양 성을 가진 조합들을 평가할 수 있다. 이에 따라 본 연구에서 제안하는 DAE 모델을 위한 최적화 방식으로 적용하여 입력 및 출력 데이터 간의 차이가 가장 적은 모델을 최종 모델로 선정하고자 하였다. 특히 구축하고자 하는 DAE 모델의 경우 원본 데이터에서 특징을 압축, 추출하는 Encoding 파트와 결정된 특징 벡터를 다시 원본 데이터로 복원시키는 Decoding 파트로 구분될 수 있다. 두 파트는 대칭 형태로 구성됨에 따라 Encoding 파트의 다양한 하이퍼파라미터에 대하여 최적화를 수행한 후 동일한 구조를 Decoding 파트에 그대로 적용하였다. 이에 따라 Random Search를 통해 Encoding 파트의 필터의 크기 및 필터의 수를 탐색하였다. 활성화 함수의 경우 출력층은 색상 값의 특징을 고려하여 Linear, 그 외 층은 Rectified Linear Unit(relu)를 사용하였으며, 효과적인 이미지 복원 과정에서 크기 유지를 위해 Same Padding을 모두 적용하였다.

    탐색 결과, 도출된 높은 성능(작은 Mean Square Error(MSE) 오차)을 보이는 상위 10개의 하이퍼파라미터 조합은 <Table 3>과 같다. 이에 따라 가장 높은 성능을 보이는 은닉층 조합을 선정한 결과 <Figure 8>과 같은 구조 의 DAE 모델을 최종 Denoising을 위해 사용하였다. 예를 들어 실제 수집된 순수 기계음 데이터(<Figure 9>-(a))에 환경 소음 데이터를 합성하여 증강한 Spectrogram(<Figure 9>-(b))을 최종 구축된 Denoising을 위한 DAE 모델에 입력하면 <Figure 9>-(c)와 같은 결과가 나타난다.

    5.2 기계음을 이용한 고장 감지 모델 구축

    수집된 소리 데이터를 Log-mel Spectrogram으로 변환하 고, 5.1절에서 설명한 DAE 모델로 환경 소음까지 제거하고 나면 이어서는 고장 감지를 수행할 순서이다. 3장에서 언급한 바와 같이 본 연구에서는 소리 데이터를 분석하여 고장 감지를 수행하는 딥러닝 모델로써 CNN 구조를 기본 으로 사용하였다. CNN은 이미지 데이터를 분석하여 분류 또는 회귀 문제를 푸는 대표적인 딥러닝 방법으로써, 하나 또는 여러 개의 컨볼루션 층(Convolution Layer)과 풀링 층(Pooling Layer), 완전 연결 계층(Fully Connected Layer)들로 구성되어 있다. 합성곱 층과 풀링 층을 통해 이미지가 갖는 2차원에서의 공간적 구조를 고려할 수 있으므로 이미지 특징을 추출하는데 효과적이기 때문이다[19,23].

    다른 연구에서 많이 사용되는 기계학습 기법이나 고등의 딥러닝 기법을 사용할 수도 있으나 본 연구에서는 제조 현장에서 간편하게 사용될 수 있어야 한다는 장점을 유지 하기 위하여 너무 높은 계산 능력을 요구하지 않는 기법을 활용하고자 하였다. 또한 추후 고장 진단에 있어 기계의 물리적 지식을 활용할 수 있는 여지를 남겨두고자 기존 기계 설비로부터 수집되는 진동 데이터 분석에 많이 사용 되는 Spectrogram을 그대로 입력 데이터로 활용하고자 하 였다. Spectrogram은 <Figure 7>에서 보여지는 바와 같이 좌-우의 공간 관계는 시간의 흐름을, 상-하의 공간 관계는 주파수의 높낮이, 색상은 진폭의 크기를 의미하고 있다. 이에 따라 이미지 분석에 가장 대표적인 CNN 구조를 그대로 사용하되 하이퍼파라미터 최적화를 통해 은닉층의 구조만을 추가로 탐색하였다.

    해당 학습 단계에서는 CNN 기반의 고장 감지 성능을 검증하기 위하여 외부 환경 소음이 없는 순수한 베어링 샤프트 시스템의 기계음만을 이용하여 고장 감지 분석을 수행하였다. 본 연구에서 수집한 전체 데이터를 학습 데이터, 검증 데이터, 평가 데이터로 나누어 분석을 수행하였다. 구체적으로 전체 데이터에서 2:1 비율로 학습 데이터 와 평가 데이터를 나누었고 학습 데이터의 15%를 검증 데이터로 할당하여 모델의 성능을 확인하였다. 요약하자면, 전체 120개의 데이터 중 순수 학습 데이터는 68개(전체 데이터 대비 약 57%), 검증 데이터는 12개(전체 데이터 대비 약 10%), 평가 데이터는 40개(전체 데이터 대비 약 33%)로 분할되었다. 각 학습, 검증, 평가 데이터 내의 정상 및 고장 데이터 유형의 비율은 1:1:1:1이 되도록 조정하였다.

    CNN 모델의 입력 층은 Spectrogram 이미지의 크기에 맞춰 구성되었다면, 구축되는 모델을 통해 최종적으로 현재 베어링-샤프트 시스템의 건강 상태를 알고 싶음에 따라, 출력 데이터는 연구에서 사용하는 시스템의 건전 상태 중 한 가지로 결정할 수 있게 One-hot Encoding 형태의 1 차원 벡터로 결정하였다. 은닉층의 구조는 보편적인 CNN 모델의 형태를 참고하여 컨볼루션 레이어, 최대 풀링 레이어가 1회 이상 반복된 후 완전 연결 계층 레이어를 통해 1차원 벡터 형태의 결과를 출력할 수 있도록 하였다.

    은닉층의 구조를 최적화하기 위하여 Grid Search 기반의 모델 최적화를 수행하였다. Grid Search는 조정하고자 하는 하이퍼파라미터의 종류와 설정 가능한 값들을 사전에 정해두고 모든 조합의 성능을 평가하여 가장 최적의 조합을 찾는 방법이다[31]. 주어진 범위 내에서 무작위로 하이퍼파라미터의 임의 조합을 선택하여 최적화를 진행하는 Random Search와 달리 Grid Search는 탐색 공간을 균일하게 탐색하므로 하이퍼파라미터 변화에 따른 모델의 성능 변화를 세밀하게 분석할 수 있다[30]. 가능한 모든 조합을 시도하기에 계산량이 많아질 수 있지만 구현이 간단하고 탐색해야 할 하이퍼파라미터의 종류나 범위가 적을 경우 탐색 비용 측면에서 효율적이다는 장점이 있어 많은 연구에서 사용되고 있다[7,15]. 이러한 장점을 반영하여 본 연구에서는 Grid Search를 사용하였으며, 탐색 과정에서 조정한 하이퍼 파라미터는 필터 크기, 풀링 유형, 컨볼루션 레이어 수이다.

    각 하이퍼파라미터 별로 탐색 범위를 결정하여 Grid Search를 수행한 결과는 <Table 4>와 같다. 가장 높은 성능을 보인 조합은 (3, 3)의 필터 크기, 최대 풀링(Max pooling), 5층의 컨볼루션 레이어인 경우였으며 학습 데이터 기준 100%의 고장 감지 성능을 보였다. 추가적으로 <Figure 10>은 최종 결정된 고장 감지를 위한 CNN 구조 를 층별로 도식화한 것이다. 이때 활성화 함수의 경우, 출력층은 Softmax, 그 외 층은 relu를 사용하였다.

    5.3 고장 감지 결과

    먼저 5.2절에서 구축된 CNN 모델을 이용하여 환경 소음이 없는 순수 기계음으로 구성된 평가 데이터에 적용하여 고장 감지 성능을 확인하였다. 그 결과 <Table 5>에 제시한 바와 같이 학습 데이터에 이어 평가 데이터에서도 100.0%의 정확도를 보였다. 이는 구축한 고장 감지 모델이 외부 소음이 없는 환경에서 정상과 3가지 고장 상태를 모두 정확히 구분하여 감지할 수 있음을 의미한다.

    추가적으로 환경 소음이 있는 경우에 대해서 고장 감지 성능을 검증하였다. 이는 5.1절에서 최적화한 DAE 모델과 5.2절에서 제안하는 CNN 모델을 결합한 DAE-CNN 모델을 사용하는 것을 의미한다. 별도의 중간 과정 없이 DAE 모델에 소리 데이터를 입력하면 분석 과정을 거쳐 출력된 DAE 모델의 결과가 자동으로 CNN 모델에 다시 입력되는 것으로, CNN 모델에 대한 별도의 튜닝 과정이 없으므로 간편한 고장 감지를 수행할 수 있다. 그 결과 DAE 모델을 거치지 않고 환경 소음이 포함된 소리 데이터를 그대로 사용하여 CNN 모델만을 이용해 고장 감지를 수행하였을 때보다(Test 정확도: 77.5%), 제안한 DAE-CNN 모델로 환경 소음을 제거하였을 때 더 높은 고장 감지 성능(Test 정확도: 98.1%)을 보임을 <Table 6>을 통해 확인할 수 있다. 또한 고장 감지의 성능이 특정 고장 상태 또는 정상 상태에 치우치지 않았다. 이는 구축한 DAE가 주변 소음을 효과적으로 제거할 뿐만 아니라 고장 감지에 필요한 기계음은 잘 보존하였음을 의미한다. 기존에 학습된 CNN 모델 역시 순수 기계음으로부터 고장 감지에 필요한 중요한 특징을 추출하여 학습하고 있음을 확인할 수 있었다.

    추가적으로 기존의 환경 소음의 영향을 최소화하려던 다른 연구들에서 ResNet, MobileNet과 같은 높은 수준의 CNN을 사용하여 분석한 결과, 순수 기계음에서 약 99.9% 의 고장 감지 성능을 보이던 방법들이 환경 소음이 있는 환경에서는 약 4.2% 정도의 낮아진 정확도를 보였다[23]. 그러나 본 연구에서는 환경 소음이 없을 때의 100%의 고장 감지 성능이 환경 소음이 있는 환경에서도 1.9% 정도의 정확도 감소만을 보였으므로 실무 제조 환경에서 사용하기에 적절하다고 볼 수 있다. 다만 본 연구에서는 고장의 종류는 3가지로 구분하였으나 하나의 고장 상태에 대해 조작의 정도를 세분화하여 고장 초기의 상태에서도 고장 감지가 가능한지에 대해서는 별도로 수행하지 않았다. 이를 위해 저자들이 추가적인 연구를 수행하였으며, 축의 비틀림 정도를 1mm, 2mm, 3mm로 세분화하여 고장 감지를 수행하였을 때도 높은 성능을 보임을 확인할 수 있었다 [20].

    6. 결 론

    본 연구는 베어링 샤프트 시스템에서 발생하는 다양한 고장을 감지하는데 있어 실제 산업 현장에서의 효용성을 고려하고자 기계음을 활용한 DAE와 CNN이 결합된 하나의 고장 감지 모델을 제안하였다. CNN 기반의 딥러닝 모델은 여러 가지 시스템의 상태를 정확하게 진단하도록 구축되었으며 DAE 모델은 환경 소음을 처리하는 전처리 과정의 역할로서 소리 데이터 분석의 단점을 해결하고자 하였다. 또한 산업환경에서 발생할 수 있는 다양한 소음을 반영하기 위해 실제 환경 소음을 합성한 데이터를 사용하여, 이를 통해 소음이 섞인 상태에서도 효과적으로 고장을 진단할 수 있는 모델을 구축할 수 있었다. 제안하는 고장 감지 모델은 정상, 축 비틀림, 무게 불균형 등 다양한 시스템의 상태를 성공적으로 탐지하였으며, 기존의 고장 감지 방식보다 환경 소음이 있는 환경에서도 높은 정확도를 보였다. 결론적으로, 본 연구에서 제안한 딥러닝 기반 고장 감지 시스템은 노트북에 내장된 마이크만으로도 베어링 샤프트 시스템의 고장을 실시간으로 감지할 수 있다는 것을 입증하였다. 제안하는 방법을 사용할 경우 별도의 고가 장비나 복잡한 설치, 튜닝 과정 없이도 산업 현장에서 효율적으로 적용될 수 있으며, 나아가 유지보수 비용 절감과 설비 가동 시간의 향상에 기여할 수 있을 것이다.

    그러나 제안한 방법론이 다양한 펌프, 모터, 압축기 등 다양한 산업 장비에 적용되기 위해서는 베어링 샤프트 시스템을 구성하는 축의 수, 베어링의 수를 다양하게 조절하여 데이터를 수집한 후 성능을 검증할 필요가 있다. 해당 과정에서 기초적인 모델을 유지한 채 여러 변화 환경에 맞게 적응할 수 있도록 전이 학습 등을 사용할 방법에 대해 고려하여야 한다. 또한 한 번에 입력할 수 있는 소리 신호의 길이 등과 같은 요소를 다양하게 조절하여 조금 더 고장을 빠르게 감지하거나, 추가로 진행한 연구[20]와 같이 고장이 발생하기까지의 열화 상태 데이터에 대해 추가 분석한다면 예방적 유지보수가 더 효과적으로 적용될 수 있을 것으로 예상한다.

    Acknowledgement

    This work was supported by Korea Institute for Advancement of Technology (KIAT) grant funded by the Korea Government (MOTIE) (P0012744, HRD program for industrial innovation).

    Figure

    JKSIE-47-4-132_F1.gif

    Two Steps for Training Relevant Deep Learning Model for Detecting Fault in a Bearing-shaft System

    JKSIE-47-4-132_F2.gif

    Real-time Fault Detection Procedure By the Trained Deep Learning Model (Combination of DAE and CNN)

    JKSIE-47-4-132_F3.gif

    Description of the Used Bearing-shaft System

    JKSIE-47-4-132_F4.gif

    Description for Normal and Fault States of the Bearing-shaft System

    JKSIE-47-4-132_F5.gif

    Description of a Fault State(Angular Misalignment) Generated by Shifting the Shaft by 3 mm

    JKSIE-47-4-132_F6.gif

    Example of the Log-mel Spectrogram Converted from Original Machine Sound Datasets of Each Healthy Status

    JKSIE-47-4-132_F7.gif

    Example of the Converted Log-mel Spectrogram from an Original Machine Sound Dataset

    JKSIE-47-4-132_F8.gif

    The Finally Determined Structure of Autoencoder based Denoising Model

    JKSIE-47-4-132_F9.gif

    Noise Reduction By the Proposed DAE with Log-mel Spectrograms

    JKSIE-47-4-132_F10.gif

    The Finally Determined Structure of CNN-based Fault Detection Model

    Table

    Description of Generating Augmented Mechanical Sound Datasets By Adding Environmental Noises

    Hyperparameters for Log-mel Spectrogram Transformation

    Hyperparameter Optimization Result By Random Search Strategy for the Proposed DAE model(the Numbers in Parentheses Indicate the Number and Size of Filters in Each Hidden Layer Respectively)

    Hyperparameter Optimization Result for Fault Detection Model with Noise-free Machine Sound Datasets

    Confusion Matrix of the Fault Detection with Test Datasets of Noise-free Machine Sound Signals

    Confusion Matrix of the Fault Detection with Test Datasets of Environmental Noise-included Machine Sound Signals

    Reference

    1. AI Hub, Dataset for AI Research, https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&dataSetSn=109.
    2. AI Hub, Dataset for AI Research, https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&dataSetSn=71376.
    3. Baek, S., Namgung, K., and Oh, H.-Y., Supervised discretization of multivariate sensor data for fault detection in bearing shaft systems, Trans. Korean Soc. Mech. Eng. A, 2020, Vol. 44, No. 1, pp. 63-69.
    4. Baek, W. and Kim, D.-Y., In-process noise inspection system for product fault detection in a loud shop-floor environment, IEEE Transactions on Instrumentation & Measurement, 2021, Vol. 70, pp. 3512111:1-11.
    5. Chandra, N.H. and Sekhar, A.S., Fault detection in rotor bearing systems using time frequency techniques, Mechanical Systems and Signal Processing, 2016, Vol. 72-73, pp. 105-133.
    6. Hou, L., Yi, H., Jin, Y., Gui, M., Sui, L., Zhang, J., and Chen, Y., An inter-shaft bearing fault diagnosis datasets from an aero-engine system, Journal of Dynamics, Monitoring and Diagnostics, 2023, Vol. 2, pp. 228-242.
    7. Im, J. and Ahn, J., Optimal path planning for spatiotemporal space with grid search algorithm, Proceedings of the Korean Society for Aeronautical and Space Sciences Conference, 2019, pp.1065-1066.
    8. Jo, H., A framework for diagnosis of abnormal noise and vibration of vehicle, Transaction of the Korean Society of Automotive Engineers, 2018, Vol. 26, No. 4, pp. 457-463.
    9. Jung, D., Dong, Y., Frisk, E., Krysander, M., and Biswas, G., Sensor selection for fault diagnosis in uncertain sys tems, International Journal of Control, 2020, Vol. 93, No. 3, pp. 629-639.
    10. Jung, H. and Kim, J.-W., A machine learning approach for mechanical motor fault diagnosActual health statesis, Journal of Korean Society of Industrial and Systems Engineering, 2017, Vol. 40, No. 1, pp. 57-64.
    11. Kang, D.H., Machine learning-based fault diagnosis of high-speed rotating machinery supporting by tilting pad bearings, [Master’s thesis], [ChungNam, Korea]: ChungNamNational University, 2017.
    12. Kang, D.H., Song, O., Kim, B.O., and Sun, K.H., Fault diagnosis of high-speed rotating machinery considering metal temperature of oil lubricated berarings, Proceedings of 2017 Joint Conference by KSNVE, ASK, and KSME, 2017, p. 217.
    13. Kang, K.-W. and Lee, K.-M., CNN-based automatic machine fault diagnosis method using spectrogram images, The Journal of Korea Institute of Convergence Signal Processing, 2020, Vol. 21, No. 3, pp. 121-126.
    14. Kim, B.S., Song, G.M., Lee, M.J., and Baek, S., Real-time fault detection system of a pneumatic cylinder via deep-learning model considering time-variant characteristic of sensor data, Journal of Korean Society of Industrial and Systems Engineering, 2024, Vol. 47, No. 2, pp. 10-20.
    15. Kim, G.-D. and Lee, G.-H., Group action recognition through grid search and transformer, Proceedings of the Korean Society of Computer Information Conference, 2023, pp. 513-515.
    16. Kim, H.C. and Kang, M.J., Comparison of Hyper- Parameter Optimization Methods for Deep Neural Networks, Journal of IKEEE, 2020, Vol. 24, No. 4, pp. 49-54.
    17. Kim, S.H., Yergali, B., Jo, H., Kim, K.I. and Kim, J.S., The fault prognostic system for the logistics rotational equipment, Journal of Korean Society of Industrial and Systems Engineering, 2023, Vol. 46, No. 2, pp. 168-175.
    18. Kulkarni, A., Terpenny, J. and Prabhu, V., Sensor selection framework for designing fault diagnostics system, Sensors, 2021, Vol. 21, No. 19, pp. 6470:1-17.
    19. Lee, J.-H., Kwon, M.-G., Kim, Y.-B. and Hur, J.-W., Failure diagnostics of camera image sensor for vehicle using CNN, Journal of the Korea Academia-Industrial cooperation Society, 2022, Vol. 23, No.12, pp. 877-884.
    20. Lee, M. and Baek, S., Deep Learning Based Fault Prediction of Bearing-Shaft System Using Multivariate Sensor Signals, Proceedings of IEEM2024, 2024.
    21. O, G.-U., Kim, S.-T. and Ko, J.-S., Bearing fault diagnosis in induction motor, Proceedings of 2023 Fall Conference of the Korean Institute of Electrical Engineers, 2023, pp. 158-159.
    22. Park, J.H. and Kim, C.H., Analysis of accuracy and computation complexity of bearing fault diagnosis methods using CNN-based deep learning, The Journal of Korean Institute of Next Generation Computing, 2022, Vol. 18, No. 1, pp. 7-18.
    23. Park, J.H. and Kim, C.H., Computation reduction method for CNN-based bearing fault diagnosis, Journal of Digital Contents Society, 2023, Vol. 24, No. 6, pp. 1373-1379.
    24. Rowaihy, H., Eswaran, S., Johnson, M., Verma, D., Bar-Noy, A., Brown, T. and La Porta, T., A survey of sensor selection schemes in wireless sensor network, Unattended Ground, Sea, and Air Sensor Technologies and Applications IX, 2007, Vol. 6562, p. 65621A:1-13.
    25. Saha, D.K., Hoque, M.E., and Badihi, H., Development of intelligent fault diagnosis technique of rotary machine element bearing: A machine learning approach, Sensors, 2022, Vol. 22, No. 3, pp. 1073:1-15.
    26. Seong, J., Kim, S., and Shin, W., A novel denoising autoencoder based acoustic communication system design with audio frequency noise, hardware impairment, Proceedings of the Korean Institute of Communication Sciences Conference, 2022, pp. 90-91.
    27. Tran, T. and Lundgren J., Drill fault diagnosis based on the scalogram and mel spectrogram of sound signals using artificial intelligence, IEEE Access, 2020, Vol. 8, pp. 203655-203666.
    28. Vincent, P., Larochelle, H., Bengio, Y., and Manzagol, P. A., Extracting and composing robust features with denoising autoencoders, Proceedings of the 25th International Conference on Machine Learning, 2008, pp. 1096-1103.
    29. Wen, B., Wang, W., Han, Q., and Yu, C., Effect of ball bearing misalignment on dynamic characteristics of rotor system, IOP Conf. Series: Materials Science and Engineering, 2021, Vol. 1081, pp. 012014:1-10.
    30. Won, J., Shin, J., Kim, J.-H. and Lee, J.-W., A survey on hyperparameter optimization in machine learning, The Journal of Korean Institute of Communications and Information Sciences, 2023, Vol. 48, No. 6, pp. 733-747.
    31. Yang, S. and Kim, H., Improving False Positive Rate of Extended Learned Bloom Filters Using Grid Search, Journal of KIISE, 2022, Vol. 49, No. 1, pp. 78-88.
    32. Yeom, D.-J. and Lee, B-H., Remote fault detection in conveyor system using drone based on audio FFT analysis, Journal of Convergence for Information Technology, 2019, Vol. 9, No. 10, pp. 101-107.