다중 센서 신호와 의사 감독 기계 학습을 이용한 콜드 스타트 모터 상태 모니터링

요약

서보 모터에서 나오는 다중 센서 원격 측정 데이터(전류, 전압, 온도, 습도, 진동)는 감독 없는 구조 클러스터링, 격리 기반 이상 탐지, 물리 기반 위험 매핑을 통해 처리됩니다. 이 프레임워크는 상태 모니터링을 위한 결정론적 이진 의사 라벨과 매우 정확한 실시간 진단 상태를 출력합니다.

초록

예측 유지보수가 인더스트리 4.0의 데이터 중심 패러다임에서 인더스트리 5.0의 지속 가능하고 인간 중심적인 프레임워크로 전환함에 따라, 서보 모터 상태 진단은 데이터 부족과 라벨링된 결함 샘플의 심각한 부족이라는 이중 도전에 직면해 있습니다. 이 콜드 스타트 문제를 해결하기 위해, 우리는 199개의 서보 모터 텔레메트리 샘플(전류, 전압, 온도, 습도, 진동)으로 구성된 맞춤형 5채널 데이터셋을 기반으로 한 의사 지도 기반 머신러닝 프레임워크를 제시합니다. 이 방법론은 하드 구조 분할(k-means)과 부드러운 사후 신뢰 추정(가우시안 혼합 모델)을 통합하여 사전 주석 없이 운영 모드를 특징짓습니다. 동시에 Isolation Forest 모델은 이상 강도를 정량화하고 동적 분위수 기반 임계값을 설정합니다. 이 연구의 중요한 혁신 중 하나는 공학적 사전에 기반한 결정론적 위험 매핑입니다; 센서의 물리적 안전 마진을 역가중치로 하여 '고위험'(비정상) 상태를 정의합니다. 이 메커니즘은 비감독 클러스터를 이진 의사 라벨로 엄격히 매핑합니다. 이 라벨들은 이후 하위 판별기(랜덤 포레스트 및 서포트 벡터 머신)를 감독하는 데 사용됩니다. 최종 온라인 진단은 분류기 확률과 GMM 사후 값의 점수 수준 융합을 출력하며, 이상 임계값에 의해 제한됩니다. 정량적 평가 결과, 랜덤 포레스트 모델은 완벽한 F1 점수 1.000을 달성했으며, 비교 SVM은 0.997의 F1 점수를 기록하여 이 프레임워크가 콜드 스타트 산업 건강 모니터링에 견고하고 해석 가능하며 매우 정확한 솔루션임을 입증했습니다.

서론

서보 모터 제어 시스템의 신뢰성은 역사적으로 산업 자동화에서 중요한 성능 지표였습니다. 예측 유지보수가 인더스트리 4.0의 데이터 중심 패러다임에서 인더스트리 5.0의 지속 가능하고 인간 중심적인 프레임워크로 진화함에 따라, 시스템은 에너지 효율성과 운영 회복력을 적극적으로 촉진하면서 고정밀도를 보장해야 합니다 ^1,2,3. 장기간 이온 환경에서 열악한 환경에서 발생하는 단층은 치명적인 장비 정지, 심각한 구조적 손상, 그리고 상당한 경제적 손실로 이어질 수 있습니다. ^4,5,6. 그 결과, 초기 결함의 조기 진단은 사치에서 핵심 요구사항으로 전환되었습니다. 견고한 상태 평가를 위해 현대 산업 시스템은 점점 더 다중 센서 기술에 의존하고 있습니다. 전류, 전압, 온도, 진동 등 다양한 신호 모달리티를 동시에 획득함으로써 엔지니어들은 모터 건강 상태에 대한 포괄적이고 고차원적인 뷰를 구축할 수 있습니다 ^7,8. 다중 출처 센서 데이터의 융합은 단일 센서 접근법에 비해 진단 시스템의 견고성과 정확성을 크게 향상시킵니다 ^9,10.

센서 융합과 머신러닝의 발전에도 불구하고, 실제 배포에서 중요한 병목 현상인 '콜드 스타트' 도전은 여전히 남아 있습니다. 일반적인 생산 환경에서는 기계가 수명 주기 대부분을 정상적으로 작동시키기 때문에, 건강한 샘플이 결함이 있는 샘플보다 훨씬 많아 극심한 클래스 불균형이 발생합니다. 표준 지도 딥러닝 모델은 효과적으로 수렴하기 위해 방대하고 균형 잡힌 정밀한 주석이 달린 데이터셋이 필요합니다^11,12. 라벨이 전혀 없거나 구하기 너무 비쌀 때, 이러한 감독 패러다임은¹³을 분해합니다. 따라서 이 연구에서 다루는 근본적인 문제는 라벨이 붙지 않은 다중 센서 모터 데이터를 수동 표시 훈련 데이터 없이 신뢰할 수 있는 이진 진단 경고 신호로 변환하는 것입니다.

데이터 부족 문제에 대응하여 최근 연구는 감독 없는 이상 탐지 기법으로 방향을 전환하고 있습니다. 일반적인 접근법으로는 단일 클래스 지지 벡터 기계(OC-SVM), 딥 오토인코더, 그리고 직접 격리 기반 이상 점수¹⁴가 있습니다. 이러한 방법들은 통계적 편차를 효과적으로 표시하지만, 모터 고장 진단에 직접 적용하는 것은 상당한 한계를 제시합니다. OC-SVM은 동적 산업 부하의 비고정 특성에 매우 민감하여 종종 높은 위양성률을 보입니다. 오토인코더는 재구성 오류를 최소화하는 데 강력하지만,^해석할 수 없는 블랙박스 역할을 합니다; 그들은 수학적 재구성 손실을 실행 가능한 물리적 결함 범주로 전환하는 데 어려움을 겪고 있습니다.¹⁶. 더불어, 표준 격리 숲¹⁷과 같은 직접적 이상 점수 측정 방법은 단지 표본이 통계적 이상치임을 나타냅니다. 그들은 공학적 현실에 뿌리를 둔 '작동' 상태와 '실패' 상태 사이에 결정론적 의사결정 경계를 설정하지 못한다. 본질적으로 이러한 접근법은 비지도 데이터 클러스터를 명시적 진단 라벨에 매핑하는 의미론적 다리가 부족합니다.

이 방법론적 격차를 메우기 위해 본 연구는 통합된 의사 지도 기반 기계 학습 프레임워크를 제안합니다. 제안된 워크플로우의 설계 논리는 독립형 이상 탐지기와 근본적으로 다릅니다. 파이프라인은 단일 전역 재구성 오류나 경계에 의존하는 대신, 먼저 감독되지 않은 하드-소프트 클러스터링(k-means와 가우시안 혼합 모델)을 사용하여 다중 센서 특징 공간을 분할하여 구별되는 작동 모드를 식별합니다. 따라서 임의의 라벨을 부여하는 대신, 확립된 공학적 사전에 기반한 결정론적 위험 매핑 함수(예: 진동과 온도에 대한 물리적 안전 마진)를 기반으로 구성됩니다. 이 물리적 매핑은 휴리스틱 앵커 역할을 하여 비감독 클러스터에 자동으로 이진 의사 라벨("작동 중" 또는 "실패")을 할당합니다. 이러한 물리학 기반 의사 라벨은 복잡한 비선형 경계를 학습할 수 있도록 감독 기반 판별기(랜덤 포레스트 및 SVM)를 훈련시키는 데 활용됩니다. 동시에 격리 숲은 독립적인 이상 현상 게이트 역할을 하며, 확립된 클러스터에 속하지 않는 극단적 이상치를 걸러냅니다. 이 통합 파이프라인은 감독 학습의 판별력을 활용하면서도 비지도 클러스터링의 라벨 없는 자율성을 유지한다는 점에서 매우 유리합니다.

이 연구의 주요 과학적 목표는 엄격한 냉간 시동 제약 하에서 작동할 수 있는 자동 상태 모니터링 시스템을 개발하는 것입니다. 우리는 비지도 구조 클러스터링과 공학적 사전 주도 의사 표지 메커니즘을 결합하면, 수동 주석 데이터로 학습된 모델과 견줄 만한 진단 성능을 가진 감독 분류 경계를 얻을 수 있다는 가설을 명시적으로 검증합니다. 맞춤형 다중 센서 서보 모터 데이터셋에서 이 반감독 프레임워크를 검증함으로써, 본 연구는 고전적 특징 해석 가능성과 이상 게이팅을 통합함으로써 라벨이 붙은 학습 데이터 없이도 매우 정확한 고장 분류가 가능함을 입증하고, 현장 엔지니어의 인지 부담을 줄이고 Industry 5.0의 협업 정신을 진전시킵니다.

프로토콜

1. 실험 설정 및 데이터 전처리

참고: 본 연구에서 제안된 데이터 처리 및 모델링 프레임워크는 고급 프로그래밍 언어로 개발된 맞춤형 스크립트를 통해 구현되었으며, 수치 계산과 머신러닝을 위한 표준 오픈 소스 라이브러리를 활용했습니다. 실험 검증은 멀티코어 프로세서와 개별 그래픽 처리 장치(GPU)가 장착된 고성능 계산 워크스테이션에서 수행되었습니다. 모든 소프트웨어 환경, 계산 하드웨어, 센서 부품에 관한 구체적인 내용은 재료표에 제공되어 있습니다. 제안된 프레임워크의 개요는 오프라인 비지도 학습에서 온라인 이중 임계값 결정 과정으로의 데이터 흐름을 그림 1에 제시합니다. 이 데이터셋은 서보 모터가 다양한 부하 상태에서 작동하는 동안 수집된 203개의 집계된 시간-창 샘플로 구성되어 있으며, 이는 실제 작업장 환경을 시뮬레이션하기 위해 수집되었습니다.

1. 센서 노드를 전략적으로 배치하세요.
2. 모터 케이싱에 진동 가속도계를 장착하고, 전류, 전압, 온도 프로브를 구동 회로에 통합했습니다.
3. 중앙집중식 데이터 획득(DAQ) 보드를 통해 10 kHz 샘플링 주파수로 모든 센서 신호를 동기화합니다.
4. 특징 추출 전에 표준 보정 절차와 디지털 저역 통과 필터링을 적용하여 고주파 전자기 잡음을 제거합니다.
5. 203개 표본마다 1초 측정 사이클에서 통계적 요약(예: 평균 또는 제곱근)을 추출합니다. 이 다섯 가지 특정 변수—전류(A), 전압(V), 온도(°C), 습도(%), 진동(mm/^{s 2} 또는 g)—이 의도적으로 선택되었습니다.
6. 누락된 값(NaN)이 포함된 레코드를 제거하여 모델링 안정성을 보장하고, 199개의 유효 샘플로 구성된 정제된 데이터셋을 구축합니다.
7. 각 샘플 에 대해 각 센서 채널 에 Z-스코어 정규화를 적용하여 거리 기반 구조 학습 알고리즘에 중요한 척도 격차를 제거하세요:
   (1)
   여기서 x_ij 는 원시 값, μ_j는 특징 j의 평균, σ_j 는 표준편차입니다.
8. 정규화된 행렬을 이후 모든 처리 단계에서 X_s 로 저장합니다.
   참고: 주성분분석(PCA)은 X_s 를 2차원 임베딩 행렬 에 투영하는 시각화에만 사용되었으며(그림 5), 후속 모델의 입력 자료로는 제공되지 않았습니다.

2. 비지도 구조 학습

1. 후보 K(2에서 10까지)의 값을 평가하여 최적의 클러스터 수(K*)를 결정합니다.
2. 클러스터 내 제곱합(WCSS)을 계산하여 엘보우 곡선을 생성합니다(그림 3):
   (2)
3. 각 K에 대해 동시에 실루엣 계수 S(I)를 계산하여 구조적 응집성과 분리를 평가합니다:
   (3)
4. 최대 평균 실루엣 점수(예: K*=2)에서 최적의 군집 수를 확립합니다.
5. x에 k-평균 알고리즘을 적용하여 WCSS를 최소화하여 _cμ 중심점과 각 샘플의 하드 클러스터 라벨 을 얻습니다.
6. 조건 경계의 내재적 불확실성을 포착하기 위해 K* 성분을 가진 가우시안 혼합 모델(GMM)을 훈련합니다.
7. 매개변수 를 추정한 후 각 샘플에 대해 사후 확률 을 계산하고, 소프트 신뢰 지표로서 최대 사후 확률을 추출합니다:
   (4)

3. 이상 모델링 및 동적 임계값

1. X_s 에 대해 고립 숲 모델을 학습시켜 주요 군집 구조에서 벗어나는 이상치를 식별합니다.
2. 이상성 점수 s를 0에서 1까지 범위로 계산하라. 기대 경로 길이 E[h(z)]를 기준으로 한다:
   (5)
3. 정적 이상 역치 τ_anom 은 핵 밀도 추정(KDE)을 사용해 이상 점수(_{s if}) 분포를 분석적으로 모델링하여 결정합니다.
4. 정규 운영 분산의 90% 신뢰구간을 상계하도록 분위수를 수학적으로 유도합니다.
   참고: 이 데이터셋에서는 t_anom = 0.592의 결정론적 임계값을 얻었으며, s가_if(z) > 0.592인 샘플은 이상 현상으로 표시되었습니다.
5. 가장 최근 N개의 텔레메트리 샘플을 대상으로 슬라이딩 윈도우를 설정하여 주기적으로 이상 점수 분포를 재계산합니다.
6. 지수 가중 이동평균(EWMA)을 사용하여 임계값을 동적으로 업데이트합니다: , 여기서 α는 잊는 계수이고 _Y는 현재 운영 창에서 도출된 분위수입니다.

4. 위험 매핑을 통한 의사 라벨 생성

1. 각 샘플에 대해 위험 점수 r_i 를 정규화된 특징들의 선형 조합으로 계산하여 의미적 격차를 메우세요:
   (6)
2. 각 클러스터 중심체에 대해 정규화된 특징 평균의 가중 선형 결합을 적용하여 위험 점수 R을 정의합니다.
3. 각 가중치(w_j)의 특정 값을 해당 센서 채널의 물리적 안전 여진의 역수로 계산합니다.
4. 이 역마진을 다음 식으로 정규화하는데, 여기서 v_j 는 채널 의 역안전 마진을 나타냅니다:
   (7)
   \mu_r()g\max_cm
5. 클러스터 위험 점수와 고립 숲 중앙값 이상 점수 간에 양의 Spearman 순위 상관관계()를 확보하여 초기화된 가중치를 검증합니다.
6. 각 k-평균 클러스터에 대한 평균 위험 점수 를 계산합니다.
7. 최대 평균 위험이 나타나는 클러스터를 실패 모드로 식별합니다: .
8. 모든 샘플에 대해 이진 의사 라벨 y_super 를 생성하고, 고위험 클러스터에는 0(실패), 그렇지 않으면 1(작동 중)을 할당합니다:
   (8)

5. 감독 분류기 교육 및 온라인 융합

1. 모델 성능을 엄격히 평가하고 정보 유출을 방지하기 위해 5중 교차 검증 방식을 구현합니다.
2. 전체 의사 표시 파이프라인을 각 접드의 훈련 구간에만 엄격히 제한해야 합니다.
3. 학습 폴드에서 독점적으로 학습된 매개변수만을 사용하여 분리된 검증 분할을 변환합니다.
4. _Xs를 특징으로 하고 동적으로 생성된 y_슈퍼 를 대상으로 삼아 랜덤 포레스트(RF) 분류기를 훈련합니다. 모델은 노동계층의 확률 추정치를 출력하며, 이를 p_rf(z)로 표기합니다.
5. RBF 커널이 장착된 지원 벡터 머신(SVM)을 학습시켜 비교 검증기로서 결정 함수 값 f(z)를 생성합니다.
6. 온라인 추론 단계에서 점수 수준의 융합 메커니즘을 배치하세요.
7. 새로 채취한 샘플 에 대해 감독 있는 RF 확률과 비지도 GMM 신뢰도를 결합하여 융합된 점수 s(z)를 합성합니다:
   (9)
8. 최종 상태를 쌍중 임계 논리로 분류하라: 상태가 "작동 중"으로 분류되는 것은 와 와 가 될 때 에만 해당한다.
   (.

결과

제안된 프레임워크는 자가 수집한 다중 센서 데이터셋을 사용하여 검증되었습니다. 불완전한 기록을 제거한 후 최종 데이터셋은 199개의 유효한 집계 시간창 샘플로 구성되었습니다. 시스템 환경과 알고리즘 매개변수는 표 1에 자세히 나와 있습니다.

특징 상관관계 및 데이터셋 구성
모델링 전에 센서 채널의 중복성과 상보성을 평가하기 위해 특징 상관관계 분석이 수행되었습니다. 피어슨 상관관계 열맵(그림 2)에서 볼 수 있듯이, 채널들은 일반적으로 약한 상관관계를 보이며(예: -0.06의 전류와 전압), 온도와 진동 사이에서 유일하게 주목할 만한 양의 상관관계(약 0.22)가 존재합니다. 이는 선택된 센서들이 다양하고 상호 보완적인 물리적 신호를 제공하여 다중공선성 위험을 효과적으로 완화한다는 것을 확인시켜 줍니다...

토론

이 프로토콜은 라벨이 붙은 데이터가 없는 냉간 시동 상황에서 운동 상태 식별을 위한 견고한 방법론을 제시합니다. 비지도 구조 학습과 의사 지도 분류를 통합함으로써, 이 방법은 인간 주석에 크게 의존하는 전통적인 지도 학습의 한계를 극복합니다 13,18,19. 이 프로토콜에서 중요한 단계는 클러스터 개수(K)를 선택하는 것입니다. 엘보우 및 실루엣 방법(그림 3 및 4)은 이 데이터셋에서 K = 2를 명확히 나타내지만, 실제 데이터는 경계가 덜 명확할 수 있습니다²⁰. 최적 K가 모호한 경우에는 GMM 사후 확률을 검사하는 것이 권장됩니다; 많은 표본에서 ...

재료

```html

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
카테고리			구성 요소 및 버전
운영 체제			Windows 11 Professional 23H2
프로세서			Intel Core i9-14900HX
메모리			32 GB
그래픽 처리기			NVIDIA GeForce RTX 4070 Laptop GPU (8 GB)
Python			3.12
NumPy			1.26
pandas			2.2
scikit-learn			1.5
Matplotlib			3.8
Seaborn			0.13
무작위 시드

```