종이용기를 생산하는 가공공정을 구동하기 위해서는 Fig. 2와 같이 동력전달을 위한 캠 기구가 필요하다. Fig. 2는 종이용기 성형기의 다양한 공정 중 종이용기의 밑면을 접합시키는 Bottom Incurl 공정이다. 상부의 왕복운동을 생산하기 위해 하부의 회전운동부에 입력된 동력을 그 사이에 위치한 캠이 상부에 전달하는 역할을 하며, 이 과정에서 운동의 형태는 회전운동에서 직선왕복운동으로 변환된다. 직선왕복운동 중 상부의 부품이 직선 경로의 각 끝 점에 도달할 때마다 캠은 큰 하중을 받게 되고, 하중을 많이 받는 부분에 마모가 발생하게 된다. 캠에 마모가 발생하면 기계동작 시 발생하는 진동의 크기가 커지게 되는데, 이 때 발생하는 실시간 전압 데이터를 가속도계 센서와 DAQ 장비로 수집하여 진폭의 변화를 확인한다.³ 이 연구에서는 정상상태의 진폭 데이터와 고장상태의 진폭 데이터로 각각 생성시켜 저장하고 이 데이터를 기반으로 한 머신러닝 기법을 사용하여 고장의 진단을 위한 분류기를 개발하였다.

Fig. 2 
3D model of bottom incurl process

앞서 설명한 종이용기 성형기의 고장 진단을 위한 머신러닝 시스템의 개발을 위해서는 데이터의 수집이 필수적이다. 기계학습을 위한 고장상태 및 정상상태 데이터를 수집하기 위해서 실제 Fig. 2의 Bottom Incurl 공정 왕복운동 기구를 기반으로 테스트베드를 제작하였다. 실제로 제작한 테스트베드를 Fig. 3에 나타내었다. 제작된 테스트베드는 실제 성형기와 동일한 크기와 형상 그리고 구동 메커니즘을 가지고 있으며 정상 및 고장 캠의 교체가 가능하여 의도적으로 유발한 고장상태 데이터의 획득 또한 가능하다. 테스트베드를 사용하여 성형기에서 발생하는 캠의 마모고장을 진단하기 위한 데이터 생성 실험을 수행하였다. 정상상태와 고장상태의 데이터를 각각 수집하기 위해서 Fig. 4에서 보여주는 바와 같이 정상시편과 형상 변형을 가정한 고장 시편 두 가지를 제작하고 각 실험에 대한 테스트베드에 적용하여 데이터 수집하였다.⁴

Fig. 3 
Test bed of bottom incurl process (a) Normal cam and (b) Abnormal cam

Fig. 4 
Intentional cam failure for abnormal vibration detection experiment

데이터 수집 플랫폼은 고장 진단 시스템의 중요한 구성요소 중 하나이다. 테스트베드의 왕복운동으로 야기되는 고속의 진동신호를 신속하고 정확하게 획득하기 위하여 이 연구에서는 National Instrument사의 CompactDAQ (cDAQ-9133)를 데이터 수집 플랫폼으로 선정하였으며 Table 2에 설명하였다. 또한, National Instrument사의 프로그래밍 언어인 LabVIEW를 사용하여 데이터를 수집 및 분석하는 방법을 직접 프로그래밍하여 사용하였다. CompactDAQ는 다양한 형태의 신호를 수집하기 위한 독립적 데이터 획득 모듈을 지원하며 이 연구에서는 가속도계로부터 측정된 진동데이터를 수집하기 위한 모듈로 Table 2의 NI 9234모듈을 사용하였다. NI 9234는 4채널의 BNC 커넥터를 가지고 있어 동시에 4개의 가속도계로부터 여러 부분의 데이터를 수집할 수 있는 아날로그 입력 모듈이다. 가속도 신호를 수집하는 트랜스듀서(Transducer)로 Table 2의 KISTLER사 범용 세라믹 전단형 가속도계 8702B50 모델을 사용하였다. 실제 시스템에서는 다양한 고장을 동시에 진단하기 위하여 Table 2의 모듈 이외에도 댜앙한 모듈을 설치하여 고장 진단 시스템을 구성하게 된다.

Components	Function	Specification
cDAQ-9133	Data acquisition platform	- CPU : 1.33 GHz intel Atom - Slot count : 8 slots - Operating : -20 to 55oC - System memory : 2 GB DDR
NI 9234	Acceleration acquisition module	- Sampling speed : 51.2 kS/s - Resolution : 24-bit - Dynamic range : 102 dB
8702B50	Accelerometer	- Sensitivity : 9.8 mV/g - Frequency range : 1-5000 Hz - Output voltage : ±5 V - Acceleration range : ±50 g

종이용기 성형기는 종이용기를 생산하는 데 필요한 산업용 기계로, 종이용기의 생산성 확보를 위해 성형기의 효율적인 고장 진단이 필수적이다. 보다 정확한 고장 진단을 위해 과거에 발생하였던 성형기 고장 이력을 파악하고 이 때 발생한 신호, 수치, 경향성 등을 분석하면 비슷한 현상이 발생하였을 때 성형기에 발생한 고장을 진단할 수 있다. 따라서 주어진 입력 데이터들을 어떤 기준에 따라 몇 개의 그룹으로 나누고, 각 데이터가 어떤 그룹에 해당하는지를 판별하는 패턴인식(Pattern Recognition) 기법을 종이용기 성형기의 고장 진단에 적용하고자 한다. 패턴 분류는 모수적인(Parametric) 방법과 비모수적인(Non-Parametric) 방법으로 나뉘는데, 모수적 방법은 추정하고자 하는 데이터 집합의 확률분포의 형태를 먼저 가정한 후 분류가 진행되는 방법이고 비모수적인 방법은 데이터 분포를 가정하기 어렵거나 비선형 구조를 가지는 경우에 유용한 방법이다. 각 데이터에 대한 데이터 분포를 정확히 알 수 있다면 베이즈 분류기(Bayes Classifier)와 같은 모수적인 방법에 의하여 최적의 분류결과를 얻을 수 있지만 데이터 분포가 비선형적이라면 적절한 결정경계를 찾는데 실패하여 성능의 저하를 초래하게 된다. 따라서 데이터의 분포 형태에 따라 성능이 크게 좌우되지 않는 비모수적 방법을 이용하여 고장 진단을 수행하는 것이 바람직하다고 판단하였다.⁵ 비모수적인 방법 중 하나인 K 근접 이웃 분류기를 이용하여 성형기의 고장을 진단하고자 하였다.

K 근접 이웃 분류기는 머신러닝 기법의 일종으로 데이터간의 거리를 분류에 사용하는 알고리즘이다. 또한, K-NN은 기존의 통계적인 방법이 아닌 비모수적인 방식으로 클래스 라벨이 존재하는 다수의 트레이닝 데이터를 사용하여 벡터 공간상의 K개의 가장 가까운 데이터를 분석하여 어떤 케이스에 속하는지 분류해 낸다. 입력 데이터의 분류 출력은 K개의 가장 근접한 데이터에서 최대 다수가 되는 클래스로 분류된다. 만약 K의 값이 1이라면 데이터는 단순하게 가장 가까운 데이터의 클래스로 귀속된다. Fig. 5는 (0,0), (4,4)를 평균으로 하여 가우시안(Gaussian) 분포를 갖는 2차원 데이터 그룹을 보여준다. 한 그래프 내 2개의 그룹은 임의로 100개의 샘플을 추출하여 각 평균값에 가까운 분포로 K값에 따라 분류한 예이다. Figs. 3(a)와 3(b)의 비교를 통해 K값의 차이에 따라 변경되는 2개의 클래스의 결정경계를 확인할 수 있다.

Fig. 5 
Decision boundary according to K

K-NN 분류기는 데이터 간의 거리를 계산함에 있어서 다양한 거리계산법을 사용하며 일반적으로 식(1)의 유클리디안 거리를 사용한다. 그러나 분류기 성능의 향상을 위해 1차 노름 및 내적 등의 다양한 거리계산법이 사용된다.

분류기를 제작하기 위해 사용되는 데이터는 3.2절에서 설명된 테스트 베드를 통해 수집된다. 캠의 고장을 진단하기 위해서는 고장과 정상 두 가지 클래스 라벨을 가진 데이터를 수집한다. 그리고 분류기는 성형기의 두 가지 구동속도인 250 rpm과 300 rpm 각각의 경우에 대해 두 가지 분류기를 구성한다. 그리고 각각의 분류기를 구성하기 위하여 속도별로 Normal Cam 1과 2 두 가지의 정상캠과 Abnormal Cam 1과 2의 고장캠을 설치하여 성형기의 정상상태와 고장상태의 데이터를 수집하였다. 그리고 Fig. 3에 Mass라고 표기된 위치에 3 kg와 6 kg의 무게추를 추가하여 다른 부품의 노후된 상황을 가정한 데이터를 수집하였다. Table 3에 데이터 수집이 어떤 방법으로 수행 되었는지 표기하였다.

데이터는 분류기를 제작하기 위한 트레이닝 데이터와 분류기에 투입하여 성능을 테스트하기 위한 테스트 데이터를 각각 50개를 수집하였다. 수집된 진동신호는 정확한 분류를 위해 특성을 나타낼 수 있도록 통계적인 신호처리 과정을 거쳐 특성추출을 진행하였다.

데이터는 수학적인 기법을 사용하여 분류에 사용하기 적합한 데이터로 변경한다. 일반적으로 가속도데이터를 사용하기 위하여 Table 4에 표기된 다양한 통계적 특성을 활용하여 데이터를 프로세싱하게 된다.⁶ 이 중에서 데이터를 대표하는 특징을 선정하여 사용한다.⁷ 수집된 특성은 데이터 별로 1차원의 벡터로 만들어 각 벡터 사이의 거리를 계산하는데 사용한다. Fig. 6(a)에서와 같이 진동 데이터를 수집한 후, Fig. 6(b)의 자체제작 프로그램을 통해 진동 데이터로부터 진동 특성 데이터가 수집된다.

Fig. 6 
Vibration data and extracted features