Gramian Angular Difference Field 및 개선된 이중 주의 잔차 네트워크 기반의 롤링 베어링 지능형 결함 진단

스마트 제조의 급속한 발전에 힘입어 데이터 기반의 딥 러닝(DL) 방법이 베어링 결함 진단에 널리 사용되고 있다. 데이터 불균형으로 인한 모델 훈련 중단 문제와 전통 신호 분석 방법의 결함 특징 효과적 추출의 어려움을 겨냥하여, 본 논문에서는 Gramian Angular Difference Field (GADF) 및 Improved Dual Attention Residual Network (IDARN)를 기반으로 한 롤링 베어링의 지능형 결함 진단 방법을 제안한다. 원래의 진동 신호는 네트워크 입력을 위한 2D-GADF 특징 이미지로 인코딩되며; 잔차 구조는 특징의 통합 능력을 향상시키기 위해 이중 주의 메커니즘을 포함하고, 그룹 정규화(GN) 방법이 데이터 불일치로 인한 편향 문제를 극복하기 위해 도입된다; 그 후 모델을 훈련시켜 결함 분류를 완료한다. 제안된 방법의 우수성을 검증하기 위해 케이스 웨스턴 리저브 대학(CWRU) 베어링 데이터 및 베어링 결함 실험 장비에서 얻은 데이터를 다른 일반적인 DL 방법과 비교하였으며, 제안된 모델이 최적으로 성능을 발휘하였다. 이 방법은 결국 두 가지 서로 다른 유형의 데이터 세트에서 각각 99.2% 및 97.9%의 평균 식별 정확도를 달성하였다.