산업 기계의 예측 유지 보수를 위한 IEPE 센서를 사용한 엣지 AI 기반 진동 모니터링 시스템

이 논문은 진동 신호를 분석하여 산업 기계의 결함을 진단하기 위한 임베디드 시스템을 제안합니다. 이 시스템은 경량 임베디드 플랫폼(ESP32 및 NanoPi Neo)과 고해상도 IEPE 압전 센서를 결합하여 기계 상태의 로컬 데이터 수집, 처리 및 분류를 가능하게 합니다. 머신러닝과 신경망 모델은 엣지에서 직접 배포되어 지연을 줄이고 클라우드 기반 계산의 필요성을 없앱니다. 다양한 고장 시나리오에 대한 전체 진동 데이터 세트를 생성하여 공개하여 다른 연구자들이 이를 사용할 수 있도록 하여 결과를 재현할 수 있도록 했습니다. 우리는 NanoPi Neo 플랫폼에서 여러 분류 방법을 사용하고 테스트하여 그 정확성과 속도를 확인했습니다. 여기에는 지원 벡터 기계(SVM), 랜덤 포레스트, k-최근접 이웃(k-NN) 및 신경망이 포함됩니다. 결과는 내장 제약이 있을 때 고전적인 머신러닝 기술이 추론 시간과 분류 정확도 모두에서 딥러닝 모델보다 더 우수하다는 것을 보여줍니다. 랜덤 포레스트는 1.56 ms의 추론 시간으로 F1 점수 99.17%를 달성했으며, SVM은 1.33 ms의 지연으로 98.99%를 달성했습니다. 딥 모델은 계산하는 데 훨씬 더 오랜 시간이 걸렸습니다. 제안된 방법은 AI가 엣지에서 실시간 문제 식별에 사용될 수 있음을 보여주며, 이는 Industry 4.0의 규칙을 따르는 예측 유지 보수를 위한 비용 효율적이고 확장 가능한 방법입니다.