2021-07-29 | 천안=박희윤 기자

利用深度学习技术提前诊断制造设备故障

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

能够利用深度学习技术提前诊断制造设备故障的技术由韩国研究团队开发成功。

韩国生产技术研究院29日表示,已与浦项工科大学共同开发出“基于可解释人工智能(AI)的设备故障诊断技术”,可用深度学习技术捕捉制造设备的故障征兆,并以可视化方式呈现其原因和判断依据。

此前开发的制造现场AI故障诊断技术仅能提供设备当前“正常或故障”的简单判定信息,无法就故障发生基于何种理由被预测给出说明与依据,存在局限。

由于这种AI动作解释的困难,该诊断技术被称为所谓“黑箱”,可信度和利用度较低;当故障信号出现时,作业人员为查明原因需用其他方法重新分析或直接检查制造设备,既繁琐又耗时。

为克服这些问题,由生技院尖端机电一体化研究组AI应用制造设备研究中心尹钟弼博士、浦项工大电子电气工程系朴富坚教授和金民秀学生研究员(博士课程)带领的联合研究团队,设计出利用从设备上安装的各类传感器获取的时序振动信号、实时诊断设备状态的深度学习模型。

大多数核心制造设备执行产生固定振动的重复工序,因此可从频率变化中发现故障征兆。所设计的深度学习模型在振动稳定时判定为“正常”,在频率偏离或流态突变时判定为“故障”。

研究团队应用“End-to-End Model”,将传感器传来的基础时序振动信号无需频率变换直接作为输入值,大幅缩短了诊断时间;并在给出判定结果的同时提供有助于查明原因的频率特征,提高了可信度和利用度。

此外,研究团队还同步开展了“FG-CAM算法”的开发研究,该算法可在频率域中将AI对正常/故障状态分类的判断依据可视化呈现。

该算法将深度学习模型通过制造数据自主机器学习得到的正常/故障判断标准,以频率形式表达,便于作业人员理解,帮助解释以往技术难以了解的AI动作,也缩小了黑箱区域。

由此,作业人员在捕捉到制造设备异常征兆后即可信赖AI的判断迅速作出故障诊断,原因查明工作也更为轻松。

生技院尹钟弼博士表示:“这是生技院代表技术‘Key-tech’之一,也是生技院与浦项工大2020年7月签署的‘基于AI的制造创新业务协议’的首个成果”,“作为可广泛应用于能获取重复振动信号的制造设备、发电设施、旋转机械、运输机械等诊断的原创平台技术,目前正与零部件制造企业推进实证项目。”

该成果已于2021年6月发表在工业人工智能领域的知名期刊《国际电气电子工程师协会工业信息学学会论文志(IEEE Transactions on Industrial Informatics)》上。

阅读韩文原文