적응형 하이브리드 딥러닝 모델 기반 협동 로봇의 고장 검출 (Fault Detection in Collaborative Robots based on Adaptive Hybrid Deep Learning Model)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 22권 / 11호 / 79 ~ 88페이지
· 저자명 : 최승환

초록

본 논문에서는 협동 로봇에 적용되는 구동 모듈의 진동 데이터를 활용하여 고장을 조기에 검출할 수 있는 적응형 하이브리드 딥러닝 모델을 제안한다. 기존의 분류 모델은 정상과 고장 데이터를 명확히 분류하기 위해 충분한 데이터를 필요로 하지만, 실제 산업 현장에서는 다양한 고장 유형과 제한된 고장 데이터로 인해 효과적인 고장 검출이 어렵다. 이를 해결하기 위해 반지도학습 기반의 하이브리드 딥러닝 모델을 적용하여 고장 직전의 이상을 효과적으로 탐지하는 방법을 연구하였다. 제안된 모델은 시간 경과와 이상치 연속성에 따른 가중치를 적용하였으며, 각 모델의 성능은 이상 점수를 통해 평가하였다. 실험을 통해 LSTM-VAE 모델이 고장 직전의 이상치를 우수하게 탐지하며, 효과적으로 고장을 검출하였음을 확인하였다.

영어초록

This paper proposes an adaptive hybrid deep learning model for the early detection of faults in the driving modules of collaborative robots using vibration data. Traditional classification models require sufficient data to clearly distinguish between normal and faulty states. However, effective fault detection is challenging in real industrial environments due to the diversity of fault types and limited fault data. To address this issue, a semi-supervised hybrid deep learning model was applied to effectively detect anomalies just before a fault occurs. The proposed model incorporates weights based on time progression and anomaly continuity, with performance evaluated through an anomaly score. Experimental results confirmed that the LSTM-VAE model successfully detects anomalies just prior to fault occurrence, achieving effective fault detection.

참고자료

· 없음