earticle

영어

Recent advancements in deep learning have led to active research in data-driven diagnostic models. However, acquiring high-quality training data for these models entails substantial costs. Moreover, diagnostic models based on collected data often face performance limitations due to domain differences resulting from varied operational conditions in the field. This paper introduces a new framework that leverages digital twins to generate diverse fault data, reducing data collection costs, and utilizes domain adaptation techiniques to attain generalized diagnostic outcomes. Using Matlab to create digital twin vibration data and training diagnostic models, an experiment with CWRU data revealed an increase in accuracy from 61% before domain adaptation to 73% afterward. These findings highlight the viaility of digital twin based diagnostic models and the potential of domain adaptation to overcome domain mismatch issues, thereby enhancing generalized diagnostic performance.

한국어

최근 딥러닝의 발전에 따라 데이터 기반 진단 모델에 대한 연구가 활발히 이루어지고 있다. 하지만 진단 모델 학습을 위해 고품질 의 학습 데이터를 필요로 하는데, 이는 데이터 수집에 상당한 비용이 든다. 또한 수집된 데이터 기반 진단 모델이 현장의 다양한 운영 조건에 따른 도메인 차이로 인해 진단 성능에 한계가 발생하게 된다. 본 논문에서는 디지털 트윈을 이용해 다양한 고장 데이 터를 생성해 데이터 수집에 드는 비용을 절감하고, 도메인 적응 기술을 이용해 일반화된 진단 결과를 얻는 새로운 프레임워크를 제 안한다. Matlab을 이용해 디지털 트윈 진동 데이터를 생성해 진단 모델을 학습하고 CWRU 데이터를 이용한 진단 모델 실험에서, 도메인 적응전 61%의 정확도가 적응 후 73%로 향상되었고, 이 결과를 통해 디지털 트윈을 이용한 진단 모델의 활용 가능성과 이를 이용한 진단을 수행할 때 발생하는 도메인 불일치 문제를 도메인 적응을 통해 일반화된 성능을 나타낼 수 있는 가능성을 보았다.