Journal Search Engine
Download PDF Export Citation Korean Bibliography PMC Previewer
ISSN : 1229-6783(Print)
ISSN : 2288-1484(Online)
Journal of the Korea Safety Management & Science Vol.23 No.4 pp.93-104
DOI : http://dx.doi.org/10.12812/ksms.2021.23.4.093

Comparative Analysis of Machine Learning Algorithms for Healthy Management of Collaborative Robots

Jae-Eun Kim*, Gil-Sang Jang**, KuK-Hwa Lim*
*Graduate School of Business Administration, University of Ulsan, Ulsan, 680-749
**Deptment of Management Information Systems, University of Ulsan, Ulsan, 680-749
Corresponding Author : Gil-Sang Jang, College of Business Administration, University of Ulsan, 93 Daehak-ro, Nam-gu, Ulsan,
E-mail: gsjang@ulsan.ac.kr
November 5, 2021 December 10, 2021 December 10, 2021

Abstract

In this paper, we propose a method for diagnosing overload and working load of collaborative robots through performance analysis of machine learning algorithms. To this end, an experiment was conducted to perform pick & place operation while changing the payload weight of a cooperative robot with a payload capacity of 10 kg. In this experiment, motor torque, position, and speed data generated from the robot controller were collected, and as a result of t-test and f-test, different characteristics were found for each weight based on a payload of 10 kg. In addition, to predict overload and working load from the collected data, machine learning algorithms such as Neural Network, Decision Tree, Random Forest, and Gradient Boosting models were used for experiments. As a result of the experiment, the neural network with more than 99.6% of explanatory power showed the best performance in prediction and classification. The practical contribution of the proposed study is that it suggests a method to collect data required for analysis from the robot without attaching additional sensors to the collaborative robot and the usefulness of a machine learning algorithm for diagnosing robot overload and working load.

협동로봇의 건전성 관리를 위한 머신러닝 알고리즘의 비교 분석

김재은*, 장길상**, 임국화*
*울산대학교 대학원
**울산대학교 경영정보학과

초록


1. 서 론

 최근 산업 분야에서 로봇의 활용이 급증하고 있다. 공장이라 부르는 거의 모든 현장에는 로봇이 인간을 대신해 일 하고 있다. 양산라인에서 로봇의 고장은 생산성과 품질에 막대한 손실을 발생시키므로 로봇의 상태를 실시간으로 점검하는 것은 매우 중요한 일이다. 로봇의 이상 발생 원인으로는 설계 미흡, 부품 불량, 조립 불량, 노후화로 인한 기능 저하 등이 있다. 향후 로봇이 담당하게 될 분야는 점점 넓어질 것이다. 최근 센서, 컨트롤러, 지능화 장비 등의 기술적 발전에 힘입어 이러한 장비를 이용하여 로봇으로부터 신호와 데이터를 모으고 분석하는 것이 가능해졌다. 이러한 데이터를 이용하여 고장을 진단하는 시스템을 위한 많은 연구들이 있었지만 주로 추가적인 센서를 요구하는 진동을 이용한 연구가 주를 이루고 있다. 또한 로봇 진단을 내리기 위한 다양한 머신러닝 알고리즘이 사용되고 있다.
 이에 본 논문에서는 로봇에 추가적인 센서의 부착이 필요하지 않은 데이터를 이용한 로봇 진단을 제안하여 추가적 센서로 인한 공간, 비용적 낭비를 최소화하였다. 그리고 사용되고 있는 다양한 머신러닝 알고리즘들을 로봇 데이터를 이용하여 성능 비교를 하였다.
 

2. 이론적 배경

 산업용 로봇의 기술적 발전과 함께 이를 유지 보수하기 위한 방식에도 많은 발전이 있었다. 최근에는 IoT, 센서 등의 발전과 보급으로 실시간 데이터 수집이 가능해졌다. 심지어 오픈소스 기반의 빅 데이터 플랫폼을 구현하는 것이 가능해졌다[1]. 이러한 환경에 힘입어 머신러닝을 이용한 로봇 진단 분야에 많은 연구가 이루어지고 있다.
 고장 진단에 있어 중요한 2가지 요건이 있다. 첫 번째는 수집한 데이터가 고장에 대한 충분한 정보를 포함하고 있어야 한다는 점이고 두 번째는 얕은 수준의 전통적 머신러닝으로는 복잡하고 비선형적인 시스템을 예측하기 힘들다는 점이다[2]. 이러한 두 가지 요건을 중심으로 관련 연구를 살펴보고자 한다.
 로봇의 시스템은 복잡하고 진동, 위치, 속도, 전류 등 많은 변수들을 지니고 있다. 이러한 변수들 가운데 진동은 로봇의 상태를 잘 반영해주기 때문에 로봇 진단에 가장 널리 연구되고 사용되고 있다[3]. 관련 연구[4]는 주행부 감속기 전면부에 가속도계를 부착하고, 고속 푸리에 변환 (FFT)으로 주파수를 분석하여 기어 고장 발생 주파수를 고장주파수 대역으로 선정하고 그 구역을 감시하는 시스 템을 제안하였다. 하지만 이는 특정 고장만 감지한다는 단 점이 존재한다. 관련 연구[5]는 가속도 센서를 이용하여 정상 데이터를 수집하고 Fluke사의 진동 신호 이상 검출에 대한 연구를 바탕으로 오류데이터를 가상으로 생성하 였다. 이 데이터들을 DBSCAN라는 클러스터링 알고리즘을 이용하여 정상 데이터와 오류데이터를 DBSCAN의 파라미터인 Epsilon과 minPts를 최적화하여 정상과 오류데 이터를 구분하였다. 관련 연구[6]에서는 정상 상태의 베어링과 결함이 있는 베어링의 움직임 시 진동 주파수의 표준편차를 분석하고 이를 신경망 알고리즘으로 학습하고 검증하였다.
 전류를 이용한 다양한 연구도 수행되었다. 관련 연구 [7]에서는 전류와 로봇관절 각도 데이터를 입력으로 하는 딥러닝 Seq2Seq 알고리즘을 이용하여 로봇의 타이밍 벨트의 정상과 마모로 인한 전류와 각도의 변화를 통해 성능을 평가하는 방법을 제안하였다. 관련 연구[8]은 로봇의 반복 동작에서 end effector의 기준 궤적과 다른 궤적 간 의 오차를 측정한다. 두 궤적에 대한 전류의 평균, 표준편차, 왜도, 첨도 등으로 나누어 이를 로봇의 end effector의 궤적의 오차와의 상관분석을 통해 상관계수가 높은 특징을 찾아내었다. 상관계수가 높은 특징을 이용한 다중선 형회귀(multiple linear regression) 분석을 통해 궤적의 오차를 예측하였다. 하지만 이는 궤적의 이상에 대한 기준이 없어 궤적을 통한 이상 예측에는 적합하지 않다는 단점 이 존재한다.
 본 연구에서 제안하는 고장 예지를 위한 데이터는 엔코더 신호를 이용한 위치 및 속도와 토크 센서의 모터 토크 이다. 기존 연구에서 많이 사용된 진동, 전류보다 로봇의 구동과 직접적인 연관이 있는 위치, 속도 그리고 모터 토크 데이터를 사용하였다는 점에서 기존의 연구와 차이가 있다. 엔코더 신호는 회전 샤프트에 연결되어 직접적으로 기계의 움직임을 나타내기 때문에 많은 정보를 포함하고 결함이나 오작동에 민감하다[9]. 또한, 진동 센서를 따로 부착할 필요가 없어 공간적, 비용적 측면에서의 이점을 또한 가지고 있다[10]. 모터 토크는 온도, 속도, 가속도, 기어 상태, 관절각도 등 여러 가지 정보들을 포함하고 있다. 특히 모터 토크는 기어의 상태나 마모로 인한 마찰 증가와 같은 고장과 직접적인 연관이 있기 때문에 로봇의 상태 진단에 있어 중요한 요소이다[11].
 진단을 위해 사용되는 알고리즘으로는 로지스틱 회귀 (Logistic Regression), 통계적 패턴 인식(Statistical Pattern Recognition), 퍼지 논리(Fuzzy Logic), 뉴럴 네트워크(Neural Network), 결정 트리(Decision Tree), 서포트 벡터 머신(Support Vector Machine, SVM) 등 이있다[3]. 그 중 랜덤 포레스트(Random Forest), 그래 디언트 부스팅(Gradient Boosting), 뉴럴 네트워크는 예측모델 및 분석 대회 플랫폼인 캐글(Kaggle)에서 가장 많은 우승을 차지하고 있는 알고리즘들로 범용성이 좋고 성능이 증명된 알고리즘이다. 결정 트리는 그래디언트 부스팅, 랜덤 포레스트의 기초가 되는 알고리즘이다. 랜덤 포 레스트는 결정 트리의 과대 적합을 줄일 수 있는 방법으로 이를 이용한 많은 진단 관련 연구가 진행되었다[12][13]. 그래디언트 부스팅은 랜덤 포레스트보다 메모리가 적게 필요하고 예측 또한 빠르다는 장점이 있어 이를 이용한 여러 연구가 진행되었다[14][15]. 이러한 결정 트리 기반의 알고리즘은 변수 간의 영향도를 파악할 수 있다는 장점 또한 존재한다[16]. 뉴럴 네트워크는 결정 트리 기반의 알고리즘보다 비선형적인 데이터에 강하다[16]는 장점이 있어 진단 분야에 많은 연구가 진행되었다[6][17]. 본 연구에서는 뉴럴 네트워크, 그래디언트 부스팅, 랜덤 포레스 트와 결정 트리의 성능을 로봇의 엔코더 신호와 모터 토크를 이용하여 성능을 비교하였다.
 알고리즘 비교 관련 연구[18]에서는 흙에 함유되어 있는 질소와 탄소의 함량을 스펙트럼 분석을 통해 예측하였다. 예측 시 사용된 알고리즘은 랜덤 포레스트, 뉴럴 네트 워크, 그래디언트 부스팅을 사용하였고 이들의 성능을 비교하였다. 성능 비교결과 데이터에 따라 정확도가 달라져 알고리즘 간 성능 우열을 가려내지 못하였다. 다른 관련 연구[19]는 뉴럴 네트워크, 그래디언트 부스팅, 랜덤 포 레스트를 이용한 차익거래를 위한 주식 예측을 하였고 알고리즘 간 성능을 비교하였다. 비교 결과 3가지 알고리즘 모두 비슷한 성능을 보였다. 이미지 분류나 인식에 대한 랜덤 포레스트와 뉴럴네크워크의 비교 연구[20], 그리고 [21]에서는 뉴럴 네트워크가 랜덤 포레스트보다 더 좋은 성능을 발휘하였다. 하지만 구조의 최적화가 힘들고 훈련 시간이 많이 들어간다는 단점 또한 존재한다.
 

3. 머신러닝 알고리즘의 고찰

 본 논문에서 비교하고자 하는 알고리즘은 뉴럴 네트워크, 결정 트리, 랜덤 포레스트, 그래디언트 부스팅을 대상으로 한다.
 

3.1 Neural Network

 본 논문에서 사용한 뉴럴 네트워크는 다층 퍼셉트론 (MLP)이다. [Figure 3]은 간단한 다층 퍼셉트론으로 입력이 2개, 은닉층의 노드가 3개, 출력이 1개로 이루어져 있다. 입력은 연산과정이 없기 때문에 [Figure 3]은 은닉층과 출력층, 총 2개의 층을 갖는다. 은닉층, 출력층은 각각 입력층, 은닉층과 모두 연결되어있다. 즉, 뉴럴 네트워 크의 은닉층과 출력층은 완전 연결층(fully connected layer)이다.
 
 
 [Figure 4]는 뉴럴 네트워크를 구성하는 한 노드이다. 이 노드의 입력의 개수는 L개이다. 가중치(weight)는 각각의 노드를 연결하고 학습과정에서 조정된다[22].
 
 
 노드의 출력 값은 (1)와 같이 계산된다. 모든 입력 값과 가중치를 곱한 합과 편향치(bias)를 더하여 이를 비선형 함수에 넣은 값이 된다. 노드에서 나가는 값을 비선형 함수에 통과시켜 출력하는데 이는 층을 구성하는 의미를 부여해준다. 이러한 비선형 함수를 활성화 함수(activation function)이라 한다.
 
 

3.2 Decision Tree

 결정트리 분석은 의사결정규칙(decision rule)을 도표화하여 관심대상이 되는 집단을 몇 개의 소집단으로 분류 (classification)하거나 예측(prediction)을 수행하는 분석방법이다. 분석의 과정 및 결과가 나무구조에 의해 표현되기 때문에, 분류 또는 예측을 목적으로 하는 다른 방법들에 비해 분석이 쉽고 설명 가능하다는 장점이 있다[23].
 

3.3 Random Forest

 랜덤 포레스트는 Breiman에 의해 발명된 앙상블 학습 (ensemble learning) 방법이다.[24] 이는 부트스트랩 (bootstrap) 방식을 이용하여 다수의 표본을 생성하고 다수의 결정트리를 병렬로 결합시킨 형태이다[25]. 랜덤 포레스트는 복잡한 데이터 전처리 과정이 필요하지 않으며 서로 상관성이 없는 결정 트리들로 구성되기 때문에 노이즈에 강하고 그래디언트 부스팅과 뉴럴 네트워크보다 빠르다는 장점이 있다[18][26].
 

3.4 Gradient Boosting

부스팅이란 약한 학습기(weak learner)를 결합해서 보다 정확한 강력한 학습기(strong learner)를 만드는 방 식을 말한다. 그래디언트 부스팅 알고리즘에서 식 (2)는 상수항으로 구성된 초기 모델이다. x는 변수, y는 종속변 수, L(y,F(x))는 미분 가능한 손실함수(loss function) 이다.
 
 
 식 (3)은 유사잔차(pseudo–residuals)로 n번 반복하여 계산한다.
 
 
 그리고 (3)과 같이 계산된 유사잔차에 대해 기본 학습 자(base learner)인 를 적합한 후, 식 (4)의 을 계산하고 식 (5)와 같이 잔차를 업데이트하게 된다.
 
 
 그리고 (3)~(5)의 과정을 M번 반복한다[25]. 식 (6) 은 최종 알고리즘이다.
 
 
 학습 데이터 셋은 (xi, yi)로 i는 1에서 n까지이다. L(y, F(x))는 손실함수(loss function)이고 반복횟수 (number of iterations)는 M이다. 그래디언트 부스팅에서는 학습률(learning rate)를 통해 유사잔차에 적합된 모델을 어느 정도로 업데이트할지 규정하게 된다. 학습률은 (식 4)과정을 통해 얻을 수도 있지만, 0.0001~0.1 정도로 작은 값을 설정하는 경우도 있다. 이는 작은 값을 설명하면 세밀한 분류가 가능하기 때문이다[18][19].
 

3.5 적용된 Algorithm parameters

 수집된 데이터를 이용하여 선정한 알고리즘의 성능 검 증을 시행하고자 한다. 검증을 시행할 뉴럴 네트워크의 상 세 시험조건은 <Table 1>과 같고 결정 트리, 랜덤 포레스 트, 그레디언트 부스팅의 조건은 <Table 2>와 같다.
 
 

4. 통계분석을 통한 데이터 특성 분석

연구 대상 협동로봇으로부터 수집된 동작 기준별 모터의 토크, 위치, 속도 데이터의 평균을 히스토그램을 이용하여 무게별로 나타내었다. 히스토그램을 통해 전체적 분포를 확인하여 하중에 따른 변동성과 산포를 평가하였다. 그리고 하중에 따라 데이터를 여러 그룹으로 나누어 분포 간의 차이를 t검정과 분산분석(ANOVA: Analysis of Variance)을 통해 통계적으로 비교하였다.
 

4.1 Data collection

 본 논문에서 사용한 협동로봇은 [Figure 3]과 같이 YASKAWA HC10이다. HC10은 6축 다관절로 가반중량 (payload)은 10kg이다. 실험을 위해 무게가 다른 7가지 (7kg, 8kg, 9kg, 10kg, 11kg, 12kg, 13kg)의 추를 준비하였고 로봇에 pick & place 동작을 설정하였다. 설정된 동작을 추의 무게 당 각 500회씩 반복하여 총 3,500번 pick & place 동작을 수행하였다. 동작 수행 시 약 초당 10~20개의 모터 토크(%), 모터위치(pulse), 모터속도 (pulse/sec) 데이터를 수집하였다. 수집된 데이터를 동작 기준으로 평균을 산출하였다.
 
 

4.2 Histogram 분석

 [Figure 4]는 축별 토크 히스토그램이다. 히스토그램 을 통해 살펴본 축별 토크 크기의 순서는 5, 2, 3, 6, 4, 1축 순이다. 그중 1, 4축은 매우 낮은 수준을 보인다. 작업 하중이 증가하면 2, 3, 5, 6축은 토크가 낮아지는 경향을 보이고 4축은 증가하는 경향이 확인되었다.
 
 
 
 [Figure 5]는 축별 위치 히스토그램이다. 위치변화는 2, 3축에서 큰 편이고 1, 4, 5, 6축의 위치변화는 낮은 편 이다. 작업하중이 증가하면 1, 4축 위치는 증가하고 2, 3, 5축 위치는 감소하는 경향이 확인되며 6축은 쌍봉 형태를 가지고 있다.
 
 
 
 [Figure 6]은 축별 속도 히스토그램이다. 1, 4축 속도 는 낮은 수준이고 2, 3, 5, 6축 속도는 높은 수준이다. 작업하중이 증가하면 2, 3, 5, 6축 속도는 감소하는 경향성이 확인된다. 
 
 
 

4.3 t-test와 f-test 분석

4.3.1 Torque

 전체 하중(7~13kg)의 데이터에 대해 분산분석을 시행 하였다. [Figure 7]과 <Table 3>에서 보는 봐와 같이, 1 축은 작업하중 증가 시 토크 증감이 반복되고 있고, 2, 3, 5, 6축은 일정한 수준을 유지하다가 11kg부터 큰 폭으로 감소하며, 4축은 작업하중의 증가에 따라 토크의 평균값이 지속적으로 증가한다.
 
 
 [Figure 8]과 <Table 4>는 로봇의 가반하중(10kg) 이하의 하중을 정상하중, 가반하중 초과하는 하중을 이상하중으로 구분하여 분석한 결과이다. 2, 5, 6축은 이상그룹이 정상그룹보다 낮고 차이가 통계적으로는 유의하지만 설명력(R제곱)이 낮다. 1, 3축도 2, 5, 6축과 동일한 경향성을 보이지만 모델의 설명력이 매우 낮다. t-test 결과, 토크는 작업하중의 정상/이상 구분으로부터 영향을 받는다.
 
 
 [Figure 9]와 <Table 5>는 정상 작업하중인 7~10kg 를 하중별로 구분하여 분산분석을 실시하였다. 4축은 하중이 증가하면 토크가 증가하였다. 1축은 하중 7, 9, 10kg 일 때 토크는 유사한 수준이나 8kg 일 때 토크가 높은 수준이다. 2, 3, 5, 6축 통계적으로 토크 차이가 유의하나 큰 차이가 없고 설명력 또한 매우 낮다.
 
 
 [Figure 10]와 <Table 6>은 초과 작업하중인 11~13kg 를 하중별로 구분하여 분산분석을 실시하였다. 4축은 하중이 증가함에 따라 토크가 증가하였다. 2, 3, 5, 6축은 하중 증가 시 토크가 하락하였다. 반면에 1축은 11kg에서 12kg로 증가 시 토크는 감소하였지만 12kg에서 13kg 증가 시 토크는 증가하였다.
 
 
 

 4.3.2 위치

 [Figure 11]와 <Table 7>에서 보는 봐와 같이, 1, 4축 은 하중이 증가함에 따라 위치의 평균이 지속적으로 증가 한다. 반면에 2, 3, 5축은 작업하중이 가반하중(10kg)이하일 때 하중이 증가해도 일정한 수준을 유지하다가 11kg 부터 12, 13kg까지 큰 폭으로 감소하였다.
 
 
 [Figure 12]와 <Table 8>은 로봇의 가반하중(10kg) 이하의 하중을 정상하중(7~10kg), 가반하중을 초과하는 하중을 이상하중(11~13kg)으로 구분하였다. 1, 4, 6축 은 이상하중의 위치가 정상하중보다 높다. 2, 3, 5축의 위치는 반대로 이상하중에서 낮았다. 6축의 차이는 통계적으로는 유의한 정도지만 설명력은 매우 낮다.
 
 
 [Figure 13]와 <Table 9>에서는 정상 작업하중 7~10kg 를 하중별로 구분하여 분산분석을 실시하였다. 1, 4, 6축 은 하중 증가 시 위치가 증가하였다. 2, 3, 5축은 하중 증가 시 위치가 감소하나 통계적으로는 유의하지만 큰 차이가 없고 모델의 설명력 또한 매우 낮다.
 
 
 [Figure 14]와 <Table 10>에서는 초과 작업하중이 11~13kg인 데이터를 하중별로 구분하여 분산분석을 실시하였다. 1, 4축은 작업하중 증가 시 위치가 증가하였다. 반대로 2, 3, 5축은 하중 증가 시 위치편차가 감소하였다. 6축은 하중별 차이가 없었다.
 
 

4.3.3 속 도

 [Figure 15]와 <Table 11>에서 보는 봐와 같이, 1, 4 축은 속도가 증감을 반복하는 경향성이 나타난다. 반면에 2, 3, 5, 6축은 작업하중이 가반하중(10kg)이하 일 때 일 정한 속도 수준을 유지하다가 11kg부터 12, 13kg까지 큰 폭으로 감소하였다.
 
 
 
 [Figure 16]과 <Table 12>는 로봇의 가반하중(10kg) 이하의 하중을 정상하중(7~10kg), 가반하중을 초과하는 하중을 이상하중(11~13kg)으로 구분하였다. 2, 3, 5, 6 축의 속도는 이상하중 그룹이 정상하중 그룹보다 낮았다. 4축은 이상하중 그룹이 속도가 높았다. 1축은 속도 차이가 없었다.
 
 
 [Figure 17]과 <Table 13>에서는 가반하중이하 작업 하중 7~10kg를 하중별로 구분하여 분산분석을 실시하였다. 1, 4축은 하중 증가에 따른 경향성이 확인되지 않았다. 2, 3, 5, 6축의 평균이 같지는 않지만 설명력이 매우 낮아 거의 차이가 없는 것으로 나타났다.
 
 
 [Figure 18]과 <Table 14> 작업하중이 11~13kg인 데이터를 하중별로 구분하여 분산분석을 실시하였다. 2, 3, 5, 6축은 하중 증가 시 속도가 감소하였다. 1, 4축은 경향성이 발견되지 않았다.
 
 

4.3.4 통계적 분석 결과

 축별 데이터의 특징을 살펴보면 1, 4축은 2, 3, 5, 6축 에 비해 매우 작은 토크와 속도를 보인다. 즉, 1축과 4축은 설정 pick & place 동작 시 움직임이 거의 없고 무게 또한 거의 받지 않는 축이다. 그에 반해 2, 3, 5, 6축은 속도가 높고 큰 토크 값을 가지는 것을 보아 동작에 주요한 역할을 하는 것으로 판단된다. 먼저 1, 4축을 살펴보면 가반하 중(10kg)을 기준으로 데이터의 경향을 발견할 수 없었고 무게가 증가함에 따라 계속 증가하거나 무게와 상관이 없는 경향을 보여주었다. 2, 3, 5, 6축을 가반하중 이하 (7~10kg)의 경우 6축 위치를 제외하고 분산분석 결과가 결정계수가(R2)가 2.52%이하로 나타나 분포 간의 차이가 매우 작은 것으로 나타났다. 그에 반해 가반하중 초과 (11~13kg) 그룹에서는 6축 위치를 제외하고 하중이 증가함에 따라 토크, 위치, 속도 값이 감소하는 경향을 보였 다. 가반하중 이하 그룹의 분산분석 결정계수에 비해 크게 상승하여 최대 39.03%까지 큰 폭으로 상승하였다. 즉, 가반하중 이하 그룹에서는 모든 분포가 비슷한 반면 가반하중 초과 그룹에서는 하중이 증가함에 따라 분포의 평균이 줄어드는 경향을 보였다. 이를 통해 가반하중 이하에서는 로봇이 일정한 움직임을 취하고 가반하중 초과에서는 하중이 증가함에 따라 움직임이 변화한다는 것을 알 수 있다.
 

5. 머신러닝 알고리즘의 성능비교 분석

 머신러닝 알고리즘의 성능 비교를 위한 적용 모델은 결정 트리, 랜덤 포레스트, 그래디언트 부스팅, 뉴럴 네트워크이다. 통계분석을 근거로 데이터를 가반하중을 기준으로 가반하중 이하(7~10kg)를 정상으로, 가반하중 초과 (11~13kg)를 이상으로 분류하였다.
 데이터는 총 3500건에서 학습(training)을 위해 3150 건(90%), 검증(validation & test)를 위해 350건(10%) 으로 분할하였다. 예측 목표는 설명변수인 작업하중 값 (연속형)에 따른 결과변수인 작업하중의 정상 또는 이상 (이산형)을 구분하는 것이다.
 

5.1 가반하중 예측 모델링

 모델 성능평가 기준으로 설명력 R-Squared와 RMSE (root mean squared error)를 사용하였다. 모델 성능은 <Table 15>와 같이, 뉴럴 네트워크[Figure 19]가 학습과 검증결과 모두에서 설명력이 가장 높고 RMSE이 가장 낮게 나타나 모델의 안정성이 우수한 것으로 판단되었다. 또한 비교 대상인 Tree 기반의 알고리즘인 결정 트리, 랜덤 포레스트, 그레디언트 부스팅은 모두 비슷한 성능과 안정성을 보였다.
 
 

5.2 가반하중 분류 모델링

 모델 분류 성능 평가 기준으로 정/오분류(Misclassification) 를 사용하였다. <Table 16>과 같이 모델 성능은 뉴럴 네트워크가 가장 뛰어나면서 안정성 또한 우수하고 판단된다. 그리고 Tree 기반의 그래디언트 부스팅도 뉴럴 네트워크와 비슷한 분류 성능을 보이고 있다. 
 
 

5.3 영향 변수 중요도

 설명 변수의 우선순위를 확인할 수 없는 뉴럴 네트워크를 제외한 알고리즘 3개의 변수의 영향도를 산출하였다. <Table 17>에서 보는 같이, 토크와 위치 변수가 영향을 미치는 것으로 나타났고 특히 탐색적 분석에서도 확인되었던 4축의 토크와 위치가 가장 큰 영향을 주고 있는 것으로 나타났다. 그리고 우선순위가 높은 영향 변수는 예측 목표와 무관하게 큰 영향을 주고, 속도는 상대적으로 영향이 낮은 것으로 나타났다.
 
 

6. 결론 및 향후연구

 협동로봇은 많은 제조업 생산 공장과 일반 서비스업자 동화에 주요한 역할을 하고 있다. 이러한 로봇의 상태 진단은 중지시간 감소, 기계수명 증가, 기계고장 감소, 생산성 향상 등 기업의 전체 이익을 증대시킨다. 본 논문에서는 추가적 센서의 부착 없이 수집할 수 있는 모터의 토크, 위치, 속도를 서로 다른 하중에서 수집하고 이를 t검정, 분산분석 등의 통계분석을 시행하여 데이터의 분포현황이나 작업하중에 따른 분포 변화를 살펴보았다. 그 결과 가반하중 10kg 이하의 하중과 초과하는 하중 사이 데이터의 다른 경향성을 확인하였다. 이러한 의미는 가반하중 범위 이하의 중량물을 가지고 작업 할 때는 협동로봇의 정상적인 작업이 이루어지며, 가반하중을 초과하는 중량물로 작업 할 때문에는 협동로봇의 부하가 가해지고 있음을 보여주 고 있다. 이러한 통계분석 정보를 바탕으로 알고리즘들을 지도 학습을 위한 데이터로 구성하였다. 또한 성능 비교 시험을 위하여 결정 트리, 랜덤 포레스트, 그레디언트 부스팅, 뉴럴 네트워크의 조건(parameters)을 구성하였다. 예측 목표는 작업하중(연속형)과 작업하중의 정상/이상 구분(이산형)의 두 가지 이다. 두 가지 목표를 기준으로 성능 비교 시험 결과는 두 목표 모두에서 뉴럴 네트워크가 가장 높은 성능과 안정성을 보여주었고, 결정 트리, 랜덤 포레스트, 그레디언트 부스팅은 모두 비슷한 성능을 보여주었지만 뉴럴 네트워크에 비해 다소 부족한 성능과 안전성을 보여 주었다. 본 논문에서 적용한 데이터는 모두 동일한 협동로 봇에서 수집된 데이터로 특정 로봇에 국한된 결과일 수 있 다는 한계가 존재한다. 향후의 계획은 다양한 로봇의 데이터를 수집하여 동작의 변화에 따른 토크, 위치, 속도의 분석결과를 통해 특정 로봇과 동작에 국한되지 않는 특성이나 경향을 찾아 로봇의 진단을 고도화하는 것이다.

Figure

Table

Reference

  1. [1] S. M. Chun, S. Y. Suk(2019), “Development and implementation of smart manufacturing big-data platform using opensource for failure prognostics and diagnosis technology of industrial robot.” IEMEK Journal of Embedded Systems and Applications, 14(4):187-195. https://doi.org/10.14372/IEMEK.2019.14.4.187
  2. [2] G. Xu et al.(2019), “Bearing fault diagnosis method based on deep convolutional neural network and random forest ensemble learning.” Sensors, 19(5):1088. https://doi.org/10.3390/s19051088
  3. [3] J. Lee et al.(2014), “Prognostics and health management design for rotary machinery systems-Reviews, methodology and applications.” Mechanical Systems and Signal Processing, 42(1-2):314-334. https://doi.org/10.1016/j.ymssp.2013.06.004
  4. [4] J. H. Jang et al.(2011), “Propose the method for monitoring of LCD conveyance robot condition using vibration signal.” Proceedings of the Korean Society for Noise and Vibration Engineering Conference, Korea, 584-585.
  5. [5] H. Yoon(2019), “DBSCAN parameter optimization of predictive maintenance system for wafer transfer robot using design of experiment.” Master’s thesis, Myongji University.
  6. [6] A. A. Jaber, R. Bicker(2016), “Fault diagnosis of industrial robot gears based on discrete wavelet transform and artificial neural network.” Insight-Non-Destructive Testing and Condition Monitoring, 58(4):179-186. https://doi.org/10.1784/insi.2016.58.4.179
  7. [7] Y. H. Lee et al.(2019), “Seq2Seq model-based prognostics and health management of robot arm.” The Journal of Korea Institute of Information, Electronics, and Communication Technology, 12(3):242-250. https://doi.org/10.17661/jkiiect.2019.12.3.242
  8. [8] T. Borgi et al.(2017), “Data analytics for predictive maintenance of industrial robots.” 2017 International Conference on Advanced Systems and Electric Technologies(IC_ASET), Hammamet, Tunisia. https://doi.org/10.1109/ASET.2017.7983729
  9. [9] R. N. A. Algburi, H. Gao(2019), “Health assessment and fault detection system for an industrial robot using the rotary encoder signal.” Energies, 12(14):2816. https://doi.org/10.3390/en12142816
  10. [10] M. Zhao et al.(2018), “Instantaneous speed jitter detection via encoder signal and its application for the diagnosis of planetary gearbox.” Mechanical Systems and Signal Processing, 98:16-31. https://doi.org/10.1016/j.ymssp.2017.04.033
  11. [11] A. C. Bittencourt et al.(2011), “Modeling and identification of wear in a robot joint under temperature uncertainties.” IFAC Proceedings, 44(1):10293-10299. https://doi.org/10.3182/20110828-6-IT-1002.01078
  12. [12] C. Deb et al.(2016), “Fault diagnosis of a single point cutting tool using statistical features by random forest classifier.” Indian Journal of Science and Technology, 9(33):1-8. https://doi.org/10.17485/ijst/2016/v9i33/101340
  13. [13] Z. Guo, M. Liu, Z. Xiong(2019), “Fault diagnosis of motor based on VMD-sample entropy-random forest.” Journal of Physics: Conference Series, 1345(3). https://doi.org/10.1088/1742-6596/1345/3/032099
  14. [14] K. Bhakta et al.(2019), “Fault diagnosis of induction motor bearing using cepstrum-based preprocessing and ensemble learning algorithm.” 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE), Cox’s Bazar, Bangladesh. https://doi.org/ 10.1109/ECACE.2019.8679223
  15. [15] Y. Liu et al.(2020), “Fault diagnosis of power transformer based on tree ensemble model.” IOP Conference Series: Materials Science and Engineering, 715(1). https://doi.org/10.1088/1757-899X/715/1/012032
  16. [16] S. P. Curram, J. Mingers(1994), “Neural networks, decision tree induction and discriminant analysis: An empirical comparison.” Journal of the Operational Research Society, 45(4):440-450. https://doi.org/10.1057/jors.1994.62
  17. [17] P. Cao, S. Zhang, J. Tang(2018), “Preprocessingfree gear fault diagnosis using small datasets with deep convolutional neural network-based transfer learning.” IEEE Access, (6):26241-26253. https://doi.org/10.1109/ACCESS.2018.2837621
  18. [18] S. Nawar, A. M. Mouazen(2017), “Comparison between random forests, artificial neural networks and gradient boosted machines methods of on-line Vis-NIR spectroscopy measurements of soil total nitrogen and total carbon.” Sensors, 17(10):2428. https://doi.org/10.3390/s17102428
  19. [19] C. Krauss, X. A. Do, N. Huck(2017), “Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500.” European Journal of Operational Research, 259(2):689-702. https://doi.org/10.1016/j.ejor.2016.10.031
  20. [20] E. Raczko, B. Zagajewski(2017), “Comparison of support vector machine, random forest and neural network classifiers for tree species classification on airborne hyperspectral APEX images.” European Journal of Remote Sensing, 50(1):144-154. https://doi.org/10.1080/22797254.2017.1299557
  21. [21] I. Nitze, U. Schulthess, H. Asche(2012), “Comparison of machine learning algorithms random forest, artificial neural network and support vector machine to maximum likelihood for supervised crop type classification.” Proceedings of the 4th GEOBIA, Rio de Janeiro, Brazil, p. 035.
  22. [22] D. W. Ruck, S. K. Rogers, M. Kabrisky(1990), “Feature selection using a multilayer perceptron.” Journal of Neural Network Computing, 2(2):40-48.
  23. [23] S. T. Han et al.(2011), “A study on the judgement rating for level of need for long-term care insurance using a decision tree.” CSAM (Communications for Statistical Applications and Methods), 18(1):137-146.
  24. [24] L. Breiman(2001), “Random forests.” Machine Learning, 45(1):5-32.
  25. [25] S. Bae, J. Yu(2018), “Estimation of the apartment housing price using the machine learning methods: The case of Gangnam-gu, Seoul.” Journal of the Korea Real Estate Analysts Association, 24(1):69-85. https://doi.org/10.19172/KREAA.24.1.5
  26. [26] J. Park, M. Chae, S. Jung(2016), “Classification model of types of crime based on random-forest algorithms and monitoring interface design factors for real-time crime prediction.” KIISE Transactions on Computing Practices, 22(9):455-460. https://doi.org/10.5626/KTCP.2016.22.9.455
  1. SEARCH
  2. Online Submission

    http://submission.koreasafety.or.kr

  3. KSSM

    The Korean Society of Safety ManagementWaste Society

  4. Editorial Office
    Contact Information

    - Tel: +82.31.336.2844
    - Fax: +82.31.336.2845
    - E-mail: safety@mju.ac.kr