RTO Rotary Motor의 고장 예측을 위한 스펙트로그램 기반 학습 알고리즘 구현 - 진동 분석을 통한 알고리즘 연구

Implementation of Spectrogram-based Learning Algorithm for Failure Prediction of RTO Rotary Motor : An Algorithm Study through Vibration Analysis

본 연구의 목적은 RTO(Regenerative Thermal Oxidizer, 축열식 연소산화장치) 장비에서 사용되는 Rotary Motor의 고장을 정확하게 예측할 수 있는 AI 기반 진단 시스템을 개발하는 것이다. 이 시스템은 기계 상태 모니터링에 중요한 진동 데이터를 활용하였다. 이를 위해 RC 필터를 사용하여 컷오프 주파수가 1kHz인 진동 및 모터 각상 전류 데이터를 수집하였으며, 데이터 샘플링 주파수는 1kHz로 설정하였다. 수집된 데이터는 FFT(고속 푸리에 변환)를 통해 스펙트로그램으로 변환되어 모델의 입력으로 사용된다. 이 스펙트로그램을 이용해 ResNet 기반의 딥러닝 모델을 설계하고 학습시켜 모터의 상태를 예측한다. 모델의 성능은 정확도와 손실 등의 지표를 통해 평가된다. 실험 결과, 제안된 알고리즘은 진동 데이터를 효과적으로 분석하고 Rotary Motor의 상태를 예측할 수 있음을 보여주었으며, 이는 RTO 장비의 실시간 모니터링 및 예방 유지보수에 AI 기반 진단 시스템을 적용할 가능성을 시사하며, 800℃ 이상의 고온을 이용하는 RTO 장비의 인입, 배출 흐름을 제어하는 Rotary 모터의 고장을 예지하여 기존 현장 대비 안전성을 향상시킬 수 있다.

The purpose of this study is to develop an AI-based diagnostic system capable of accurately predicting failures of the rotary motor used in regenerative thermal oxidizer (RTO) equipment. The system utilizes vibration data, which is critical for machinery condition monitoring. To achieve this, vibration and phase current data of the motor were collected using an RC low-pass filter with a cutoff frequency of 1 kHz, and the data were sampled at a rate of 1 kHz. The collected data were transformed into spectrograms via Fast Fourier Transform (FFT) and used as input for the model. A deep learning model based on a ResNet architecture was designed and trained to predict motor conditions using the spectrograms. The model’s performance was evaluated using key metrics such as accuracy and loss. Experimental results demonstrate that the proposed algorithm effectively analyzes vibration signals and accurately predicts the rotary motor’s condition. This outcome suggests the potential application of AI-based diagnostic systems in real-time monitoring and preventive maintenance of RTO equipment. In particular, by enabling early fault detection of rotary motors—which control the inflow and outflow of gases in environments exceeding 800°C—the proposed system significantly improves safety compared to conventional field operations.