[메카넘 구동 시스템 (6)] 메카넘 로봇 고장진단(1) / 메카넘 로봇의 고장 진단법

[메카넘 구동 시스템 (6)] 메카넘 로봇 고장진단(2) / 결정트리 학습 및 학습결과

지면을 주행하는 메카넘 로봇은 구동 시스템의 고장, 센서의 고장과 같은 내부적인 요인 그리고 구동바퀴의 마모 또는 장애물과의 충돌 등 주변 환경에 의한 외부적인 요인에 의해 고장이 발생할 수 있다. 메카넘 로봇에 발생하는 갑작스런 고장 상황은 주변 작업자의 안전을 위협할 수 있고, 경제적 손실도 일으킬 수 있다. 이런 고장 상황을 극복하고 계속 주어진 업무를 수행하기 위해서는 우선 메카넘 로봇 스스로가 고장의 종류 및 발생 위치를 정확히 진단할 수 있어야 한다. 

메카넘 로봇의 고장을 진단할 수 있는 방법은 다양하다. 기존의 고장 진단 방법인 모델 기반 방법은 정상적인 상태 그리고 고장 상태에 대한 메카넘 로봇의 모델이 필요하다. 하지만 고장 상황이 많을수록 더 많은 고장 상태에 대한 모델이 필요하다.

메카넘 로봇의 경우 4개의 모터를 사용하여 메카넘 휠을 각각 제어하기 때문에 1개 또는 2개의 모터 고장에 대해서 총 16가지의 모델이 필요하다. 이런 모델링 과정은 많은 시간을 요구할 뿐만 아니라 정확히 모델링 하는 것도 어렵다. 기계학습을 통해 고장을 진단한다면 이와 같은 문제를 해결할 수 있다. 이 방법은 단순히 고장 상황에 대한 학습만으로 구동부의 고장 위치를 알 수 있다.

여기서는 기계학습의 한 종류인 결정트리를 이용하여 메카넘 로봇의 구동부 고장을 진단하는 방법에 대해 소개한다.

메카넘 로봇의 고장

메카넘 로봇의 경우, 로봇에 부착된 센서의 고장, 로봇을 움직이게 하는 구동부의 고장, 주변 환경에 의한 고장 등 다양한 고장 상황이 발생할 수 있다. 여러 고장 상황 중 구동부의 고장은 메카넘 로봇의 운동에 큰 영향을 미친다. 특히, 메카넘 로봇은 각 바퀴에 부착된 모터의 회전속도 및 회전방향에 의해 운동방향이 결정되기 때문에 메카넘 로봇에서 구동부의 고장은 치명적이다. 그림 1에 표시된 바와 같이 메카넘 로봇이 전진운동을 하다가 만일 좌측 앞바퀴가 고장 나게 되면 메카넘 로봇이 좌측으로 회전하게 된다.

▲ 그림 1. 메카넘 로봇의 정상상태와 고장상태의 운동 비교

메카넘 로봇의 어떤 한 바퀴가 고장이 난 경우 이를 신속하게 진단할 수 있다면, 메카넘 로봇의 바퀴가 각각 모터로 구동되기 때문에 그림 2와 같이 고장 나지 않은 다른 모터들을 적절히 제어함으로써 구동부의 고장 상황에 대한 대처가 가능하다. 그림 2에 표시된 바와 같이 전진, 후진, 좌측, 우측 이동에 대해 2개의 모터 회전만으로도 같은 방향의 운동을 만들 수 있다.  

▲ 그림 2. 고장상황에 대한 대안 운동

메카넘 로봇의 고장 진단

1. 모델 기반 고장 진단 방법

모델 기반 고장 진단 방법은 명령에 대한 메카넘 로봇의 파라미터, 상태 또는 상태변화를 예측하여 오차를 비교하여 고장 여부를 진단한다. 가장 대표적인 모델 기반 고장 진단 방법은 다양한 고장 상황에 대한 칼만필터 모델을 설계하여 상태 또는 파라미터를 예측하여 고장을 진단하는 방법이다.

이 방법은 고장 상황을 설계한 모델에 대해서만 진단할 수 있고 다른 고장 상황을 진단할 수 없다는 단점이 있다. 그리고 여러 고장 상황들을 설계하는 과정이 어렵고 시간이 많이 걸리는 작업이다. 그림 3은 모델 기반 방법을 이용하여 이동로봇의 고장을 진단하는 흐름도이다.

▲ 그림 3. 모델기반 고장진단 흐름도

2. 기계학습 방법에 의한 고장 진단 

기계학습 방법을 이용하여 고장을 진단하는 경우, 모델 기반 방법과는 다르게 고장 상황에 대한 모델링 과정이 생략된다. 모델링된 고장 상황에서만 진단할 수 있는 모델 기반 고장 진단 방법과는 다르게 기계학습 방법은 다양한 고장 상황에 대한 사전 학습만으로 메카넘 로봇의 다양한 고장 상황을 진단할 수 있다. 일반적으로 사용되는 기계학습 방법으로는 베이시언 분류기, 서포트 벡터 머신, 신경망 모델, 결정트리, 은닉 마코브 모델 등이 있다. 여기서는 결정트리 이론을 이용한 기계학습 방법을 소개하기로 한다.

(1) 결정트리 이론을 이용한 기계학습 방법

기계학습은 크게 지도 학습과 비지도 학습으로 나뉘는데, 훈련 집합의 부류(class) 정보를 알고 있으면 지도학습, 그렇지 않으면 비지도 학습이라 한다. 결정트리는 훈련 집합의 부류 정보를 알고 있는 지도 학습의 한 종류이다. 고장 상황에 대한 정보를 알고 있는 훈련 집합들의 특징을 패턴으로 결정트리를 학습하면, 학습된 결정트리를 이용하여 다양한 고장 상황의 패턴을 스스로 분류한다. 다른 지도학습의 방법인, 다층 퍼셉트론, 서포트 벡터 머신 등과 다르게 결정트리는 학습에 의한 분류 결과를 해석할 수 있는 큰 장점을 가지고 있다.

결정트리는 스무고개와 유사한 원리로 패턴을 분류한다. 그림 4에 표시된 바와 같이 스무고개를 통해 질문에 대한 응답결과로부터 정답을 추리하는 것처럼 결정트리도 질문에 대한 응답에 따라 패턴이 분류된다. 스무고개에서 사람이 질문을 만드는 것처럼 결정트리에서는 컴퓨터가 자동적으로 질문을 만들어야한다. 이 질문을 만드는 과정이 결정트리를 학습하는 과정이다. 결정트리는 노드와 가지로 구성되어 있으며, 노드에는 질문을 포함하고 있으며, 이 질문에 의해 하위노드로 분류된다. 더 이상 하위노드로 분류되지 않는 노드를 잎 노드라고 하며, 잎 노드는 부류정보를 포함하고 있다. 가지는 노드의 질문에 의해 분류되는 샘플을 다음 노드로 보낸다.

▲ 그림 4. 스무고개와 결정트리 비교

3. 특징 선택

결정트리를 학습하기 전에 훈련 집합에서 적절한 특징을 선택해야 한다. 어떤 특징을 선택하느냐에 따라 학습시간이 크게 좌우된다. 모터 4개에 부착된 엔코더와 로봇 중심에 있는 자이로센서로부터 측정된 값 또는 측정값을 기구학적 식을 이용하여 변환한 로봇의 운동 상태를 특징으로 선택할 수 있다. 센서 측정값을 특징으로 선택하면 특징이 5차원의 데이터, 즉 각 휠의 각속도 와 로봇 중심에서의 회전각속도(yaw rate) 이다. 

그러나 지난 호 ‘메카넘 구동 시스템 제어기술’에서 설명된 기구학적 식들을 이용하면, 각 휠의 각속도 를 로봇 중심에서의 속도 의 x 축 및 y 축 성분(와 ) 그리고 회전각속도 로 나타낼 수 있다. 따라서 로봇의 운동 상태를 특징으로 선택하면 특징을 3차원 으로 줄일 수 있다.

메카넘 로봇이 이동 중 고장이 발생하면, 전진 및 후진 운동 상태에서는 전진 및 후진 방향의 속도는 정상상태이거나 큰 변화가 없지만 측면 속도와 회전각속도가 크게 변한다. 이와 같은 특징을 이용하면 표 1과 같이 메카넘 로봇의 운동 방향별로 좌/우 및 회전 이동 그리고 전/후 및 회전 이동으로 구분하여 특징을 선택하면 3차원 특징을 2차원 특징으로 줄일 수 있다. 이와 같이 특징에 대한 차원을 2차원으로 줄임으로써 결정트리 학습시간을 5차원보다 크게 줄일 수 있다.

▲ 표 1. 차원감소를 위한 적절한 특징선택

김종식 _ 부산대 기계공학부 교수