Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes

본 논문은 잔여 수명 추정 및 비전 기반 상태 모니터링을 위한 머신러닝 작업을 지원하도록 설계된, 11 종의 다이나마 합성 섬유 로프를 피로 하중으로 반복 가한 약 34,700 장의 고해상도 이미지로 구성된 새로운 공개 이미지 데이터셋을 소개합니다.

핵심

상상해 보세요. 특수 섬유 (예: 다이네마) 로 만든 매우 강력하고 첨단 기술의 로프가 있다고 가정해 봅시다. 이 로프는 풍력 터빈을 들어 올리거나 선박에서 거대한 하물을 이동하는 것과 같은 중량물 리프팅 작업에 사용됩니다. 고무줄이 너무 많이 늘어나고 구부러진 끝에 결국 끊어지듯, 이러한 로프도 시간이 지남에 따라 마모됩니다. 큰 문제는 이 마모가 로프 내부에서 느리고 눈에 보이지 않게 발생하기 때문에, 언제 끊어질지 정확히 알기 어렵다는 점입니다.

이 논문은 컴퓨터가 이러한 로프의 파손 시기를 예측하는 방법을 학습할 수 있는 새로운 '학습 라이브러리'를 소개합니다. 간단한 개요는 다음과 같습니다:

문제: 로프의 수명 끝을 추측하는 것

현재 로프가 안전한지 알고 싶다면, 작업을 중단하고 눈으로 직접 확인한 후 추측해야 합니다. 이는 한 달에 한 번만 타이어를 살펴보고 언제 터질지 추측하려는 것과 같습니다. 이는 위험하며 종종 잘못될 수 있습니다. 저자들은 카메라가 로프를 지켜보며 "파손되기 전까지 약 500 번의 사용이 더 남았습니다"라고 말할 수 있는 시스템을 구축하고자 했습니다.

해결책: '타임랩스' 사진 앨범

컴퓨터가 이를 수행하도록 가르치기 위해 연구자들은 새것부터 완전히 끊어질 때까지 로프의 전체 수명을 보여주는 방대한 사진 앨범이 필요했습니다. 그들은 약 34,700 장의 고해상도 사진으로 구성된 데이터 세트를 만들었습니다.

이는 타임랩스 비디오와 비슷하지만, 비디오 대신 수천 개의 개별 스냅샷으로 이루어진 것입니다.

• 배우: 11 개의 서로 다른 로프를 사용했습니다.
• 스트레스 테스트: 이 로프들을 펄리 (도르래) 와 같은 바퀴 위를 앞뒤로 구부리는 기계에 수천 번 반복하여 노출시켰습니다. 이는 선박과 크레인에서 실제로 발생하는 구부러짐을 모방한 것입니다.
• 압력: 가벼운 하중 (60 kN) 에서 매우 무거운 하중 (280 kN) 에 이르기까지 다양한 무게 하에서 로프를 테스트했습니다.
• 결과: 일부 로프는 오랫동안 (8,000 번 이상의 구부러짐) 견디는 반면, 다른 로프들은 가혹한 스트레스 하에서 빠르게 (700 번 미만의 구부러짐) 끊어졌습니다.

사진을 찍은 방법

기계가 로프를 특정 횟수만큼 구부릴 때마다 (한 '배스트'마다) 멈췄습니다. 그런 다음 고속 카메라가 로프 길이를 따라 다른 지점의 10 장의 사진을 찍었습니다.

왜 10 장일까요? 손상은 공평하지 않기 때문입니다. 고르게 발생하지 않습니다. 로프의 한 지점은 실이 풀리고 있을 수 있지만, 바로 옆 지점은 완벽해 보일 수 있습니다. 10 장의 사진을 찍으면 컴퓨터가 운 좋은 한 지점만이 아니라 전체 그림을 볼 수 있습니다.

'비밀 소스': 라벨

이 데이터 세트의 모든 사진에는 라벨이 부착되어 있습니다. 이는 "이 사진은 5,000 번 구부린 후 찍혔으며, 로프는 8,000 번 구부러졌을 때 끊어졌습니다"라고 말하는 타임스탬프와 같습니다.

이를 통해 컴퓨터는 간단한 계산을 수행할 수 있습니다:

• 전체 수명: 8,000 번 구부러짐
• 현재 나이: 5,000 번 구부러짐
• 잔여 수명: 3,000 번 구부러짐

모든 사진에 대해 이러한 계산이 있기 때문에, 인공지능 (AI) 은 로프의 사진을 보고 인간의 눈으로는 대부분 멀쩡해 보일지라도 정확히 얼마나 많은 '수명'이 남았는지 계산하도록 훈련될 수 있습니다.

왜 이것이 중요한가

이 논문 이전에는 이러한 로프의 시작부터 끝까지의 전체 수명을 보여주는 사진의 공개된 컬렉션은 존재하지 않았습니다. 연구자들은 직접 작은 테스트를 구축해야 했는데, 이는 시간이 오래 걸리고 비용이 많이 들었습니다.

이제 누구나 이 '사진 앨범'을 다운로드하여 자신의 AI 에게 다음을 가르칠 수 있습니다:

1. 손상을 조기에 발견합니다.
2. 미래를 예측합니다 (남은 구부러짐 횟수).
3. 서로 다른 무게가 로프의 마모 속도를 어떻게 변화시키는지 학습합니다.

요약하자면, 이 논문은 컴퓨터 과학자들이 로프가 끊어지기 전에 언제 교체해야 하는지 정확히 알려주어 사고를 예방하고 비용을 절감할 수 있는 더 똑똑하고 안전한 시스템을 구축하는 데 필요한 이미지 '교과서'를 제공합니다.

기술 요약

기술 요약: 합성 섬유 로프의 잔여 수명 추정을 위한 이미지 데이터셋

문제 제기
해상 크레인, 풍력 터빈 설치 선박, 중량 하역 시스템의 안전한 운영은 고모듈러스 폴리에틸렌 (HMPE) 으로 만든 Dyneema 와 같은 합성 섬유 로프 (SFR) 에 크게 의존합니다. 이러한 로프는 강철 와이어 로프에 비해 강도와 무게 측면에서 장점을 제공하지만, 반복적인 도르래 굴곡 (BOS) 작업 중 점진적인 피로 열화에 취약합니다. 현재 로프 건강 상태를 모니터링하기 위한 업계 관행은 주기적인 수동 시각 점검과 보수적인 "시간 기반 폐기" 정책을 기반으로 하는데, 이는 주관적이며 가변적인 실제 현장 하중 조건에는 적합하지 않습니다. 데이터 기반 상태 모니터링은 유망한 대안이지만, 통제된 반복 피로 하에서 SFR 의 완전한 열화 수명 주기를 포착하는 공개 이미지 데이터셋의 부재로 인해 비전 기반 잔여 수명 (RUL) 추정 알고리즘의 개발이 지연되어 왔습니다. 기존 데이터셋 (결함 분류에 관한 저자들의 이전 연구를 포함) 은 예지 보전에 필요한 시간적 수명 주기 정보를欠缺하고 있습니다.

방법론 및 실험 설정
이러한 데이터 격차를 해소하기 위해 저자들은 11 개의 Dyneema SK75/78 HMPE 로프 시편 (명목 직경 8mm, 12 가닥 브레이드) 을 대상으로 한 통제된 실험 캠페인을 통해 새로운 이미지 데이터셋을 구축했습니다. 실험은 운영 중 BOS 하중을 재현하도록 설계된 도르래 굴곡 시험대에서 수행되었습니다.

• 하중 조건: 시편은 60 kN 에서 280 kN 까지 7 가지 서로 다른 축방향 하중 수준에서 반복 피로에 노출되었습니다. 시험은 하중 지지 능력의 갑작스럽고 완전한 손실로 정의된 기계적 파손이 발생할 때까지 계속되었습니다. 피로 수명은 하중에 반비례하여 60 kN 에서 8,340 사이클 (250 kN 에서 695 사이클) 까지 다양했습니다.
• 데이터 수집: Basler acA2000 고속 카메라 (1920 × 1200 픽셀) 와 12 메가픽셀 렌즈로 구성된 이미지 수집 시스템이 사용되었습니다. 조명은 균일하고 그림자가 없는 조명을 보장하기 위해 45 도 각도로 배치된 Aputure AL-MC RGBWW LED 조명이 제공되었습니다.
• 샘플링 전략: 데이터 수집은 "점검 버스트" 단위로 이루어졌습니다. 고정된 수의 도르래 사이클 (하중에 따라 버스트당 10~20 사이클) 후 시험대가 일시 정지되고, 로프를 따라 서로 다른 단면 위치에서 10 개의 이미지가 촬영되었습니다. 이 공간적 샘플링 전략은 로프 길이 전반에 걸쳐 균일하지 않은 피로 손상 특성을 고려한 것입니다.
• 제어 및 동기화: NVIDIA Jetson Nano P3450 이 이미지 촬영을 관리하며, 핸드셰이크 프로토콜을 통해 시험대의 PLC 와 동기화되어 정확한 타이밍과 사이클 수에 대한 이미지의 명확한 연관성을 보장했습니다.
• 데이터셋 구성: 최종 데이터셋은 약 34,700 개의 고해상도 PNG 이미지로 구성됩니다. 각 이미지는 경과된 사이클 수와 특정 로프 식별자에 주석이 달려 있습니다.

주요 기여
이 연구의 주요 기여는 반복 피로 하에서 HMPE 로프를 위한 최초의 공개 수명 주기 이미지 데이터셋을 공개하는 것입니다. 주요 특징은 다음과 같습니다:

1. 완전한 수명 주기 커버리지: 데이터셋은 11 개 시편 모두에 대해 건강한 상태부터 점진적인 열화, 기계적 파손에 이르는 시각적 궤적을 포착합니다.
2. 다양한 하중 벤치마크: 7 가지 하중 수준 (60~280 kN) 을 포괄함으로써, 하중 조건에 따른 열화율 연구와 다양한 장력 수준에서 일반화되는 모델 개발을 가능하게 합니다.
3. 공간 및 시간 해상도: 점검 버스트당 10 개의 공간적으로 분산된 이미지를 포함함으로써 단일 뷰 전략보다 풍부한 학습 신호를 제공하여 손상의 공간적 변이성을 포착합니다.
4. 직접적인 RUL 라벨링: 모든 이미지는 경과된 사이클 수와 짝을 이루므로, 잔여 수명의 직접 계산 ($RUL = N_{failure} - N_{elapsed}$) 이 가능합니다. 이는 연속 회귀 작업과 이산 수명 단계 분류 (초기, 중기, 후기) 를 모두 지원합니다.
5. 호환성: 데이터 형식과 구조는 CNN, 비전 트랜스포머 (ViT), 다중 모달 비전 - 언어 모델을 포함한 다양한 딥러닝 아키텍처와 호환되도록 설계되었습니다.

결과 및 데이터 특성
이 논문은 해당 데이터로 훈련된 특정 머신러닝 모델의 결과를 제시하지 않습니다. 대신, "결과"는 데이터셋 자체와 그 통계적 속성입니다. 데이터는 적용된 하중과 피로 수명 사이에 명확한 반비례 관계를 보여줍니다. 약 34,700 개의 총 이미지 수는 딥러닝 모델 훈련을 위해 통계적으로 의미 있는 양을 제공합니다. 데이터셋은 시편당 11 개의 폴더로 구성되어 있으며, 각 폴더에는 하중 수준, 로프 속도, 사이클 수에 대한 메타데이터가 포함되어 있습니다.

의의 및 주장
저자들은 이 데이터셋을 연구 커뮤니티를 위한 기초적인 벤치마크 리소스로 위치 짓습니다. 그 의의는 다음과 같습니다:

• 자동화된 RUL 예측 가능화: 임박한 고장에 대한 조기 경보를 제공할 수 있는 비전 기반 시스템 개발을 촉진하여, 계획되지 않은 유지보수 비용을 줄이고 치명적인 안전 사고를 예방할 수 있습니다.
• 상태 모니터링 파이프라인 완성: 저자들의 이전 결함 분류 데이터셋과 결합될 때, 이 리소스는 고장 감지부터 잔여 수명 예측까지 상태 모니터링 (CM) 의 전체 스펙트럼을 커버합니다.
• 표준화: 표준화되고 하중이 다양하며 완전히 주석된 데이터셋을 제공함으로써, 저자들은 수동 점검과 독점 데이터의 한계를 넘어 SFR 을 위한 예지 보전 관리 (PHM) 알고리즘의 개발과 공정한 비교를 가속화하고자 합니다.

이 연구는 특정 알고리즘을 제안하거나 즉각적인 산업 현장 도입을 주장하기보다는 향후 연구를 가능하게 하는 데 필요한 데이터 인프라를 제공하는 데 초점을 맞추어 주장이 겸손합니다. 이 데이터셋은 연구자들이 자체 비전 기반 예지 모델을 개발하고 검증할 수 있도록 하는 도구로 의도되었습니다.