머신러닝 기법의 발달과 함께 기계에서 발생하는 다양한 종류(진동, 온도, 유량 등)의 데이터를 활용하여 기계의 상태를 진단하고 이상 탐지 및 비정상 분류 연구도 활발히 진행되고 있다. 특히 진동 데이터를 활용한 회전 기계의 상태 진단은 전통적인 기계 상태 모니터링 분야로 오랜 기간 동안 연구가 진행되었고, 연구 방법 또한 매우 다양하다. 본 연구에서는 가정용 에어컨에 사용되는 로터리 압축기에 가속도계를 직접 설치하여 진동 데이터를 수집하는 실험을 진행하였다. 데이터 부족 문제를 해결하기 위해 데이터 분할을 수행하였으며, 시간 영역에서의 진동 데이터로부터 통계적, 물리적 특징들을 추출한 후, Chi-square 검증을 통해 고장 분류 모델의 주요 특징을 추출하였다. SVM(Support Vector Machine) 모델은 압축기의 정상 혹은 이상 유무를 분류하기 위해 개발되었으며, 파라미터 최적화를 통해 분류 정확도를 개선하였다.

1. 미소한 단면적 변화율의 관재인발에서는 직접적인 방법에 의한 평균마찰계수(Mean friction coefficient)와 Sachs의 이론치가 매우 근사한 오차를 나타내므로 축방향 응력으로부터 마찰계수를 결정할 수 있다. 2. 비교적 높은 단면적 감소율의 인발에 있어서는 직접적인 방법에 의한 평균마찰계수가 Sachs등의 값 보다 더욱 실험치에 더욱 접근하므로 반경방향분력의 측정이 필요하다. 3. 봉재인발가공에 사용되는 평균마찰계수의 추정치도 관재인발의 경우에 확대 적용이 가능하다.