다양한 부품으로 구성되어 있는 시설과 장비들은 운영하는 도중에 문제가 발생하기 시작하면 온도나 압력이 변하거나 진동과 소음이 증가하는 현상이 발생된다. 그리고 적절한 조치가 이루어지지 않을 경우 고장으로 인해 결함이나 손상이 발생하여 가동 중단이나 사고가 발생하며 사회적, 경제적인 손실이 발생된다. 이로 인해 고장이 발생하기 전에 일정한 시간 간격을 두고 정기적인 검사나 부품 교체를 통한 예방 정비를 진행하여 고장을 미연에 방지하고 있지만 불필요한 부품 교체로 인해 비용 손실이 발생되고 갑작스러운 고장을 방지하지 못하는 문제점이 있다. 이러한 문제를 해결하기 위해 신뢰성을 기반으로 고장을 예방하는 RCM(...
다양한 부품으로 구성되어 있는 시설과 장비들은 운영하는 도중에 문제가 발생하기 시작하면 온도나 압력이 변하거나 진동과 소음이 증가하는 현상이 발생된다. 그리고 적절한 조치가 이루어지지 않을 경우 고장으로 인해 결함이나 손상이 발생하여 가동 중단이나 사고가 발생하며 사회적, 경제적인 손실이 발생된다. 이로 인해 고장이 발생하기 전에 일정한 시간 간격을 두고 정기적인 검사나 부품 교체를 통한 예방 정비를 진행하여 고장을 미연에 방지하고 있지만 불필요한 부품 교체로 인해 비용 손실이 발생되고 갑작스러운 고장을 방지하지 못하는 문제점이 있다. 이러한 문제를 해결하기 위해 신뢰성을 기반으로 고장을 예방하는 RCM(Reliability Centred Maintenance)과 RBM(Risk-Based Maintenance) 연구가 진행되었지만 운영 중에 발생하는 전반적인 상황을 대처하기에는 어려움이 있어 현장 적용에는 한계가 있다. 최근 ICT(Information and Communication Technology) 발전과 Industry 4.0의 개념을 바탕으로 시설과 장비에 다양한 센서들을 부착하여 실시간으로 데이터를 수집하고 분석 기법을 통하여 고장을 진단하고 고장 시기를 예측하는 PHM(Prognostics and Health Management)이 연구되고 있다. PHM은 운영 중인 시설과 장비의 결함이나 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하고 고장 수준이나 시기를 예지하여 예측 정비를 통해 고장으로 인해 발생하는 손실을 방지하고 유지 보수의 안전성과 가용성을 확보하여 운용 효율성을 향상하는 기술이다. 그리고 예측 정비의 시기를 위해 PHM은 데이터를 확률 통계 기반으로 접근하여 고장이 발생하기 전의 유효 시간인 RUL(Remaining Useful Life)을 측정한다. PHM은 예방정비 보다 보전성과 경제성, 신뢰성, 가용성을 향상할 수 있어 국내에서도 연구를 진행하고 있지만 아직은 미흡한 실정이다. 이에 본 논문에서는 고장 예측 진단을 위해 머신 러닝(Machine Learning)과 딥 러닝(Deep Learning)을 사용하여 데이터를 분석하고 상태나 고장을 진단하는 모델과 고장률을 추정하여 고장의 시기를 예측하는 예지 모델을 제안한다. 진단 모델에는 지도 학습인 SVM(Support Vector Machine) 기반 진단 모델과 자율 학습인 One-Class SVM 기반 진단 모델을 사용하여 상태를 진단하거나 고장을 진단한다. 예지 모델에는 TTE(Time To Event) 데이터를 비모수적 방법으로 분석하는 MCMC(Markov Chain Monte Carlo) 기반 예지 모델과 모수적 방법으로 데이터를 분석하는 LSTM(Long Short-Term Memory) 기반 예지 모델을 사용하여 시간에 따른 고장률을 추정하고 RUL을 측정하여 고장의 시기를 예측한다. 제안하는 진단 모델과 예지 모델은 데이터의 상태에 따라 적합한 모델을 선택하여 적용하고 상태를 진단하거나 고장률을 추정하여 예측 정비의 시기를 결정한다. 제안한 진단 모델과 예지 모델은 실험을 통해 성능을 검증한다. SVM 기반 진단 모델에는 ROC(Receiver Operating Characteristic) Curve와 Confusion Matrix, 정확도를 사용하여 성능을 검증한다. 그리고 One-Class SVM 기반 진단 모델에는 AUC로 Precision-Recall Curve를 사용하여 성능을 검증한다. MCMC 기반 예지 모델의 경우 시뮬레이션으로 고장률을 추정하여 학습 모델에서 사용하는 성능 평가 지표로 검증하지 못하는 문제점이 있어 이를 해결하기 위해 측정된 이전의 고장률과 현재의 고장률을 DTW(Dynamic Time Warping)의 Distance를 사용하여 성능을 검증한다. LSTM 기반 예지 모델은 상관 계수를 적용하여 성능을 검증한다. 실험 결과 진단 모델과 예지 모델에서 데이터를 분석하여 상태나 고장을 진단하고 고장률을 추정하여 사용 시기 및 정비 시기를 예측함으로써 본 논문에서 제안한 진단 모델과 예지 모델의 유효성을 입증하였다. 향후, 본 논문에서 제안하는 진단 모델과 예지 모델에 실 데이터를 적용하고 실험을 진행하여 모델 성능 평가 지표를 통해 검증하면 산업 전반에서 사용되는 시설 설비 분야에 응용 및 적용이 가능할 것으로 예상된다.
주요어 : Deep Learning, Machine Learning, PHM, RUL, Survival Analysis, Weibull Distribution
다양한 부품으로 구성되어 있는 시설과 장비들은 운영하는 도중에 문제가 발생하기 시작하면 온도나 압력이 변하거나 진동과 소음이 증가하는 현상이 발생된다. 그리고 적절한 조치가 이루어지지 않을 경우 고장으로 인해 결함이나 손상이 발생하여 가동 중단이나 사고가 발생하며 사회적, 경제적인 손실이 발생된다. 이로 인해 고장이 발생하기 전에 일정한 시간 간격을 두고 정기적인 검사나 부품 교체를 통한 예방 정비를 진행하여 고장을 미연에 방지하고 있지만 불필요한 부품 교체로 인해 비용 손실이 발생되고 갑작스러운 고장을 방지하지 못하는 문제점이 있다. 이러한 문제를 해결하기 위해 신뢰성을 기반으로 고장을 예방하는 RCM(Reliability Centred Maintenance)과 RBM(Risk-Based Maintenance) 연구가 진행되었지만 운영 중에 발생하는 전반적인 상황을 대처하기에는 어려움이 있어 현장 적용에는 한계가 있다. 최근 ICT(Information and Communication Technology) 발전과 Industry 4.0의 개념을 바탕으로 시설과 장비에 다양한 센서들을 부착하여 실시간으로 데이터를 수집하고 분석 기법을 통하여 고장을 진단하고 고장 시기를 예측하는 PHM(Prognostics and Health Management)이 연구되고 있다. PHM은 운영 중인 시설과 장비의 결함이나 성능 저하를 지속적으로 모니터링하여 이상 징후를 진단하고 고장 수준이나 시기를 예지하여 예측 정비를 통해 고장으로 인해 발생하는 손실을 방지하고 유지 보수의 안전성과 가용성을 확보하여 운용 효율성을 향상하는 기술이다. 그리고 예측 정비의 시기를 위해 PHM은 데이터를 확률 통계 기반으로 접근하여 고장이 발생하기 전의 유효 시간인 RUL(Remaining Useful Life)을 측정한다. PHM은 예방정비 보다 보전성과 경제성, 신뢰성, 가용성을 향상할 수 있어 국내에서도 연구를 진행하고 있지만 아직은 미흡한 실정이다. 이에 본 논문에서는 고장 예측 진단을 위해 머신 러닝(Machine Learning)과 딥 러닝(Deep Learning)을 사용하여 데이터를 분석하고 상태나 고장을 진단하는 모델과 고장률을 추정하여 고장의 시기를 예측하는 예지 모델을 제안한다. 진단 모델에는 지도 학습인 SVM(Support Vector Machine) 기반 진단 모델과 자율 학습인 One-Class SVM 기반 진단 모델을 사용하여 상태를 진단하거나 고장을 진단한다. 예지 모델에는 TTE(Time To Event) 데이터를 비모수적 방법으로 분석하는 MCMC(Markov Chain Monte Carlo) 기반 예지 모델과 모수적 방법으로 데이터를 분석하는 LSTM(Long Short-Term Memory) 기반 예지 모델을 사용하여 시간에 따른 고장률을 추정하고 RUL을 측정하여 고장의 시기를 예측한다. 제안하는 진단 모델과 예지 모델은 데이터의 상태에 따라 적합한 모델을 선택하여 적용하고 상태를 진단하거나 고장률을 추정하여 예측 정비의 시기를 결정한다. 제안한 진단 모델과 예지 모델은 실험을 통해 성능을 검증한다. SVM 기반 진단 모델에는 ROC(Receiver Operating Characteristic) Curve와 Confusion Matrix, 정확도를 사용하여 성능을 검증한다. 그리고 One-Class SVM 기반 진단 모델에는 AUC로 Precision-Recall Curve를 사용하여 성능을 검증한다. MCMC 기반 예지 모델의 경우 시뮬레이션으로 고장률을 추정하여 학습 모델에서 사용하는 성능 평가 지표로 검증하지 못하는 문제점이 있어 이를 해결하기 위해 측정된 이전의 고장률과 현재의 고장률을 DTW(Dynamic Time Warping)의 Distance를 사용하여 성능을 검증한다. LSTM 기반 예지 모델은 상관 계수를 적용하여 성능을 검증한다. 실험 결과 진단 모델과 예지 모델에서 데이터를 분석하여 상태나 고장을 진단하고 고장률을 추정하여 사용 시기 및 정비 시기를 예측함으로써 본 논문에서 제안한 진단 모델과 예지 모델의 유효성을 입증하였다. 향후, 본 논문에서 제안하는 진단 모델과 예지 모델에 실 데이터를 적용하고 실험을 진행하여 모델 성능 평가 지표를 통해 검증하면 산업 전반에서 사용되는 시설 설비 분야에 응용 및 적용이 가능할 것으로 예상된다.
주요어 : Deep Learning, Machine Learning, PHM, RUL, Survival Analysis, Weibull Distribution
Facilities and equipment made up of various components may experience changes in temperature or pressure, the vibration and noise may increase when problems begin to occur during operation. If no proper action is taken, mechanical defect or damage caused by trouble may result in downtime or accident...
Facilities and equipment made up of various components may experience changes in temperature or pressure, the vibration and noise may increase when problems begin to occur during operation. If no proper action is taken, mechanical defect or damage caused by trouble may result in downtime or accidents, what can lead to social and economic losses. Therefore, it is necessary to maintain with a regular preventative maintenance schedule for all equipment before a failure occurs, but there is a problem in that unnecessary parts replacement will causes cost loss and the sudden failure could not be prevented either. To solve this problem, Reliability Centred Maintenance(RCM) and Risk-Based Maintenance(RBM) studies which prevent failure based on reliability have been proceeded, however, it is difficult to cope with the overall situation that raised during the operation, so there is a limit in the field application. In recent years, based on the development of Information and Communication Technology(ICT) and the concept of Industry 4.0, Prognostics and Health Management(PHM) technology is being studied to diagnose faults and predict the failure time via analyzing data in real time by attaching various sensors to facilities and equipment. PHM continuously monitors the faults and performance deterioration of facilities or equipment in operation to diagnose abnormalities and predicts the failure level and failure timing, so that could prevent loss caused by failure through predictive maintenance and ensure the safety, availability of maintenance, furthermore, improve the operational efficiency. For making sure the predictive maintenance period, PHM measures the Remaining Useful Life(RUL) before the failure by accessing the data based on probability statistics. Although PHM is conducting research in Korea, for it can improve conservation, economical efficiency, reliability and availability more than preventive maintenance, it is still insufficient. Therefore, in this paper, we propose a technique to predict and diagnose faults by analyzing data using machine learning and deep learning. Diagnostic techniques could diagnose conditions or diagnose faults by using the supervised learning model Support Vector Machine(SVM) model, and the unsupervised learning model One-Class SVM model. The prediction technique access the data based on the Time To Event(TTE) and using the non-parametric Markov Chain Monte Carlo(MCMC) model and the parametric Long Short-Term Memory(LSTM) model to estimate the time and failure rate, and measure the RUL. The proposed diagnostic model and the predictive model determine the timing of predictive maintenance by selecting the appropriate model according to the state of the data, diagnosing the state, or estimating the failure rate. The proposed diagnostic and predictive models are verified by experiments. The SVM-based diagnostic model verifies performance using Receiver Operating Characteristic(ROC) Curve and Confusion Matrix, accuracy. And, one-class SVM-based diagnostic model verifies the performance using Precision-Recall Curve with AUC. In addition, MCMC model estimates the failure rate by simulation, so that cannot be verified by existing model performance evaluation standard. In order to solve this problem, this paper verified the performance via the distance of Dynamic Time Warping(DTW) algorithm from the previous failure rate and the current failure rate. The LSTM based prediction model verifies performance by applying correlation coefficient. Experimental results We propose a method to analyze the data in the diagnostic and predictive models to diagnose the state or failure, to estimate the failure rate, and the validity of the diagnostic and prognostic models proposed in this paper is verified by predicting the timing of use and maintenance. In the future, it is expected that the diagnostic and prediction models proposed in this paper will be possible to be applied to facility equipment in the whole industry if the experiment of real data is conducted and verified through model performance evaluation standard.
Keyword : Deep Learning, Machine Learning, PHM, RUL, Survival Analysis, Weibull Distribution
Facilities and equipment made up of various components may experience changes in temperature or pressure, the vibration and noise may increase when problems begin to occur during operation. If no proper action is taken, mechanical defect or damage caused by trouble may result in downtime or accidents, what can lead to social and economic losses. Therefore, it is necessary to maintain with a regular preventative maintenance schedule for all equipment before a failure occurs, but there is a problem in that unnecessary parts replacement will causes cost loss and the sudden failure could not be prevented either. To solve this problem, Reliability Centred Maintenance(RCM) and Risk-Based Maintenance(RBM) studies which prevent failure based on reliability have been proceeded, however, it is difficult to cope with the overall situation that raised during the operation, so there is a limit in the field application. In recent years, based on the development of Information and Communication Technology(ICT) and the concept of Industry 4.0, Prognostics and Health Management(PHM) technology is being studied to diagnose faults and predict the failure time via analyzing data in real time by attaching various sensors to facilities and equipment. PHM continuously monitors the faults and performance deterioration of facilities or equipment in operation to diagnose abnormalities and predicts the failure level and failure timing, so that could prevent loss caused by failure through predictive maintenance and ensure the safety, availability of maintenance, furthermore, improve the operational efficiency. For making sure the predictive maintenance period, PHM measures the Remaining Useful Life(RUL) before the failure by accessing the data based on probability statistics. Although PHM is conducting research in Korea, for it can improve conservation, economical efficiency, reliability and availability more than preventive maintenance, it is still insufficient. Therefore, in this paper, we propose a technique to predict and diagnose faults by analyzing data using machine learning and deep learning. Diagnostic techniques could diagnose conditions or diagnose faults by using the supervised learning model Support Vector Machine(SVM) model, and the unsupervised learning model One-Class SVM model. The prediction technique access the data based on the Time To Event(TTE) and using the non-parametric Markov Chain Monte Carlo(MCMC) model and the parametric Long Short-Term Memory(LSTM) model to estimate the time and failure rate, and measure the RUL. The proposed diagnostic model and the predictive model determine the timing of predictive maintenance by selecting the appropriate model according to the state of the data, diagnosing the state, or estimating the failure rate. The proposed diagnostic and predictive models are verified by experiments. The SVM-based diagnostic model verifies performance using Receiver Operating Characteristic(ROC) Curve and Confusion Matrix, accuracy. And, one-class SVM-based diagnostic model verifies the performance using Precision-Recall Curve with AUC. In addition, MCMC model estimates the failure rate by simulation, so that cannot be verified by existing model performance evaluation standard. In order to solve this problem, this paper verified the performance via the distance of Dynamic Time Warping(DTW) algorithm from the previous failure rate and the current failure rate. The LSTM based prediction model verifies performance by applying correlation coefficient. Experimental results We propose a method to analyze the data in the diagnostic and predictive models to diagnose the state or failure, to estimate the failure rate, and the validity of the diagnostic and prognostic models proposed in this paper is verified by predicting the timing of use and maintenance. In the future, it is expected that the diagnostic and prediction models proposed in this paper will be possible to be applied to facility equipment in the whole industry if the experiment of real data is conducted and verified through model performance evaluation standard.
Keyword : Deep Learning, Machine Learning, PHM, RUL, Survival Analysis, Weibull Distribution
※ AI-Helper는 부적절한 답변을 할 수 있습니다.