산업 현장의 갑작스러운 셧다운(Shutdown)현상은 치명적인 손해비용을 발생시킨다. 그 중 산업시설의 모터 고장은 소방 방재, 전력 계통, 급·배수, 교통 등 전체 시스템에도 악영향을 미치기 때문에 기계를 예지·보전할 수 있는 기술이 필요하다. 특히, 철도·기계·모터 분야는 설치시기와 제조사 및 규격이 다양하고 제품 특성상 수명 예측이 힘들어 장비운용계획 수립과 관리에 어려움을 겪는다. 또한 인공지능을 활용한 자동화 시스템 개발을 위해서는 충분한 양의 고장 데이터가 필요한데, 현실에서는 이를 수집하기 힘들다는 한계가 있다. 따라서 본 연구에서는 시설물의 전동기 모터에서 수집된 충분한 양의 고장 데이터를 활용하여 지도학습기반 ...
산업 현장의 갑작스러운 셧다운(Shutdown)현상은 치명적인 손해비용을 발생시킨다. 그 중 산업시설의 모터 고장은 소방 방재, 전력 계통, 급·배수, 교통 등 전체 시스템에도 악영향을 미치기 때문에 기계를 예지·보전할 수 있는 기술이 필요하다. 특히, 철도·기계·모터 분야는 설치시기와 제조사 및 규격이 다양하고 제품 특성상 수명 예측이 힘들어 장비운용계획 수립과 관리에 어려움을 겪는다. 또한 인공지능을 활용한 자동화 시스템 개발을 위해서는 충분한 양의 고장 데이터가 필요한데, 현실에서는 이를 수집하기 힘들다는 한계가 있다. 따라서 본 연구에서는 시설물의 전동기 모터에서 수집된 충분한 양의 고장 데이터를 활용하여 지도학습기반 이상탐지 모델들을 비교·분석하고, 모델의 성능향상을 위한 특징 추출 방법을 제안하여 인공지능을 활용한 기계시설물 이상탐지 시스템을 설계하고자 한다. 연구결과 Random Forest 모델의 성능이 가장 좋게 평가되었으며, 데이터의 특성을 반영한 특징 추출 결과 6-16%의 성능향상을 보였다. 모델의 정확도가 99%를 넘는 것으로 보아 실제 산업 현장에 바로 적용할 수 있는 이상탐지 시스템 설계가 가능할 것으로 보인다. 본 연구는 지도학습과 특징추출 방법을 제안하여 높은 정확도의 이상탐지 시스템을 설계했다는 점에서 학술적 의의가 있다. 본 연구를 통하여 궁극적으로 기계시설물 장치의 품질 향상에 기여할 수 있을 것으로 기대된다.
산업 현장의 갑작스러운 셧다운(Shutdown)현상은 치명적인 손해비용을 발생시킨다. 그 중 산업시설의 모터 고장은 소방 방재, 전력 계통, 급·배수, 교통 등 전체 시스템에도 악영향을 미치기 때문에 기계를 예지·보전할 수 있는 기술이 필요하다. 특히, 철도·기계·모터 분야는 설치시기와 제조사 및 규격이 다양하고 제품 특성상 수명 예측이 힘들어 장비운용계획 수립과 관리에 어려움을 겪는다. 또한 인공지능을 활용한 자동화 시스템 개발을 위해서는 충분한 양의 고장 데이터가 필요한데, 현실에서는 이를 수집하기 힘들다는 한계가 있다. 따라서 본 연구에서는 시설물의 전동기 모터에서 수집된 충분한 양의 고장 데이터를 활용하여 지도학습기반 이상탐지 모델들을 비교·분석하고, 모델의 성능향상을 위한 특징 추출 방법을 제안하여 인공지능을 활용한 기계시설물 이상탐지 시스템을 설계하고자 한다. 연구결과 Random Forest 모델의 성능이 가장 좋게 평가되었으며, 데이터의 특성을 반영한 특징 추출 결과 6-16%의 성능향상을 보였다. 모델의 정확도가 99%를 넘는 것으로 보아 실제 산업 현장에 바로 적용할 수 있는 이상탐지 시스템 설계가 가능할 것으로 보인다. 본 연구는 지도학습과 특징추출 방법을 제안하여 높은 정확도의 이상탐지 시스템을 설계했다는 점에서 학술적 의의가 있다. 본 연구를 통하여 궁극적으로 기계시설물 장치의 품질 향상에 기여할 수 있을 것으로 기대된다.
An unexpected shutdown in the industrial sites result in catastrophic damage costs. Especially, motor failure has a severe influence on the overall system in industrial facilities including fire fighting systems, electrical systems, water supply·drainage systems and transportation systems. Therefore...
An unexpected shutdown in the industrial sites result in catastrophic damage costs. Especially, motor failure has a severe influence on the overall system in industrial facilities including fire fighting systems, electrical systems, water supply·drainage systems and transportation systems. Therefore, technology that can diagnose and maintain the machine is vital in terms of the whole system. In particular, in the field of railway·machinery·motor, it is complicate to establish and manage equipment operating plans because life expectancy is difficult to anticipate due to product characteristics such as a various installation time, different manufacturers and diverse specifications. In addition, a substantial amount of failure data is necessary to build an AI (Artificial Intelligence) system, but it is difficult to obtain such data in practice. Motivated by the current situation, we first analyze and implement supervised anomaly detection models utilizing a considerable quantity of failure data gathered from facility electric motors in this study. Subsequently, we propose a feature extraction method to increase the performance of the models, which will serve as the basis for the development of a machine facility anomaly detection system. As a result of the study, the performance of the 'Random Forest' model was determined to be the best, and the performance was improved by from 6 to 16 percent as a consequence of extracting features reflecting the characteristics of the data. As the model's accuracy exceeds 99 percent, it appears feasible to develop a anomaly detection system that can be deployed directly to real-world industrial sites. This work is expected to have a significant impact in academia in that it proposed supervised learning and feature extraction methodologies to develop a high-accuracy anomaly detection system. Finally, it is expected that this study will help to the overall enhancement of the quality of machinery equipment.
An unexpected shutdown in the industrial sites result in catastrophic damage costs. Especially, motor failure has a severe influence on the overall system in industrial facilities including fire fighting systems, electrical systems, water supply·drainage systems and transportation systems. Therefore, technology that can diagnose and maintain the machine is vital in terms of the whole system. In particular, in the field of railway·machinery·motor, it is complicate to establish and manage equipment operating plans because life expectancy is difficult to anticipate due to product characteristics such as a various installation time, different manufacturers and diverse specifications. In addition, a substantial amount of failure data is necessary to build an AI (Artificial Intelligence) system, but it is difficult to obtain such data in practice. Motivated by the current situation, we first analyze and implement supervised anomaly detection models utilizing a considerable quantity of failure data gathered from facility electric motors in this study. Subsequently, we propose a feature extraction method to increase the performance of the models, which will serve as the basis for the development of a machine facility anomaly detection system. As a result of the study, the performance of the 'Random Forest' model was determined to be the best, and the performance was improved by from 6 to 16 percent as a consequence of extracting features reflecting the characteristics of the data. As the model's accuracy exceeds 99 percent, it appears feasible to develop a anomaly detection system that can be deployed directly to real-world industrial sites. This work is expected to have a significant impact in academia in that it proposed supervised learning and feature extraction methodologies to develop a high-accuracy anomaly detection system. Finally, it is expected that this study will help to the overall enhancement of the quality of machinery equipment.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.