[논문]데이터 특성인자 추출을 위한 PHM기술 연구 동향

오현석; 윤병동

데이터 특성인자 추출을 위한 PHM기술 연구 동향 원문보기

이 글은 PHM기술개발의 첫 번째 단계인 데이터 특성인자 추출에 대한 소개이다. 2013~2015년 PHM Society에 발표된 논문을 중심으로 최근 연구 동향을 검토하였고 향후전망을 제시하였다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

아래 각 섹션에는 특성인자 추출기술들을 센서로부터 취득한 데이터 타입별로 구분하여 최신 기술동향 및 대표논문을 요약 정리하고자 한다. 최근, 세 가지 타입의 데이터가 융합되어 상태진단 및 예측에 사용되는 경우가 종종 관찰된다.
본 논문에서는 데이터의 종류를 세 가지, 즉 숫자, 파형, 이미지로 분류하고, 2013년에서 2015년까지 PHM Society 논문집에 수록된 논문 24편을 대상으로 특질 추출기술 동향을 소개하였다. 다양한 타입의 데이터를 대상으로 일련의 기술들을 유기적으로 접목함으로써, 상태진단 및 고장예지의 정확도를 높이고자 하는 시도가 최근 활발하게 일어나고 있다.
본 논문은 PHM기술 개발의 “데이터 특성인자 추출” 단계에 대해, 최근 연구 동향을 검토하였다.
마지막으로, 후보인자와 실제 특정한 조도값의 상관관계를 조사하여 주요 특질인자를 선택하고, 이를 바탕으로 부식으로 인한 결함을 감지하게 된다. 이 논문에서 제안한 기술은 가속수명에서 결함이 진전됨에 따라 신뢰도 있는 진단 결과를 얻었다는 점이 그 특징이다.

제안 방법

현장에서 수집한 파형 데이터들은 전통적인 방법들의 가정들이 잘 맞지 않는 경우가 많은데, PHM Society 논문집에서는 이러한 전통적인 방법들을 기초 또는 응용하여 현장 데이터에 적용 가능한 기법 개발을 활발하게 소개하고 있다. 2013~2015년에 PHM Society 논문집에 수록된 특질 추출 관련 논문 14편 중 특색있는 논문 2편, 진동신호(Bechhoefer, 2013), 적외선 분광법을 이용한 고체로켓추진체 화학성분 분석(Daoud, 2014)을 아래에 소개하였다.
실시간으로 화학 성분 분석이 가능하고 사용이 편리하다. 개발된 방법의 유효성을 IC 및 HPLC 장비를 이용하여 검증하였다.
이러한 단점을 극복하기 위해, 그 논문에서는, 첫 번째 단계로, 복수의 저가 센서를 이용하여 짧은 시간에 잴 수 있는 인자들을 먼저 측정하고, 두 번째 단계로, 이러한 복수의 측정인자 후보들에서 획득한 데이터와 내산화성과의 상관관계를 이용하여 윤활유 상태를 간접 추정하는 기술을 제안하였다. 결과적으로 두 개의 상업용 저가센서(윤활유 점도, 유전율, 온도 측정용 센서 1개, 자력 및 광학 입자 검출센서 1개)를 이용하여 데이터 융합기반 윤활유 상태 감시 PHM기술을 제안하였다.(그림 2 참조)
첫번째로, 3차원 표면 측정 이미지의 질을 높이기 위해 전처리(노이즈 제거, 정규화)한다. 두번째로, 주요 특질인자 추출을 위해 다양한 후보인자(부식 영역 비율, 질감특질, 형태특질)를 고려하였다. 마지막으로, 후보인자와 실제 특정한 조도값의 상관관계를 조사하여 주요 특질인자를 선택하고, 이를 바탕으로 부식으로 인한 결함을 감지하게 된다.
그림 4에서 보는 것과 같이, 대량의 고속촬영 이미지를 데이터베이스에서 연소불안정성과 관련된 특질을 뽑기 위해 인공지능 기반 깊은 학습(Deep learning) 기술을 이용하였다. 또한 깊은 신경망(Deep neural networks)을 훈련할 때 발생하는 오버피팅 문제를 완화하기 위해, 기호이용 시계열분석법을 결합했다. 이러한 딥러닝 이용 이미지분석 기술을 활용하여 찾은 이미지 특성인자들은 인간 전문가의 사전지식과 결합 가능하다는 점에서 의의가 있다.
두번째로, 주요 특질인자 추출을 위해 다양한 후보인자(부식 영역 비율, 질감특질, 형태특질)를 고려하였다. 마지막으로, 후보인자와 실제 특정한 조도값의 상관관계를 조사하여 주요 특질인자를 선택하고, 이를 바탕으로 부식으로 인한 결함을 감지하게 된다. 이 논문에서 제안한 기술은 가속수명에서 결함이 진전됨에 따라 신뢰도 있는 진단 결과를 얻었다는 점이 그 특징이다.
이를 위해 내산화성을 직접적으로 측정하는 방법을 검토하였지만, 이들 방법은 사용 장비가 고가이고, 측정에 긴 시간이 걸리는 단점이 있다. 이러한 단점을 극복하기 위해, 그 논문에서는, 첫 번째 단계로, 복수의 저가 센서를 이용하여 짧은 시간에 잴 수 있는 인자들을 먼저 측정하고, 두 번째 단계로, 이러한 복수의 측정인자 후보들에서 획득한 데이터와 내산화성과의 상관관계를 이용하여 윤활유 상태를 간접 추정하는 기술을 제안하였다. 결과적으로 두 개의 상업용 저가센서(윤활유 점도, 유전율, 온도 측정용 센서 1개, 자력 및 광학 입자 검출센서 1개)를 이용하여 데이터 융합기반 윤활유 상태 감시 PHM기술을 제안하였다.
이를 보완하기 위해 기본 푸리에 변환에 “시간동기 리샘플링”을 추가하는 방법을 새롭게 제안하었다.
Nenadic(2015)는 크랙진전 센서(저항값 변화로 생기는 전압값 변화 측정)기반 기어 이빨 피로손상추정 기술을 이용해 획득한 데이터를 처리 및 해석하는 PHM기술을 제안하였다. 현장 데이터에서 관찰되는 노이즈의 영향을 줄이기 위해 ① False opening 제거, ② 전압 Jitter 제거 알고리즘을 개발하였다. 이 알고리즘을 기어박스 스퍼기어 피로손상 데이터에 적용하였다.

대상 데이터

기계저널 특집 기사의 집필 의도에 맞추어, 2013년에서 2015년까지 발표된 3권의 PHM Society 논문집을 기본 자료로 한정하여 이 글을 작성하였음을 밝힌다. PHM Society 논문집의 총 201편 중 24편을 대상으로 하였다.
본 논문은 PHM기술 개발의 “데이터 특성인자 추출” 단계에 대해, 최근 연구 동향을 검토하였다. 기계저널 특집 기사의 집필 의도에 맞추어, 2013년에서 2015년까지 발표된 3권의 PHM Society 논문집을 기본 자료로 한정하여 이 글을 작성하였음을 밝힌다. PHM Society 논문집의 총 201편 중 24편을 대상으로 하였다.

이론/모형

Sarkar(2015)는 가스터빈엔진 화염의 고속촬영 이미지로부터 연소불안정성을 탐지하기 위해 딥러닝과 기호이용 시계열분석법을 사용하였다. 그림 4에서 보는 것과 같이, 대량의 고속촬영 이미지를 데이터베이스에서 연소불안정성과 관련된 특질을 뽑기 위해 인공지능 기반 깊은 학습(Deep learning) 기술을 이용하였다. 또한 깊은 신경망(Deep neural networks)을 훈련할 때 발생하는 오버피팅 문제를 완화하기 위해, 기호이용 시계열분석법을 결합했다.
이온 및 액체 크로마토그래프 장비(IC와 HPLC)들은 산화제, Plasticiser, 안정제, 결합제 등의 화학물질 성분 감지에 탁월한 성능을 발휘하지만, 실제 현장에서 사용하기에는 크고 무거워서 실용적이지 않다. 새로 개발된 실시간 비파괴 검사법은 휴대용 분석기를 활용한다. 실시간으로 화학 성분 분석이 가능하고 사용이 편리하다.

후속연구

그럼에도 불구하고, 다양한 데이터 특질 추출기법은 PHM기술 개발에 큰 기여를 해왔고, PHM기술 개발의 첫 번째 단계로서, 그 중요성을 아무리 강조해도 지나치지 않다. 인공지능 기술의 성장 및 계산비용의 지속적 감소로 인해, 앞으로 데이터 특질 추출기술의 비약적인 도약이 있을 것이라 기대한다.
이 알고리즘을 기어박스 스퍼기어 피로손상 데이터에 적용하였다. 향후 연구에서는 제안한 알고리즘을 비파괴 검사 결과와 비교 검증하여, 최종적으로 스퍼기어의 상태진단 및 고장예지를 목표로 하고 있다.

핵심어

질문

논문에서 추출한 답변

데이터 특성인자 추출이란?

“데이터 특성인자 추출”이란, 가공되지 않은 데이터에서 시스템 상태 및 고장과 연관된 유용한 정보를 뽑아내는 과정으로 정의한다. Jardine(2006)에 따르면, 상태진단, 고장예지를 위한 데이터는 크게 세 가지 타입, ① 숫자(Value): 0차원, ② 파형(Waveform): 1차원, ③ 다차원(Multi-dimension): 2차원 이상으로 구분할 수 있다.

파형 타입 데이터에 대해서는 보통 시간영역, 주파수영역, 시간-주파수영역 분석이 이루어지는데 이 중 주파수영역 분석에는 어떤 것이 있는가?

파형 타입 데이터에 대해서는 보통 시간영역, 주파수영역, 시간-주파수영역 분석이 이루어진다. 주파수영역 분석의 고전적인 예는 푸리에 변환이다. 또한 시간-주파수영역 분석의 전통적 예는 웨이블릿 변환이다.

PHM기술 개발의 3단계는?

입력 데이터의 질이 좋지 않으면, 출력 데이터의 질이 좋을 수 없다는 것을 의미한다. PHM기술 개발은 ① 데이터 특성인자 추출, ② 상태진단, ③ 고장예지의 세 단계로 이루어진다. 만약, 첫 단계인, 데이터 특성인자 추출이 제대로 설계되어 있지 않다면, 두 번째, 세 번째 단계인 상태진단, 고장예지가 아무리 잘 설계되었다고 하더라도, PHM 최종 결과물의 신뢰성은 낮을 수 밖에 없다는 뜻이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

데이터 특성인자 추출을 위한 PHM기술 연구 동향 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

데이터 특성인자 추출을 위한 PHM기술 연구 동향 원문보기

초록 AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

윤병동 (15)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

AI 본문요약
AI-Helper