[논문]인공지능을 이용한 공학시스템 상태진단 및 예지

윤병동; 황태완; 조수호; 이동기; 나규민

인공지능을 이용한 공학시스템 상태진단 및 예지 원문보기

윤병동 (서울대학교 기계항공공학부) , 황태완 (서울대학교 기계항공공학부) , 조수호 (서울대학교 기계항공공학부) , 이동기 (서울대학교 기계항공공학부) , 나규민 (서울대학교 기계항공공학부)

이 글에서는 인공지능을 이용한 공학시스템 고장진단 및 예지기술(PHM: Prognostics and Health Management)의 개념을 소개하고, 실제 적용 사례를 제시한다.

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

문제 정의

이 글에서는 기존의 전문가 지식 기반 PHM기술의 한계점에서 벗어나 인공지능에 기반한 PHM기술을 딥러닝, 상호학습, 앙상블과 같은 사례를 통해 확인하였다. 해가 거듭될수록 기계시스템은 더욱이 복잡해지고 기술 분야 또한 세분화되고 있으며, IoT(Internet of Things) 기술의 확산으로 방대한 데이터를 취득하고 있기 때문에 인공지능에 기반한 PHM기술은 현대 공학시스템 관리 분야에서 핵심적인 요소로 대두될 것이다.

제안 방법

그림 2처럼 진동 데이터를 딥러닝에 입력하기 위 해 ODR(Omni Directional Regeneration) 기법을 활용하여 진동 신호를 이미지화 하였으며, HoG(Histogram of Gradient) 기법으로 전처리를 수행하였다. 그 후 특징인자를 추출하기 위해 다층의 제한된 볼츠만머신(Restricted Boltzmann Machine)을 활용하여 깊은 신경망(Deep Belief Network)을 구현하고 건전성 특징인자를 추출하였다. 최종적으로 특징인자를 바탕으로 다층 퍼셉트론(Multi Layer Perceptron)에 학습하여 다양한 고장모드를 학습하고 평가하였다.
그 후 특징인자를 추출하기 위해 다층의 제한된 볼츠만머신(Restricted Boltzmann Machine)을 활용하여 깊은 신경망(Deep Belief Network)을 구현하고 건전성 특징인자를 추출하였다. 최종적으로 특징인자를 바탕으로 다층 퍼셉트론(Multi Layer Perceptron)에 학습하여 다양한 고장모드를 학습하고 평가하였다. 그 결과 딥러닝을 통해 추출된 건전성 특징인자의 고장진단 정확도가 전문가 지식에 기반해 추출한 건전성 특징인자에 비해 높음이 확인되었다.
Chao Hu(2015)는 상호학습(Co-training)기법을 활용해 팬 베어링의 잔여수명을 예측하였다. 팬 베어링에 불평형 질량을 인가하여 불균형상태로 만든 뒤 가속수명시험을 수행하였고, 이 과정에서 진동 신호를 획득하였다. 획득한 32개 베어링의 열화 신호를 10개의 고장 데이터, 10개의 중지 데이터, 12개의 검증 데이터로 분류하였다.
앙상블기법의 개념은 그림 4와 같다. 학습 데이터(training data)를 이용하여 다양한 예지 알고리즘들의 가중치를 결정하고 평가 데이터(test data)를 대입해 각 알고리즘의 잔여수명 예측치를 구한다. 최종적으로 각각의 잔여수명에 가중치 평균을 통해 잔여수명을 예측한다.

대상 데이터

아래 각 섹션에는 인공지능을 활용한 PHM 사례를 소개하고 인공지능을 활용하기 위한 주의 점을 정리하고자 한다. 자세한 연구사례는 http://shrm.snu.ac.kr에서 확인할 수 있다.
Chao Hu(2012)는 앙상블기법을 활용해 2008년 IEEE Data Challenge의 제트엔진 수명 예측 문제를 연구하였다. 제트엔진 시뮬레이션을 6가지 다른 운행조건에서 수행하여 21종의 센서에서 열화 데이터를 얻었다. 앙상블예지기법을 사용했을 때 개별 알고리즘보다 수명 예측의 정확도가 높음을 확인할 수 있다.
팬 베어링에 불평형 질량을 인가하여 불균형상태로 만든 뒤 가속수명시험을 수행하였고, 이 과정에서 진동 신호를 획득하였다. 획득한 32개 베어링의 열화 신호를 10개의 고장 데이터, 10개의 중지 데이터, 12개의 검증 데이터로 분류하였다. 알고리즘은 신경망 기반의 기계학습 기법인 FFNN(Feedfor ward neural net work)과 RBN(Radial basis Network)을 활용하였다.

이론/모형

Oh(2016)는 딥러닝 기술을 활용하여 저널베어링 고장진단에 사용되는 특징인자를 추출하고 고장진단을 수행하였다. 그림 2처럼 진동 데이터를 딥러닝에 입력하기 위 해 ODR(Omni Directional Regeneration) 기법을 활용하여 진동 신호를 이미지화 하였으며, HoG(Histogram of Gradient) 기법으로 전처리를 수행하였다. 그 후 특징인자를 추출하기 위해 다층의 제한된 볼츠만머신(Restricted Boltzmann Machine)을 활용하여 깊은 신경망(Deep Belief Network)을 구현하고 건전성 특징인자를 추출하였다.
획득한 32개 베어링의 열화 신호를 10개의 고장 데이터, 10개의 중지 데이터, 12개의 검증 데이터로 분류하였다. 알고리즘은 신경망 기반의 기계학습 기법인 FFNN(Feedfor ward neural net work)과 RBN(Radial basis Network)을 활용하였다. 단일 알고리즘을 활용하는 경우 10개의 고장 데이터만을 학습하는 반면, 상호학습 기법을 활용한 경우 10개의 고장 데이터와 10개의 중지 데이터를 모두 활용하여 학습할 수 있다.

성능/효과

단일 알고리즘을 활용하는 경우 10개의 고장 데이터만을 학습하는 반면, 상호학습 기법을 활용한 경우 10개의 고장 데이터와 10개의 중지 데이터를 모두 활용하여 학습할 수 있다. 결과적으로 상호학습 기법을 활용하면 단일 알고리즘에 비해 잔여수명 예측 오차가 감소하는 것을 확인할 수 있다.
최종적으로 특징인자를 바탕으로 다층 퍼셉트론(Multi Layer Perceptron)에 학습하여 다양한 고장모드를 학습하고 평가하였다. 그 결과 딥러닝을 통해 추출된 건전성 특징인자의 고장진단 정확도가 전문가 지식에 기반해 추출한 건전성 특징인자에 비해 높음이 확인되었다.
제트엔진 시뮬레이션을 6가지 다른 운행조건에서 수행하여 21종의 센서에서 열화 데이터를 얻었다. 앙상블예지기법을 사용했을 때 개별 알고리즘보다 수명 예측의 정확도가 높음을 확인할 수 있다. 또한 앙상블 알고리즘을 활용하면 새로 개발될 예지 알고리즘을 통합할 수 있는 장점이 있다.

후속연구

하지만 물리적 지식 없이 고장 진단 및 예측 모델을 만들기 위해서는 수많은 데이터가 필요하고, 데이터를 처리하는 데 많은 시간이 걸린다는 문제가 있다. 따라서 향후에는 기계공학적 전문가 지식과 인공지능을 결합한 PHM기술을 개발함으로써 그 효용성을 증가시킬 것으로 기대된다.

핵심어

질문

논문에서 추출한 답변

기계학습기술을 PHM에 접목시키기 위해 어떤 기계학습을 활용해야 하는가?

또한 딥러닝(deep learning) 기술을 활용하여 시스템에 대한 적은 물리적 이해를 바탕으로도 건전성 특징인자를 추출하는 연구도 진행되고 있다. 이러한 기계학습을 구현하기 위해서 인공신경망(Artificial neural network),kNN(k Nearest Neighbor), 서포트 벡터 머신(Support vector machine), 의사결정 트리(Decision tree) 등이 활용된다. 아래 각 섹션에는 인공지능을 활용한 PHM 사례를 소개하고 인공지능을 활용하기 위한 주의 점을 정리하고자 한다.

시스템 고장진단 및 예지기술은 무엇인가?

향후 산업설비의 용량 및 복잡도가 증가할 것을 고려하면 신뢰성 있는 시스템 관리는 중요한 문제이다. 이에 대한 대안으로, 센서를 이용해 산업설비의 상태를 모니터링하여 고장을 진단하고 잔여유효수명을 예측하는 시스템 고장진단 및 예지기술(Prognostic and Health Management, 이하 PHM)이 주목을 받고 있다.

인공지능은 어떤 기술을 활용하여 현실화 되고 있는가?

최근에는 인공지능(Artificial Intelligence) 기술을 활용하여 이러한 문제점을 극복하려는 연구가 활발히 진행되고 있다. 인공지능이란 ‘인간의 학습능력과 추론능력, 지각능력 등을 컴퓨터 프로그램으로 실현한 기술’을 의미하며 특히 기계학습(machine learning) 기술을 활용하여 현실화되고 있다. 기계학습기술을 활용하면 다차원의 방대한 데이터를 학습하여 새로운 데이터의 속성을 분류하고 예측할 수 있다.

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

인공지능을 이용한 공학시스템 상태진단 및 예지 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

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

인공지능을 이용한 공학시스템 상태진단 및 예지 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

윤병동 (15) 조수호 (1)

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