[논문]기계적 모터 고장진단을 위한 머신러닝 기법

정훈; 김주원

기계적 모터 고장진단을 위한 머신러닝 기법

A Machine Learning Approach for Mechanical Motor Fault Diagnosis

Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.40 no.1, 2017년, pp.57 - 64

정훈 (한국전자통신연구원 초연결통신연구소 우정기술연구센터) , 김주원 (한국철도공사 연구원)

Abstract ▼ AI-Helper

In order to reduce damages to major railroad components, which have the potential to cause interruptions to railroad services and safety accidents and to generate unnecessary maintenance costs, the development of rolling stock maintenance technology is switching from preventive maintenance based on the inspection period to predictive maintenance technology, led by advanced countries. Furthermore, to enhance trust in accordance with the speedup of system and reduce maintenances cost simultaneously, the demand for fault diagnosis and prognostic health management technology is increasing. The objective of this paper is to propose a highly reliable learning model using various machine learning algorithms that can be applied to critical rolling stock components. This paper presents a model for railway rolling stock component fault diagnosis and conducts a mechanical failure diagnosis of motor components by applying the machine learning technique in order to ensure efficient maintenance support along with a data preprocessing plan for component fault diagnosis. This paper first defines a failure diagnosis model for rolling stock components. Function-based algorithms ANFIS and SMO were used as machine learning techniques for generating the failure diagnosis model. Two tree-based algorithms, RadomForest and CART, were also employed. In order to evaluate the performance of the algorithms to be used for diagnosing failures in motors as a critical railroad component, an experiment was carried out on 2 data sets with different classes (includes 6 classes and 3 class levels). According to the results of the experiment, the random forest algorithm, a tree-based machine learning technique, showed the best performance.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 철도차량 부품 관리의 효율적인 유지보수지원 시스템 구축을 위한 방법을 제시한다. 고속열차 차량에 부착된 센서들을 통해 수집된 상태 정보를 분석하여 부품의 결합 여부를 자동으로 판단하는 기술 적용된 머신러닝 기반의 철도차량 고장진단 모델을 개발한다.
본 연구에서는 다양한 머신러닝 알고리즘을 적용하여 철도차량 주요부품의 최적 및 고신뢰도의 학습모델을 제시하는 것이 최종목표이다. 따라서 머신러닝 기법의 함수 기반 및 트리 기반의 대표적인 알고리즘을 선정하여 3장에서 생성한 데이터 셋을 시험한다.
국내 철도차량 분야에서의 유지보수 시스템 효율화의 핵심은 현재 운행 중인 차량의 부품 손상에 대한 실시간 상태 진단을 위한 모니터링 기술 및 정확한 고장진단의 판별이며 불필요하게 발생되는 유지보수 비용의 감소가 필수적이다. 이를 위해서, 본 논문에서는 차량 내에 부착된 센서로부터 다양한 고장진단 파라미터를 추출하여 유지보수 현장 작업자의 검수 전에 그 상태를 예측할 수 있는 머신러닝 기반의 고장진단 모델의 설계 및 알고리즘을 평가하였다. 고장진단 대상 부품은 모터의 펌프에 대한 베어링 고장, 불균형, 조인트 문제, 기계적 풀림 현상 등의 부품 상태에 대한 정상 조건의 머신러닝 기반 분류이다.

제안 방법

본 논문에서는 철도차량 부품 관리의 효율적인 유지보수지원 시스템 구축을 위한 방법을 제시한다. 고속열차 차량에 부착된 센서들을 통해 수집된 상태 정보를 분석하여 부품의 결합 여부를 자동으로 판단하는 기술 적용된 머신러닝 기반의 철도차량 고장진단 모델을 개발한다.
기본 클래스 및 조합 클래스에 대한 고장진단을 위한 함수 및 트리 기반 학습모델의 예측 정확성을 평가하기 위해서 precision, recall, F1-measure를 각 클래스 예측결과로서 평가한다. 또한 전체적인 진단 모델의 성능 평가는 정확도(accuracy) 및 모델의 오차율을 나타내는 MAE(Mean Absolute Error)와 RMSE(Root Mean Squared Error)를 적용한다.
유지보수 DB의 핵심 기능은 대용량의 센싱된 원시데이터의 저장/관리 기능이다. 또한 본 논문의 핵심인 고장 진단 모듈은 DB로부터의 분석대상 데이터 추출 단계인 ETL(Extract, Transformation, Load) 및 데이터 전처리 단계를 거친 고장진단 인자들을 활용한 학습된 예측 모델이며, 새로운 입력 데이터에 대해, 고장 여부를 판단한다. 예측 결과의 유효성이 검증된 경우, 그 결과는 유지보수 DB에 저장되는 순환구조이다.
기계적 고장유형은 계층적 구조를 형성하며, 유지보수 전문가에 의해 포함관계 형성이 가능하며, 이를 분류트리 (taxonomy tree)라 한다. 본 논문에서는 가장 낮은 레벨에 서의 고장유형을 기본 클래스라 정의하고 [Figure 3]의 분류트리에 따라 조합클래스를 구성하여 두 가지 데이터 셋을 구성한다. 즉, 기본클래스 구조의 데이터 셋은 고장유형 C1-C5의 5개이며, 정상 상태인 C6로 구성한다.
실험에서는 커널함수로 RBF 커널을 선택하였고, 파라미터인 C, γ의 각 데이터 집합에 대한 최적값 결정을 위해서 a grid-search 접근법을 사용하였으며, 그 결과 파라미터 범위를 (C) ∈{ 2 -5 , 2 -3, ... , 2 15 }와 γ ∈ { 2 -15 , 2 -13, ... , 2 3 } 로 결정한다.
총 9,254건의 센서 데이터에서 기계적 결함의 계층적 구조를 고려하여 기본 및 조합 데이터셋에 대한 머신러닝 기법의 평가를 수행하였다. 적용된 머신러닝 기법은 함수 및 트리 기반이며, 각 카테고리별 대표 알고리즘을 평가하였다. 실험결과, 두 데이터셋에 대하여 RF 기법에 가장 적확한 분류 모델임을 증명하였다.
철도 주요 부품 중 모터의 상태기반 고장진단 판별을 위해서 3장에서 기술된 계층적 구조의 두 가지 데이터셋(3클래스 및 6개 클래스)에 대하여 함수 및 트리기반 머신러닝 기법을 평가한다.
고장진단 대상 부품은 모터의 펌프에 대한 베어링 고장, 불균형, 조인트 문제, 기계적 풀림 현상 등의 부품 상태에 대한 정상 조건의 머신러닝 기반 분류이다. 총 9,254건의 센서 데이터에서 기계적 결함의 계층적 구조를 고려하여 기본 및 조합 데이터셋에 대한 머신러닝 기법의 평가를 수행하였다. 적용된 머신러닝 기법은 함수 및 트리 기반이며, 각 카테고리별 대표 알고리즘을 평가하였다.
고장진단을 위한 센싱 데이터는 KTX 시험용 차량과 유사한 조건에서 시뮬레이션된 진동(Vibration) 데이터를 활용한다. 특징 벡터 선택 및 추출을 위한 단계로서 원시 진동 데이터는 푸리에 분석(Fourier analysis)을 통해 진폭 (Amplitude), 주파수(Frequency), 속도(Velocity)에 대한 특징 벡터를 추출한다. 주파수에 대한 측정값은 CPM(Cycle Per Minutes)이며, 속도는 분당 회전수를 나타내는 RPM (Revolutions Per Minutes)으로 표현한다.

대상 데이터

고장진단을 위한 센싱 데이터는 KTX 시험용 차량과 유사한 조건에서 시뮬레이션된 진동(Vibration) 데이터를 활용한다. 특징 벡터 선택 및 추출을 위한 단계로서 원시 진동 데이터는 푸리에 분석(Fourier analysis)을 통해 진폭 (Amplitude), 주파수(Frequency), 속도(Velocity)에 대한 특징 벡터를 추출한다.
본 연구에서는 다양한 머신러닝 알고리즘을 적용하여 철도차량 주요부품의 최적 및 고신뢰도의 학습모델을 제시하는 것이 최종목표이다. 따라서 머신러닝 기법의 함수 기반 및 트리 기반의 대표적인 알고리즘을 선정하여 3장에서 생성한 데이터 셋을 시험한다. 고장진단 모델 생성을 위한 선택 알고리즘은 [Table 3]과 같다.
본 논문에서는 가장 낮은 레벨에 서의 고장유형을 기본 클래스라 정의하고 [Figure 3]의 분류트리에 따라 조합클래스를 구성하여 두 가지 데이터 셋을 구성한다. 즉, 기본클래스 구조의 데이터 셋은 고장유형 C1-C5의 5개이며, 정상 상태인 C6로 구성한다.
주파수에 대한 측정값은 CPM(Cycle Per Minutes)이며, 속도는 분당 회전수를 나타내는 RPM (Revolutions Per Minutes)으로 표현한다. 추출된 특징 벡터의 총 수는 9,254개이다.

이론/모형

기계적 장치의 고장 예측은 입출력 변수의 불확실성을 포함하므로 학습에 의해서 특정 고장유형을 결정한다. 따라서 예측시스템을 수리적으로 모형화하기가 어렵고 비선형성을 내제하고 있어 ANFIS(Adaptive Neuro Fuzzy Inference System)[7] 기법을 활용하여 예측의 정확도를 높일 수 있다.
기본 클래스 및 조합 클래스에 대한 고장진단을 위한 함수 및 트리 기반 학습모델의 예측 정확성을 평가하기 위해서 precision, recall, F1-measure를 각 클래스 예측결과로서 평가한다. 또한 전체적인 진단 모델의 성능 평가는 정확도(accuracy) 및 모델의 오차율을 나타내는 MAE(Mean Absolute Error)와 RMSE(Root Mean Squared Error)를 적용한다. 고장모델의 모든 평가척도들의 식은 다음과 같다.
μA_i 는다양한 형태로 식 (1)과 같이 표현되고, 파라미터를 조정하여 식 (2)과 같이 표현할 수 있다. 본 연구에서는 gaussian 변수 함수를 이용하여 정성적인 자료를 정량화시켰으며 식 (1)은 변수 함수를 나타낸 것이다. 또한 이 층에서 사용한 변수를 premise 매개변수이다.

성능/효과

각 알고리즘별 세부적으로 C2, C3, C6 즉, faulty bearing, mechanical loosening, normal condition 클래스에 대한 각 척도값이 상대적으로 다른 클래스에 비해 낮게 측정된 것을 알 수 있다. 높은 계층구조 클래스 레벨에 대한 평가에도 역시 RF가 가장 적절한 진단 모델임을 보여주고 있으며, [Figure 3]의 구조도에 따라 고장모드를 조합하여 분류한 결과 [Table 5]에서는 정상상태 클래스 C3에 대한 척도가 낮음을 확인할 수 있다.
전체적인 고장진단 모델의 성능을 직관적으로 평가할 수 있는 정확도 비교는 [Figure 7]에 나타내었다. 두 가지 데이터셋에 대해 트리 기반의 RF 기법에 가장 좋은 성능 (약 90% 이상)을 보임을 알 수 있다.
적용된 머신러닝 기법은 함수 및 트리 기반이며, 각 카테고리별 대표 알고리즘을 평가하였다. 실험결과, 두 데이터셋에 대하여 RF 기법에 가장 적확한 분류 모델임을 증명하였다.

후속연구

본 연구를 토대로 KTX 차량 대상 부품을 확대하여 차륜 및 차축베어링, 트리포드 등 다양한 핵심 부품에 대한 센서 데이터 확보와 최적의 머신러닝 기법 적용을 통한 정확한 고장진단 모델 선정 및 고장진단 결과들을 활용한 부품의 잔존수명 예지 알고리즘 개발이 향후 연구이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유지보수 DB의 핵심 기능은 무엇인가?	유지보수 DB의 핵심 기능은 대용량의 센싱된 원시데이터의 저장/관리 기능이다. 또한 본 논문의 핵심인 고장 진단 모듈은 DB로부터의 분석대상 데이터 추출 단계인 ETL(Extract, Transformation, Load) 및 데이터 전처리 단계를 거친 고장진단 인자들을 활용한 학습된 예측 모델이며, 새로운 입력 데이터에 대해, 고장 여부를 판단한다.
	철도 차량의 유지보수 기술이 예측 적시정비 기술로 발전하는 이유는 무엇인가?	철도의 사용중단 상태를 야기하는 철도차량의 부품 손상과 불필요하게 발생하는 유지보수 비용을 감소하기 위해 철도 차량의 유지보수 기술은 선진국의 주도로 검사주기 기반 예방정비로부터 예측 적시정비 기술로 발전하고 있다. 또한 시스템 고속화에 따른 신뢰성 향상과 유지보수 비용 절감이라는 두 가지 측면을 모두 충족시키기 위해 고장예지 및 PHM(Prognostic Health Management, 건전성 관리) 기술 수요가 증가하고 있다.
	고장진단을 위한 센싱 데이터는 어떤 단계인가?	고장진단을 위한 센싱 데이터는 KTX 시험용 차량과 유사한 조건에서 시뮬레이션된 진동(Vibration) 데이터를 활용한다. 특징 벡터 선택 및 추출을 위한 단계로서 원시 진동 데이터는 푸리에 분석(Fourier analysis)을 통해 진폭 (Amplitude), 주파수(Frequency), 속도(Velocity)에 대한 특징 벡터를 추출한다. 주파수에 대한 측정값은 CPM(Cycle Per Minutes)이며, 속도는 분당 회전수를 나타내는 RPM (Revolutions Per Minutes)으로 표현한다.

참고문헌 (12)

A book published by Korail, A study on a method of calculating the lifespan of freight train axle bearings, 2014.
Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J., Classification and regression trees, Belmont : Wadsworth, 1984.
Byeon, S.-K., Kang, C.-W., and Sim, S.-B., Defect Type Prediction Method in Manufacturing Process Using Data Mining Technique, Journal of the Society of Korea Industrial and Systems Engineering, 2004, Vol. 27, No. 2, pp. 10-16.
Choi, J. and Seo, D., Decision Trees and Its Applications, Statistical Analysis Research, 1999, Vol. 4, No. 1, pp. 61-83.
Choi, S.J., Kim M.H., and Kim, Y.H., Case study on the maintenance costs structure analysis for KTX high speed rolling stock system, Proceedings of the Railway Society, 2015 Korea, KSR2015A263.
Di, X., Han, T., and Yang, B.S., Random Forest Classifier for Machine Fault Diagnosis, Proceedings of the Korean Society of Mechanical Engineers, 2006, No.11, pp. 11-16.
Hayati, M., Seifi, M., and Rezaeivol, A., Double Gate MOSFET Modeling Based on Adaptive Neuro-Fuzzy Inference System for Nanoscale Circuit Simulation, ETRI Journal, 2010, Vol. 32, No.4, pp. 530-539.

원문보기 상세보기
Kim et al., The Life cycle cost estimation using the maintenance information of a propulsion control system in the high speed train(KTX-1), The Transactions of The Korean Institute of Electrical Engineers, 2011, Vol. 60, No. 11, pp. 2176-2181.

원문보기 상세보기
Kim, H.G. and Cho, H.S., A Production and Preventive Maintenance Policy with Two Types of Failures, Journal of the Korean Society for Quality Management, 2002, Vol. 30, No. 3, pp. 53-65.
Korail, Development of a early failure detection and maintenance technology for core parts of the rolling stock at onboard and wayside, Land and Transport Technology Research and Development Plan, 2015.
Shevade et al., Improvements to the SMO algorithm for SVM regression, IEEE Transactions on Neural Networks, 2000, Vol. 11, No. 5, pp. 1188-1193.

상세보기
Thiago et al., MLP and ANFIS Applied to the Prediction of Hole Diameters in the Drilling Process : Artificial Neural Networks-Architectures and Applications, DOI : 10.5772/51629, 2013.

저자의 다른 논문 :

LOADING...

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

기계적 모터 고장진단을 위한 머신러닝 기법