선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 6과 같다. 본 논문에서는 철도차량 부품의 상태 데이터에 대한 전처리 단계로서 [5]에서 제안한 군집화 기법을 적용하여, 부품의 특정 상태에도 포함되지 않거나 이상치 값을 포함한 데이터를 제거하는데 활용하고자 한다. 또한, 분산처리 기법을 적용함으로써 대규모 실시간 수집되는 철도차량 부품 정보인 빅데이터의 처리 능력을 기존방식과 비교하여 평가한다.
- 본 절에서는 대규모 철도차량 부품 상태 데이터 수집부터 관리 및 시각화 기능 제공을 위해서 빅데이터 분석 플랫폼을 활용한 상태 데이터 관리 시스템을 설계한다.
제안 방법
- 마지막 제안한 기법의 성능평가로서 RF 분류기를 활용한 고장진단 모델의 정확도 평가를 수행한다. 3가지 클래스 상태(Good, Need Inspection, Failure Probability)에 대한 RF 기반 고장진단 학습모델의 예측 정확성을 평가하기 위해서 총 3가가지의 평가 지표인 precision, recall, F1-value를 각 클래스 예측결과로서 평가한다. 또한 전체적인 진단 모델의 성능 평가는 정확도 지표를 통해 RF 알고리즘의 최적 성능을 제시한다.
- 먼저, 빅데이터 분석을 위한 분산/병렬처리를 위한 mapReduce 기반 알고리즘의 실행속도 평가를 위해서 아마존 웹서비스(AWS)의 EMR 분산/병렬처리 실험환경을 이용한다. EMR에 개발 알고리즘과 베어링 및 차륜 데이터셋(총 25개 필드를 갖는 16,000건 데이터 파일)을 업로드한 후, 가상 인스턴스(EC2)를 1에서부터 최대 16가지 생성하여 단독머신에서 실행할 때의 시간과 2, 4, 8, 16대의 머신에서 동시에 분산/병렬처리 할 때의 실행시간 비교를 수행하였다. EMR 구성도는 Fig.
- 대용량 빅데이터를 활용하는 머신러닝 기법의 효율적인 고장진단 모델 생성을 위해 분산/병렬처리가 가능한 아파치 Spark 및 맵 패턴을 적용한 기법을 제안한다.
- 3가지 클래스 상태(Good, Need Inspection, Failure Probability)에 대한 RF 기반 고장진단 학습모델의 예측 정확성을 평가하기 위해서 총 3가가지의 평가 지표인 precision, recall, F1-value를 각 클래스 예측결과로서 평가한다. 또한 전체적인 진단 모델의 성능 평가는 정확도 지표를 통해 RF 알고리즘의 최적 성능을 제시한다. RF 기반의 베어링 및 차륜 부품 대상 고장모델의 모든 평가 척도들의 식은 다음과 같다.
- 본 논문에서는 철도차량 부품의 상태 데이터에 대한 전처리 단계로서 [5]에서 제안한 군집화 기법을 적용하여, 부품의 특정 상태에도 포함되지 않거나 이상치 값을 포함한 데이터를 제거하는데 활용하고자 한다. 또한, 분산처리 기법을 적용함으로써 대규모 실시간 수집되는 철도차량 부품 정보인 빅데이터의 처리 능력을 기존방식과 비교하여 평가한다.
- 머신러닝의 분류(classification) 기법을 이용하여 고장진단 모델을 생성하고, 아직 부품상태가 대기 중인 새로운 데이터에 대해 분류(클래스 라벨 할당을 통한 고장진단)를 수행한다.
- 빅데이터 분석 플랫폼 기반의 철도차량(고속열차 및 물류화물차량) 핵심부품 상태정보 관리시스템을 개발한다.
- 빅데이터 플랫폼에 분산 저장된 물류차량 지상(way-side) 장치 및 고속열차 차상(onboard) 장치로부터 수집된 데이터에서 고장진단을 위한 인자를 추출한다.
- 시스템의 설계는 3계층 구조로 설계한다. 저장계층에서는 물류차량/고속열차에서 측정된 상태정보를 분산구조 형태로 저장하며, 백업을 위한 기존 DB 시스템을 이용한다.
- 실시간 상태정보 모니터링을 위한 관리 시스템은 철도차량의 부품 상태정보를 실시간으로 수집하여 분석할 수 있는 기능을 제공하고 웹 로그 및 서버 자원 로그를 대상으로 실시간으로 모니터링을 할 수 있는 시스템을 개발한다. 전체 시스템을 분석할 수 있는 대시보드와 개별 서비스 단위의 대시보드, 부품의 고장진단 및 시스템의 장애 사전 감지를 위한 대시보드 등으로 구성된다.
- 따라서, 고장진단 모델 생성 전에 이는 반드시 제거되어야 하며, 일반적으로 통계적 및 비감독학습 방법이 사용된다. 이 논문에서는 비감독학습 기법으로 밀도 기반 DBSCAN 군집화를 수행하여 이상치를 탐지한다. DBSCAN 알고리즘의 분산/병렬처리가 가능하도록 mapReduce 패턴이 적용된다[5].
- 이를 위해서, 본 논문에서는 차상 및 지상에 부착된 센서 장치로부터 다양한 고장진단 파라미터를 추출하여 유지보수 현장 작업자의 검수 전에 그 상태를 실시간 모니터링과 결함 상태를 예측할 수 있는 빅데이터 기반 상태데이터 관리시스템과 머신러닝 기반의 유지보수지원 시스템을 개발하였다. 또한 향후 축적될 대용량 상태정보의 효율적인 유지보수지원 시스템의 결함진단을 위해서 분산/병렬처리가 가능한 mapReduce 기반의 알고리즘을 활용하였다.
- 철도차량 주요부품 중 베어링 및 차륜의 상태 기반 고장진단 판별을 위해서 비감독학습을 통한 전처리를 수행한 후, 감독학습 기법인 RF를 적용하여 부품의 상태를 분류한다.
- 고장진단 대상은 기계적 부품인 베어링 고장, 차륜 파손의 상태에 대한 머신러닝 기반 분류이다. 총 256건의 상태 데이터에서 기계적 결함의 여부 판단 기준인 3가지 클래스에 대한 머신러닝 기법의 평가를 수행하였다. 적용된 머신러닝 기법은 데이터 전처리를 위해 DBSCAN 군집화가 사용되었으며, 고장진단을 위한 감독학습 모델로서 random forest 기법을 적용하였다.
대상 데이터
- 고장진단 대상은 기계적 부품인 베어링 고장, 차륜 파손의 상태에 대한 머신러닝 기반 분류이다. 총 256건의 상태 데이터에서 기계적 결함의 여부 판단 기준인 3가지 클래스에 대한 머신러닝 기법의 평가를 수행하였다.
- 단, 분류모델의 경우, 훈련 및 테스트 셋으로 원 데이터를 나누어 훈련셋을 이용하여 학습을 시키고 테스트 셋으로 모델의 정확도를 평가한다. 본 실험에서는 학습단계의 실행시간만을 평가하며, 원 데이터의 70%인 189건의 훈련데이터를 사용하였다. 실험결과 단독실행일 경우, 6초에 학습이 종료되며, 노드 16개를 구성하여 분산/병렬처리 할 경우 2.
- 실험에 사용된 데이터는 철도차량의 기계적 결함 부품인 베어링과 차륜의 상태정보를 활용한다. 총 데이터 건수는 246이며, 8개의 특징벡터와 1개의 클래스 속성필드로 구성된다.
- 실험에 사용된 데이터는 철도차량의 기계적 결함 부품인 베어링과 차륜의 상태정보를 활용한다. 총 데이터 건수는 246이며, 8개의 특징벡터와 1개의 클래스 속성필드로 구성된다.
데이터처리
- DBSCAN과 동일하게 분류/예측 기법인 RF에 대해서도 분산/병렬처리 프로그래밍의 성능평가를 수행하였다. 단, 분류모델의 경우, 훈련 및 테스트 셋으로 원 데이터를 나누어 훈련셋을 이용하여 학습을 시키고 테스트 셋으로 모델의 정확도를 평가한다.
- 마지막 제안한 기법의 성능평가로서 RF 분류기를 활용한 고장진단 모델의 정확도 평가를 수행한다. 3가지 클래스 상태(Good, Need Inspection, Failure Probability)에 대한 RF 기반 고장진단 학습모델의 예측 정확성을 평가하기 위해서 총 3가가지의 평가 지표인 precision, recall, F1-value를 각 클래스 예측결과로서 평가한다.
이론/모형
- 고장진단 모델 생성을 위한 감독학습 기법은 논문 [6]에서 검토를 하였으며, 그 결과를 바탕으로 본 절에서는 random forest 알고리즘을 사용한다.
- 이를 위해서, 본 논문에서는 차상 및 지상에 부착된 센서 장치로부터 다양한 고장진단 파라미터를 추출하여 유지보수 현장 작업자의 검수 전에 그 상태를 실시간 모니터링과 결함 상태를 예측할 수 있는 빅데이터 기반 상태데이터 관리시스템과 머신러닝 기반의 유지보수지원 시스템을 개발하였다. 또한 향후 축적될 대용량 상태정보의 효율적인 유지보수지원 시스템의 결함진단을 위해서 분산/병렬처리가 가능한 mapReduce 기반의 알고리즘을 활용하였다.
- 먼저, 빅데이터 분석을 위한 분산/병렬처리를 위한 mapReduce 기반 알고리즘의 실행속도 평가를 위해서 아마존 웹서비스(AWS)의 EMR 분산/병렬처리 실험환경을 이용한다. EMR에 개발 알고리즘과 베어링 및 차륜 데이터셋(총 25개 필드를 갖는 16,000건 데이터 파일)을 업로드한 후, 가상 인스턴스(EC2)를 1에서부터 최대 16가지 생성하여 단독머신에서 실행할 때의 시간과 2, 4, 8, 16대의 머신에서 동시에 분산/병렬처리 할 때의 실행시간 비교를 수행하였다.
- 총 256건의 상태 데이터에서 기계적 결함의 여부 판단 기준인 3가지 클래스에 대한 머신러닝 기법의 평가를 수행하였다. 적용된 머신러닝 기법은 데이터 전처리를 위해 DBSCAN 군집화가 사용되었으며, 고장진단을 위한 감독학습 모델로서 random forest 기법을 적용하였다.
성능/효과
- 성능평가 결과 정보는 Fig 13과 같이 3개 그룹으로 개발된 프로그램의 UI로 표출된다. 먼저, 1) 평가지표 결과에서는 정확도 83%이며, 정밀도, 민감도와의 조합평가 지표인 F1-value는 81%를 보였다. 또한 3가지 클래스에 대한 테스트셋을 활용한 평가에서 2) 혼잡 매트릭스를 표출하여 특정 클래스의 오분류와 정분류된 정보를 확인할 수 있다.
- 먼저, 1) 평가지표 결과에서는 정확도 83%이며, 정밀도, 민감도와의 조합평가 지표인 F1-value는 81%를 보였다. 또한 3가지 클래스에 대한 테스트셋을 활용한 평가에서 2) 혼잡 매트릭스를 표출하여 특정 클래스의 오분류와 정분류된 정보를 확인할 수 있다. 3)번 영역에서는 예측된 클래스 대비 실제 클래스 매칭 정보를 보여준다(초록색으로 표시된 것이 정확히 고장상태를 예측한 것이며, 붉은색 표시된 셀은 잘못 예측된 결과이다).
- 또한 3가지 클래스에 대한 테스트셋을 활용한 평가에서 2) 혼잡 매트릭스를 표출하여 특정 클래스의 오분류와 정분류된 정보를 확인할 수 있다. 3)번 영역에서는 예측된 클래스 대비 실제 클래스 매칭 정보를 보여준다(초록색으로 표시된 것이 정확히 고장상태를 예측한 것이며, 붉은색 표시된 셀은 잘못 예측된 결과이다).
- 최소 1개의 노드인 단일 실행에서는 60초 만에 알고리즘이 종료되어 결과를 출력한다. 그러나 노드 2개 실행 시에는 약 1/2 정도로 실행시간이 줄어들며, 노드 16개 구성 시에 분산/병렬처리 되어 약 9.1초에 알고리즘이 수행됨을 확인할 수 있다.
- 본 실험에서는 학습단계의 실행시간만을 평가하며, 원 데이터의 70%인 189건의 훈련데이터를 사용하였다. 실험결과 단독실행일 경우, 6초에 학습이 종료되며, 노드 16개를 구성하여 분산/병렬처리 할 경우 2.3초만에 학습이 완료됨을 확인하였다(Fig. 12).
후속연구
- 본 연구 결과를 바탕으로 한 향후 연구로는 고속열차 및 물류차량 대상 결함 진단 부품을 확대하여 기계적 및 전기적 부품의 상태정보에 대한 최적의 고장진단 알고리즘을 개발하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.