[논문]C-MAPSS 데이터를 이용한 항공기 엔진의 신경 회로망 기반 건전성관리

윤유리; 김석구; 조성희; 최주호

doi:10.20910/jase.2019.13.6.17

[국내논문] C-MAPSS 데이터를 이용한 항공기 엔진의 신경 회로망 기반 건전성관리
Neural Network based Aircraft Engine Health Management using C-MAPSS Data 원문보기

항공우주시스템공학회지 = Journal of aerospace system engineering, v.13 no.6, 2019년, pp.17 - 25

윤유리 (현대건설기계 신뢰성 평가부) , 김석구 (한국 항공대학교 항공 우주 및 기계공학과) , 조성희 (한국 항공대학교 항공 우주 및 기계공학과) , 최주호 (한국 항공대학교 항공 우주 및 기계공학부)

초록
AI-Helper

항공기 엔진의 고장예지 및 건전성 관리(PHM)는 고장 또는 수명한계 도달 전에 잔존 유효 수명을 예측하는 것이다. PHM 기술 중 예측모델을 확립하는 방법은 물리 기반과 데이터 기반 방법이 있다. 물리기반 방법은 적은 데이터로 정확한 예측이 가능하지만 확립된 손상 물리 모델이 적어서 적용에 한계가 있다. 본 연구는 따라서 데이터 기반 방법을 적용하였으며, 수명 예측을 위해서 신경회로망 알고리즘 중 Multi-layer Perceptron을 이용하였다. 이를 위해 미국 항공우주국(NASA)에서 개발한 C-MAPSS 코드로 생성된 가상 데이터 세트를 이용하여 신경회로망을 학습하였다. 학습된 신경회로망 모델은 테스트 세트에 적용한 후 잔존 유효 수명의 신뢰구간을 예측하고 실제 값을 통해 정확도를 검증하였다. 또한 본 연구에서 제시된 방법을 기존 문헌의 것과도 비교하였고 그 결과 비교적 양호한 정확도를 확인할 수 있었다.

Abstract ▼ AI-Helper

PHM (Prognostics and Health Management) of aircraft engines is applied to predict the remaining useful life before failure or the lifetime limit. There are two methods to establish a predictive model for this: The physics-based method and the data-driven method. The physics-based method is more accurate and requires less data, but its application is limited because there are few models available. In this study, the data-driven method is applied, in which a multi-layer perceptron based neural network algorithms is applied for the life prediction. The neural network is trained using the data sets virtually made by the C-MAPSS code developed by NASA. After training the model, it is applied to the test data sets, in which the confidence interval of the remaining useful life is predicted and validated by the actual value. The performance of proposed method is compared with previous studies, and the favorable accuracy is found.

Keyword

표/그림 (18)

그림 Fig. 1 Assessing Fatigue Life and MTTR based on Fleet Average
그림 Fig. 2 Trends in Design and Maintenance [1]
그림 Fig. 3 Repartition of Operating Costs for Airline Companies [3]
그림 Fig. 4 C-MAPSS Data Structure
그림 Fig. 5 Six Operating Conditions for All Engine Units of FD002
표 Table 1 C-MAPSS Dataset
그림 Fig. 6 Sensor 2 of Engine 1 without K-mean Clustering Algorithm
그림 Fig. 7 Sensor 1 Data from Engine #2 Plot for All Operating Regimes
표 Table 2 Spearman Correlation Calculation Results
그림 Fig. 8 Selected Sensor Data from Engine #2 for Operating Regime 1
그림 Fig. 9 Normalized Sensor Data from Engine #2 for Operating Regime 1
그림 Fig. 10 4-fold Cross Validation
그림 Fig. 11 Six Neural Network Models for Each Operating Regime
그림 Fig. 12 RUL Trend Using the Trained Neural Network in Regime 6
표 Table 3 Parameters for 4-fold Cross Validation
표 Table 4 Best Hyper Parameter Using R-squared Calculation Results
그림 Fig. 13 Distribution of RUL Estimation from Engine #259
표 Table 5 Performance Comparison with Other Papers for FD002

AI 본문요약
AI-Helper

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

문제 정의

데이터기반 방법은 신경 회로망(neural network), Gaussian Process Model, Relevance Vector Machine 등의 기계학습(machine learning) 기법을 이용하여 오프라인에서 입력정보 대비 건전성과의 관계를 사전에 훈련한 후 이를 온라인 입력정보에 적용하여 건전성을 추정하고 미래고장시점을 예측하는 것이다. 본 연구에서는 항공기 엔진에 대해 데이터기반 방법을 이용한 수명예측을 수행한다.
‘test set’의 경우 시스템이 종료되기 전에 특정 시점에서 임의로 관측이 중단된 데이터이기 때문에 그 관측 중단 시점에서부터 고장까지의 잔존 유효 수명을 정확하게 맞추는 것이 이 데이터 세트의 목적이다.
각 엔진별 수명을 예측한 결과 상당부분에서 정답에 근접한 예측을 수행함을 확인하였고 근래에 나온 논문들과 비교해 보았을 때, 비슷한 수준이거나 더 좋은 결과를 갖는다는 것을 알 수 있었다. 항공기 엔진의 사용 중 고장발생 전에 적절한 조치를 취할 수 있는 가능성을 제시하였다. 물론, 이 데이터는 가상의 상황에서 임의로 만들어진 가상 데이터이기 때문에 실제 항공기 엔진의 이 알고리즘을 적용하기 위해서는 검증과 개선이 필요하다.

제안 방법

EHM에서 수명 예측을 위해 가장 많이 사용되는 항공기 엔진의 가상 데이터(C-MAPSS)[6]를 이용하여 데이터 기반 분석법을 적용해 보았다. C-MAPSS를 이용한 데이터 기반 분석 연구는 활발하게 연구되고 있는데, 크게 세 가지 대표적인 방법이 있다.
신경회로망(neural network)과 필터링 방법(filtering method)을 이용한 연구[7, 8], ‘health index’를 뽑고 이를 이용하여 잔존 유효 수명을 구하는 연구[9] 그리고 특징인 자(feature)의 유사성(similarity)을 이용하여 잔존 유효 수명을 추정하는 방법[10] 등이 활발히 연구되어 왔다. 이 외에도 다양한 방법론이 존재하는데, 이러한 다양한 방법론을 참고문헌[11]에서 분석하고 정리하였다.
본 연구에서는 데이터기반 분석법에서 신경회로망 기법 중에서도 널리 사용되는 MLP(multi-layer perceptron) 이라는 알고리즘을 이용하여 운항 중 모니터링 되는 센서 데이터를 이용하여 수명을 예측하는 문제를 다루었고, 이를 다른 문헌과 비교하는 과정을 거쳤다.
FD001 및 FD002 데이터세트는 고압 압축기의 고장이 인가된 경우이며 그 외의 FD003 및 FD004 데이터세트는 팬과 고압 압축기에 고장을 인가한 데이터가 혼합되어 있다. 본 연구에서는 4개의 데이터 세트 중에서 6개의 운용 조건과 1개의 결함 조건이 적용된 FD002에 MLP(multi-layer perceptron) 기법을 적용하여 잔존 유효 수명(RUL; remaining useful life) 예측을 진행했다.
이를 통해 전체 데이터세트를 ‘regime1’에서 ‘regime 6’으로 라벨링한 후 데이터를 이용하여 각각의 인공 신경망 모델을 만든다.
Table 4와 같이 ‘regime’별 최적화된 결과를 활용하여 노드 수, ‘epoch’, ‘training function’을 고정시킨 후 ‘train set’ 100%를 이용하여 MLP의 구조를 생성하고 인공 신경망 모델을 학습시켰다.
각각의 ‘regime’별로 ‘target’값을 잔존 유효 수명으로 두고 입력 값을 앞에서 진행한 전처리 과정을 거친 센서 값으로 두어 모델을 생성하고 학습시켰다.
앞서 설명한 것처럼 ‘train set’를 이용하여 생성한 인공신경망 모델을 ‘test set’에 적용하여 ‘test set’에서 주어진 259개의 엔진의 잔존 유효 수명을 예측한다.
답이 매번 구할 때마다 다르고 값들 간의 극소 값과 극대 값의 차이가 크다. 어떤 특정 값을 제외하거나 단순히 평균값을 구하는 대신에 얻어진 모든 값을 활용하면서 하나의 답을 도출하기 위하여 히스토그램 개념을 도입하였다.인공 신경망을 통해 200회 반복 계산하여 각 엔진별 잔존 유효 수명 값을 200개씩 얻을 수 있다.
본 연구에서는 인공신경망을 적용하여 항공기 엔진의 수명 예측 프로세스를 구축하였다. NASA에서 배포한 가상의 항공기 엔진 열화 데이터를 이용하여 각 운용조건에 맞는 6개의 인공 신경망 모델을 생성하고 이를 이용하여 잔존 유효 수명을 예측해 보았다.
본 연구에서는 인공신경망을 적용하여 항공기 엔진의 수명 예측 프로세스를 구축하였다. NASA에서 배포한 가상의 항공기 엔진 열화 데이터를 이용하여 각 운용조건에 맞는 6개의 인공 신경망 모델을 생성하고 이를 이용하여 잔존 유효 수명을 예측해 보았다. 각 엔진별 수명을 예측한 결과 상당부분에서 정답에 근접한 예측을 수행함을 확인하였고 근래에 나온 논문들과 비교해 보았을 때, 비슷한 수준이거나 더 좋은 결과를 갖는다는 것을 알 수 있었다.

대상 데이터

데이터 기반 PHM을 엔진 운용데이터에 적용하기 위하여 C-MAPSS 데이터를 이용하였다. 이는 NASA 의 Prognostics Center of Excellence(PCoE)에서 제공하는 터보 팬 엔진 시뮬레이션 모델로부터 얻은 ‘Run to fail’ 데이터 세트이다.
C-MAPSS는 연료 공급 및 13개의 건전성 파라미터(health parameter)로 이루어진 총 14가지의 입력 값(건전성 파라미터)을 통해 고장 및 열화의 영향을 고려한 항공기 가스 터빈 엔진의 출력 데이터를 얻을 수 있다. 고장 및 열화의 대상은 항공기 엔진의 주요 부품인 팬(fan), 저압 압축기(LPC; low pressure compressor), 고압 압축기(HPC; high pressure compressor), 저압 터빈(LPT; low pressure turbine), 고압 터빈(HPT; high pressure turbine)이다.
C-MAPSS는 운용 설정 파라미터의 조합과 결함 조건에 따라 총 4가지(FD001~FD004)의 데이터 세트로 구성되어 있다. 운용 설정 파라미터는 총 3가지로 구성되어 있는데, 마하 수, 고도, TRA(throttle resolver angle)이다. 이 세 가지 운용 설정 파라미터를 조합하여 FD002 및 FD004에 대한 총 6가지의 운용 조건(Operating conditions)이 만들어져있다.
본 연구에서는 인공 신경망을 이용한 출력(output)값을 해당 엔진에 대한 잔존 유효 수명의 추정치로 사용하였고, 실제 잔존 유효 수명을 ‘target’ 자료로 사용하였다.

데이터처리

Equation 5 에서 매끄러운(smoothing) 정도를 조절하는 커널 폭(kernel width, ρ) 값은 교차검증(cross validation)을 거쳐 적절한 값을 선정하였다.
이렇게 선정된 센서 데이터는 범주를 통일시켜 스케일에 따른 영향을 없애기 위해 전체의 평균과 표준편차를 이용하여 Eq. 4를 통해 정규화가 이루어졌다.
각각의 ‘hyper parameter’ 조합에 대한 R제곱을 15회씩 반복 계산하였으며 R제곱 평균과 표준편차 값을 통해 해당 조합의 모델 적합도를 평가하였다.

이론/모형

이 조합을 구하기 위해서는 데이터 군집화(clustering)라는 분석 방식을 사용하게 되는데, 데이터 군집화란, 주어진 데이터의 특징을 고려하여 여러 그룹으로 나누는 방법이다. 데이터를 군집화하기 위한 다양한 알고리즘이 존재하지만, 그 중에서도 k-means알고리즘을 사용하여 군집화를 하였다. 그룹의 개수(k)를 정하고 그 그룹의 중심(centroid)과 그룹 내의 데이터들과의 거리를 제곱합 함수로 정하여 이 함수 값(V)을 최소화 하는 방향으로 반복 계산한다.
Figure. 5에서 볼 수 있는 것처럼, 총 6개의 그룹으로 나눠지기 때문에, k를 6개로 두고, k-mean 알고리즘을 적용한다. 이를 통해 전체 데이터세트를 ‘regime1’에서 ‘regime 6’으로 라벨링한 후 데이터를 이용하여 각각의 인공 신경망 모델을 만든다.
‘train’을 75%, ‘validation’을 25%로 나누고 인공 신경망 모델을 만들게 되는데, ‘train’을 통해 학습된 모델을 ‘validation’을 이용해 검증한다. 이때, 교차 검증을 위해 k-fold cross validation이라는 방법을 활용하였다. k는 사용자가 임의로 설정할 수 있는데, 본 연구에서는 Fig.

성능/효과

이러한 문제점을 방지하기 위하여 엔진의 정확한 잔존 유효 수명을 파악하는 것이 중요하다. 센서 기술의 빠른 발전과 더불어, 멀티 센서를 이용한 모니터링으로 엔진 건전성 관리가 가능해졌다. 그 결과, 통합적이고 다양한 데이터를 위한 적절한 방법론을 개발하는 것이 잔존 유효 수명 예측의 정확성을 높이기 위하여 중요하다.
NASA에서 배포한 가상의 항공기 엔진 열화 데이터를 이용하여 각 운용조건에 맞는 6개의 인공 신경망 모델을 생성하고 이를 이용하여 잔존 유효 수명을 예측해 보았다. 각 엔진별 수명을 예측한 결과 상당부분에서 정답에 근접한 예측을 수행함을 확인하였고 근래에 나온 논문들과 비교해 보았을 때, 비슷한 수준이거나 더 좋은 결과를 갖는다는 것을 알 수 있었다. 항공기 엔진의 사용 중 고장발생 전에 적절한 조치를 취할 수 있는 가능성을 제시하였다.

후속연구

물론, 이 데이터는 가상의 상황에서 임의로 만들어진 가상 데이터이기 때문에 실제 항공기 엔진의 이 알고리즘을 적용하기 위해서는 검증과 개선이 필요하다. 이는 향후 실제 항공기 엔진 데이터 확보를 통해 검증 및 개선이 이루어질 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	항공기 엔진의 PHM은 무엇을 의미하는가?	항공기 엔진의 고장예지 및 건전성 관리(PHM)는 고장 또는 수명한계 도달 전에 잔존 유효 수명을 예측하는 것이다. PHM 기술 중 예측모델을 확립하는 방법은 물리 기반과 데이터 기반 방법이 있다.
	PHM 기술 중 물리기반 방법의 특징은 무엇인가?	PHM 기술 중 예측모델을 확립하는 방법은 물리 기반과 데이터 기반 방법이 있다. 물리기반 방법은 적은 데이터로 정확한 예측이 가능하지만 확립된 손상 물리 모델이 적어서 적용에 한계가 있다. 본 연구는 따라서 데이터 기반 방법을 적용하였으며, 수명 예측을 위해서 신경회로망 알고리즘 중 Multi-layer Perceptron을 이용하였다.
	PHM 기술 중 예측모델을 확립하는 방법은 무엇이 있는가?	항공기 엔진의 고장예지 및 건전성 관리(PHM)는 고장 또는 수명한계 도달 전에 잔존 유효 수명을 예측하는 것이다. PHM 기술 중 예측모델을 확립하는 방법은 물리 기반과 데이터 기반 방법이 있다. 물리기반 방법은 적은 데이터로 정확한 예측이 가능하지만 확립된 손상 물리 모델이 적어서 적용에 한계가 있다.

참고문헌 (15)

J.-H. Choe, "Introduction to Prognostics and Health Management technology," J. KSME, vol. 53, no. 7, pp. 26-34, 2013.
J. Choi, "Research Trends and Application Cases for Prognostics and Health Management," J. Aerosp. Syst. Eng., vol. 8, no. 4, pp. 7-17, 2014.
B. Lamoureux, J.-R. Masse, and N. Mechbal, "Improving aircraft engines prognostics and health management via anticipated model-based validation of health indicators," Progn. J., vol. 2, no. 1, pp. 18-38, 2014.
T. Kobayashi and D. L. Simon, "Integration of on-line and off-line diagnostic algorithms for aircraft engine health management," J. Eng. Gas Turbines Power, vol. 129, no. 4, pp. 986-993, 2007.

상세보기
L. C. Jaw, "Recent advancements in aircraft Engine Health Management (EHM) technologies and recommendations for the next step," Proc. ASME Turbo Expo, vol. 1, no. April, pp. 683-695, 2005.
A. Saxena and K. Goebel, "PHM08 Challenge Data Set," NASA Ames Prognostics Data Repository. Moffett Field, CA, 2008.
F. O. Heimes, "Recurrent neural networks for remaining useful life estimation," in 2008 International Conference on Prognostics and Health Management, 2008.
S. Zheng, K. Ristovski, A. Farahat, and C. Gupta, "Long Short-Term Memory Network for Remaining Useful Life estimation," 2017 IEEE Int. Conf. Progn. Heal. Manag. ICPHM 2017, pp. 88-95, 2017.
J. B. Coble, "Merging data sources to predict remaining useful life--an automated method to identify prognostic parameters," pp. 1-223, 2010.
T. Wang, "Trajectory Similarity Based Prediction for Remaining Useful Life Estimation," University of Cincinnati. 2010.
E. Ramasso and A. Saxena, "Review and analysis of algorithmic approaches developed for prognostics on CMAPSS dataset," in PHM 2014 - Proceedings of the Annual Conference of the Prognostics and Health Management Society 2014, 2014, pp. 612-622.
A. Saxena, K. Goebel, D. Simon, and N. Eklund, "Damage propagation modeling for aircraft engine run-to-failure simulation," 2008 Int. Conf. Progn. Heal. Manag. PHM 2008, 2008.
G. S. Babu, P. Zhao, and X. L. Li, "Deep convolutional neural network based regression approach for estimation of remaining useful life," Int. Conf. database Syst. Adv. Appl., pp. 214-228, 2016.
X. Li, Q. Ding, and J. Q. Sun, "Remaining useful life estimation in prognostics using deep convolution neural networks," Reliab. Eng. Syst. Saf., vol. 172, no. December 2017, pp. 1-11, 2018.

상세보기
C. Zhang, P. Lim, A. K. Qin, and K. C. Tan, "Multiobjective Deep Belief Networks Ensemble for Remaining Useful Life Estimation in Prognostics," IEEE Trans. Neural Networks Learn. Syst., vol. 28, no. 10, pp. 2306-2318, 2017.

상세보기

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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