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
- 이로 인해 생산량 감소 및 유지보수 비용, 유지보수 기간이 증가되는 어려움을 겪고 있다. 따라서 본 연구에서는 최소 2주~4주 전에 설비의 이상을 예측하고 이상 원인을 확인 할 수 있는 설비 이상 예측 모델을 제시하였다.
- 본 논문에서는 설비의 고장을 단순히 설비 상태 이상을 예측하기보다는 고장의 원인을 파악하고 설비 고장이 발생 시점을 예측하고자 했다. 본 연구대상 공정의 설비인 초고압왕복동압축기는 해당 공정에서 연속 생산에 중요한 역할을 하며 단순 이상이 발생한다고 설비를 점검할 수 없는 현실이다.
- 본 연구에서는 설비 위험을 예측하기 위해 4가지 케이스 비교를 통해 설비의 위험에 대한 예측 모델이 성능을 확인하였다. 또한 실제 스코어의 예측 정확도에 대한비교를 통해 가장 정확도가 높은 케이스와 모델의 검증을 실시하였다.
- 본 연구에서는 폴리에틸렌(Polyethylene) 제품을 생산하는 공장 설비를 대상으로 고장을 예측한다. 해당 공정은 초고압법 방법을 통해 고밀도 폴리에틸렌을 생산하며, 초고압 공법에 사용되는 초고압왕복동압축기(Hyper Com- pressor) 설비를 대상으로 고장 예측에 대한 연구를 진행했다.
- 테스트 구간의 설비 고장이력은 2018년 3월이다. 본 연구에서는 학습구간 설정간의 비교, 클러스터 속성 적용 여부에 따른 위험스코어 비교를 통해 테스트셋의 설비 고장에 대해 사전에 포착이 가능한지를 확인하였다.
- 본 연구에서는 화학공장의 특수설비인 고압 압축기를 대상으로 설비의 위험 또는 고장을 예측하였다. 제안하는 예측모델은 설비 상태에 대한 객관적인 정보가 없거나 부정확한 과거 이력 정보들에 대한 신뢰도를 높이기 위해서 적용한 STL 기반의 전처리 기법을 적용하였다.
제안 방법
- 일 때 가장 큰i로 결정된다. STL 알고리즘의 매개속성(이상 감지 범위와 정상범위, 비정상범위) 설정은 계획정비(PSD) 일자와 매칭하여 명확하게 구분이 가능한 범위로 설정하였다. 이러한 STL 및 GESD 알고리즘을 통해 계획정비(PSD)기간에 발생한 이상치 데이터에 대한 전처리 작업을 실시하여 고장 예측 시 이상치를 제거하였다.
- 데이터 수집기간은 2011년 01월부터 2019년 07월까지이며, 데이터는 약 20억 건이다. 데이터 전처리는 EDA와 설비담당자 인터뷰를 통해 방향을 설정하였으며 기본적으로 결측치는 제거하였으나 일부는 선형보간법을 사용하여 보정하였다.
- 하지만 설비의 노후화나 설비 정비 여부에 따라 설비 데이터 변동 가능성이 있기 때문에 설비 센서 데이터에만 의존하는 것은 데이터 자체에서 의미 있는 정보를 찾기가 어려운 점이 있다. 따라서 본 연구에서는 보다 데이터의 설명력을 높이기 위해 미가공 데이터에 k-Means 클러스터링을 적용한 결과, 기존 데이터 셋에 클러스터 특성 속성을 학습데이터셋에 포함하였다. 이때, k-Means 클러스터링 알고리즘은 사용자가 클러스터의 개수를 미리 지정해야 하는데 엘보우기법(Elbow Method)을 이용하여 적절한 클러스터 개수를 설정했다.
- 이 전처리 기법을 통해 센서 시계열 데이터의 이상치를 적절하게 필터링 하였음을 확인 할 수 있었다. 또한 높은 예측 성능의 EGB 모델을 적용하였고 더 높은 예측 정확도와 모델의 설명력 향상을 위해 클러스터링 결과의 파생 속성 적용 방법을 제시하였다. 이 예측 모델은 고장이력을 중심으로 설계된 학습데이터셋을 기반으로 설비고장에 대한 정도와 시점에 대해 예측이 가능한 것을 보여 주었다.
- 본 연구에서는 설비 위험을 예측하기 위해 4가지 케이스 비교를 통해 설비의 위험에 대한 예측 모델이 성능을 확인하였다. 또한 실제 스코어의 예측 정확도에 대한비교를 통해 가장 정확도가 높은 케이스와 모델의 검증을 실시하였다. 검증 방법으로는 두 개의 범주를 갖는 속성을 예측하는 분류 모델에 대한 성능 평가 방법으로 ROC를 이용하였다.
- 그렇지 않으면 설비 정비(Overhaul) 전, 후 이상 상태에 대해 정상적인 데이터인지 판단하기 어렵고 변동의 폭이 크기 때문에 고장 증상으로 볼 수 있기 때문이다. 본 논문에서는 이러한 구분을 위해 STL을 통한 이상치 탐지 방법을 적용함으로써 정상운용과 설비정비를 구분하였다. STL은 시계열 데이터를 세 가지로 분해하기 위해 개발 된 알고리즘으로 구성 요소로는 추세, 계절 및잔차로 구성되어 있다[19].
- 본 연구에서 제시한 방법을 통해 화학 공정의 고압압축 설비의 위험을 예측하고 선택된 주요 속성을 통해 설비 고장 원인 파악에 이용하였다.
- 본 연구에서는 모델인 EGB(Extreme Gradient boosting) 알고리즘을 사용하여 설비 위험의 주요 속성을 판별하였다. 비교를 위해 Case_2(정상 구간 90일과 비정상구간 20일)와 Case_3(정상 구간 90일과 비정상 구간 30일)로 구분하였다. 아래[Table 6]는 Case_3에 대한 결과이며 클러스터링 속성 포함 여부에 따른 추출된 주요 속성을 비교하였다.
- CART 모델의 노드에 포함되는 속성 테스트를 Information Gain 값으로 하게 되는데, 이 과정에서 상대적으로 중요하지 않은 속성은 모델에 포함이 되지 않아 자연적으로 중요 속성이 선택되는 결과가 나타난다. 설비데이터와 파생 속성과 설비 고장 유무(Class 속성)을 포함한 학습데이터셋을 기반의 학습 모델을 통해 고압 압축 설비의 위험상황 탐지 및 예측을 실시하였다. 설비 고장 위험 스코어 예측에서 중요한 포인트는 설비의 이상 전에 전조 시그널의 확인 가능 여부이다.
- 분류 기반의 학습 모델이 사용되었기에 정상 구간과비정상 구간에 대한 학습데이터셋 분류 설정은 모델 결과에 큰 영향을 준다. 설비의 과거 상태에 대해 모든 기간을 알 수 없기 때문에 고장 이력을 중심으로 학습 데이터 구간을 설정 하였다. 학습 데이터 구간 설정은 크게 2가지로 설정하였으며, Case_1은 정상 구간 30일과 비정상 구간 10일, Case_2는 정상 구간 90일과 비정상 구간20일로 설정 하였다.
- STL 알고리즘의 매개속성(이상 감지 범위와 정상범위, 비정상범위) 설정은 계획정비(PSD) 일자와 매칭하여 명확하게 구분이 가능한 범위로 설정하였다. 이러한 STL 및 GESD 알고리즘을 통해 계획정비(PSD)기간에 발생한 이상치 데이터에 대한 전처리 작업을 실시하여 고장 예측 시 이상치를 제거하였다.
- 이러한 STL 및 GESD 알고리즘을 통해 계획정비(PSD)기간에 발생한 이상치 데이터와 기타 이상치에 대한 전처리 작업을 실시하여 노이즈(Noise)를 제거하였다. 노이즈를 제거하지 못 할 경우 잘못된 학습이 이루어지고 모델의 결과도 상당부분 차이를 보인다.
- 본 연구에서는 화학공장의 특수설비인 고압 압축기를 대상으로 설비의 위험 또는 고장을 예측하였다. 제안하는 예측모델은 설비 상태에 대한 객관적인 정보가 없거나 부정확한 과거 이력 정보들에 대한 신뢰도를 높이기 위해서 적용한 STL 기반의 전처리 기법을 적용하였다. 이 전처리 기법을 통해 센서 시계열 데이터의 이상치를 적절하게 필터링 하였음을 확인 할 수 있었다.
- 또한 과거 데이터에 대한 즉 설비의 과거 상태에 대해서 전 기간 알 수 없기 때문에 고장 이력을 중심으로 학습 데이터 구간을 설정한다. 학습 데이터 구간 설정은 크게 2가지로 설정하였으며, Case_1은 정상 구간 30일과 비정상 구간 10일, Case_2는 정상 구간 90일과 비정상 구간 20일로 설정하였다.
- 또한 과거 데이터에 대한 즉 설비의 과거 상태에 대해서 전 기간 알 수 없기 때문에 고장 이력을 중심으로 학습 데이터 구간을 설정한다. 학습 데이터 구간 설정은 크게 2가지로 설정하였으며, Case_1은 정상 구간 30일과 비정상 구간 10일, Case_2는 정상 구간 90일과 비정상 구간 20일로 설정하였다.
- 학습 모델의 예측 정확도와 설명력을 향상시키기 위해 학습데이터셋 구성 시 비지도학습 기반의 클러스터링 결과를 파생속성으로 추가하였다. 아래 [Figure 8]은 학습 셋의 k-Means 클러스터링 개수를 정하기 위한 엘보우기법 적용 결과이다.
- 고장 위험 예측 모델의 학습 구간은 2011년 1월부터2016년 12월까지 총 6년으로 설정하였으며, 테스트 구간은 2017년 1월부터 2019년 7월까지로 설정하였다. 학습구간 설정 값은 비정상구간과 정상구간으로 분리하였고, 설비 고장 발생 여부에 따라 총 4개 구간으로 2015년 2월, 4월, 6월, 8월로 구성하였으며, 정상구간은 총 5개 구간으로 2012년 6월, 2013년 9월, 2015년 2월, 2015년 10월, 2016년 12월로 구성하였다. 테스트 구간의 설비 고장이력은 2018년 3월이다.
- 학습데이터셋 기반으로 설비의 위험 예측 모델을 생성하고 테스트 데이터를 기반으로 모델을 검증 하였다. 검증 방법으로는 테스트 데이터를 정상구간과 비정상 구간으로 나누고 EGB 모델의 예측 값과의 비교를 통해 예측 정확도를 확인하였다.
- 본 연구에서는 폴리에틸렌(Polyethylene) 제품을 생산하는 공장 설비를 대상으로 고장을 예측한다. 해당 공정은 초고압법 방법을 통해 고밀도 폴리에틸렌을 생산하며, 초고압 공법에 사용되는 초고압왕복동압축기(Hyper Com- pressor) 설비를 대상으로 고장 예측에 대한 연구를 진행했다. 초고압왕복동압축기는 초고압 운전으로 인해 Bearing, Packing Cup, Poppet Valve, Cooling Oil Sight Glass 등 의부품이 마모되거나 파손되는 고장이 발생한다.
- 또 비지도학습 알고리즘인 k-Means를 사용한 이상치 탐지는 각 점들이 군집에 할당이 되고, 군집의 중심들이 확정 된 이후에 각 점들과 할당된 군집의 중심 사이의 거리를 계산 한 후, 가장 큰 거리를 이상치로 간주한다. 해당 연구에서는 시뮬레이션으로 발생시킨 이상치의 개수만큼 가장 큰 거리를 가지는 관측치부터 순서대로 나열하여 이상치를 구분한다[9, 12]. 다음으로 Isolation Forest 방법은 훈련에 분류 정보가 필요하지 않은 무감독 학습 방법이다.
대상 데이터
- 고장 위험 예측 모델의 학습 구간은 2011년 1월부터2016년 12월까지 총 6년으로 설정하였으며, 테스트 구간은 2017년 1월부터 2019년 7월까지로 설정하였다. 학습구간 설정 값은 비정상구간과 정상구간으로 분리하였고, 설비 고장 발생 여부에 따라 총 4개 구간으로 2015년 2월, 4월, 6월, 8월로 구성하였으며, 정상구간은 총 5개 구간으로 2012년 6월, 2013년 9월, 2015년 2월, 2015년 10월, 2016년 12월로 구성하였다.
- 데이터 수집기간은 2011년 01월부터 2019년 07월까지이며, 데이터는 약 20억 건이다. 데이터 전처리는 EDA와 설비담당자 인터뷰를 통해 방향을 설정하였으며 기본적으로 결측치는 제거하였으나 일부는 선형보간법을 사용하여 보정하였다.
데이터처리
- 학습데이터셋 기반으로 설비의 위험 예측 모델을 생성하고 테스트 데이터를 기반으로 모델을 검증 하였다. 검증 방법으로는 테스트 데이터를 정상구간과 비정상 구간으로 나누고 EGB 모델의 예측 값과의 비교를 통해 예측 정확도를 확인하였다. <Figure 3>은 설비 위험 예측모델의 정상과 비정상 구간을 분류한 예시이다.
- 공정 및 설비 담당자와의 인터뷰를 통해 화학공정의 특성을 이해하는 환경분석과 데이터에 대한 기본적인 통계분석(EDA)을 실시하였다. 이 후 전처리와 학습데이터셋을 구성하였다.
- 또한, 클러스터링 모델의 결과를 파생속성으로 학습데이터셋에 포함하여 학습 모델의 설명력을 향상시켰다. 마지막으로 본 연구의 제안 방법론의 학습방법인 EGB 알고리즘을 통해 생성된 예측모델의 학습과정에서 계산되는 Information Gain값을 기반으로 중요 속성(Key Features)을 확인하였고 예측정확도 확인을 통해 모델의 성능을 검증하였다.
-
STL은 시계열 데이터를 세 가지로 분해하기 위해 개발 된 알고리즘으로 구성 요소로는 추세, 계절 및잔차로 구성되어 있다[19]. 이때 GESD 방법은 잔차의 이상치(최대 이상치 개수, r)를 점진적으로 제거하면서, t-Test를 통해 차이를 검정하고 신뢰구간을 설정한다. 식(1)과 식 (2)는 GESD의 이상치 제거 기준인 Ri
이론/모형
- 또한 실제 스코어의 예측 정확도에 대한비교를 통해 가장 정확도가 높은 케이스와 모델의 검증을 실시하였다. 검증 방법으로는 두 개의 범주를 갖는 속성을 예측하는 분류 모델에 대한 성능 평가 방법으로 ROC를 이용하였다. ROC는 x축의 값이 0일 때, y축의값은 0이 되며, x축이 증가할수록 y축이 증가한다.
- 순환신경망(RNN, RecurrentNeural Network)과 같은 방법이 대안이 될 수도 있으나, 본 연구에서는 화학 공정의 설비 이상 예측을 위해 성능이 우수한 CART(Classification and Regression Tree)의 부스팅(Boosting) 형태인 EGB(Extreme Gradient Boosting) 모델을 적용하였다. 또한 예측모델의 설명력을 높이기 위해 클러스터링 결과를 데이터셋에 포함시키는 앙상블 기법을 적용하였다.
- <Figure 3>은 설비 위험 예측모델의 정상과 비정상 구간을 분류한 예시이다. 모델 예측치에 대한 평가는 ROC Curve의 AUC(Area under theCurve) 값으로 판단하였다.
- 본 연구에서는 모델인 EGB(Extreme Gradient boosting) 알고리즘을 사용하여 설비 위험의 주요 속성을 판별하였다. 비교를 위해 Case_2(정상 구간 90일과 비정상구간 20일)와 Case_3(정상 구간 90일과 비정상 구간 30일)로 구분하였다.
- 본 연구에서는 설비 위험도를 예측하기 위해 앙상블 모델인 EGB(Extreme Gradient Boosting) 알고리즘을 사용하였다. EGB 알고리즘은 다양한 데이터 분석 대회에서 좋은 성능을 보여주고 있는 의사결정나무 기법으로[1, 17], 과 적합을 방지하는 장치를 가지고 있다[3].
- 본 연구에서도 희박한(Sparse) 이상치 데이터의 학습에 적합한 의사결정나무 계열의 앙상블 방법인 EGB 알고리즘을 사용하여 고장 유무를 예측한다.
- 하지만 이 경우는 센서들의 미세한 변동에는 반응하지 않는다는 단점이 있다. 순환신경망(RNN, RecurrentNeural Network)과 같은 방법이 대안이 될 수도 있으나, 본 연구에서는 화학 공정의 설비 이상 예측을 위해 성능이 우수한 CART(Classification and Regression Tree)의 부스팅(Boosting) 형태인 EGB(Extreme Gradient Boosting) 모델을 적용하였다. 또한 예측모델의 설명력을 높이기 위해 클러스터링 결과를 데이터셋에 포함시키는 앙상블 기법을 적용하였다.
- 따라서 본 연구에서는 보다 데이터의 설명력을 높이기 위해 미가공 데이터에 k-Means 클러스터링을 적용한 결과, 기존 데이터 셋에 클러스터 특성 속성을 학습데이터셋에 포함하였다. 이때, k-Means 클러스터링 알고리즘은 사용자가 클러스터의 개수를 미리 지정해야 하는데 엘보우기법(Elbow Method)을 이용하여 적절한 클러스터 개수를 설정했다. 엘보우 기법은 최적의 클러스터 개수를 구하기 위한 알고리즘으로 알려져 있으며, 한 개의 클러스터를 추가했을 때, 추가하기 전보다 특정 범위 값을 넘어서는 더 좋은 결과가 나타나지 않으면 이전 클러스터의 개수를 최적의 클러스터 개수로 설정한다[10].
- 이 후 전처리와 학습데이터셋을 구성하였다. 전처리 단계에서는 시계열 데이터 특성이고려된 STL(Seasonal-Trend Decomposition Procedure Basedon Loess) 기법을 활용하였다. 제시된 STL과 GESD(Generalized Extreme Studentized Deviate) 기법은 전처리에 적용되어 설비 센서 측정 시계열 데이터에서 이상치(Anomaly)를 탐지하는 적절한 필터 역할을 수행한다.
성능/효과
- . 또한 제시된 예측모델은 설비 이상에 대한 주요 속성 추출을 통해 고장의 원인을 파악하는데 도움을 줄 수 있었다.
- 제시된 STL과 GESD(Generalized Extreme Studentized Deviate) 기법은 전처리에 적용되어 설비 센서 측정 시계열 데이터에서 이상치(Anomaly)를 탐지하는 적절한 필터 역할을 수행한다. 또한, 클러스터링 모델의 결과를 파생속성으로 학습데이터셋에 포함하여 학습 모델의 설명력을 향상시켰다. 마지막으로 본 연구의 제안 방법론의 학습방법인 EGB 알고리즘을 통해 생성된 예측모델의 학습과정에서 계산되는 Information Gain값을 기반으로 중요 속성(Key Features)을 확인하였고 예측정확도 확인을 통해 모델의 성능을 검증하였다.
- 따라서 명목형(Category) 속성으로 분류해야 하며 해당 값을 그대로 모델에 적용하게 되면 의미 없는 결과를 도출하게 된다. 명목형 속성인Cluster를 더미(Dummy)속성으로 변환한 결과 클러스터링 14개 속성으로 더미 변환되었다.
- 본 연구에서는 분류 기반의 학습 모델이 사용되었으며 정상 구간과 이상 구간에 대한 설정은 모델 결과에큰 영향을 준다. 이는 단순 설비의 이상 예측이 아닌 고장 시점 예측과도 연결된다.
- 그래프 상의 점선은 설비의 실제 고장 시점을 나타내고 있으며 실선은 연계설비의 고장 시점을 나타낸다. 예측결과 제시된 모델은 연계 설비의 고장에 대해서 영향을 받는 것으로 판단되며, 단독 설비의 고장 위험 시그널을 통해 연계 설비의 고장 시그널에 대해서 일부 파악이 가능한 것으로 보인다.
- 또한 높은 예측 성능의 EGB 모델을 적용하였고 더 높은 예측 정확도와 모델의 설명력 향상을 위해 클러스터링 결과의 파생 속성 적용 방법을 제시하였다. 이 예측 모델은 고장이력을 중심으로 설계된 학습데이터셋을 기반으로 설비고장에 대한 정도와 시점에 대해 예측이 가능한 것을 보여 주었다..
- 제안하는 예측모델은 설비 상태에 대한 객관적인 정보가 없거나 부정확한 과거 이력 정보들에 대한 신뢰도를 높이기 위해서 적용한 STL 기반의 전처리 기법을 적용하였다. 이 전처리 기법을 통해 센서 시계열 데이터의 이상치를 적절하게 필터링 하였음을 확인 할 수 있었다. 또한 높은 예측 성능의 EGB 모델을 적용하였고 더 높은 예측 정확도와 모델의 설명력 향상을 위해 클러스터링 결과의 파생 속성 적용 방법을 제시하였다.
- 위 [Figure 13]과 [Figure 14]는 시간당 예측 결과값에 3일 이동평균을 적용한 결과이다. 이동평균을 적용한 결과 시간당 예측 결과에 대한 해석이 용이해진 것으로 확인되었다. 그래프 상의 점선은 설비의 실제 고장 시점을 나타내고 있으며 실선은 연계설비의 고장 시점을 나타낸다.
- 테스트 데이터 적용 결과해당 설비의 고장 시점인 ‘7’과 ‘8’ 구간에 설비의 위험예측에 대해서 위험 스코어가 상승되어 있는 것을 확인할 수 있다.
- 학습데이터셋의 2011년도부터 2017년까지의 결과를 확인해보니 학습 기간에 따른 스코어 차이가 상당 부분있는 것으로 확인되었다. Case_1 경우 Case_2에 비해서 고장 위험 예측 스코어가 더 높은 경우가 많음을 확인할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.