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
- 일반적인 수명 추정을 위한 열화데이터 분석은 시험대상 부품 특성에 따라 여러 단계별 통계적추정과 예측을 실시하여 열화모델을 선정한다[20]. 그러나본 연구에서는 부품 특성을 파악하기에 어려움이 존재하므로 머신러닝 모델을 활용하여 측정값들을 통해 잔여수명을 예측하고자 한다.
- 일반적인 시계열 모델을 사용하기에 각 엔진별 고장이 발생하는 시점이 다르므로 시퀀스 길이 및 모델 파라미터를 지정하기에 한계가 존재한다. 따라서 본 연구에서는 시계열 모델이 아닌 다른 정적모델(static model)을 통해 잔여수명을 예측하고자 하였다. 각 모델별 분할 방법을 다르게 지정하였으며 예측 성능 향상을 위해 데이터 전처리 과정에 슬라이딩 윈도우(sliding window)기법[7]을 제안하였다.
- 그러나 정적 모델을 통해 시계열 데이터의 잔여수명을 예측한 연구는 미흡한 상황이다. 따라서본 연구에서는 시계열 모델이 아닌 머신러닝 기법을 통해 잔여수명을 예측하고, 예측 성능을 향상시키고자 데이터 전처리 과정에 슬라이딩 윈도우 기법을 적용하는방법을 제안하고자 한다.
- 고장예지 및 건전성 관리 기술은 크게 물리 기반 접근법, 데이터주도 접근법, 융합 접근법으로 구분된다[19]. 본 논문에서는 데이터주도 접근법 중 머신러닝 기법을 통해 항공 엔진의 잔여수명을 예측하는 모델을 구축하고 모델의 예측 성능을 향상시키기 위한 데이터 전처리 기법을 제안하고자 한다.
- 본 논문에서는 슬라이딩 윈도우 기법을 활용한 데이터 전처리 과정이 예측 성능에 어떠한 영향을 미치는지 확인하고자 하였으며, 수명길이와 관계없이 동일한 윈도우 사이즈를 설정하였다. 그러나 윈도우 사이즈에 따라 도출되는 관측치가 다르므로 수명길이에 따라 다르게 설정할 시 보다 우수한 예측모델을 구축할 수 있을 것으로 사료된다.
제안 방법
- 사용한 머신러닝 기법은 총 3가지로 랜덤포레스트(random forest), 그래디언트 부스트(gradient boost tree), XG 부스트(XG boost)이다. 각 모델들 학습 시 데이터에 맞추어 Dataiku Data Science Studio(DSS) 툴을 통해 파라미터 최적화가 수행되었다.
- 따라서 본 연구에서는 시계열 모델이 아닌 다른 정적모델(static model)을 통해 잔여수명을 예측하고자 하였다. 각 모델별 분할 방법을 다르게 지정하였으며 예측 성능 향상을 위해 데이터 전처리 과정에 슬라이딩 윈도우(sliding window)기법[7]을 제안하였다.
- 관련 문헌 연구는 크게 세 가지로 나누어 수행하였다. 첫 번째로, 본 연구에서 사용한 동일한 데이터를 통해 항공 엔진의 잔여수명을 예측한 방법론에 대한 문헌연구를 수행하였다.
- 그 결과 단기 82개, 중기 98개, 장기 38개의 엔진으로 구성되었다. 군집별 잔여수명예측을 수행할 시 같은 추세를 보여야하므로 이를 확인하기위해 데이터 시각화를 진행하였다. [Figure 5]는 대표적으로 mea03, mea11, mea17에 대한 추세 그림이다.
- 먼저 모델 구축을 위해 종속변수를 산출하고 독립변수를 정의하였다. 그 후 전체 218개의 엔진의 잔여수명 예측을 위한 모델을 구축하였다. 모델 구축 시 훈련데이터와 시험데이터를 세 가지 방법으로 분할하였으며 모델링 및 잔여수명 예측은 Dataiku Data Science Studio (DSS)를 활용하였다.
- 각 엔진별 운행횟수가 다르며 마지막 운행시점에서 시스템 고장이 발생하였다는 데이터의 설명 하에 엔진의 운행횟수를 수명 길이로 정의하였다. 데이터셋 내에 종 속변수가 존재하지 않으므로 엔진별 최대 운행횟수와 수행된 운행횟수의 차를 잔여수명(RUL)으로 정의하여 새로운 종속변수로 생성하였다. RUL 산출방식은 아래 수 식과 같으며 t은 엔진 ID, tmax는 엔진별 최대 운행횟수, tc은 엔진별 수행된 운행횟수를 의미한다.
- 두 번째로 열화데이터 분석 시 머신러닝의 활용성을 파악하기 위한 관련 문헌 연구를 수행하였다. Choi et al.
- 일반적인 경우 훈련데이터와 시험데이터를 분할할 시랜덤하게 분할하나, 슬라이딩 윈도우 변수의 시계열성이 손상될 우려가 있다. 따라서 본 연구에서는 랜덤 분할, 엔진별 분할, 최대 사이클별 분할로 방법을 나누어 모델링하였으며 각 분할 방법과 슬라이딩 윈도우 기법에 따른 예측 성능의 변동을 확인하였다.
- 각 엔진별 수명길이가 다르므로 수명길이에 따라 나누어 모델링할 경우 예측 성능에 변동이 존재할 수 있다. 따라서 수명길이를 기준으로 클러스터링을 통해 단기, 중기, 장기 수명을 지닌 엔진으로 나누어 데이터셋을 구축하였다. 모델링 과정은 전체 데이터 모델링 과정과 동등하게 진행하였으며 예측 성능의 변동을 확인하였다.
- 이를통해 수명길이에 따른 차이가 존재할 뿐 수명 군집별로비슷한 추세를 보임을 확인하였다. 따라서 수명길이별로나누어 잔여수명을 예측하였으며 각 수명 군집별로 전체데이터를 학습한 방법과 동일하게 모델링하였다. 모델링수행결과는 [Table 2]와 같다.
- 엔진별 수명길이가 상이하므로 수명길이에 따라 나누어 모델링할 경우 예측성능에 변동이 존재할 수 있다. 따라서 운행횟수에 따라 클러스터링을 수행하여 단기, 중기, 장기로 나눈 후 전체데이터 모델링 과정과 동일하게 분석을 진행하였다.
- 마지막으로 본 논문에서 제안하는 데이터 전처리 방법인 슬라이딩 윈도우 기법에 관한 관련 문헌 연구를 수행하였다. Lee and Oh[16]는 슬라이딩 윈도우 기법을 활용하여 시간적 단계에 따라 신용평점을 예측하는 모델을 구축하였다.
- Ann[1]은 휠로더(wheel loader) 엔진의 센서 데이터를 활용하여 장비의 상태 분류를 예측하는 새로운 CNN 모델을 제안하였다. 모델 구축 시 센서 데이터의 시그널 특성을 학습시키기 위해 슬라이딩 윈도우기법을 활용하였으며 이동 구간으로 추출된 센서데이터를 이미지 형태로 인식하였다.
- 따라서 사용된 독립변수는 op_ID와 mea1-21로 총 22개의 변수이다. 사용한 머신러닝 기법은 총 3가지로 랜덤포레스트(random forest), 그래디언트 부스트(gradient boost tree), XG 부스트(XG boost)이다. 각 모델들 학습 시 데이터에 맞추어 Dataiku Data Science Studio(DSS) 툴을 통해 파라미터 최적화가 수행되었다.
- 모델 구축 시 훈련데이터와 시험데이터를 세 가지 방법으로 분할하였으며 모델링 및 잔여수명 예측은 Dataiku Data Science Studio (DSS)를 활용하였다. 슬라이딩 윈도우 기법을 적용하여 각 모델의 잔여수명 예측 성능 변동을 확인하였다. 엔진별 수명길이가 상이하므로 수명길이에 따라 나누어 모델링할 경우 예측성능에 변동이 존재할 수 있다.
- 운행횟수를 기준으로 클러스터링을 수행하여 수명길이가 단기(cluster_0), 중기(cluster_1), 장기(cluster_2)인 엔진으로 군집을 형성하였다. 그 결과 단기 82개, 중기 98개, 장기 38개의 엔진으로 구성되었다.
- 센서 데이터의 경우 시그널 특성이 존재하므로 한 시점이 아닌 패턴 변화를 감지해야한다[14]. 정적인 머신러닝 기법을 통해 데이터의 패턴 변화 및 시계열성을 다루기에 어려움이 존재하므로 데이터 내에 시계열성을 포함시키고자 윈도우 기법을 통한 데이터 전처리 방법을 제안하였다.
- 관련 문헌 연구는 크게 세 가지로 나누어 수행하였다. 첫 번째로, 본 연구에서 사용한 동일한 데이터를 통해 항공 엔진의 잔여수명을 예측한 방법론에 대한 문헌연구를 수행하였다. Heimes[11]는 해당 데이터를 다변량 시계열데이터 측면에서 모든 데이터를 활용한 잔여수명 예측을위해 MLP(multi-layer perceptron) 및 RNN(recurrent neural network) 모델을 구축하였다.
- 클러스터링을 통해 단기, 중기, 장기로 수명길이별 군집을 형 성하였으며 각 군집별 모델을 구축하였다.
대상 데이터
- 운행횟수를 기준으로 클러스터링을 수행하여 수명길이가 단기(cluster_0), 중기(cluster_1), 장기(cluster_2)인 엔진으로 군집을 형성하였다. 그 결과 단기 82개, 중기 98개, 장기 38개의 엔진으로 구성되었다. 군집별 잔여수명예측을 수행할 시 같은 추세를 보여야하므로 이를 확인하기위해 데이터 시각화를 진행하였다.
- 수명이 서로 다른 218개의 열화데이터 셋 (unit)으로 구성되어 있으며 엔진별 설정값(operation, op) 3개와 측정값(measurement, mea) 21개가 존재한다. 데이터의 변수는 엔진 ID(unit), 엔진 운행횟수(cycle), 설정값 3개 (op1-3), 측정값 21개(mea1-21)로 총 26개로 구성되어 있다.
- 먼저 전체 데이터의 변수들을 재정의하였다. 본 논문에 서 사용된 데이터는 서로 다른 218개의 항공기 엔진에 대한 센서 데이터로 각 엔진은 알려지지 않은 초기 마모 및 제작 편차가 존재한다. 수명이 서로 다른 218개의 열화데이터 셋 (unit)으로 구성되어 있으며 엔진별 설정값(operation, op) 3개와 측정값(measurement, mea) 21개가 존재한다.
- 사용한 데이터는 2008 PHM Conference Challenge에서배포한 센서 기반의 수집 데이터로 총 218개의 항공엔진정보를 다루고 있다. 각 엔진은 알려지지 않은 초기 마모및 제작 편차가 존재하며 시스템 및 도메인별 정보가 별도로 제공되지 않았다.
데이터처리
- 엔진별로 시퀀스 길이가 다르므로 시계열 모델이 아닌 정적인 머신러닝 기법을 활용하였다. 데이터에 임의로 시계열적인 특성을 부가하여 데이터 전처리 수행 시 슬라이딩 윈도우 기법을 사용하였으며, 다양한 분할방법을 통해 모델링 한 후 예측 성능을 비교하였다.
- 이를 통해 설정값들이 5~6개의 군집을 이루고 있으므로 설정값 변수 3개가 각기 다른작동모드를 의미함을 추정할 수 있다. 따라서 설정값들의 k-means 클러스터링을 수행하였으며 결과는 [Figure 3]과 같다. 이를 통해 총 6개의 작동모드가 존재함을 알 수있다.
이론/모형
- 그 후 전체 218개의 엔진의 잔여수명 예측을 위한 모델을 구축하였다. 모델 구축 시 훈련데이터와 시험데이터를 세 가지 방법으로 분할하였으며 모델링 및 잔여수명 예측은 Dataiku Data Science Studio (DSS)를 활용하였다. 슬라이딩 윈도우 기법을 적용하여 각 모델의 잔여수명 예측 성능 변동을 확인하였다.
- 본 연구는 열화 특성 파악에 어려움이 존재하는 항공엔진의 잔여 수명을 예측하기 위해 머신러닝 기법을 활용하였다. 엔진별로 시퀀스 길이가 다르므로 시계열 모델이 아닌 정적인 머신러닝 기법을 활용하였다.
- 본 연구는 열화 특성 파악에 어려움이 존재하는 항공엔진의 잔여 수명을 예측하기 위해 머신러닝 기법을 활용하였다. 엔진별로 시퀀스 길이가 다르므로 시계열 모델이 아닌 정적인 머신러닝 기법을 활용하였다. 데이터에 임의로 시계열적인 특성을 부가하여 데이터 전처리 수행 시 슬라이딩 윈도우 기법을 사용하였으며, 다양한 분할방법을 통해 모델링 한 후 예측 성능을 비교하였다.
성능/효과
- 슬라이딩 윈도우 기법을 사용하지 않은 경우, 분할 방법에 따른 예측성능은 엔진별 분할 시 예측력이 가장 높았으나 나머지분할 방법과 큰 차이를 보이지 않았다. 그러나 슬라이딩윈도우 기법을 적용한 경우, 랜덤 분할 시 XG 부스트 모델의 성능이 R2 은 0.8368, RMSE는 27.718로 가장 높음을 확인하였다.
- 윈도우 기법 적용 전, 분할방법에 따른 예측력 변동을 확인하였을 때 엔진별 기준으로 분할하는 방법이 우수하며 큰 변동을 보이지는 않았다. 그러나 윈도우 기법을 적용할 시 전반적으로 예측 성능이 크게 향상됨을 확인하였다.
- 그러나 편향을 고려하여 수명길이별 단기, 중기, 장기로 데이터셋을 나누어 학습을 진행한 결과 또한 랜덤분할 방식의 예측성능이 가장 우수하였다.
- 본 연구를 통해 시스템 및 도메인 정보를 알 수 없으며 시계열 모델을 활용하기 어려운 경우, 제안한 전처리 방법을 활용하여 예측 성능 향상을 도모할 수 있다.
- 전체 데이터에 대한 모델링 및 엔진수명에 따른 각 군집별 모델링을 수행한 결과, 군집별로 잔여 수명을 예측하는 것이 비교적 우수한 성능을 보이는 것을 확인하였다. 분할방법에 따른 예측 성능의 변동은 미미하였으며, 슬라이딩 윈도우 기법 적용 시 전반적으로 예측 성능이향상되었다. 실험결과 슬라이딩 윈도우 기법을 적용한 랜덤 분할 방식의 XG 부스트 모델이 가장 우수한 예측성능을 보임을 확인하였다.
- 분할방법에 따른 예측 성능의 변동은 미미하였으며, 슬라이딩 윈도우 기법 적용 시 전반적으로 예측 성능이향상되었다. 실험결과 슬라이딩 윈도우 기법을 적용한 랜덤 분할 방식의 XG 부스트 모델이 가장 우수한 예측성능을 보임을 확인하였다.
- 전체 데이터에 대한 모델링 및 엔진수명에 따른 각 군집별 모델링을 수행한 결과, 군집별로 잔여 수명을 예측하는 것이 비교적 우수한 성능을 보이는 것을 확인하였다. 분할방법에 따른 예측 성능의 변동은 미미하였으며, 슬라이딩 윈도우 기법 적용 시 전반적으로 예측 성능이향상되었다.
- 정적 모델링 수행 시, 데이터의 시계열성이 손실될 수있으나 랜덤 분할 방식의 예측성능이 가장 우수함을 확인하였다. 전체 데이터 학습의 경우, 데이터 분할 시 수명길이가 편향되어 학습될 가능성이 존재하므로 엔진별 및 최대 수명길이별 분할이 랜덤 분할 방식에 비해 낮은 성능을 보인다고 사료된다.
후속연구
- 본 논문에서는 슬라이딩 윈도우 기법을 활용한 데이터 전처리 과정이 예측 성능에 어떠한 영향을 미치는지 확인하고자 하였으며, 수명길이와 관계없이 동일한 윈도우 사이즈를 설정하였다. 그러나 윈도우 사이즈에 따라 도출되는 관측치가 다르므로 수명길이에 따라 다르게 설정할 시 보다 우수한 예측모델을 구축할 수 있을 것으로 사료된다. 또한, 본 연구에서는 시계열 모델 사용에 한계가 존재할 시 데이터 변환을 통한 예측 성능 변동을 확인하고자 시계열 모형을 고려하지 않았으나 추후 시계열모델 활용할 시 더욱 높은 예측 성능을 보일 수 있을 것이라 기대된다.
- 그러나 윈도우 사이즈에 따라 도출되는 관측치가 다르므로 수명길이에 따라 다르게 설정할 시 보다 우수한 예측모델을 구축할 수 있을 것으로 사료된다. 또한, 본 연구에서는 시계열 모델 사용에 한계가 존재할 시 데이터 변환을 통한 예측 성능 변동을 확인하고자 시계열 모형을 고려하지 않았으나 추후 시계열모델 활용할 시 더욱 높은 예측 성능을 보일 수 있을 것이라 기대된다.
- 본 연구에서 사용한 항공 엔진 데이터만이 아닌 유사한 특성을 지닌 데이터에도 적용할 수 있을 것이다 기대된다. 본 연구를 통해 시스템 및 도메인 정보를 알 수 없으며 시계열 모델을 활용하기 어려운 경우, 제안한 전처리 방법을 활용하여 예측 성능 향상을 도모할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.