[논문]불균형 데이터를 갖는 냉동 컨테이너 고장 판별 및 원인 분석을 위한 기계학습 모형 개발

이희원; 박성호; 이승현; 이승재; 이강배

doi:10.15207/jkcs.2022.13.01.023

불균형 데이터를 갖는 냉동 컨테이너 고장 판별 및 원인 분석을 위한 기계학습 모형 개발
Development of machine learning model for reefer container failure determination and cause analysis with unbalanced data 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.13 no.1, 2022년, pp.23 - 30

이희원 (동아대학교 경영정보학과) , 박성호 (동아대학교 경영정보학과) , 이승현 (동아대학교 경영정보학과) , 이승재 (동아대학교 경영정보학과) , 이강배 (동아대학교 경영정보학과)

초록
AI-Helper

냉동 컨테이너의 고장은 큰 비용의 손실을 야기하지만, 현재 냉동 컨테이너의 알람 체계는 효율성이 떨어진다. 기존에 냉동 시스템의 시뮬레이션 데이터를 활용한 연구는 존재하지만, 냉동 컨테이너의 실제 운영 데이터를 활용한 연구는 부족하다. 이에 본 연구는 실제 냉동 컨테이너 운영 데이터를 활용하여 고장 원인을 분류하였다. 실제 데이터에서는 데이터 불균형이 발생하였으며 ENN-SMOTE, 클래스 가중치를 둔 Logistic 회귀분석과 본 연구에서 개발한 2-stage 알고리즘을 비교하여 데이터 불균형문제를 해결하였다. 2-stage 알고리즘은 XGboost, LGBoost, DNN을 사용하여 첫 번째 단계에서는 고장 및 정상을 분류하고, 두 번째 단계에서는 고장의 원인을 분류하는 알고리즘이다. 2-stage 알고리즘에서 LGBoost를 사용한 모델이 99.16%의 정확도로 가장 우수하였다. 본 연구는 데이터 불균형을 해결하기 위해 2-stage 알고리즘을 활용한 최종모델을 제안하며 이는 다른 산업에도 활용할 수 있을 것으로 사료된다.

Abstract ▼ AI-Helper

The failure of the reefer container causes a great loss of cost, but the current reefer container alarm system is inefficient. Existing studies using simulation data of refrigeration systems exist, but studies using actual operation data of refrigeration containers are lacking. Therefore, this study classified the causes of failure using actual refrigerated container operation data. Data imbalance occurred in the actual data, and the data imbalance problem was solved by comparing the logistic regression analysis with ENN-SMOTE and class weight with the 2-stage algorithm developed in this study. The 2-stage algorithm uses XGboost, LGBoost, and DNN to classify faults and normalities in the first step, and to classify the causes of faults in the second step. The model using LGBoost in the 2-stage algorithm was the best with 99.16% accuracy. This study proposes a final model using a two-stage algorithm to solve data imbalance, which is thought to be applicable to other industries.

주제어

표/그림 (10)

표 Table 1. Data Feature
표 Table 2. Variable interpolation method
그림 Fig. 1. Linear interpolation
그림 Fig. 2. 2-Stage Fault Diagnosis Process
표 Table 3. Fault Diagnosis number
그림 Fig. 3. Confusion matrix
표 Table 4. Performance indicators
표 Table 5. Detect Model performance indicators
표 Table 6. Classification Model performance indicators
표 Table 7. Final Result

참고문헌 (16)

S. K. Park, Y. G. Park & Y. R. Shin. (2012). A Study on the Improvement of Damage to Reefer Container Cargo. Journal of Navigation and Port Research, 36(10), 803-810. DOI : 10.5394/KINPR.2012.36.10.803

원문보기 상세보기
P. Tang, O. A. Postolache, Y. Hao & M. Zhong. (2019). Reefer Container Monitoring System. In 2019 11th International Symposium on Advanced Topics in Electrical Engineering (ATEE) (pp. 1-6). IEEE. DOI : 10.1109/ATEE.2019.8724950
S. B. Yang (2018). A Study on the Monitering Systems of Reefer Containers. thesis dissertation. KOREA MARITIME & OCEAN UNIVERSITY. Busan.http://kmou.dcollection.net/common/orgView/200000016889
B. Jin, D. Li, S. Srinivasan, S. K. Ng, K. Poolla & A. Sangiovanni-Vincentelli. (2019). Detecting and diagnosing incipient building faults using uncertainty information from deep neural networks. In 2019 IEEE International Conference on Prognostics and Health Management (ICPHM). 1-8. DOI : 10.1109/ICPHM.2019.8819438
A. Kan, T. Wang, W. Zhu & D. Cao. (2021). The characteristics of cargo temperature rising in reefer container under refrigeration-failure condition. International Journal of Refrigeration, 123, 1-8. DOI : 10.1016/j.ijrefrig.2020.12.007

상세보기
J. Loisel, S. Duret, A. Cornuejols, D. Cagnon, M. Tardet, E. Derens-Bertheau & O. Laguerre. (2021). Cold chain break detection and analysis: Can machine learning help?. Trends in Food Science & Technology, 112, 391-399. DOI : 10.1016/j.tifs.2021.03.052

상세보기
Y. Fan, X. Cui, H. Han & H. Lu. (2020). Feasibility and improvement of fault detection and diagnosis based on factory-installed sensors for chillers. Applied Thermal Engineering, 164, 114506. DOI : 10.1016/j.applthermaleng.2019.114506

상세보기
Y. Wang, Z. Wang, S. He & Z. Wang. (2019). A practical chiller fault diagnosis method based on discrete Bayesian network. International Journal of Refrigeration, 102, 159-167. DOI : 10.1016/j.ijrefrig.2019.03.008

상세보기
G. Li, Y. Hu, H. Chen, L. Shen, H. Li, M. Hu & K. Sun. (2016). An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm. Energy and Buildings, 116, 104-113. DOI : 10.1016/j.enbuild.2015.12.045

상세보기
X. Liu, Y. Li, X. Liu & J. Shen. Fault diagnosis of chillers using very deep convolutional network. In 2018 Chinese Automation Congress (CAC) . IEEE. 1274-1279. DOI : 10.1109/CAC.2018.8623749
G. Li, Q. Yao, C. Fan, C. Zhou, G. Wu, Z. Zhou & X. Fang. (2021). An explainable one-dimensional convolutional neural networks based fault diagnosis method for building heating, ventilation and air conditioning systems. Building and Environment, 108057. DOI : 10.1016/j.buildenv.2021.108057

상세보기
K. B. Lee, S. H. Park, S. H. Sung & D. M. Park. (2019). A Study on the Prediction of CNC Tool Wear Using Machine Learning Technique. Journal of the Korea Convergence Society, 10(10), 15-21. DOI : 10.15207/JKCS.2019.10.11.015

원문보기 상세보기
K. B. Lee, S. H. Park, H. W. Lee, S. H. Lee & S. J. Lee, (2021) A study on the 3-step classification algorithm for the diagnosis and classification of refrigeration system failures and their types. Journal of the Korea Convergence Society, 12(8), 31-37. DOI : 10.15207/JKCS.2021.12.8.031

원문보기 상세보기
Y. D. Yun, Y. Y. Yang, H. S. Ji & H. S. Lim, (2017) Development of Smart Senior Classification Model based on Activity Profile Using Machine Learning Method. Journal of the Korea Convergence Society, 8(1), 25-34, DOI : 10.15207/JKCS.2017.8.1.025

원문보기 상세보기
H. J. Park. (2020). Trend Analysis of Korea Papers in the Fields of 'Artificial Intelligence', 'Machine Learning' and 'Deep Learning'. Korea Information Electron Communication Technology, 13(4), 283-292. DOI : 10.17661/jkiiect.2020.13.4.283

원문보기 상세보기
A. More. (2016). Survey of resampling techniques for improving classification performance in unbalanced datasets. arXiv preprint arXiv:1608.06048

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