[논문]PCA 및 변수 중요도를 활용한 냉동컨테이너 고장 탐지 방법론 비교 연구

이승현; 박성호; 이승재; 이희원; 유성열; 이강배

doi:10.15207/jkcs.2022.13.03.023

PCA 및 변수 중요도를 활용한 냉동컨테이너 고장 탐지 방법론 비교 연구
A Comparative Study on the Methodology of Failure Detection of Reefer Containers Using PCA and Feature Importance 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.13 no.3, 2022년, pp.23 - 31

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

초록
AI-Helper

본 연구는 H해운사에서 제공받은 Starcool사의 실제 냉동 컨테이너 운영데이터를 분석하였다. H사의 현장 전문가와 인터뷰를 통해 4가지 고장 알람 중 Critical 및 Fatal Alarm만 고장으로 정의하였고, 냉동 컨테이너 특성상 모든 변수를 사용하는 것은 비용측면에서 비효율을 초래하는 것을 확인하였다. 이에 본 연구는 특성 중요도 및 PCA 기법을 통한 냉동 컨테이너 고장 탐지 방법을 제시한다. 모델의 성능 향상을 위해 XGBoost, LGBoost 등과 같은 트리계열 모델을 통해 변수 중요도(Feature Importance)를 기반으로 변수 선택(Feature selcetion)을 하고 선택되지 않은 변수는 PCA를 사용하여 전체 변수의 차원을 축소시켜 각 모델별로 지도학습을 수행한다. 부스팅 기반의 XGBoost, LGBoost 기법은 본 연구에서 제안하는 모델의 결과가 62개의 모든 변수를 사용한 지도 학습의 결과보다 재현율(Recall)이 각각 0.36, 0.39씩 향상되는 되는 결과를 보였다.

Abstract ▼ AI-Helper

This study analyzed the actual frozen container operation data of Starcool provided by H Shipping. Through interviews with H's field experts, only Critical and Fatal Alarms among the four failure alarms were defined as failures, and it was confirmed that using all variables due to the nature of frozen containers resulted in cost inefficiency. Therefore, this study proposes a method for detecting failure of frozen containers through characteristic importance and PCA techniques. To improve the performance of the model, we select variables based on feature importance through tree series models such as XGBoost and LGBoost, and use PCA to reduce the dimension of the entire variables for each model. The boosting-based XGBoost and LGBoost techniques showed that the results of the model proposed in this study improved the reproduction rate by 0.36 and 0.39 respectively compared to the results of supervised learning using all 62 variables.

주제어

표/그림 (12)

표 Table 1. Data Features
표 Table 3. Interpolate Method
표 Table 2. The number of data used for analysis
그림 Fig. 1. Research model
표 Table 4. Performance indicators
표 Table 5. Supervised learning results
표 Table 6. PCA results
표 Table 7. Key variables for each model
표 Table 8. key variables results
표 Table 9. key variables + PCA variables results
표 Table 10. Final results
표 Table 11. Model performance comparison

참고문헌 (21)

B. Castelein, H. Geerlings & R. Van Duin. (2020). The reefer container market and academic research: A review study. Journal of Cleaner Production, 256, 120654. DOI : 10.1016/j.jclepro.2020.120654

상세보기
A. Kan, T. Wang, D. 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
N. Hoffmann, R. Stahlbock & S. Voss. (2020). A decision model on the repair and maintenance of shipping containers. Journal of Shipping and Trade, 5(1), 1-21. DOI : 10.1186/s41072-020-00070-2

상세보기
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
G. S. Gim, H. S. Shon, K. H. Ryu & S. H. Lee. (2013). Performance of PCA Algorithm for Multivariate Data Analysis. In Proceedings of the Korea Information Processing Society Conference (pp. 1264-1266). Korea Information Processing Society. DOI : 10.3745/PKIPS.Y2017M11A.1264
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(11), 15-21. DOI : 10.15207/JKCS.2019.10.11.015

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

원문보기 상세보기
T. Chen & C. Guestrin. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 785-794. DOI : 10.1145/2939672.2939785
A. Priyam, G. R. Abhijeeta, A. Rathee & S. Srivastava. (2013). Comparative analysis of decision tree classification algorithms. International Journal of current engineering and technology, 3(2), 334-337.
R. Tian, F. Chen & S. Dong. (2021). Compound Fault Diagnosis of Stator Interturn Short Circuit and Air Gap Eccentricity Based on Random Forest and XGBoost. Mathematical Problems in Engineering, 2021. DOI : 10.1155/2021/2149048

상세보기
M. J. Oh, E. S. Choi, K. W. Roh, J. S. Kim & W. S. Jo. (2021). A Study on the Design of Supervised and Unsupervised Learning Models for Fault and Anomaly Detection in Manufacturing Facilities. The Korean Journal of BigData, 6(1), 23-35. DOI : 10.5394/KINPR.2012.36.10.803

원문보기 상세보기
S. Cateni, M. Vannucci, M. Vannocci & V. Colla. (2012). Variable selection and feature extraction through artificial intelligence techniques. Multivariate Analysis in Management, Engineering and the Science, 103-118. DOI : 10.5772/53862
Z. Du, B. Fan, X. Jin & J. Chi. (2014). Fault detection and diagnosis for buildings and HVAC systems using combined neural networks and subtractive clustering analysis. Building and Environment, 73, 1-11. DOI : 10.1016/j.buildenv.2013.11.021

상세보기
D. A. T. Tran, Y. Chen, H. L. Ao & H. N. T. Cam. (2016). An enhanced chiller FDD strategy based on the combination of the LSSVR-DE model and EWMA control charts. International Journal of Refrigeration, 72, 81-96. DOI : 10.1016/j.ijrefrig.2016.07.024

상세보기
D. Li, G. Hu & C. J. Spanos. (2016). A data-driven strategy for detection and diagnosis of building chiller faults using linear discriminant analysis. Energy and Buildings, 128, 519-529. DOI : 10.1016/j.enbuild.2016.07.014

상세보기
R, Huang et al. (2018). An effective fault diagnosis method for centrifugal chillers using associative classification. Applied Thermal Engineering, 136, 633-642. DOI : 10.1016/j.applthermaleng.2018.03.041

상세보기
G. LI et al. (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
R. Yan, Z. Ma, Y. Zhao & G. Kokogiannakis. (2016). A decision tree based data-driven diagnostic strategy for air handling units. Energy and Buildings, 133, 37-45. DOI : 10.1016/j.enbuild.2016.09.039

상세보기
K. B. Lee, S. H. Park, H. W. Lee, S. J. Lee & S. H. 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
G. Chandrashekar& F. Sahin. (2014). A survey on feature selection methods. Computers & Electrical Engineering, 40(1), 16-28. DOI : 10.1016/j.compeleceng.2013.11.024

상세보기
H. J. Han, D. K. Ko & H. C. Choe. (2019). Prediction and Analyzing Factor Affection Financial Stress of Household Using Machine Learning: Application of XGBoost. Journal of Consumer Studies, 30(2), 21-43. DOI : 10.35736/JCS.30.2.2

상세보기

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