앙상블모델을 활용한 기계 고장 예측 및 주요 인자 선별 방법

• 영문명: An Ensemble Model for Machine Failure Prediction and Key Factor Selection
• 발행기관: 한국산업경영시스템학회
• 저자명: 천강민(Cheon Kang Min) 양재경(Jaekyung Yang)
• 간행물 정보: 『한국산업경영시스템학회 학술대회』2019년 추계학술대회 논문집, 97~101쪽, 전체 5쪽
• 주제분류: 공학 > 산업공학
• 파일형태: PDF
• 발행일자: 2019.10.30

국문 초록

설비의 이상(고장)을 예측하는 방법들은 과거에도 많은 연구들이 있었고 최근 역시 유사한 방법들을 통해 설비와 부품의 물리적 상태 진단을 통해 잔존 수명을 산출하는 사례가 많으며, 생존모형을 활용하여 과거 이상 주기 기반의 설비 수명을 예즉하기도 한다. 그러나 단독 설비의 이상을 예측하는 것과 순방향 및 역방향 공정 프로세스가 혼합되어 있는 특수 설비의 수명을 예측하거나 이상 진단을 위해 단순 생존 모형만을 가지고는 설명하기 어려운 점이 많다. 또한 단독 설비가 아닌 연계설비(다수의 연계 공정), 특히 화학공장의 유체 흐름과 공정 특성이 반영하는 특수 설비는 수백 또는 수천 개의 센서와 연결되어 있기 때문에 설비 관련 데이터뿐만 아니라 공정 및 재료 데이터 및 파생 변수 적용 등 고려되어야 할 요소들이 적지 않다. 본 논문에서는 이러한 특수 설비의 이상을 예즉하기 위해 비지도학습 기반의 시계열 이상탐지 방법을 통해 데이터를 필터링하였다. 다음으로 클러스터링 기반의 데이터 특성을 반영한 군집요소를 추가 변수 적용하였으며 과거 설비 이상 히스토리를 기반으로 학습 데이터 셋을 생성하였다. 마지막으로 지도학습 알고리즘 기반의 예측 방법론을 적용하였으며 모델 업데이트를 통해 설비 이상 예측의 정확도가 향상되는 것을 확인하였다. 이를 통해 설비의 이상을 예측하고 주요인자를 추출함으로써 설비의 정비 시점과 부품 수급에 대해 유연하게 대체함으로써 설비 운영의 효율성 향상을 기대한다.

영문 초록

Research for predicting abnormalities of equipment has been introduced. Recently, there have been also cases estimating the remaining life from the physical status diagnosis of equipment and parts of a machine by using similar methods to the past. In addition, the method using a duration model based on the history data of an abnormal cycle is one of such methods. However, by using simple duration model, it has more limitation on predicting the remaining life and abnormalities of special equipment in the forward and backward mixing process than doing those of independent equipment. Since the special equipment in the interconnected processes such as fluid flow processes in a chemical plant communicates with hundreds or thousands of sensors, there is no lack of factors to consider process and material data, derived variable application, equipment related data, etc. This paper proposes an ensemble model with multiple algorithms such as training dataset generation, anomaly detection, clustering xgboost, and survival model to predict and identify the major factors equipment anomalies.

목차

국문초록

Abstract

1. 서론

2. Preprocess 및 Training set 구성

3. 주요변수 추출 및 위험스코어 예측

4. 결론

참고문헌

키워드

Ensemble Anomaly Detection STL decompose Clustering Xgboost Survival Predictive maintenance