➋ 기계학습, 상호학습, 앙상블기법 등을 진단예지(PHM)에 적용
◯ 기계학습을 ‘시스템 고장진단 및 예지기술(PHM, Prognostic and Health Management)에 접목하면, 다차원의 건전성 특성인자를 바탕으로 자동화된 고장 분류 수행 및 고장 기준 선정 및 열화 모델 구축 수행 가능
◯ 또한 딥러닝(deep learning) 기술을 활용하여 시스템에 대한 적은 물리적 이해를 바탕으로도 건전성 특징인자를 추출할 수 있음
◯ 이러한 기계학습을 구현하기 위해서 인공신경망(Artificial neural network), kNN(k Nearest Neighbor), 서포트 벡터 머신(Support vector machine), 의사결정 트리(Decision tree) 등이 활용됨
기존 PHM 기술(흰색 배경)과 인공지능을 활용한 PHM 기술(회식 배경) 비교 흐름도
(가) 딥러닝을 활용한 저널베어링 고장진단
◯ PHM에 딥러닝을 적용한다면 특징인자 추출 단계를 고도화할 수 있음
- Oh(2016)는 딥러닝 기술을 활용하여 저널베어링 고장진단에 사용되는 특징인자를 추출하고 고장진단을 수행
- 진동 데이터를 딥러닝에 입력하기 위해 ODR(OmnI Directional Regeneration) 기법을 활용하여 진동 신호를 이미지화 하였으며, HoG(Histogram of Gradient) 기법으로 전처리를 수행. 그 후 특징인자를 추출하기 위해 다층의 제한된 볼츠만 머신(Restricted Boltzmann Machine)을 활용하여 깊은 신경망(Deep Belief Network)을 구현하고 건전성 특징 인자를 추출. 최종적으로 특징인자를 바탕으로 다층 퍼셉트론(Multi Layer Perceptron)에 학습하여 다양한 고장모드를 학습하고 평가. 그 결과 딥러닝을 통해 추출된 건전성 특징인자의 고장진단 정확도가 전문가 지식에 기반을 두어 추출한 건전성 특징인자에 비해 높음이 확인
딥러닝을 활용한 자율 특징인자 추출 방법
(나) 상호훈련을 활용한 베어링 수명예측
◯ 상호훈련(Co-training)기법은 고장 발생 전의 열화 데이터인 중지 데이터(suspension data)를 활용하여 잔여 유효수명 예측의 정확성을 높이는 방법
- 기계학습 기반의 PHM을 수행하기 위해서는 고장까지의 열화 데이터가 필요하지만 실제 공학 시스템에서는 고장 데이터를 확보하기가 어려움
- 상호학습기법은 이러한 어려움을 효과적으로 해결하면서 예측의 강건성도 확보할 수 있는 장점이 있음
- 라벨링(labeling)이 된 학습 데이터를 활용하여 각각의 기계학습 알고리즘에 적용을 한 뒤, 중지 데이터를 라벨링. 그 후, 라벨링된 중지 데이터를 활용하여 다른 기계학습 알고리즘을 학습하여 학습량을 늘림
- 신경망 기반의 기계학습 기법인 FFNN(Feed forward neural network)과 RBN(Radial basis Network)을 활용
- 단일 알고리즘을 활용하는 경우 10개의 고장 데이터만을 학습하는 반면, 상호학습 기법을 활용한 경우 10개의 고장 데이터와 10개의 중지 데이터를 모두 활용하여 학습할 수 있음
상호학습 잔여수명 예측 기법
(다) 앙상블기법을 활용한 제트엔진 수명 예측
◯ 앙상블(ensemble)기법은 다양한 예지 알고리즘을 종합적으로 고려하여 잔여수명을 예측하는 기법
- 일반적으로 기계학습 알고리즘을 활용할 때 가장 좋은 성능을 가지는 알고리즘을 선택하게 되고 선택되지 않은 알고리즘을 구성하는 비용이 낭비됨
- 앙상블기법은 이러한 낭비를 줄일 수 있을 뿐만 아니라 더 높은 예지 정확성을 얻을 수 있는 장점이 있음
- 학습 데이터(training data)를 이용하여 다양한 예지 알고리즘들의 가중치를 결정하고 평가 데이터(test data)를 대입해 각 알고리즘의 잔여수명 예측치를 계산
- 최종적으로 각각의 잔여수명에 가중치 평균을 통해 잔여수명을 예측
- 앙상블 알고리즘을 활용하면 새로 개발될 예지 알고리즘을 통합할 수 있는 장점이 있음
앙상블(Ensemble) 잔여수명 예측 기법
◯ 인공지능을 활용할 경우 특징인자를 자동적으로 추출할 수 있고, 다차원 데이터를 분석할 수 있다는 장점이 있음. 향후에는 기계공학적 전문가 지식과 인공지능을 결합한 PHM 기술을 개발함으로써 그 효용성을 증가시키고 예측정비가 가능할 것으로 기대
설계 및 정비기술의 발전
(시사점)
예지정비(PHM)는 단순 센서 모니터링을 넘어 AI 기반 고장진단·수명예측 기술로 고도화될 수 있다.
기존 PHM은 전문가가 특징인자를 직접 설계하고 많은 고장 데이터를 필요로 했지만, 딥러닝을 활용하면 진동·상태 데이터를 바탕으로 고장 특징을 자동 추출하고 진단 정확도를 높일 수 있다. 또한 실제 산업현장에서 고장 데이터가 부족하다는 문제는 상호훈련을 통해 중지 데이터까지 학습에 활용하거나, 앙상블 기법으로 여러 예측 모델을 결합해 보완할 수 있다. 핵심은 AI가 전문가를 대체하는 것이 아니라, 기계공학 지식과 결합해 설비 이상 징후를 더 빠르고 정확하게 판단하도록 돕는 데 있다. 따라서 제조기업은 예지정비를 비용 절감 수단을 넘어 설비 수명 연장, 가동중단 예방, 생산 안정성 확보 전략으로 접근해야 한다.
댓글 쓰기