KNOM Review

The Korean Institute of Commucations and Information Sciences (한국통신학회)
권호 표지
DOI QR코드

DOI QR Code

A Predictive System for Equipment Fault Diagnosis based on Machine Learning in Smart Factory

스마트 팩토리에서 머신 러닝 기반 설비 장애진단 예측 시스템

  • Chow, Jaehyung (Korea University of Technology and Education Department of Information Communication) ;
  • Lee, Jaeoh (Korea University of Technology and Education Department of Information Communication)
  • Received : 2021.07.01
  • Accepted : 2021.08.11
  • Published : 2021.08.31
⟨ Previous Next ⟩

Abstract

In recent, there is research to maximize production by preventing failures/accidents in advance through fault diagnosis/prediction and factory automation in the industrial field. Cloud technology for accumulating a large amount of data, big data technology for data processing, and Artificial Intelligence(AI) technology for easy data analysis are promising candidate technologies for accomplishing this. Also, recently, due to the development of fault diagnosis/prediction, the equipment maintenance method is also developing from Time Based Maintenance(TBM), being a method of regularly maintaining equipment, to the TBM of combining Condition Based Maintenance(CBM), being a method of maintenance according to the condition of the equipment. For CBM-based maintenance, it is necessary to define and analyze the condition of the facility. Therefore, we propose a machine learning-based system and data model for diagnosing the fault in this paper. And based on this, we will present a case of predicting the fault occurrence in advance.

최근 산업 분야에서는 공장 자동화 뿐만 아니라 장애 진단/예측을 통해 고장/사고를 사전에 방지하여 생산량을 극대화하기 위한 연구가 진행되고 있으며, 이를 구성하기 위해 많은 양의 데이터 축적을 위한 클라우드 기술, 데이터 처리를 위한 빅 데이터 기술, 그리고 데이터 분석을 쉽게 진행하기 위한 AI(Artificial Intelligence)기술이 도입되고 있다. 또한 최근에는 장애 진단/예측의 발전으로 인해 설비 유지보수(PM: Productive Maintenance) 방식도 정기적으로 설비를 유지보수 하는 방식인 TBM(Time Based Maintenance)에서 설비 상태에 따라 유지보수 하는 방식인 CBM(Condition Based Maintenance)을 조합하는 방식으로 발전하고 있다. CBM 기반 유지보수를 수행하기 위하여 설비의 상태(condition)의 정의와 분석이 필요하다. 따라서 본 논문에서는 머신 러닝(Machine Learning) 기반의 장애 진단을 위한 시스템 및 데이터 모델(Data Model)을 제안하며, 이를 기반으로 장애를 사전 예측한 사례를 제시하고자 한다.

Keywords

Acknowledgement

이 논문은 2021년도 한국기술교육대학교 교수 교육연구진흥과제 지원에 의하여 연구되었음.

References

  1. Chang, T. and Yang, H., "Latent Semantic Analysis of Research Papers on Smart Factory," ICIC Express Lett, pp.899-904, Nov. 2017.
  2. Wenming Chung and Morgan Swink, " Patterns of Advanced Manufacturing Technology Utilization and Manufacturing Capabilities," POMS vol. 18, pp.533-545. Sept. 2009.
  3. Lee, Jin-U, Jeon, Hwi-Su, and Gwon, Dae-Il "국내외 고장진단분야 연구 동향 및 분석," Journal of KSME, pp.37-40, Nov. 2016.
  4. Jeong, D.H. and Song, M., "Time gap analysis by the topic model-based temporal technique, Journal of Informetrics, pp.776-790, Aug. 2014.
  5. 지세현, 백의준, 신무곤, 박준상, 김명섭, "기ㄹ계학습 기반 비트코인 네트워크 트랜젝션수 예측에 관한 연구", KNOM Review, Vol. 22, No. 1, pp. 68-76, 2019. https://doi.org/10.22670/KNOM.2019.22.1.68
  6. 이형우, "Development of Supervised Machine Learning based Catalog Entry Classification and Recommendation System", 인터넷정보학회논문지 20.1: pp. 57-65, 2019. https://doi.org/10.7472/JKSII.2019.20.1.57
  7. Huimin Pei, "Robust semi-supervised extreme learning machine," Elsevier BV 159 : pp. 203-220, 2018.
  8. Illhoe Hwang and Young Jae Jang, "Overhead Hoist Transport (OHT) Route Guidance Algorithm using Q-Learning Method in Automated Material Handling System," International Journal of Production Research (Invited for Publication by Editor's Pick from ICPR 2018).
  9. 조재형, 이재오,"스마트 팩토리에서 설비 장애 진단 및 조치 시스템 구조", KNOM Review, Vol. 23, No. 1, pp. 12-18, 2020.
  10. D. Bumblauskas, H. Nold, P. Bumblauskas, A. Igou, "Big data analytics: transforming data to action. Business Process Management," Journal June, 2017.