• 인터넷정보학회논문지
• /
• 제25권1호
• /
• pp.109-121
• /
• 2024

섬유, 자동차와 같은 여러 제조 공정에서 설비가 고장이 나 멈추게 되면 기계가 작동하지 않게 되고 이는 기업의 시간적, 금전적 손실로 이어진다. 따라서 설비의 고장이 발생하기 전, 고장을 예측하여 정비할 수 있도록 설비의 이상을 사전에 탐지하는 것이 중요하다. 대부분의 설비 고장 원인은 설비의 필수 부품인 베어링의 고장으로, 베어링의 고장을 진단하는 것은 설비예지보전 연구의 핵심이기도 하다. 본 논문에서는 베어링의 진동 신호를 분석하여 SWT-SVD 전처리 알고리즘을 제안하고 이를 시계열 이상탐지 모델 네트워크 중 하나인 어노멀리 트랜스포머에 적용하여 베어링 이상탐지 모델을 구현한다. 제조공정의 베어링 진동신호는 실시간으로 센서값들의 이력이 작성되어 노이즈가 존재하므로, 이를 줄이기 위해 본 연구에서는 정상 웨이블릿 변환(Stationary Wavelet Transform)을 사용하여 주파수 성분을 추출하고, 특이값 분해(Singular Value Decomposition) 알고리즘을 통해 유의미한 특징들을 추출하는 전처리를 진행한다. 제안하는 SWT-SVD 전처리 방법을 적용한 베어링 이상탐지 모델 실험을 위해 IEEE PHM학회에서 제공하는 PHM-2012-Challenge 데이터 세트를 활용하였으며, 실험 결과는 0.98의 정확도와 0.97의 F1-Score로 우수한 성능을 보였다. 추가로, 성능 향상을 입증하기 위해 선행 연구들과 성능 비교를 진행한다. 비교 실험을 통해 제안한 전처리 방법이 기존의 전처리보다 높은 성능을 보임을 확인하였다.

• 한국빅데이터학회지
• /
• 제3권1호
• /
• pp.95-103
• /
• 2018

ICT 기술의 발전에 따라 제조 산업은 공정 상에서 생성되는 제조 데이터를 분석하여 효율을 높이고자 많은 노력을 하고 있다. 본 논문에서는 스마트 공장의 일환으로 의사결정나무 알고리즘(CHAID)을 이용한 데이터 마이닝 기반 제조공정을 제안한다. 약 5개월간 수집된 실제 제조 공정의 432개 센서 데이터를 활용하여 불량률이 낮은 안정적인 공정 기간과 불량률이 높은 불안정한 공정 기간 간에 유의미한 차이를 보이는 변수를 찾아냈다. 선정된 최종 변수가 불량률 개선에 실제로 효과가 있는지를 측정하기 위해 해당 변수의 안정 값 범위를 설정하여 14일 간 공정에서 해당 센서가 안정 값의 범위를 벗어나지 않도록 공정 설정 값을 조절했고, 불량률 개선의 효과를 측정하였다. 이를 통해 제조 산업에서 생성되는 공정 센서 데이터를 활용 및 분석하여 불량률을 개선할 수 있는 실증적인 가이드라인을 제시할 수 있을 것으로 기대한다.

• 산업경영시스템학회지
• /
• 제44권4호
• /
• pp.227-233
• /
• 2021

Predictive maintenance has been one of important applications of data science technology that creates a predictive model by collecting numerous data related to management targeted equipment. It does not predict equipment failure with just one or two signs, but quantifies and models numerous symptoms and historical data of actual failure. Statistical methods were used a lot in the past as this predictive maintenance method, but recently, many machine learning-based methods have been proposed. Such proposed machine learning-based methods are preferable in that they show more accurate prediction performance. However, with the exception of some learning models such as decision tree-based models, it is very difficult to explicitly know the structure of learning models (Black-Box Model) and to explain to what extent certain attributes (features or variables) of the learning model affected the prediction results. To overcome this problem, a recently proposed study is an explainable artificial intelligence (AI). It is a methodology that makes it easy for users to understand and trust the results of machine learning-based learning models. In this paper, we propose an explainable AI method to further enhance the explanatory power of the existing learning model by targeting the previously proposedpredictive model [5] that learned data from a core facility (Hyper Compressor) of a domestic chemical plant that produces polyethylene. The ensemble prediction model, which is a black box model, wasconverted to a white box model using the Explainable AI. The proposed methodology explains the direction of control for the major features in the failure prediction results through the Explainable AI. Through this methodology, it is possible to flexibly replace the timing of maintenance of the machine and supply and demand of parts, and to improve the efficiency of the facility operation through proper pre-control.

• 한국인터넷방송통신학회논문지
• /
• 제22권6호
• /
• pp.83-89
• /
• 2022

최근 정보통신기술의 발전에 따라 사물인터넷 기술이 비약적으로 발전하고 있다. IoT 기술은 다양한 센서들을 활용하여 각 센서의 고유한 데이터를 발생시켜 시스템 상태의 진단을 가능하도록 한다. 하지만, 현재 적용되고 있는 장비운용 시스템은 장비에 문제가 발생한 후 관리자가 해당 문제를 처리해야하는 사후보전 방식의 개념이며, 이는 시스템의 에러로 인한 시스템의 신뢰성 및 가용성 문제점을 의미할 수 있으며, 정비를 위한 시스템 중단으로 생산성에 부정적 영향으로 인한 경제적 손실을 초래할 수 있다. 따라서, 본 연구에서는 지능형 IoT(AIoT) 기술을 적용하여 공장 내 정류기를 보다 효율적으로 운용하기 위한 엣지 컨트롤러 제어 의사 결정 알고리즘과, 정류기 부품별 고장 상황 정보에 대한 도메인 지식 기반의 모델링을 작성하여, 이를 바탕으로 수집된 각 센서 데이터에 대한 상관관계 분석을 통해 시나리오별 Abnormal 데이터에 대하여 적정 수준의 상태 메시지를 출력함을 확인할 수 있었으며, 이를 통한 기존 현장의 장비 운용 시스템의 가용성과 생산성이 향상됨을 확인하였다.

• 시스템엔지니어링학술지
• /
• 제18권1호
• /
• pp.1-13
• /
• 2022

The Yongin Light Rail train was manufactured by Bombardier Transportation in Canada in 2008 and is a privately invested railway line that has been operating in Yongin-si, Gyeonggi-do, since 2013. When the frequency of train failure increases due to aging, and there is a delay in the delivery period of imported parts used in the Bombardier manufactured trains, timely vehicle maintenance may not be performed due to lack of parts. To solve this problem, it is necessary to build a 'vehicle parts maintenance demand forecasting system' that analyzes the accurate and actual maintenance demand annual based on the condition of vehicle parts. The full scope of analysis in this paper analyzes failure data from various angles after opening of Yongin light rail vehicle to analyze failure patterns for each part and identify replacement cycles according to possible failures and consumption of parts. Based on this study, it is expected that Yongin Light Rail's maintenance system will change from the existing time-based replacement (TBM) concept to the condition-based maintenance (CBM) concept. It is expected that this study will improve the efficiency of the Yongin Light Rail maintenance system and increase vehicle availability. This paper is a fundamental for establishing of a system for predicting the replacement timing of vehicle parts for Yongin Light Rail. It reports the results of data analysis on some vehicle parts.

• 대한안전경영과학회지
• /
• 제25권4호
• /
• pp.141-151
• /
• 2023

Recently, due to the expansion of the logistics industry, demand for logistics automation equipment is increasing. The modern logistics industry is a high-tech industry that combines various technologies. In general, as various technologies are grafted, the complexity of the system increases, and the occurrence rate of defects and failures also increases. As such, it is time for a predictive maintenance model specialized for logistics automation equipment. In this paper, in order to secure the operational safety and reliability of the parcel loading system, a predictive maintenance platform was implemented based on the Naive Bayes-LSTM(Long Short Term Memory) model. The predictive maintenance platform presented in this paper works by collecting data and receiving data based on a RabbitMQ, loading data in an InMemory method using a Redis, and managing snapshot DB in real time. Also, in this paper, as a verification of the Naive Bayes-LSTM predictive maintenance platform, the function of measuring the time for data collection/storage/processing and determining outliers/normal values was confirmed. The predictive maintenance platform can contribute to securing reliability and safety by identifying potential failures and defects that may occur in the operation of the parcel loading system in the future.

• 역사민속학
• /
• 제45호
• /
• pp.263-289
• /
• 2014

고려의 제11대 왕인 문종은 제8대 왕인 현종의 아들이자, 제10대 왕인 정종의 이모제(異母弟)이다. 정종은 자신의 아들 4명이 있었지만 아우인 문종에게 선위하였다. 문종이 즉위한 배경은 먼저 훈요십조(訓要十條)에서 엿볼 수 있다. 태조는 훈요십조(訓要十條)에서 장자 이외의 아들이 왕위를 계승할 가능성을 열어놓았다. 그리고 고려 초기에 어린 아들이 있을 경우 장성한 아우에게 선위하는 전례가 있었으며, 정종과 문종의 혈연적 배경이 동일하였다. 또한 당시 고려인들도 전왕(前王)의 아우가 왕위에 오르는 것을 자연스럽게 받아들였다. 이런 배경 하에서 문종이 즉위하였다. 그러나 문종은 정치적인 세력을 가지고 국정을 파악한 상태에서 왕위에 오른 것이 아니었다. 그렇기 때문에 그는 국왕으로서의 권위를 높일 필요가 있었다. 그리고 정종의 아들이 장성함에 따라 왕권의 불안 요소가 되거나 향후 왕위계승에서 분란을 일으킬 수 있었다. 그래서 문종은 자신의 아들을 왕위계승자로 선정하여 권력을 자신에게 집중시키고 왕위계승상의 분란을 없애고자 하였다. 왕태자 책봉 이후 문종은 동궁관을 확대 정비하고 여러 태자 관련 의례를 시행하였다. 동궁관제는 1068년에 제도적인 완비를 보았다. 이때 정비된 동궁관은 중앙 관부의 축소판으로 운영되었다. 또한 1054년의 거행된 태자 책봉 의례는 규정된 절차를 준수하며 시행되었으며, 책봉례 이후에 1056년에 왕태자의 장흥절(長興節)을 축하하는 의례가 시행되었고, 1064년에는 태자 혼인 의례가 거행되어 "고려사" 예지에 규정된 태자 의례가 실시되었다. 또한 문종은 왕태자 책봉을 국외에 알렸으며, 고려의 태자는 거란으로부터 3번 책봉을 받아 권위를 높였다. 이러한 여러 조치들은 국왕 다음가는 권위자로서의 태자의 위상을 강화시키는데 중요한 역할을 하였다. 이후 태자는 문종 말년에 거동이 불편한 문종을 대신하여 國事에 참여하여 국왕 다음의 권력자로서의 면모를 드러내었다.