• 제목/요약/키워드: C-MAPSS Dataset

검색결과 4건 처리시간 0.024초

C-MAPSS 데이터를 이용한 항공기 엔진의 신경 회로망 기반 건전성관리 (Neural Network based Aircraft Engine Health Management using C-MAPSS Data)

  • 윤유리;김석구;조성희;최주호
    • 항공우주시스템공학회지
    • /
    • 제13권6호
    • /
    • pp.17-25
    • /
    • 2019
  • 항공기 엔진의 고장예지 및 건전성 관리(PHM)는 고장 또는 수명한계 도달 전에 잔존 유효 수명을 예측하는 것이다. PHM 기술 중 예측모델을 확립하는 방법은 물리 기반과 데이터 기반 방법이 있다. 물리기반 방법은 적은 데이터로 정확한 예측이 가능하지만 확립된 손상 물리 모델이 적어서 적용에 한계가 있다. 본 연구는 따라서 데이터 기반 방법을 적용하였으며, 수명 예측을 위해서 신경회로망 알고리즘 중 Multi-layer Perceptron을 이용하였다. 이를 위해 미국 항공우주국(NASA)에서 개발한 C-MAPSS 코드로 생성된 가상 데이터 세트를 이용하여 신경회로망을 학습하였다. 학습된 신경회로망 모델은 테스트 세트에 적용한 후 잔존 유효 수명의 신뢰구간을 예측하고 실제 값을 통해 정확도를 검증하였다. 또한 본 연구에서 제시된 방법을 기존 문헌의 것과도 비교하였고 그 결과 비교적 양호한 정확도를 확인할 수 있었다.

k-NN을 활용한 터보팬 엔진의 잔여 유효 수명 예측 모델 제안 (A Proposal of Remaining Useful Life Prediction Model for Turbofan Engine based on k-Nearest Neighbor)

  • 김정태;서양우;이승상;김소정;김용근
    • 한국산학기술학회논문지
    • /
    • 제22권4호
    • /
    • pp.611-620
    • /
    • 2021
  • 정비 산업은 사후정비, 예방정비를 거쳐, 상태기반 정비를 중심으로 진행되고 있다. 상태기반 정비는 장비의 상태를 파악하여, 최적 시점에서의 정비를 수행한다. 최적의 정비 시점을 찾기 위해서는 장비의 상태, 즉 잔여 유효 수명을 정확하게 파악하는 것이 중요하다. 이에, 본 논문은 시뮬레이션 데이터(C-MAPSS)를 사용한 터보팬 엔진의 잔여 유효수명(RUL, Remaining Useful Life) 예측 모델을 제시한다. 모델링을 위해 C-MAPSS(Commercial Modular Aero-Propulsion System Simulation) 데이터를 전처리, 변환, 예측하는 과정을 거쳤다. RUL 임계값 설정, 이동평균필터 및 표준화를 통해 데이터 전처리를 수행하였고, 주성분 분석(Principal Component Analysis)과 k-NN(k-Nearest Neighbor)을 활용하여 잔여 유효 수명을 예측하였다. 최적의 성능을 도출하기 위해, 5겹 교차검증기법을 통해 최적의 주성분 개수 및 k-NN의 근접 데이터 개수를 결정하였다. 또한, 사전 예측의 유용성, 사후 예측의 부적합성을 고려한 스코어링 함수(Scoring Function)를 통해 예측 결과를 분석하였다. 마지막으로, 현재까지 제시되어온 뉴럴 네트워크 기반의 알고리즘과 예측 성능 비교 및 분석을 통해 k-NN 활용 모델의 유용성을 검증하였다.

전이학습 기반 CNN-LSTM을 통한 항공기 터보팬 잔여 유효 수명 예측 (Prediction Remaining Useful Life of Aircraft Turbofans Using Transfer Learning Based CNN-LSTM)

  • 김정민;강현우;조영기;권기혁;안서연;김헌기
    • 정보처리학회 논문지
    • /
    • 제13권12호
    • /
    • pp.700-709
    • /
    • 2024
  • 항공기 엔진의 잔여 유효 수명(RUL) 예측은 고장 예지 및 건전성 관리(PHM)를 좌우하는 중요한 역할이며 관련 연구가 활발히 진행되고 있다. 하지만 실제 고장 데이터를 확보하는 데 어려움이 있으며 결함 데이터의 희소성으로 인해 예측 모델 구축에 한계가 존재한다. 기존의 데이터 증대방법은 제한된 결함 데이터를 보완하기 위해 사용되지만, 휴리스틱한 접근법으로 인해 데이터 특성이 일반화되는 문제가 발생하며 예측 정확도가 저하될 수 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 전이학습(Transfer Learning)에 기반한 CNN-LSTM 혼합모델을 제안한다. CNN-LSTM 혼합모델은 CNN의 특징 추출 기능과 LSTM의 장기 시계열 학습 능력을 결합하여, 항공기 엔진 센서 데이터의 복잡한 동적 특성과 시계열적 변화를 동시에 반영한다. 본 모델로 서로 다른 소스 도메인(Source Domain)에서 학습된 데이터를 전이학습을 통해 타겟 도메인(Target Domain) 데이터에 적용함으로써, 예측 기법의 성능을 향상시킨다. 미국항공우주국(NASA)에서 개발한 C-MAPSS 항공기 엔진 시뮬레이터 데이터 세트에 적용한 결과, 전이학습을 통한 사전 학습된 모델의 활용이 기본 혼합모델보다 예측 정확도 향상에 기여함을 확인하였다. 또한, 제안된 모델이 PHM 분야에서 주요한 여러 예측 모델들 대비 우수한 예측 성능을 보임을 확인하였다.

Remaining Useful Life Estimation based on Noise Injection and a Kalman Filter Ensemble of modified Bagging Predictors

  • Hung-Cuong Trinh;Van-Huy Pham;Anh H. Vo
    • KSII Transactions on Internet and Information Systems (TIIS)
    • /
    • 제17권12호
    • /
    • pp.3242-3265
    • /
    • 2023
  • Ensuring reliability of a machinery system involve the prediction of remaining useful life (RUL). In most RUL prediction approaches, noise is always considered for removal. Nevertheless, noise could be properly utilized to enhance the prediction capabilities. In this paper, we proposed a novel RUL prediction approach based on noise injection and a Kalman filter ensemble of modified bagging predictors. Firstly, we proposed a new method to insert Gaussian noises into both observation and feature spaces of an original training dataset, named GN-DAFC. Secondly, we developed a modified bagging method based on Kalman filter averaging, named KBAG. Then, we developed a new ensemble method which is a Kalman filter ensemble of KBAGs, named DKBAG. Finally, we proposed a novel RUL prediction approach GN-DAFC-DKBAG in which the optimal noise-injected training dataset was determined by a GN-DAFC-based searching strategy and then inputted to a DKBAG model. Our approach is validated on the NASA C-MAPSS dataset of aero-engines. Experimental results show that our approach achieves significantly better performance than a traditional Kalman filter ensemble of single learning models (KESLM) and the original DKBAG approaches. We also found that the optimal noise-injected data could improve the prediction performance of both KESLM and DKBAG. We further compare our approach with two advanced ensemble approaches, and the results indicate that the former also has better performance than the latters. Thus, our approach of combining optimal noise injection and DKBAG provides an effective solution for RUL estimation of machinery systems.