::고려대학교 DMQA 연구실::

Lab. Activity

 

 

 

Lab. Activity>Conference Review  

2017 PHMAP - 이슬기

작성자 이슬기 작성일 2017-07-16 오후 6:33:25
내용


이번에 참석한
Prognostics and Health Management(PHM) 학회는 주로 기계과에 기반을 두고 있는 연구자들이 주로 참석하여 발표를 한다. 우리 연구실은 산업공학과지만 공정 및 기계에서 수집되는 센서 데이터를 기반으로 품질 분석 및 예측에 대한 연구들을 활발하게 하고 있기 때문에, 우리가 하고 있는 연구와 얼마나 관련이 있는지 파악하고 더 나은 연구 방향 설정을 위해 참석하였다. 따라서, 본 발표 후기는 기존 PHM과 우리연구실에서 하는 연구의 공통점 및 차이점이 무엇인지 그리고 어떤 관점에 차이가 있는지에 대해 기술하려 한다.

 
개인적으로는 우리 연구실에서 앞으로 활발하게 이 분야의 문제를 풀 수 있을 것이라 생각한다. 왜냐하면 기계의 물리적인 이해나 배경지식은 상대적으로 부족하지만 데이터 분석 측면에서는 우리 연구원들이 고등의 기술을 가지고 있기 때문이다.

 
PHM 학회에서는 전통적인 방법으로 고장확률분포를 추정하여 언제 고장이 날 지를 통계적 측면에서 분석하는 부분도 있었지만, 기계학습 방법론을 적용하는 연구들도 많았다. 데이터 기반 PHM은 크게 네 부분으로 나눌 수 있다


(1) 첫 번째는 센서에서 나온 데이터를 요약하는 부분이다. 데이터는 기계에 부착된 센서에서 실시간으로 나오기 때문에 주로 시그널의 형태로 이루어져있다. 여러 센서 중 고장을 잘 찾아내는 센서를 찾는 것은 sensing 또는 sensor selection이라 한다. 특정 구간의 시그널에서 평균, 첨도, 왜도, 최대값 등의 통계량을 찾아내는 것을 큰 의미로 Feature extraction이라 사용하고 있었다.
(2) 두 번째는 센서를 이용하여 장비나 기계시스템의 상태를 모니터링하고 고장의 징후를 포착하는 기술(diagnostics)이다. 이 부분을 산업공학의 언어로 기술하자면 센서데이터 기반의 분류(classification) 또는 예측(regression) 모델 구축이다.
(3) 다음으로는 고장예지(prognostics)인데, 이는 시간 또는 사용량 따라 잔여유효수명(RUL: remaining useful life)을 예측하는 것이다. 여러 방식으로 RUL을 추정하지만, 간단한 예로는 기계가 노후화 되는 것을 정보가 들어있는 센서값으로 만든 분류 모델에서 나오는 확률 값을 RUL로 사용할 수도 있다. 일반적으로 RUL은 시간이 지남에 따라 하락한다
(4) 마지막으로는 건전성관리 기술 (health management)이 문제 원인 분석 및 주요 센서 탐지 등을 종합적으로 포함한다.

PHM
을 적용하는 분야는 주로 자동차, 철도, 중공업, 제조업으로, 센서를 달 수 있는 기계의 건강도를 분석하는 모든 상황을 포함 할 수 있다. 많은 발표자들은 실험실에서 얻은 베어링이나 충전용 배터리에서 정상상태일 때와 고장상태일 때의 센서데이터를 가지고 분석하였다. 베어링에서는 진동을 감지하는 센서, 배터리에서는 열을 감지하는 센서가 주요 분석 대상이었다. 발표의 초반에는 기계의 물리적인 원리를 설명하는 경우가 많았다. 이런 배경지식에 대한 설명으로 시작하여 결국은 위에서 서술한 데이터 분석 프레임을 적용하여 결과를 내는데, 실제로 사용하는 분석알고리즘은 우리 연구실 입장에서는 kNN, SVM과 같은 매우 기본적인 데이터 분석 모델이었다.

 
실제 딥러닝을 PHM에 적용하는 주제의 발표도 있었지만, 실제 사용한 실험에 대한 발표 보다는 Feature extraction으로 사용되면 좋다는 개괄적인 내용이 많았다. 빅데이터 시대라고 하지만, 실제 발표에서는 하나의 시그널을 가지고 분석하는 경우가 많았다.

 
실제 PHM에서 사용하는 언어와 우리 연구실에서 사용하는 언어는 좀 다를 수 있지만, PHM 학회에서 하는 것 중 우리 연구실에서 진행하고 있는 프로젝트와 완전히 동일한 관점에서 볼 수 있는 것들이 있다. 자동차의 엔진에 부착된 센서에서 얻는 시그널을 통해 정상과 이상 상태를 분류하는 것인데, 데이터를 기반으로 이상에 대한 정의부터 해야 하는 문제로 더 고등의 분석알고리즘을 적용하고 있다. 또 다른 프로젝트는 중장비 엔진에 부착된 여러 센서 중 이상과 고장을 나누는데 중요하게 작용하는 센서를 선별한 후, 고장예측 모델을 만드는 문제이다. 이 과정에서 signal preprocessing, feature selection method, classification 모델을 모두 사용해야 한다. 두 프로젝트의 목적은 기계의 고장을 미리 예측하고 건강하게 관리하자는 것으로 PHM의 목적과 분석과정이 동일하다.

 

PHM은 대상이 기계가 될 수도 있고 사람이 될 수도 있지만, 결과적으로 데이터 분석 방법론에 대해 어떤 상황에 어떤 알고리즘이 적합한지에 대해 더 많이 알고 있는 우리가 앞으로 할 수 있는 부분이 많으리라 본다. 




이전글
다음글

(136-713) 서울시 성북구 안암로145 고려대학교 자연계캠퍼스 신공학관 211호 | TEL.02-3290-3769
고려대학교 산업경영공학과 데이터마이닝 및 품질애널리틱스 연구실. All Right Reserved. 개인정보처리방침