KR102073810B1 - 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 - Google Patents

머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 Download PDF

Info

Publication number
KR102073810B1
KR102073810B1 KR1020190089043A KR20190089043A KR102073810B1 KR 102073810 B1 KR102073810 B1 KR 102073810B1 KR 1020190089043 A KR1020190089043 A KR 1020190089043A KR 20190089043 A KR20190089043 A KR 20190089043A KR 102073810 B1 KR102073810 B1 KR 102073810B1
Authority
KR
South Korea
Prior art keywords
data
feature
failure
propulsion
machine learning
Prior art date
Application number
KR1020190089043A
Other languages
English (en)
Inventor
정성영
손나영
Original Assignee
한화시스템(주)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한화시스템(주) filed Critical 한화시스템(주)
Priority to KR1020190089043A priority Critical patent/KR102073810B1/ko
Application granted granted Critical
Publication of KR102073810B1 publication Critical patent/KR102073810B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
    • B63G1/00—Arrangements of guns or missile launchers; Vessels characterised thereby
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템이 제공된다. RUL 예측 모델을 사용하기 위해 데이터의 특징을 추출 및 가공하여 PCA를 통해 상태표시기를 생성하고, 운용 구역을 나누어 운용 구역별로 결과데이터를 표준화하여 머신러닝에 입력한 학습결과를 기준으로 장비의 고장 예측을 가능하도록 한다.

Description

머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 { Method and system for predicting the failure of naval ship propulsion system using machine learning }
본 발명은 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템에 관한 것으로서, 보다 상세하게는 국방기술 분야에서 함정의 실시간으로 변화하는 운용 환경에 대응하여 함정의 추진 장비의 고장 시점 예측에 있어 머신러닝을 활용함으로써 보다 정확한 예측을 가능하게 하기 위한 함정 추진 장비의 고장을 예측하는 방법 및 시스템에 관한 것이다.
함정 자동화 체계에 있어, 통합기관제어체계(ECS; Engineering Control System)는 함이 현대화/자동화 됨에 따라, 국부(Local)에서 별도 제어되었던 장비들을 통합하여 ECS콘솔에서 제어가 가능하게 하는 체계이다. ECS는 함정의 추진, 전력, 보기 및 손상 계통이 네트워크 통신 기반으로 연동되어 있으며, 운용/제어/감시를 통해 함정의 운용성, 전투 성능, 자동화 및 생존성을 극대화한다.
함정 체계의 추진제어기술 중 통합 조건 평가 기술(ICAS; Integrated Condition Assessment System)는 ECS의 6대 기술 요소 중 하나이다.
ICAS는 주요 장비의 치명적인 고장을 방지하고, 장비 운용의 신뢰도를 높이기 위한 기술이다. 함정의 추진 계통, 전력계통, 보기 계통 및 손상 계통의 제어 및 감시기능을 수행한다. 세부 기능으로는 압력, 온도, 진동 등과 같은 장비 운용에 필수적인 성능 데이터 저장 및 전시, 성능 평가를 통한 기관의 경향 분석, 유지 보수 절차 권고 기능, 경보 조건(Alarm condition) 발생 및 전시와 같은 기능을 수행한다. 이 기능들은 크게 고장 상태를 알려주는 진단(알람) 기능과 고장이 일어날 것이라는 예측 기능으로 분류할 수 있다. 현재 ICAS의 수준은 장비에 부착된 센서 측정치를 제공하는 단순 전시 수준이며, 장비의 정비 시점 예측이나 권고 기능은 미비한 상태이다. 추진 장비의 구성품 간 상호작용 복잡성으로 인해 시스템 성능 저하나 고장이 발생하고 있다. 장비의 신뢰성을 확보하고, 함정 가동률 향상 및 인력 절감에 기여하기 위해서는 장비 예측 기능의 확보가 중요하다.
하지만 ICAS는 해외 직도입 또는 기술도입으로 구축되고 있으며, 선진국에서 함정의 준비도 및 가용성 제고를 위한 핵심기술로 분류하여 기술이전을 기피하고 있다. 이 기술은 함정 통합기관제어체계(ECS, Engineering Control System) 국산화 및 함정통합컴퓨팅환경(TSCE, Total Ship Computing Environment) 개발을 위해서 확보해야 할 핵심기술이므로, 국내 개발이 중요하다.
공학시스템에서는 ICAS의 확장 개념인 고장 예지 및 건전성관리(PHM, Prognostics and Health Management)라는 용어로 통용되고 있다. PHM은 부품들의 잔존 수명(RUL, Remaining Useful Life)을 예측이 가능해짐으로써, 치명적인 손상이 예상되는 분야, 예방 정비를 함으로써 높은 시간 비용을 지출하고 있는 분야, 수리를 위해 접근하기 어려운 분야에 적용될 수 있다. PHM은 많은 데이터를 처리할 수 있는 머신러닝의 기술이 진보됨에 따라 함께 부각되어, 자동차나 항공, 철도와 같은 고기술 분야에서 관련 연구가 활발히 진행되고 있다.
현재 ECS의 ICAS는 ABB의 예측 기술은 개별 센서값의 추세선 역할에 그치며, 센서값 하나에 대한 평균 값을 보여줌으로써 고장 판단에 대한 신뢰성이 낮고, 승조원이 직접 센서값을 조합하여 유지 보수를 판단하게 되어 승조원 능력에 따라 고장 판단이 상이하다는 한계점이 있다.
따라서 이러한 ICAS 예측가능성 확보를 위한 필요 기술 및 절차에 대한 연구가 필요하다.
전술한 문제점을 해결하기 위하여 본 발명이 이루고자 하는 기술적 과제는, ICAS의 핵심 기술을 확보하기 위해 잔여수명추정 알고리즘을 적용하는 등 머신러닝을 활용하고, 추진 장비의 고장을 예측함에 있어 실시간으로 변화하는 운용 환경의 영향 성분을 최소화하여 상태표시기의 정확도를 높임으로서 주요 장비의 치명적인 고장을 사전에 방지하여 장비의 가용성을 증대시키며, 또한 고장 예측을 정비 인력의 역량에 맡기기보다 정량적 수치 지표에 따름으로써 신뢰도를 확보하여 시스템 유지비용을 절감하는 데 있다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 실시예에 따르면, 머신 러닝 알고리즘을 이용한 함정 추진장비 고장 예측 방법은, 함정 추진체계에 통합 조건 평가 계통(ICAS)을 적용함에 있어서, 함정 추진체계의 센서에서 원시 데이터를 수집하는 단계; 상기 원시 데이터를 전처리(Pre-processing)하는 단계; 상기 전처리된 데이터로부터 특징을 생성하여 상태표시기를 만드는 특징 엔지니어링(Feature Engineering) 단계; 상기 특징을 머신러닝 알고리즘에 입력하여 잔존 유효 수명(RUL) 예측 모델을 생성하는 단계;를 포함한다.
원시 데이터는, 상기 함정 추진체계의 센서로부터 실시간으로 수집된 온도, 압력, 출력, 토크, 회전수, 진동수를 포함하고, 수집하는 단계는, 상기 원시 데이터 중 운용 환경 데이터를 입력값, 결과 데이터를 출력값으로 구분한다.
여기서 운용 환경 데이터는 외기 온도, 외기 압력, 추진 레버를 포함하고, 결과 데이터는 엔진 배기온도, 엔진 토크, 엔진 진동, 추진축계 진동을 포함한다.
전처리하는 단계는, 운용환경에 대한 영향을 상쇄시키기 위해 수집된 데이터를 통합(intergration), 변환(transformation), 정리(reduction), 정제(cleaning) 중 어느 하나 이상의 것을 수행한다.
전처리하는 단계는, 상기 추출된 특징 정보에 대하여 K-means 알고리즘을 적용하여 데이터를 군집화 하여 운용 구역을 구분하는 단계; 상기 운용 구역별 데이터의 중심점을 계산하는 단계; 상기 운용 구역에 해당하는 결과 데이터를 데이터 중심점을 기준으로 표준화하는 단계; 상기 표준화된 결과 데이터를 통해 학습용 데이터를 생성하는 단계;를 수행한다.
특징 엔지니어링하는 단계는, 상기 전처리된 데이터를 이용하여 특징을 추출(Feature Extraction)하는 단계; 상기 추출된 특징 중에서 (개발자가) 유의미하다고 인정되는 기준에 따른 특징을 선택(Preprocessing Data)하는 단계; 상기 선택된 특징을 융합하는 주성분 분석(PCA ; Principal Component Analysis)을 거쳐 시간에 따른 장비의 상태(Health Indicator)를 표현하는 상태표시기를 생성(설계)하는 단계;를 포함한다.
모델을 생성하는 단계는, RUL 추정 모델으로 시간에 따른 열화 누적으로 지수함수 평가모델을 선택하는 것으로 한다.
모델을 생성하는 단계는, 상기 상태표시기를 통해 도출된 시간에 따른 장비의 상태를 Health Indicator로 하여 상기 Health Indicator를 머신러닝을 사용한 RUL 예측 알고리즘에 적용하여 학습한 결과에 따라 실시간으로 고장 시점을 예측한다.
한편 본 발명의 다른 실시예에 따르면, 머신 러닝 알고리즘을 이용한 함정 추진장비 고장 예측 시스템은 함정 추진체계에 통합 조건 평가 계통(ICAS)을 적용함에 있어서, 함정 추진체계의 센서로부터 원시 데이터를 수집하는 수집부; 상기 원시 데이터를 전처리(Pre-processing)하는 전처리부; 상기 전처리된 데이터로부터 특징을 생성하여 상태표시기를 만드는 특징 엔지니어링(Feature Engineering)부; 상기 특징을 머신러닝 알고리즘에 입력하여 잔존 유효 수명(RUL) 예측 모델을 생성하는 모델링부;를 포함한다.
원시 데이터는, 상기 함정 추진체계의 센서로부터 실시간으로 수집된 온도, 압력, 출력, 토크, 회전수, 진동수를 포함하고, 수집부는, 상기 원시 데이터 중 운용 환경 데이터를 입력값, 결과 데이터를 출력값으로 구분한다.
여기서 운용 환경 데이터는 외기 온도, 외기 압력, 추진 레버를 포함하고, 결과 데이터는 엔진 배기온도, 엔진 토크, 엔진 진동, 추진축계 진동을 포함한다.
전처리부는, 운용환경에 대한 영향을 상쇄시키기 위해 수집된 데이터를 통합(intergration), 변환(transformation), 정리(reduction), 정제(cleaning) 중 어느 하나 이상의 것을 수행한다.
전처리부는, 상기 추출된 특징 정보에 대하여 K-means 알고리즘을 적용하여 데이터를 군집화 하여 운용 구역을 구분하는 단계; 상기 운용 구역별 데이터의 중심점을 계산하는 단계; 상기 운용 구역에 해당하는 결과 데이터를 데이터 중심점을 기준으로 표준화하는 단계; 상기 표준화된 결과 데이터를 통해 학습용 데이터를 생성하는 단계;를 수행한다.
특징 엔지니어링부는, 상기 전처리된 데이터를 이용하여 특징을 추출(Feature Extraction)하는 특징추출부; 상기 추출된 특징 중에서 (개발자가) 유의미하다고 인정되는 기준에 따른 특징을 선택(Preprocessing Data)하는 특징선택부; 상기 선택된 특징을 융합하는 주성분 분석(PCA ; Principal Component Analysis)을 거쳐 시간에 따른 장비의 상태(Health Indicator)를 표현하는 상태표시기를 생성(설계)하는 상태표시기 생성부;를 포함한다.
모델링부는, RUL 추정 모델으로 시간에 따른 열화 누적으로 지수함수 평가모델을 선택하는 것으로 한다.
모델링부는, 상기 상태표시기를 통해 도출된 시간에 따른 장비의 상태를 Health Indicator로 하여 상기 Health Indicator를 머신러닝을 사용한 RUL 예측 알고리즘에 적용하여 학습한 결과에 따라 실시간으로 고장 시점을 예측한다.
본 발명에 따르면,
ICAS의 핵심 기술을 확보하기 위해 잔여수명추정 알고리즘을 적용하는 등 머신러닝을 활용하고, 추진장비의 고장을 예측함에 있어 실시간으로 변화하는 운용환경의 영향 성분을 최소화하여 상태표시기의 정확도를 높임으로서 주요 장비의 치명적인 고장을 사전에 방지하여 장비의 가용성을 증대시키며, 또한 고장 예측을 정비 인력의 역량에 맡기기보다 정량적 수치 지표에 따름으로써 신뢰도를 확보하여 시스템 유지비용을 절감할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 국방기술조사서에 따른 기술수준 분석도,
도 2는 본 발명의 실시예에 의한 머신러닝을 이용하여 함정의 추진 장비의 고장을 예측하는 방법을 도시하는 흐름도,
도 3은 본 발명의 실시예에 의한 고장 예측 방법 중 도 2의 전처리, 특징 엔지니어링 및 모델링 단계의 세부 단계 흐름도,
도 4는 본 발명의 실시예에 의한 머신러닝을 이용하여 함정의 추진 장비의 고장을 예측하는 시스템을 도시하는 구성도,
도 5는 본 발명의 실시예에 의한 운용 구역 선택 예시도이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시 예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시 예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려 여기서 소개되는 실시 예들은 개시된 내용이 철저하고 완전해질 수 있도록, 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시 예들은 그것의 상보적인 실시 예들도 포함한다.
또한, 어떤 엘리먼트, 구성요소, 장치, 또는 시스템이 프로그램 또는 소프트웨어로 이루어진 구성요소를 포함한다고 언급되는 경우, 명시적인 언급이 없더라도, 그 엘리먼트, 구성요소, 장치, 또는 시스템은 그 프로그램 또는 소프트웨어가 실행 또는 동작하는데 필요한 하드웨어(예를 들면, 메모리, CPU 등)나 다른 프로그램 또는 소프트웨어(예를 들면 운영체제나 하드웨어를 구동하는데 필요한 드라이버 등)를 포함하는 것으로 이해되어야 할 것이다.
또한 본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
아래의 특정 실시 예들을 기술하는 데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용이 없어도 사용될 수 있다는 것을 인지할 수 있다.
어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급 해둔다.
이하, 본 발명에서 실시하고자 하는 구체적인 기술 내용에 대해 첨부도면을 참조하여 상세하게 설명하기로 한다.
도 1은 국방기술조사서에 따른 기술수준 분석도로, 2013년 기준 ECS(통합기관제어체계, Engineering Control System) 기술 중 생존성 기술(BDCS)과 추진 기술(IPMS, OBTS)의 기술수준은 전투체계 기술수준에 비하여 현저히 낮은 것을 볼 수 있다. 이 중 추진 기술에 속하는 통합 조건 평가 기술(ICAS; Intergrated Condition Assessment System)에 대한 발명이다. 공학시스템의 예측 유지보수방안 중 하나로 잔존 수명 추정(RUL, Remaining Useful Life) 알고리즘을 활용하기로 한다.
의료, 자동차, 우주항공 및 제조와 같은 다양한 산업분야에서 잔여수명추정 기술을 포함한 예측 정비를 도입하고 있으며, 예측 정비 중 RUL기술은 미래에 대한 정량적 예측을 만드는 기술이다. RUL기술은 크게 데이터분석을 통해 상태표시기를 만드는 기술과 시스템에 맞는 RUL 평가 모델을 만드는 기술로 구분된다고 볼 수 있다. 함정 추진 장비 고장 예측을 위해서는 장비 상태표시기(Health Indicator)를 수학적으로 도출해야 한다. 상태표시기는 특정 고장에 주요한 영향을 미치는 함정 추진 장비의 센서 데이터(온도, 압력, 출력, 토크, 회전수, 진동 등)을 PCA(차원감소) 하여 계산한다. 그러나, 함정의 운용 특성상 추진장비의 센서 데이터는 운용환경(사용자 입력 Lever Position, 외기 온도, 외기 압력등)에 따라 변화하므로 원본 데이터를 그대로 사용할 경우 상태표시기의 정확도가 매우 떨어진다는 문제가 있다. 따라서, 운용환경의 영향 성분을 최소화하기 위해 함정 추진장비 고장예측용 운용환경 영향 제거 알고리즘을 이용하여 운용 구역을 구분하고, 이에 따른 센터 데이터를 재정립할 필요가 있다. 구체적으로는 아래와 같다.
도 2는 본 발명의 실시예에 의한 머신러닝을 이용하여 함정의 추진 장비의 고장을 예측하는 방법을 도시하는 흐름도, 도 4는 본 발명의 실시예에 의한 머신러닝을 이용하여 함정의 추진 장비의 고장을 예측하는 시스템을 도시하는 구성도이다.
머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법은 도시된 바와 같이 수집부(210)에서 함성의 추진체계의 센서로부터 원시 데이터를 수집하는 단계(S110)에서 시작한다. 특정 고장에 대한 추진체계의 센서로부터 외기 온도, 외기 압력, 추진 레버, 엔진 배기온도, 엔진 토크, 엔진 진동, 추진 축계 진동 등 복수의 데이터를 수집한다. 추진체계 센서로부터 수집하는 데이터의 예시는 [표 1]과 같다.
시간(s) 외기 온도 외기 압력 추진레버 엔진 배기온도 엔진 토크 엔진 진동 추진축계 진동
1 30 1.08 3 400 50 10 11
2 30 1.09 3.1 410 52 10 11
3 31 1.09 3.3 410 58 11 12
4 31 1.09 3.8 430 62 12 13
5 30 1.08 3.8 440 65 15 15
6 30 1.08 4 450 66 16 17
데이터 베이스, 스프레드 시트와 같은 형식의 데이터를 수집하며, 분석을 위한 데이터 구성이 적절한지 판단한다. 적절한지 판단하는 데이터 구성에는 데이터의 타임스탬프, 크기, 수 등이 가능하다.
이러한 수집하는 단계(S110)에서는 수집한 원시 데이터 중 운용 환경 데이터를 입력값, 결과 데이터를 출력값으로 구분한다. 이러한 데이터 구분에 대한 예시는 [표 2]에서처럼 외기 온도, 외기 압력, 추진 레버 값을 입력(파란색)값으로, 엔진 배기 온도, 엔진 토크, 엔진 진동, 추진 축계 진동 값을 출력(빨간색)값으로 구분할 수 있다.
시간(s) 외기 온도 외기 압력 추진레버 엔진 배기온도 엔진 토크 엔진 진동 추진축계 진동
1 30 1.08 3 400 50 10 11
2 30 1.09 3.1 410 52 10 11
3 31 1.09 3.3 410 58 11 12
4 31 1.09 3.8 430 62 12 13
5 30 1.08 3.8 440 65 15 15
6 30 1.08 4 450 66 16 17
다음으로, 이처럼 수집된 원시 데이터를 전처리부(220)에서 전처리한다(S120). 전처리는 수집된 데이터를 분석 및 처리에 적합한 형식으로 변환하는 것으로, 함정의 다양한 운용 환경의 영향을 감쇄 시키기 위한 데이터 전처리가 필요하다. 클러스터링된 데이터 집단들을 표준화 및 정규화를 통해 운용 환경의 영향을 상쇄시킬 수 있다.
도 3은 본 발명의 실시예에 의한 고장 예측 방법 중 도 2의 전처리, 특징 엔지니어링 및 모델링 단계의 세부 단계 흐름도이다. 데이터 전처리 과정에는 데이터 통합(intergration), 변환(transformation), 정리(reduction), 정제(cleaning) 등의 과정이 포함될 수 있다.
일반적인 데이터 전처리에서는 이상값 제거, 누락된 데이터 대체, 필터를 이용한 노이즈 제거와 같이 데이터 분석에 앞서 데이터 처리가 이루어진다. 함정으로부터 수집된 데이터는 운용환경이 다양한 조건에서 수집되었기 때문에 고장에 대한 영향을 분석하기 위해서는 운용환경에 대한 영향을 상쇄시켜줘야 한다.
도 5는 본 발명의 실시예에 의한 운용 구역 선택 예시도이다. 도 5-(a)에 도시된 바와 같이 먼저 수집된 데이터에 대하여 K-means 알고리즘을 이용하여 운용 환경 데이터가 포함된 특징을 운용 구역으로 구분한다(S121). 불필요한 데이터인 작동 조건을 제거하기 위해, k-means 를 적용하여 데이터를 클러스터링(군집화)하는 것이다. 이후 도 5-(b)에 도시된 바와 같이 운용 구역별 데이터의 중심점을 계산하여(S122), 운용 구역별 중심점을 기준으로 그 운용 구역에 해당하는 결과 데이터를 표준화(Standardization)(S123)한다. 클러스터링된 데이터 그룹(운용 구역)별로 표준화를 통해 그룹별 정상에 대해 이상 상태율을 계산하는 것이다. 각 이상상태율을 정규화하여 작동 조건에 따른 영향을 없애고, 서로 다른 기준의 센서 데이터를 획일적으로 비교할 수 있도록 한다.
데이터 표준화에 사용되는 수식은 [표 3]과 같다.
수식 :
Figure 112019075664754-pat00001
(
Figure 112019075664754-pat00002
: 요소값,
Figure 112019075664754-pat00003
: 전체 데이터 평균,
Figure 112019075664754-pat00004
: 전체 데이터 표준편차)
이처럼 운용 구역별 각 데이터에 대하여 표준화를 진행함으로써 구역별 스케일 차이를 제거한다.
표준화된 결과 데이터를 통해 학습용 데이터를 생성하여(S124), 이러한 학습용 데이터를 이후 머신러닝에 입력하여 학습 결과에 따라 함정 추진 장비의 고장을 예측(S142)하는 RUL 알고리즘을 수행에 활용한다. 상기 [표 1], [표 2]의 예시를 기준으로 출력 데이터를 표준화한 결과는 [표 4]에 나타난 바와 같다.
시간(s) 엔진 배기온도 엔진 토크 엔진 진동 추진축계 진동
1 -1.29987 -1.44301 -0.98995 -0.98837
2 -0.74278 -1.11629 -0.98995 -0.98837
3 -0.74278 -0.13613 -0.56569 -0.5322
4 0.371391 0.517306 -0.14142 -0.07603
5 0.928477 1.007386 1.131371 0.836315
6 1.485563 1.170745 1.555635 1.748658
특징 엔지니어링부(230)는 전처리된 데이터로부터 특징(feature)을 생성하여 상태표시기를 만들어내는 특징 엔지니어링(S130)을 거친다. 특징 엔지니어링(Feature Engineering)은 초기 데이터로부터 특징을 가공하고 생성하는 과정으로, 잔여수명추정에 필수적인 상태표시기(Health Indicator)를 생성하는 단계이다.
잔여수명예측 모델에 미치는 영향이 크기 때문에 전문성과 많은 시간을 필요로 한다. 이 단계 결과 상태 표시기(Health Indicator)가 만들어지며, 이는 잔여 수명 예측 모델의 입력 함수가 된다. 특징 엔지니어링의 첫 단계는 기존의 데이터를 사용하여 정보를 추가하는 특징 추출(Feature Extraction)(S131)로, 원시 데이터를 머신러닝 알고리즘에 적합한 데이터로 변환하는 부분이다. 예를 들어 데이터의 평균, 첨도, 왜도와 같은 특징 들을 포함한다. 특징 엔지니어링의 두 번째 단계는 추출된 특징 중에서 개발자가 랭킹을 통해 선택하는 특징 선택(Preprocess Data)(S132)하는 단계이다. 추출한 복수 개의 특징들을 모두 상태 표시기로 사용하기에는 차원이 너무 크기 때문에 특징 선택을 진행한다. 개발자가 사용할 기준을 정하여 해당하는 특징을 분석에 사용한다. 이 단계에서는 고장에 큰 영향을 미치는 중요한 센서의 경우 센서 자체가 특징으로 선택될 수 있다.
특징 엔지니어링의 세 번째 단계는 상태표시기 생성 단계(S133)이다. 이 때에는 이전 단계에서 선택된 특징을 융합하는 주성분 분석(PCA, Principal Component Analysis)이 이루어지는데, 이는 장비의 상태를 나타내는 상태 표시기의 구성요소로, 사용자에게 직관적인 그래프를 제공하기 위해 전체 data-set을 표현할 수 있도록 복수의 특징들을 융합하여 상태표시기를 생성(S133)하는 것이다. 이전 단계에서 복수 개의 특징을 선택한 경우 복수 개의 특징을 모두 시간에 따른 그래프로 표현하게 되면 다차원의 그래프가 그려지므로(예를 들어 특징 추출 단계에서 15개의 특징을 추출하여 그 중에서 5개의 특징을 선택할 경우 그래프는 5차원의 그래프가 필요하다) 사용자가 현재 주요 장비의 상태를 파악하기 어려워진다. 따라서 복수 개의 선택된 특징들을 표현할 수 있으면서, 1차원으로 특징을 융합하기 위해 상태표시기를 만드는 것이며, 이 기술을 주성분 분석이라고 일컫는다. 시간에 따른 상태표시기 값을 이용해 RUL을 예측하기 위해 monotonicity의 기능을 사용해 상태표시기 값을 식별한다.
모델링부(240)는, 이전 단계에서 선택되어 융합되어 상태표시기로 나타난 특징을 머신러닝 알고리즘에 입력하여 잔존 유효 수명(RUL) 예측 모델을 생성하는 모델링(S140)을 거친다. RUL 분석은 시스템이나 데이터의 분석을 통해 잔여 수명 추정 모델을 정하는데, 상태 표시기 값의 시간 변화 또는 통계적 특성을 기반으로 추정을 수행할 수 있는 모델을 개발하여 시스템의 잔여 유효 수명을 추정한다. 일반적으로 공학시스템에서는 시간에 따른 열화가 누적되어 시스템 오류가 발생하기 때문에 잔여유효수명 평가 모델을 지수함수로 선택한다. 본 발명의 실시예에서는 시간에 따른 열화누적으로 지수함수 평가 모델을 선택(S141)할 수 있다. 이러한 지수함수 평가 모델은 데이터를 업데이트하여 실시간 RUL 예측(S142)이 가능하다. 모델링 단계에서는 이전의 상태 표시기 생성 단계(S133)에서 표시된 장비의 상태(Indicator)를 머신러닝을 사용한 RUL 예측 알고리즘에 적용하여 실시간으로 고장 시점을 예측한다. 함정은 독립된 시스템으로 운용되기 때문에 실시간 데이터에 따른 잔여유효수명 예측이 가능해야 한다. Matlab에서 제공하는 지수함수 평가모델의 경우 데이터의 실시간 업데이트가 가능하여, 잔여유효수명 또한 실시간 예측이 가능하다.
ICAS의 확장 개념인 고장예지 및 건전성관리(PHM, Prognostics and Health Management)에 있어 부품들의 잔존수명(RUL, Remaining Useful Life)을 예측하여 적용할 수 있다. PHM기술은 많은 데이터를 처리해야하기 때문에, 머신러닝 기술이 진보됨에 따라 연구가 활발하게 진행되고 있는 분야이다.
따라서 이를 함정에 적용하기에 적합한 방법을 찾기 위해 본 발명의 실시예에서는 Clustering(데이터 군집화), 그 중에서도 K-Means 군집화 알고리즘을 사용하였으며, Normalization (데이터 정규화), PCA(주성분 분석), RUL(잔여수명예측)에 있어서 머신러닝 기술을 활용하여 효율적이고 신뢰도 높은 모델링이 가능하도록 하였다.
100 : 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법
200 : 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 시스템
210 : 데이터 수집부
220 : 데이터 전처리부
230 : 특징 엔지니어링부
240 : 모델링부

Claims (16)

  1. 함정 추진체계에 통합 조건 평가 계통(ICAS)을 적용하는 고장예측 방법에 있어서,
    함정 추진체계의 센서에서 실시간으로 온도, 압력, 출력, 토크, 회전수, 진동수를 포함하는 원시 데이터를 수집하여 원시 데이터 중 운용 환경 데이터를 입력값, 결과 데이터를 출력값으로 구분하는 단계;
    상기 원시 데이터에 대하여 K-means 알고리즘을 적용하여 데이터를 군집화 하여 운용 구역을 구분하고,
    상기 운용 구역별 데이터의 중심점을 계산하며,
    상기 운용 구역에 해당하는 결과 데이터를 데이터 중심점을 기준으로 표준화하고,
    상기 표준화된 결과 데이터를 통해 학습용 데이터를 생성하는 것을 특징으로 하여 데이터를 전처리(Pre-processing)하는 단계;
    상기 전처리된 데이터로부터 특징을 생성하여 상태표시기를 만드는 특징 엔지니어링(Feature Engineering) 단계;
    상기 특징을 머신러닝 알고리즘에 입력하여 RUL(잔존 유효 수명) 추정 모델로 시간에 따른 열화 누적으로 지수함수 평가모델을 선택하여 RUL 예측 모델을 생성하는 단계;
    를 포함하는 것을 특징으로 하는 함정 추진장비 고장예측 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 운용 환경 데이터는 외기 온도, 외기 압력, 추진 레버를 포함하고,
    상기 결과 데이터는 엔진 배기온도, 엔진 토크, 엔진 진동, 추진축계 진동을 포함하는 것을 특징으로 하는 함정 추진장비 고장예측 방법.
  4. 제1항에 있어서,
    상기 전처리하는 단계는,
    운용환경에 대한 영향을 상쇄시키기 위해 수집된 데이터를 통합(intergration), 변환(transformation), 정리(reduction), 정제(cleaning) 중 어느 하나 이상의 것을 수행하는 것을 특징으로 하는 함정 추진장비 고장예측 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 특징 엔지니어링하는 단계는,
    상기 전처리된 데이터를 이용하여 특징을 추출(Feature Extraction)하는 단계;
    상기 추출된 특징 중에서 (개발자가) 유의미하다고 인정되는 기준에 따른 특징을 선택(Preprocessing Data)하는 단계;
    상기 선택된 특징을 융합하는 주성분 분석(PCA ; Principal Component Analysis)을 거쳐 시간에 따른 장비의 상태(Health Indicator)를 표현하는 상태표시기를 생성(설계)하는 단계;
    를 포함하는 것을 특징으로 하는 함정 추진장비 고장예측 방법.
  7. 삭제
  8. 제1항에 있어서,
    상기 모델을 생성하는 단계는,
    상기 상태표시기를 통해 도출된 시간에 따른 장비의 상태를 Health Indicator로 하여 상기 Health Indicator를 머신러닝을 사용한 RUL 예측 알고리즘에 적용하여 학습한 결과에 따라 실시간으로 고장 시점을 예측하는 것을 특징으로 하는 함정 추진장비 고장예측 방법.
  9. 함정 추진체계에 통합 조건 평가 계통(ICAS)을 적용하는 고장예측 시스템에 있어서,
    함정 추진체계의 센서로부터 실시간으로 온도, 압력, 출력, 토크, 회전수, 진동수를 포함하는 원시 데이터를 수집하여 원시 데이터 중 운용 환경 데이터를 입력값, 결과 데이터를 출력값으로 구분하는 수집부;
    상기 원시 데이터에 대하여 K-means 알고리즘을 적용하여 데이터를 군집화 하여 운용 구역을 구분하고,
    상기 운용 구역별 데이터의 중심점을 계산하며,
    상기 운용 구역에 해당하는 결과 데이터를 데이터 중심점을 기준으로 표준화하고,
    상기 표준화된 결과 데이터를 통해 학습용 데이터를 생성하여 데이터를 전처리(Pre-processing)하는 전처리부;
    상기 전처리된 데이터로부터 특징을 생성하여 상태표시기를 만드는 특징 엔지니어링(Feature Engineering)부;
    상기 특징을 머신러닝 알고리즘에 입력하여 RUL(잔존 유효 수명) 추정 모델로 시간에 따른 열화 누적으로 지수함수 평가모델을 선택하여 RUL 예측 모델을 생성하는 모델링부;
    를 포함하는 것을 특징으로 하는 함정 추진장비 고장예측 시스템.
  10. 삭제
  11. 제9항에 있어서,
    상기 운용 환경 데이터는 외기 온도, 외기 압력, 추진 레버를 포함하고,
    상기 결과 데이터는 엔진 배기온도, 엔진 토크, 엔진 진동, 추진축계 진동을 포함하는 것을 특징으로 하는 함정 추진장비 고장예측 시스템.
  12. 제9항에 있어서,
    상기 전처리부는,
    운용환경에 대한 영향을 상쇄시키기 위해 수집된 데이터를 통합(intergration), 변환(transformation), 정리(reduction), 정제(cleaning) 중 어느 하나 이상의 것을 수행하는 것을 특징으로 하는 함정 추진장비 고장예측 시스템.
  13. 삭제
  14. 제9항에 있어서,
    상기 특징 엔지니어링부는,
    상기 전처리된 데이터를 이용하여 특징을 추출(Feature Extraction)하는 특징추출부;
    상기 추출된 특징 중에서 (개발자가) 유의미하다고 인정되는 기준에 따른 특징을 선택(Preprocessing Data)하는 특징선택부;
    상기 선택된 특징을 융합하는 주성분 분석(PCA ; Principal Component Analysis)을 거쳐 시간에 따른 장비의 상태(Health Indicator)를 표현하는 상태표시기를 생성(설계)하는 상태표시기 생성부;
    를 포함하는 것을 특징으로 하는 함정 추진장비 고장예측 시스템.
  15. 삭제
  16. 제9항에 있어서,
    상기 모델링부는,
    상기 상태표시기를 통해 도출된 시간에 따른 장비의 상태를 Health Indicator로 하여 상기 Health Indicator를 머신러닝을 사용한 RUL 예측 알고리즘에 적용하여 학습한 결과에 따라 실시간으로 고장 시점을 예측하는 것을 특징으로 하는 함정 추진장비 고장예측 시스템.

KR1020190089043A 2019-07-23 2019-07-23 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 KR102073810B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190089043A KR102073810B1 (ko) 2019-07-23 2019-07-23 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190089043A KR102073810B1 (ko) 2019-07-23 2019-07-23 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102073810B1 true KR102073810B1 (ko) 2020-03-11

Family

ID=69809642

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190089043A KR102073810B1 (ko) 2019-07-23 2019-07-23 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102073810B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114386758A (zh) * 2021-12-08 2022-04-22 西安近代化学研究所 基于状态空间几何分析的舰艇毁伤评估方法
EP4024151A1 (en) * 2021-01-05 2022-07-06 Rockwell Automation Technologies, Inc. Predicting end of life for industrial automation components
WO2022260221A1 (ko) * 2021-06-11 2022-12-15 한국수력원자력 주식회사 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
KR102609725B1 (ko) * 2023-04-19 2023-12-05 국방과학연구소 함정 부품의 관리 방법 및 관리 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140142872A (ko) * 2013-06-05 2014-12-15 연세대학교 산학협력단 열화 모형에 기반하여 기후 환경의 변화를 고려한 시설물의 상태 예측 방법 및 시스템
KR101811304B1 (ko) * 2016-07-26 2017-12-26 주식회사 블루비즈 선박 부품 수명주기 관리 시스템
JP6525002B2 (ja) * 2014-04-28 2019-06-05 日本電気株式会社 メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140142872A (ko) * 2013-06-05 2014-12-15 연세대학교 산학협력단 열화 모형에 기반하여 기후 환경의 변화를 고려한 시설물의 상태 예측 방법 및 시스템
JP6525002B2 (ja) * 2014-04-28 2019-06-05 日本電気株式会社 メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体
KR101811304B1 (ko) * 2016-07-26 2017-12-26 주식회사 블루비즈 선박 부품 수명주기 관리 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Gregory W. Vogl외 2명, A review of diagnostic and prognostic capabilities and best practices for manufacturing, NIST, Springer Science+Business Media New York, 2016.06.09* *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4024151A1 (en) * 2021-01-05 2022-07-06 Rockwell Automation Technologies, Inc. Predicting end of life for industrial automation components
US11703849B2 (en) 2021-01-05 2023-07-18 Rockwell Automation Technologies, Inc. Predicting end of life for industrial automation components
WO2022260221A1 (ko) * 2021-06-11 2022-12-15 한국수력원자력 주식회사 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
KR20220166977A (ko) * 2021-06-11 2022-12-20 한국수력원자력 주식회사 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
KR102504421B1 (ko) * 2021-06-11 2023-02-28 한국수력원자력 주식회사 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
CN114386758A (zh) * 2021-12-08 2022-04-22 西安近代化学研究所 基于状态空间几何分析的舰艇毁伤评估方法
KR102609725B1 (ko) * 2023-04-19 2023-12-05 국방과학연구소 함정 부품의 관리 방법 및 관리 시스템

Similar Documents

Publication Publication Date Title
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
Xu et al. Health management based on fusion prognostics for avionics systems
EP1242923B1 (en) A process for the monitoring and diagnostics of data from a remote asset
EP2015186B1 (en) Diagnostic systems and methods for predictive condition monitoring
US8682616B2 (en) Identifying failures in an aeroengine
US20040049715A1 (en) Computer networked intelligent condition-based engine/equipment management system
US20090216393A1 (en) Data-driven anomaly detection to anticipate flight deck effects
AU2002246994A1 (en) Diagnostic systems and methods for predictive condition monitoring
CN101999101B (zh) ***运行预测的确定方法
CN108027611B (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助***和方法
EP2277778A2 (en) Vehicle health management systems and methods with predicted diagnostic indicators
WO2011073613A1 (en) A method, apparatus and computer program for diagnosing a mode of operation of a machine
KR101776350B1 (ko) 압축기를 진단하는 방법 및 시스템
CN111798590A (zh) 用于环境控制***故障隔离的具有智能数据收集的模式分类***
JPH09237103A (ja) 保守支援システム
CN103324155A (zh) ***监控
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
JPH0269619A (ja) プラント機器保守管理支援装置
CN116705272A (zh) 基于多维诊断的设备健康状态综合评价方法
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
KR102516227B1 (ko) 선박용 고장 예측진단 시스템 및 그 예측진단 방법
WO2020253950A1 (en) Monitoring method, predicting method, monitoring system and computer program
Burnaev Rare failure prediction via event matching for aerospace applications
EP4273520A1 (en) Method and system for comprehensively diagnosing defect in rotating machine

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant