RUL 잔여 수명 예측 모델 조사내용

유지보수 정책

- 사후 정비 (corrective maintenance): 는 설비의 이상 징후가 감지되었을 때 부품을 교체하거나 수리 하는 등 고장의 사 후에 조치를 취하는 방식

- 예방정비 (prevent maintenance): 설비의 이상 징후가 감지 되기 전에 유지보수 활동을 수행

예방정비

- 시간 기반 정비 (time-base maintenance)

시간 기반 정비는 고장의 예상 발생 시각 이전의 적당한 시점에 주기적으로 유지보수 를 수행하는 방법으로 고장이 발생하지 않았을 경우에도 예방 정비를 하는 과잉 정비가 될 가능성이 존재

시간 기반으로 수행되는 정기적인 유지 보수 를 위한 설비 정지로 생산성 저하가 발생하는 단점이

다음 유지보수가 수행되기 전에 발생할 수 있는 예기치 못한 설비 고장에 미리 대응할 수가 없다는 점이

- 상태 기반 정비 (condition-baxe maintenance)

 

한 장비의 특성에 따른 유지보수를 수행하기 위해서는 기계의 상태를 실시간으로 파악하여 유지보수를 수행할 수 있는 상태 기반 정비가 필요 -> 상태 기반 정비

 

상태 기반 보전은 다섯 단계의 구성으로 분리 할 수 있다. 첫 번째 설비 운용 중 설 비와 관련된 내/외부 데이터를 수집 한다. 두 번째 수집 한 데이터를 특징을 추출하 는 신호처리 기법 이다. 세 번째 설비의 상태를 실시간으로 모니터링 하는 진단 기술, 네 번째 설비의 고장 발생 시점을 예측 하는 예지 기술, 다섯 번째 예측한 잔여유효 수명 결과를 통해 유지 보수 전략을 수립하는 과정

 

고장: 고장의 사전적 의미는 시스템, 설비, 혹은 부품이 규정된 기능을 상실하여 동작이 정지하는 것을 말한다. 

hard failure: hard failure는 모든 기능이 작동하지 않은 기능 정지형 상태를 말한다 Hard failure가 발생한 경우에는 작업자가 쉽게 고장을 감지하여 바로 대응하는 것이 가능하다[45]

soft failure: 부분적인 기능 저하가 발생하는 것으로 완전 한 동작의 정지로 이르지는 않지만, 제품에 성능 저하나 순간 정지 같은 문제로 손실 이 발생하기도 한다[45]. 이 경우 작업자가 고장을 쉽게 감지할 수가 없어서 hard failure에 비해 고장 진단이 어렵다는 문제가 있다.

최근 많은 연구가 soft failure를 빨리 감지하여 hard failure에 이르기 전에 적절한 유지 보수를 수행하도록 진행되고 있다. < 그림 5

 

 

장비의 상태를 정확하게 측정하여 soft failure의 진행상황을 인식하고 고장을 예측 하는 것은 어렵기 때문에 장비 상태를 수치적으로 계산하여 고장 발생을 예측하는 방 법이 필요하다

 

 

Prognostics and Health Management (PHM) 고장 예지 및 건 전성 관리 기술(PHM)

고장 예지 및 건 전성 관리 기술(PHM)은 크게 설비의 이상 징후를 모니터링 하여 진단하는 진단기술 (diagnostics)과 잔여유효수명(Remaining Useful Lifetime, RUL)을 예측하여 설비를 효율적으로 관리하는 예지 기술(prognostics)로 나누어진다[31].

앞의 진단기술은 설 비의 성능이 이미 한계에 도달한 후에 적용된다는 점에서 정비를 계획하고 수행 하는 부분으로 사용하기에는 한계가 있다[32]. 이에 반해 예지 기술은 설비의 상태에 대한 평가를 기반으로 잔여유효수명을 예측하여 최적의 유지보수 정책을 수행하도록 한다 [33].

상태 기반 유지보수에서 예지 기술은 가장 핵심적인 기술 중의 하나이 - 14 - 다.

 

 

예지 기술은 크게 물리모델기반방법(PoF based degradation model)과 데이터기반 방법(Data-driven approach)인 두가지로 나눌 수 있다[33,34]. J.z. sikorska [36]

 

 

1 Prognostics based PoF (Physical of Failure) 물리모델기반 방법은 설비에 가해지는 다양한 고장메커니즘에 대한 지식을 활용하 여 제품의 상태를 수치적으로 평가하는 방법이다[28,34]. 고장메커니즘은 두개의 범 주로 나누어진다[19]. 첫번째 제품에 가해지는 응력이 제품이 가진 강도를 초과하여 고장이 나는 경우이다. 두번째는 제품의 피로에 의한 고장으로 마모, 부식, 균열 등 사용기간에 따라 제품에 누적되는 손상에 의한 고장

PoF 기반 모델은 다른 모델들보다 우수한 정확도를 가지고 있다[20,34]. 따라서, 발전소, 비행기 등 안전성이 최우선 되는 분야에서 꼭 필요한 방법이다. 그러나 모든 고장에 대하여 물리적 모델을 만드는 방법은 매우 어려워 사용하는데 있어서 제한적 이다[27]. 또한 제품의 수명 예측은 전체 시스템이 아닌 시스템의 구성품에 대한 개 별적 예측을 수행하고 있다. 따라서 전체 시스템의 건전성을 예측하기 위해 사용하는 것에 대한 한계가 있다.

 

Prognostics based data.

데이터기 반방법의 하나의 예는 설비에 가해지는 하중(Input)대비 손상(damage) 데이터를 수집, 두 데이터간의 관계를 학습하여 제품 운용 중 받는 하중에 대한 손상을 계산하여 잔 여유효수명을 예측하는 방법론이다.

고장을 예측 하는 성능이 단기간 예측에 높은 성능을 보이는 반 면 장기간 예측에서는 좋지못한 성능을 보인다는 단점이 존재한다.

 

노이즈를 제거하는 방법으로는 kalman Filter, Wavelet Transform, Smoothing spline, - 24 - simple moving average, local regression 등 여러 방법이 존재

 

simple moving average는 전체 데이터 중 일정 시점을 기준으로 연속된 일부 데이터 n개를 사 용하여 순차적으로 평균을 구하는 방법이다 (그림 10 참조). local regression은 전체 데이터 중 특정 x0값 근처의 관측자료를 사용하여 최소자승법을 적용해가는 방법으로 두 기법은 변동성이 존재하는 데이터를 평활화 하여 노이즈를 제거하는 방법

 

Local regression의 알고리즘은 네 단계로 구성되어있다[50]. 첫 번째 0~1사이의 값 을 가지는 파라미터 s값을 선택한다. s는 x1 ~ xn 개의 데이터 집합 중 x1에서 가까운 - 26 - 일부분의 데이터를 선택하기 위한 파라미터 값이다. 파라미터 s는 다음과 같이 정의 된다. s = k/n n은 전체 데이터 개수를 가리키며, k는 n개중 선택할 데이터의 개수 이다. k값이 높아 질수록 s값이 높아진다. s 값이 높을 수록 데이터를 많이 사용 하며 국부적인 평활화가 진행 되어 좀더 부드러운 평활화가 진행된다. 그에 반에 적은 s 값을 사용 할 수록 국소적으로 평활화가 진행되어 좀 더 구불한 평활화가 진행된다.

 

노이즈 제 거를 통해 데이터의 특징이 담겨 있는 의미 있는 데이터를 추출 하여 분석 결과에 정 확도를 높이도록 한다.

 

연속 값을 가지는 운용 환경 데이터(x1…… x5)를 Clustering 기법을 사용하여 유사한 환경 간 그룹화를 진행한다. 이는 연속 값을 가지는 데이터 간 유사한 특성을 가지는 환경을 그룹화하여 환경 그룹의 특징을 분석하고 그룹이 가지는 특징에 따라 필터에 어떠한 영향을 가하는지 정량적으로 파악하기 위함이다.

 

본 연구에서 하중 대비 손상 데이터의 관계를 학습시키기 위해 사용된 방법은 서포 트 벡터 회귀 모델(Support vector regression; SVR)과 딥뉴럴 네트워크(DNN) 그리고 선형 회귀 모델(Linear regression; LR)이다.

 

선형 회귀 모델은 종속변수를 독립변수 와 오차 항의 선형결합으로 나타내는 방법이다. 한개의 독립 변수의 변화를 통해 종 속 변수의 변화 량을 추정 할 경우는 단순 선형 회귀 분석 이며, 여러 개의 독립 변 수의 변화를 통해 종속 변수의 변화 량을 추정 할 경우 다중 선형 회귀 분석이라고 표현한다. 독립 변수에 따른 종속 변수의 변화를 파악 하기 위해 실제 값과 예측 값 의 차이인 잔차(residual)를 최소화 시키는 최소제곱법(leats square estimation)을 사용하여 y = ax + b와 같이 일차 함수로 표현한다. 서포트 벡터 머신은 같은 출력 값 을 가지는 데이터를 분류하기 다차원 공간 에서 데이터를 가장 잘 분류하는 최대마진 초평면(Maximum margin hyperplane)을 찾는 것이다. < 그림 14 >는 분류 직선을 찾아 분류하는 모델과 마진을 이용하여 분류하는 서포트 벡터 머신을 표현 하는 그림이다.

두 가지 클래스를 분류하는 문제에서 (a)의 직선을 찾아 분류하는 경우 여러가지 방법이 존재한다. 이는 하나의 클래스의 쪽으로 선이 치중되어 있다면 새로운 입력 데이터에 대한 분류 정확도가 낮아 질 수 있다. 따라서 (b)의 클래스 간의 거리가 가 장 큰 폭인 마진의 중간지점을 기준으로 분류할 경우 어느 한쪽으로 치중 되어있지 않은 분류 기준이 된다.

 

예지 모델을 통해 학습을 하기 위해서는 하중 (Input) x1 ~ x5 데이터는 데이터의 정 - 35 - 규화(Normalization) 과정이 필요하다

 

 

 

https://devocean.sk.com/blog/techBoardDetail.do?ID=164001