선박 연료 공급 기기류의 장시간 운전 시계열에 Conv1D를 적용한 고장 진단의 예측 정확성 향상 방안

초록

본 연구는 선박 엔진과 같이 장기간 누적된 시계열 데이터로부터 고장을 진단하기 위한 방안을 다루고 있다. 엔진 연료 공급 기기류의 일부인 펌프와 청정기를 선정하고, 이들의 이상 감지, 고장 분류 및 고장 예측에 대한 알고리즘을 작성하였다. 먼저 각 장비의 고장나무분석(FTA)을 수행하여 고장 모드 및 계측 데이터를 선정하였으며, 정상 및 고장 모드 별로 진동, 유량, 압력과 온도의 시계열을 기계 학습 및 심층 학습의 학습 데이터로 적용하였다. 통계적 특징(Feature)는 시간 정보를 반영하기 어려운 정적(static) 한계를 가지고 있으므로, 기계 학습 분류법을 적용할 경우에는 성능(정확도)이 70% 미만에 그친 결과를 얻었다. 따라서 선행 시계열이 후행 시계열에 영향을 미치는 장시간 누적 데이터의 특징을 반영하기 위하여 심층학습인 CNN (Convolutional Neural Network)를 적용하였다. 1초 간격으로 모든 시계열 데이터를 분할하였으며, 분할된 구간(segment)에 CNN 기법의 특징인 Mask Filter와 Convolution을 적용하여 시계열 속성이 반영된 특징 벡터를 구성하였다. 특히 1차원 벡터로 구성된 시간의 특징을 반영하기 위해 1차원 특징 벡터를 반영할 수 있는 CNN 기법 중 Conv1D 알고리즘을 사용하여 이상 감지 및 고장 분류 절차를 제시하였다. 이를 통해 대상 장비의 이상 감지, 고장 진단에 있어서 기계 학습과 Conv1D의 정확성을 비교하였으며, 시계열 속성이 반영된 알고리즘이 상대적으로 우수한 예측 성능을 보일 수 있음을 확인하였다.