KR20150084613A - 데이터 마이닝을 이용한 타워크레인 고장예측방법 - Google Patents

Abstract

타워크레인의 어떤 고장에 관련되는 타워크레인에 관한 최소한 두 개 이상의 상태 데이터를 정의하는 단계, 상기 고장에 관한 상기 상태 데이터를 수집하는 단계, 타워크레인에 관한 상기 수집된 상태 데이터를 그에 관한 임계값 이상에 해당하는 값을 1의 값으로 변환하는 방식으로 변환하고 다른 값들은 임계값에 대하여 비례적으로 변환하여 0과 1의 값의 범위를 가지도록 하는 정규화 단계, 시그모이드 함수를 전달함수로 사용하며 사전에 학습과정에 의하여 연결강도(connection weight)를 조정하여 설정한 인공신경망에 상기 정규화 데이터를 입력값으로 입력하여 출력값으로 상기 고장의 확률을 산출하는 단계, 및 상기 고장에 대하여 산출한 확률을 독립변수로 하고 상기 고장에 대한 확률이 1이 되는 시기를 종속변수로 하여 회귀분석을 수행하여 상기 고장에 대한 시기를 예측하는 단계를 포함하는 데이터 마이닝을 이용한 타워크레인 고장예측방법이 개시된다. 본 발명의 데이터 마이닝을 이용한 타워크레인 고장예측방법에 의하면, 타워크레인의 고장이 발생할 시기가 정확하게 예측되므로 타워크레인이 가동중에 고장을 일으키는 일이 없게 되어 항만의 작업능률이 떨어지지 않게 된다.

Description

데이터 마이닝을 이용한 타워크레인 고장예측방법{Method For Predicting Disorder Of Tower Crane By Using Data Mining}

본 발명은 데이터 마이닝을 이용한 타워크레인 고장예측방법에 관한 것으로서, 더욱 상세하게는, 타워크레인의 고장에 관련되는 타워크레인에 관한 상태 데이터를 복합적으로 분석함으로써 타워크레인의 고장을 정확하게 예측하여 타워크레인을 효율적으로 관리할 수 있게 하는 데이터 마이닝을 이용한 타워크레인 고장예측방법에 관한 것이다.

타워크레인은 항구에서 컨테이너를 선적 및 하역하는데 사용되는 수송기기이다. 이러한 타워크레인은 여러가지 이유로 여러 종류의 고장을 일으키는데, 타워크레인이 고장나게 되면 컨테이너의 선적 및 하역 작업에 차질이 생겨 항만의 작업능률을 떨어뜨리게 된다.

따라서, 타워크레인에 대한 고장은 사전에 진단되어 고장이 발생하기 전에 조치가 취해져야 한다. 그러나, 타워크레인의 고장을 진단하는 것은 어렵지 않다고 할 수 있으나 타워크레인이 언제 고장을 일으킬지 여부에 대한 예측은 타워크레인의 진단만으로는 쉽게 달성할 수 없다.

이에, 지금까지는 타워크레인을 진단하고 고장가능성이 높은 경우에는 예방적 차원에서 부품을 교환하거나 정비를 하였다. 이러한 예방적 정비는 고장의 가능성을 사전에 차단한다는 점에서는 긍정적이라고 할 수 있으나, 충분히 사용가능한 부품들을 수명이 다하기도 전에 용도 폐기를 한다는 점에서 자원의 낭비를 발생시키고 또한 정비사의 정비능력 부족으로 인하여 또는 주의력 부족으로 인하여 만족적인 예방적 정비가 이루어지지 않은 경우에는 가동중 고장을 일으킬 우려가 있다는 문제점이 있었다.

본 발명은 상기한 종래기술의 문제점을 해결하기 위하여 안출되었다. 따라서 본 발명의 목적은 타워크레인의 상태 데이터를 수집하고 인공신경망 및 회귀분석 기법에 의하여 수집한 데이터를 복합적으로 분석하여 각 고장이 발생할 시기를 정확하게 예측함으로써 타워크레인이 가동중에 고장을 일으키는 일이 없도록 하여 항만의 작업능률을 최대로 유지하게 하는 데이터 마이닝을 이용한 타워크레인 고장예측방법을 제공하는 것이다.

상기한 목적을 달성하기 위한 본 발명에 따른 데이터 마이닝을 이용한 타워크레인 고장예측방법은 타워크레인의 어떤 고장에 관련되는 타워크레인에 관한 최소한 두 개 이상의 상태 데이터를 정의하는 단계, 상기 고장에 관한 상기 상태 데이터를 수집하는 단계, 타워크레인에 관한 상기 수집된 상태 데이터를 그에 관한 임계값 이상에 해당하는 값을 1의 값으로 변환하는 방식으로 변환하고 다른 값들은 임계값에 대하여 비례적으로 변환하여 0과 1의 값의 범위를 가지도록 하는 정규화 단계, 시그모이드 함수를 전달함수로 사용하며 사전에 학습과정에 의하여 연결강도(connection weight)를 조정하여 설정한 인공신경망에 상기 정규화 데이터를 입력값으로 입력하여 출력값으로 상기 고장의 확률을 산출하는 단계, 및 상기 고장에 대하여 산출한 확률을 독립변수로 하고 상기 고장에 대한 확률이 1이 되는 시기를 종속변수로 하여 회귀분석을 수행하여 상기 고장에 대한 시기를 예측하는 단계를 포함한다.

본 발명의 데이터 마이닝을 이용한 타워크레인 고장예측방법에 의하면, 타워크레인의 고장이 발생할 시기가 정확하게 예측되므로 타워크레인이 가동중에 고장을 일으키는 일이 없게 되어 항만의 작업능률이 떨어지지 않게 된다.

도 1은 본 발명에 따른 데이터 마이닝을 이용한 타워크레인의 고장예측방법의 흐름도를 나타낸 도면이다.
도 2는 타워크레인의 각종 고장과 관련된 상태 데이터를 예시한 표를 도시한다.
도 3은 본 발명에 따른 데이터 마이닝을 이용한 타워크레인의 고장예측방법을 구현하는 서버 컴퓨터와 타워크레인의 연결관계를 설명하는 모식도이다.
도 4는 본 발명의 고장예측방법에 적용되는 인공신경망의 한 예를 도시한 모식도이다.

이하 도면을 참조하여 본 발명을 상세하게 설명한다.

본 발명의 타워크레인 고장예측방법은 데이터 마이닝의 예측기법을 이용하여 정상상태의 타워크레인 상태 데이터로부터 고장이 발생할 수 있는 현상을 미리 예측함으로써 미리 조치를 취할 수 있게 하여 항만 작업능률을 최대화하는 것이다.

도 1에 도시한 바와 같이, 본 발명의 데이터 마이닝을 이용한 타워크레인의 고장예측방법은 타워크레인의 어떤 고장에 관련되는 타워크레인에 관한 최소한 두 개 이상의 상태 데이터를 정의하는 것으로부터 출발한다(단계 S100). 타워크레인의 고장 및 고장에 관련되는 상태 데이터는 도 2에서 표로 예시되어 있다.

도 2를 참조하면, 타워크레인의 주전동기 이상과 관련되는 타워크레인 상태 데이터는 모터전압 하나뿐이다. 따라서, 이러한 고장에 대한 예측은 상대적으로 쉽다. 그러나 주행 중 시동 꺼짐의 고장에 관련되는 타워크레인 상태 데이터는 모터전압과 에어컨 압력센서 및 산소센서의 값이다. 즉, 주행 중 시동 꺼짐 고장은 3개의 데이터에 의한 복합적 작용에 의하여 일어나는 것이라 할 수 있다. 따라서, 이러한 고장을 예측하는 것은 상대적으로 쉽지 않게 된다. 경우에 따라서는 숙련된 정비사라도 그러한 고장을 예측하는 것이 쉽지 않기 때문에 매우 마진이 큰 예방적 정비를 하게 되는 경향이 있다. 본 발명은 다수 데이터의 복합적인 상관관계를 분석하여 고장을 예측하는 것이므로 어떤 고장에 대하여 복수개의 관련 데이터를 정의하게 된다. 도 2의 표에는 엔진 출력 저하, 엔진 부조 현상 등과 같은 고장 유형이 예시되어 있고, 또한 그러한 고장에 관련된 타워크레인의 상태 데이터가 예시적으로 정의되어 있다.

본 발명의 방법은 다음으로 해당 고장에 관한 상태 데이터를 수집하는 단계(단계 S200)를 포함한다. 타워크레인의 상태 데이터는 도 3에 도시된 바와 같이, 여러 대의 타워크레인과 무선통신으로 연결된 서버에 의하여 수집된다. 물론 서버는 위에서 설명한 고장에 관련된 상태 데이터를 정의하는 것이다. 서버는 무선통신으로 연결된 다수의 타워크레인으로부터 여러 상태 데이터를 전송받아 메모리에 데이터베이스 형식으로 저장하고 필요할 때 사용한다. 이러한 상태 데이터는 통상적으로는 실시간으로 미리 정해진 시간 간격으로 저장되는데, 데이터베이스에는 수신한 시간에 따른 상태 데이터의 값이 저장된다.

본 발명의 방법에서 서버는 다음으로, 수신된 상태 데이터를 정규화한다(단계 S300). 상태 데이터의 정규화라 함은 상태 데이터의 값의 단위 및 크기에 관계없이 상태 데이터의 값을 0과 1의 범위로 조정하는 것을 의미한다. 상태 데이터가 임계값 이상에 해당할 때 정규화 값은 1로 조정된다. 상태 데이터 값이 임계값보다 작은 경우에는 비례적으로 변환하여 0과 1 사이의 값이 되도록 한다. 즉, 상태 데이터 값이 임계값보다 작은 경우에는 상태 데이터 값을 임계값으로 나눔으로써 정규화 값을 0과 1 사이의 값이 되게 할 수 있다. 임계값은 제약조건에 종속된다. 타워크레인의 데이터에 대한 임계값에 영향을 주는 제약조건은 타워크레인 모델에 맞게 설정된다. 예를 들어, 냉각장치 센서의 데이터는 엔진회전이 감지되는 것을 제약조건으로 설정할 수 있다.

이러한 정규화 과정에 의하면, 서로 다른 단위와 범위의 값을 가지는 상태 데이터를 서로 비교가능한 하나의 수치로 통합함으로써 다수개의 상태 데이터에 의한 복합적 작용에 의한 결과를 진단 및 예측할 수 있게 된다. 예를 들어, 모터전압과 에어컨 압력센서의 값 그리고 산소센서의 값은 그 단위가 각각 다를 뿐만 아니라 서로 다른 범위의 값을 가지기 때문에 그 값을 그대로 서로 비교할 수 없다. 그러나, 임계값에 대한 상대적 값인 정규화 값을 사용하게 되면 임계값으로부터 떨어진 정도를 상대적으로 비교할 수 있게 되므로 다른 단위와 범위를 가지는 데이터라도 서로 비교가능하게 된다. 또한 동일한 데이터, 예를 들어 모터전압이라도 타워크레인의 기종에 따라 모터전압을 설정범위가 서로 다를 수 있다. 그러한 경우에는 동일한 모터전압의 값, 예를 들어 15.0V의 값이 서로 다른 의미를 가질 수 있다. 이때 타워크레인의 기종에 따라 모터전압에 대한 임계값을 적절하게 설정하면, 예를 들어 한 기종의 타워크레인에 대해서는 20.0V를 임계값으로 설정하고, 다른 기종의 타워크레인에 대해서는 21.0V를 임계값으로 설정할 수 있다. 그러면, 동일한 모터전압 15.0V는 임계값이 20.0V인 경우에는 0.75로 정규화되는 반면에 임계값이 21.0V인 경우에는 0.71로 정규화된다. 따라서, 상태 데이터의 정규화는 타워크레인의 기종에 따라 상태 데이터의 편차가 발생하는 현상을 적절하게 처리할 수 있게 해준다.

다음으로 본 발명의 방법에서 서버는 인공신경망에 의한 고장 확률을 산출한다(단계 S400). 도 4에는 어떤 고장에 관한 정규화된 상태 데이터를 입력값으로 입력하여 출력값으로 해당 고장의 확률을 산출하는 인공신경망의 한 예가 도시되어 있다.

도 4에 도시된 바와 같이, 본 발명의 방법에서 사용하는 인공신경망은 입력층(210), 은닉층(220) 및 출력층(230)을 포함한다. 은닉층(220)의 한 노드의 출력값은 해당 노드로 입력되는 입력값과 그 입력값에 대한 연결강도(connection weight)(211)를 곱한 결과를 전달함수의 입력으로 한 결과이다. 마찬가지로 출력층(230)의 출력값(231)은 출력층(230)에 입력되는 은닉층(220)의 출력값과 그 값에 대한 연결강도(221)를 곱한 결과를 전달함수의 입력으로 한 결과이다. 전달함수는 통상적으로 시그모이드 함수를 채용한다.

도 4의 인공신경망은 본 발명의 방법에 적용하기에 앞서, 사전에 학습과정을 거쳐서 퍼셉트론 구조의 인공신경망 노드에 대한 연결강도(211 및 221)를 최적으로 조정한다. 연결강도의 조정방법, 즉 학습방법은 오류역전파방법에 의하여 이루어지는데, 일반적으로 잘 알려져 있다. 예를 들어, 입력값에 대한 출력값이 이미 알려진 데이터 세트에서의 입력값을 임의의 연결강도로 설정된 인공신경망에 입력하여 출력값을 얻는다. 그런 후 그러한 출력값과 실제 출력값 간의 차이, 즉 오차가 감소하는 방향이 되도록 연결강도를 조정하여 간다. 오차가 점차 작아져 허용범위 이내로 들어가게 되면 그 때의 연결강도로 인공신경망을 설정한다.

도 4는 출력값이 하나인 인공신경망을 예시하였으나, 출력이 다수개인 다중출력 인공신경망을 본 발명에 적용하는 것도 가능하다.

출력층(230)의 출력값(231)은 고장에 대한 확률이다. 그 출력값이 1 이상이면 현재 해당 고장이 발생한 것으로 판단되지만, 1보다 작은 값이면 현재 상태는 고장 상태가 아니지만 앞으로 고장이 발생할 가능성의 정도를 보여주는 것이다. 즉, 인공신경망의 패턴인식기능을 통해 정상인 타워크레인의 상태 데이터로부터 고장 위험성을 산출할 수 있게 된다. 고장에 대한 확률이 높을수록 앞으로 고장이 발생할 가능성이 크다는 것은 알 수 있지만, 정확하게 언제 고장이 발생할 것인지에 대해서는 인공신경망은 답을 제시하지 못한다.

따라서, 본 발명의 방법은 고장의 시기를 예측하기 위하여 회귀분석을 실시한다(단계 S500). 회귀분석은 고장에 대하여 산출한 확률, 즉 인공신경망의 출력값을 독립변수로 하고 고장에 대한 확률이 1이 되는 시기를 종속변수로 하여 수행되고, 그리하여 회귀분석의 결과는 고장에 대한 시기를 산출하게 된다. 회귀분석에 필요한 데이터는 선택된 고장에 대한 과거 데이터로부터 현재까지의 데이터이다. 회귀분석에는 Floater-Hormann 함수가 사용될 수 있다. 회귀분석으로는 단순 회귀분석 및 다중 회귀분석 모두를 적용할 수 있다. 회귀분석에 의하여 산출되는 고장 시기는 확률적으로 산출되는 것이다. 따라서, 충분히 큰 확률범위에 포함되는 고장시기의 시작 시점에 정비를 수행하거나 부품을 교체함으로써 발생할 고장을 사전에 차단할 수 있게 된다.

100: 고장예측 서버 110: 타워크레인
200: 인공신경망 210: 입력층
211: 입력층 연결강도 220: 은닉층
221: 은닉층 연결강도 230: 출력층

Claims (1)

1. 타워크레인의 어떤 고장에 관련되는 타워크레인에 관한 최소한 두 개 이상의 상태 데이터를 정의하는 단계, 상기 고장에 관한 상기 상태 데이터를 수집하는 단계, 타워크레인에 관한 상기 수집된 상태 데이터를 그에 관한 임계값 이상에 해당하는 값을 1의 값으로 변환하는 방식으로 변환하고 다른 값들은 임계값에 대하여 비례적으로 변환하여 0과 1의 값의 범위를 가지도록 하는 정규화 단계, 시그모이드 함수를 전달함수로 사용하며 사전에 학습과정에 의하여 연결강도(connection weight)를 조정하여 설정한 인공신경망에 상기 정규화 데이터를 입력값으로 입력하여 출력값으로 상기 고장의 확률을 산출하는 단계, 및 상기 고장에 대하여 산출한 확률을 독립변수로 하고 상기 고장에 대한 확률이 1이 되는 시기를 종속변수로 하여 회귀분석을 수행하여 상기 고장에 대한 시기를 예측하는 단계를 포함하는 데이터 마이닝을 이용한 타워크레인 고장예측방법.

Images