KR20210031179A - 빅 데이터를 활용한 기관 장비 고장 예측 시스템 - Google Patents

Abstract

본 발명은 빅 데이터를 활용한 기관 장비 고장 예측 시스템에 관한 것으로서, 선박 기관에 설치된 센서 모듈로부터 센서 데이터를 수집하고 수집된 데이터를 고장 예측에 유용한 형태로 변환 및 정규화하는 전처리 작업을 수행하는 데이터 수집 및 전처리부, 상기 데이터 수집 및 전처리부를 통해 수집 및 전처리된 데이터 중에서 상관관계 분석을 통해 엔진 데이터에 영향을 주는 중요 요인들을 추출하는 상관관계 분석부, 추출된 상기 중요 요인들을 가지고 인코더-디코더 방식을 통해 이전에 알려지지 않은 고장 패턴을 추출하여 엔진의 고장 진단 모델을 생성하는 고장 진단 모델 생성부 및 상기 인코더-디코더 방식에서의 재구축 오차와 미리 설정한 임계치를 비교하여 고장 및 이상치를 판별하는 고장 진단부를 포함하여 이루어짐으로써, 범용적이고 데이터 적응적인 분석을 가능하게 하고 이상치가 없거나 드물어도 자체적인 학습을 통해 이상 감지를 수행할 수 있다.

Description

빅 데이터를 활용한 기관 장비 고장 예측 시스템{SYSTEM FOR PREDICTING ENGINE FAILURE USING BIG DATA}

본 발명은 기관 장비 고장 예측 시스템에 관한 것으로, 더욱 상세하게는 엔진 데이터에 가장 영향력이 큰 요인들을 선별하고 선별된 데이터들을 가지고 오토인코더(AutoEncoder)를 기반으로 하는 비지도 학습을 통해 이상을 감지함으로써 범용적이고 데이터 적응적인 분석을 가능하게 하고 이상치가 없거나 드물어도 자체적인 학습을 통해 이상 감지를 수행할 수 있는 빅 데이터를 활용한 기관 장비 고장 예측 시스템에 관한 것이다.

잇따른 선박 사고로 선박 안전 관리에 대한 관심이 높아지면서 최근 사고 예방 대책을 촉구하는 목소리가 커지고 있다. 선박 사고는 어선, 여객선, 화물선 등 종류를 불문하고 발생하며 뜻하지 않게 발생하는 경우가 대다수이다. 실제 선박 운항사고 중 가장 큰 비중을 차지하는 원인은 선박의 메인 기능을 담당하고 있는 '엔진 고장'이다. 이에 따라 엔진을 진단하여 고장 시점을 미리 예측하여 알려주는 연구가 국내외적으로 활발히 진행되고 있다.

이러한 선박 고장 예측은 엔진 및 각 기관부에 설치된 센서에서 수집한 각종 정보를 빅 데이터 기술로 구조화된 형태로 저장하고 분석하여 기계 학습을 통해 이상 징후를 감지하여 고장 시점을 미리 예측해주는 것을 말한다. 그에 따라 기기 고장으로 이어지기 전 신속한 대처를 진행함으로써 운항 지연으로 이어질 수 있는 상황을 미연에 방지하고 사람들의 생명과 직결되는 심각한 피해를 줄일 수 있는 장점을 지닌다.

4차 산업 기술의 핵심 요소인 빅 데이터와 인공지능 기술을 선박 고장 예측에 접목시킴으로써 효율성을 높이는데 최근 많은 이목이 집중되고 있다. 그 중에서도 본 발명은 운항 사고 중 발생하는 '엔진 고장'이 선박 고장에 가장 큰 비중을 차지한다는 점에서 착안하여 '엔진 데이터'를 중점적으로 분석한다. 하지만 선박 엔진 장비에서는 온도, 속도, 압력 등 다양한 범주의 많은 데이터가 빈번하게 발생하기에, 이 모든 데이터를 가지고 고장을 예측하기에는 다소 어려움이 있다.

대한민국 등록특허공보 제10-1505975호(공고일자 2015.03.26.) 대한민국 공개특허공보 제10-2016-0115063호(공개일자 2016.10.06.)

따라서, 본 발명은 상기한 종래 기술의 문제점을 해결하기 위해 이루어진 것으로서, 본 발명의 목적은 엔진 데이터에 가장 영향력이 큰 요인들을 선별하고 선별된 데이터들을 가지고 오토인코더(AutoEncoder)를 기반으로 하는 비지도 학습을 통해 이상을 감지함으로써 범용적이고 데이터 적응적인 분석을 가능하게 하고 이상치가 없거나 드물어도 자체적인 학습을 통해 이상 감지를 수행할 수 있는 빅 데이터를 활용한 기관 장비 고장 예측 시스템을 제공하는데 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 빅 데이터를 활용한 기관 장비 고장 예측 시스템은, 선박 기관에 설치된 센서 모듈로부터 센서 데이터를 수집하고 수집된 데이터를 고장 예측에 유용한 형태로 변환 및 정규화하는 전처리 작업을 수행하는 데이터 수집 및 전처리부, 상기 데이터 수집 및 전처리부를 통해 수집 및 전처리된 데이터 중에서 상관관계 분석을 통해 엔진 데이터에 영향을 주는 중요 요인들을 추출하는 상관관계 분석부, 추출된 상기 중요 요인들을 가지고 인코더-디코더 방식을 통해 이전에 알려지지 않은 고장 패턴을 추출하여 엔진의 고장 진단 모델을 생성하는 고장 진단 모델 생성부 및 상기 인코더-디코더 방식에서의 재구축 오차와 미리 설정한 임계치를 비교하여 고장 및 이상치를 판별하는 고장 진단부를 포함한다.

상술한 바와 같이, 본 발명에 의한 빅 데이터를 활용한 기관 장비 고장 예측 시스템은 다음과 같은 효과를 제공한다.

엔진 데이터에 가장 영향력이 큰 요인들을 선별하고 선별된 데이터들을 가지고 오토인코더(AutoEncoder)를 기반으로 하는 비지도 학습을 통해 이상을 감지함으로써 범용적이고 데이터 적응적인 분석을 가능하게 하고 이상치가 없거나 드물어도 자체적인 학습을 통해 이상 감지를 수행할 수 있다.

도 1은 본 발명의 바람직한 실시 예에 따른 빅 데이터를 활용한 기관 장비 고장 예측 시스템의 전체 구성을 개략적으로 나타내는 블록도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.

도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한, 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.

또한, 어떤 구성요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.

또한, 어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 한다.

이하 본 발명의 빅 데이터를 활용한 기관 장비 고장 예측 시스템에 대하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 바람직한 실시 예에 따른 빅 데이터를 활용한 기관 장비 고장 예측 시스템의 전체 구성을 개략적으로 나타내는 블록도이다.

도 1에 도시된 바와 같이, 본 발명의 바람직한 실시 예에 따른 빅 데이터를 활용한 기관 장비 고장 예측 시스템은 선박 기관에 설치된 센서 모듈로부터 센서 데이터를 수집하고 수집된 데이터를 고장 예측에 유용한 형태로 변환 및 정규화하는 전처리 작업을 수행하는 데이터 수집 및 전처리부(110), 수집 및 전처리된 데이터 중에서 상관관계 분석을 통해 센서 모듈에 포함된 엔진 데이터에 영향을 주는 중요 요인들을 추출하는 상관관계 분석부(120), 추출된 중요 요인들을 가지고 인코더-디코더 방식을 통해 이전에 알려지지 않은 고장 패턴을 추출하여 엔진의 고장 진단 모델을 생성하는 고장 진단 모델 생성부(130) 및 인코더-디코더 방식에서의 재구축 오차와 미리 설정한 임계치를 비교하여 고장 및 이상치를 판별하는 고장 진단부(140)를 포함하여 이루어진다.

데이터 수집 및 전처리부(110)는 선박 기관 고장 예측을 수행하기 위해 선박 기관에 설치된 센서 모듈로부터 센서 데이터를 수집하고, 선박 기관의 센서 데이터로는 온도, 속도, 압력 등 다양한 범주의 데이터가 발생하므로 수집된 데이터를 고장 예측에 유용한 형태로 변환 및 정규화하는 전처리 작업을 수행한다.

상관관계 분석부(120)는 데이터 수집 및 전처리부(110)에서 센서 모듈에 포함된 다수의 센서로부터 수집 및 전처리된 다양한 범주의 데이터 중에서 상관관계 분석을 통해 엔진 데이터에 영향을 주는 중요 요인들을 추출한다. 구체적으로, 상관관계 분석부(120)는 센서 모듈에 포함된 다수의 센서로부터 수집된 다양한 범주의 데이터 중에서 엔진 데이터에 영향을 미치는 변수들의 상관관계 값을 구하고 구해진 상관관계 값이 일정 값 이상인 변수들을 중요 요인들로 선별한다. 이러한 데이터 추출 방식은 데이터를 기반으로 수행하기 때문에 데이터의 유형 및 종류에 무관하게 동작하고 이러한 특징으로 인해 여러 다른 도메인에 적응시킬 수 있는 범용성을 가진다. 이러한 범용성은 오늘날과 같은 데이터 홍수 시대에 적합한 '데이터 적응형' 분석을 할 수 있게 해준다.

고장 진단 모델 생성부(130)는 상관관계 분석부(120)를 통해 추출된 중요 요인들을 가지고 고차원의 학습이 가능한 딥러닝 알고리즘 중 비지도 학습인 인코더-디코더 방식을 통해 이전에 알려지지 않은 고장 패턴을 추출하여 엔진의 고장 진단 모델을 생성한다.

'딥러닝(Deep Learning)'이란 컴퓨터가 마치 사람처럼 생각하고 배울 수 있도록 하는 기술로서 사물이나 데이터를 군집화하거나 분류하는 데 사용하는 기술이다. 그리고 최근 딥러닝 연구는 지도 학습에서 비지도 학습으로 급격히 무게 중심이 옮겨지고 있다. 본 발명은 이러한 비지도 학습의 가장 대표적인 방법인 오토인코더(AutoEncoder)를 이용하여 엔진의 고장 진단 모델을 생성한다.

오토 인코더는 입력을 내부 표현으로 변환하는 인코더(encoder)와 내부 표현을 출력으로 변환하는 디코더(decoder) 그리고 가운데 부분의 히든 레이어 총 세 부분으로 구성된다. 본 발명의 고장 진단 모델 생성부(130)는 상관관계 분석부(120)를 통해 선별한 중요 요인들을 인코더를 통해 입력받고 히든 레이어를 통해 출력 데이터로 다시 재구성하고 입력된 데이터와 디코더의 출력인 재구성된 데이터의 차이를 줄이는 과정을 통해 학습을 수행한다. 이렇게 학습을 반복하면 인코더는 입력 데이터의 중요한 요인들을 압축하는 방법을 학습하게 되고, 디코더는 인코더의 출력인 압축된 데이터에서 다시 원본으로 복원시키는 방법을 학습하게 된다. 이 과정을 통해서 고장 진단 모델 생성부(130)는 입력된 데이터의 중요한 요인을 자체적으로 학습하며, 임의의 데이터를 입력했을 때 그 데이터와 재구성된 데이터 간의 차이 값이 작으면 기존의 학습된 데이터에서 중요한 요인이 입력된 데이터와 유사하게 구성되어 있다고 판별할 수 있다. 그러나 임의의 데이터에서 기존의 학습된 데이터에서의 중요한 요인이 차이가 발생한다면 해당 입력 데이터와 재구성된 데이터의 차이값이 커진다.

고장 진단부(140)는 고장 진단 모델 생성부(130)에서의 재구축 오차와 미리 설정한 임계치를 비교하여 고장 및 이상치를 판별한다.

오토 인코더는 입력 데이터를 인코더와 디코더를 거쳐 입력과 같게 출력 데이터를 작성한다. 그 작업을 재구축(reconstruction)이라 하고, 이렇게 입력된 데이터를 재구성하고 입력 데이터와 재구성된 데이터 간의 차이를 재구축 오차(reconstruction error)라고 하는데, 본 발명의 고장 진단부(140)는 이 값이 주어진 임계치를 넘어가면 이상치로 판단하여 고장으로 진단한다. 임계치는 데이터의 유형과 오토인코더의 구성요소(히든 레이어의 깊이, 요인 수 등)에 따라서 다르게 적용된다.

이상 감지와 같은 분야에서 대부분 상당히 많은 양의 정상 데이터와 극히 작은 양의 이상치 혹은 이상치가 없는 경우가 많기 때문에, 본 발명에서와 같이 오토인코더(AutoEncoder)를 기반으로 하는 비지도 학습을 통한 이상 감지 방법은 이상치가 없거나 드물어도 자체적인 학습을 통해 이상 감지를 수행할 수 있다는 장점이 있다.

이상에서 구체적인 실시예를 들어 본 발명을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다.

110 : 데이터 수집 및 전처리부
120 : 상관관계 분석부
130 : 고장 진단 모델 생성부
140 : 고장 진단부

Claims (5)

1. 선박 기관에 설치된 센서 모듈로부터 센서 데이터를 수집하고 수집된 데이터를 고장 예측에 유용한 형태로 변환 및 정규화하는 전처리 작업을 수행하는 데이터 수집 및 전처리부,
   상기 데이터 수집 및 전처리부를 통해 수집 및 전처리된 데이터 중에서 상관관계 분석을 통해 엔진 데이터에 영향을 주는 중요 요인들을 추출하는 상관관계 분석부,
   추출된 상기 중요 요인들을 가지고 인코더-디코더 방식을 통해 이전에 알려지지 않은 고장 패턴을 추출하여 엔진의 고장 진단 모델을 생성하는 고장 진단 모델 생성부 및
   상기 인코더-디코더 방식에서의 재구축 오차와 미리 설정한 임계치를 비교하여 고장 및 이상치를 판별하는 고장 진단부를 포함하여 이루어지는 기관 장비 고장 예측 시스템.
2. 청구항 1에 있어서,
   상기 상관관계 분석부는 상기 센서 모듈로부터 수집된 다양한 범주의 데이터 중에서 상기 선박 기관의 엔진 데이터에 영향을 미치는 변수들의 상관관계 값을 구하고 구해진 상관관계 값이 일정 값 이상인 변수들을 중요 요인들로 선별하는 기관 장비 고장 예측 시스템.
3. 청구항 2에 있어서,
   상기 고장 진단 모델 생성부는 선별한 상기 중요 요인들을 인코더를 통해 입력받고 히든 레이어를 통해 출력 데이터로 다시 재구성하고 입력된 데이터와 상기 디코더의 출력인 재구성된 데이터의 차이를 줄이는 과정을 통해 학습을 수행하는 기관 장비 고장 예측 시스템.
4. 청구항 3에 있어서,
   상기 고장 진단 모델 생성부는 상기 학습의 반복을 통해 임의의 데이터를 입력했을 때 그 데이터와 재구성된 데이터 간의 차이 값이 작으면 기존의 학습된 데이터에서 중요한 요인이 입력된 데이터와 유사하게 구성되어 있다고 판별하는 기관 장비 고장 예측 시스템.
5. 청구항 4에 있어서,
   상기 재구축은 입력 데이터를 상기 인코더와 상기 디코더를 거쳐 입력과 같게 출력 데이터를 작성하는 작업이고, 상기 재구축 오차는 입력된 데이터를 재구축하고 입력 데이터와 재구축된 데이터 간의 차이이며, 상기 고장 진단부는 상기 재구축 오차가 임계치는 넘어가면 이상치로 판단하여 고장으로 진단하는 기관 장비 고장 예측 시스템.

Images