예지보전(Predictive Maintenance)-Version3(잔존 유효 수명-RUL, Remaining Useful Life)

+++++++++++++++++++++++++++++++++STEP 0 : RUL에 대한 개념 설명++++++++++++++++++++++++++++++++++

(본격적인 예지보전(Predictive Maintenance) AI 개발 Process를 설명하기 이전, 잔존 유효 수명(RUL)에 대한 개념부터 설

명을 하겠다) 

RUL(Remaining Useful Life) : 잔존 유효 수명

예지 보전의 최대 목표는 잔존 유효 수명인 RUL을 추정하는 것.

위 그래프에서 시간이 지남에 따라 기계 성능이 저하되는 것을 볼 수 있다.

파란색 점의 상태(Current condition)이 기계의 [현재 상태(정상 상태라고 가정)]라면 잔존 유효 수명은 이 시점부터 빨간색

점의 상태(Failure condition), 즉 [고장 상태]까지의 기간으로 계산됩니다.

(설비의 종류 및 시스템의 상태 등에 따라 이 기간은 일(Number of days), 마일(miles), 주기(Cycles) 등으로 나타낼 수 있다.) 

 

+++++++++++++++++++++++++++++++STEP 1 : 데이터 획득(Acquire Data)++++++++++++++++++++++++++++++++

STEP 1 : 데이터 획득(Acquire Data)

먼저, 센서 등을 통해 설비의 상태에 대한 데이터 셋을 획득해야 한다.

아래의 그림은 NASA에서 제공하는 우주선 엔진에 부착한 15개의 센서로부터 획득한 데이터 셋(PHM 08 Challenge Data

set)의 예시이다.  

우주선 엔진에 대한 데이터 셋(PHM 08 Challenge Data set)

 

++++++++++++++++++++++++++++++++STEP 2 : 데이터 전처리(Preprocess Data)+++++++++++++++++++++++++++

STEP 2 : 데이터 전처리(Preprocess Data)

그러나 획득한 데이터 셋을 보면 문제점이 있다. 

아래 그림에서 빨간색 박스 부분의 데이터는 정상 상태와 비정상 상태 간의 차이가 미미하기에 AI 학습 시 좋은 성능을 못 

낼 확률이 높다. 

그런 반면 녹색 박스 부분의 데이터는 정상 상태와 비정상 상태 간의 차이가 극명하기에 AI 학습 시 좋은 성능을 낼 확률이 

높다. 

이와 같이 STEP 1에서 최초로 획득한 데이터 셋으로부터 유용한 데이터를 구분하는 작업이 바로 데이터 전처리 과정이다

(데이터 전처리의 결과로 빨간색 박스의 데이터는 버리고, 녹색 박스의 데이터만을 데이터 분석의 대상으로 한다)   

 

 

++++++++++++++++++++++++++++++STEP 3 : 상태 지표 확정(Identify Condition Indicators)+++++++++++++++++

STEP 3 : 상태 지표 확정(Identify Condition Indicators)

상태 지표(Condition Indicators) : 전처리된 데이터를 다른 관점에서 볼 수 있으므로 정상 작동과 결함 작동을 구별할 수

있는 특징 or 기준(이 특징들이 곧 [설비 결함의 원인]에 해당된다)

우선 상태 지표(Condition Indicators)가 뭔지에 대한 개념을 살짝 소개를 하겠다.

STEP 2에서 전처리된 데이터 혹은 STEP1에서의 Raw Data를 보아도 사실 설비의 정상/비정상의 [특징 or 기준]을 어떻게 잡아야

할지 전~~~혀 감이 안 온다. 

이러한 [특징 or 기준]을 찾아 내는 단계가 바로 STEP 3의 상태 지표 확정(Identify Condition Indicators) 단계이다. 

아래 그림에도 나와 있듯이 상태 지표의 분석에는 일반적으로 3가지의 기법이 존재

 

1. 시간 도메인 특징(Time-domain features) 분석

-> 해당 특징의 종류에는 평균(Mean), 표준 편차(Standard deviation) 등이 존재

2. 주파수 도메인 특징(Frequency domain features) 분석

-> 해당 특징의 종류에는 Peak Values와 Peak Frequencies 등이 있다(이 2가지 특징에 자주 사용된다)

3. 시간-주파수 도메인 특징(Time-Frequency domain features) 분석

-> 해당 특징에는 Spectral Entropy 등이 있다. 

 

Q. 그럼 남대기 상무님 입장에서 이러한 의문이 드실 것이다. "위 3가지 특징 분석 중 어떠한 분석 기법을 사용해야 하는 거

지?"

A. 이 질문에 대한 마법같은 답은 없습니다. 

전처리된 데이터에 위 3가지 분석 기법 모두를 적용하여 계속된 시행 착오를 통해, 가장 최적의 분석 기법을 찾아내어,

STEP 3 단계의 최족 목표인 설비의 정상/비정상 상태의 [특징 or 기준]을 찾아 낸다.  

아래 그림에서는 Peak2와 Peak5라는 특징을 기준으로 하여 데이터를 분석하였더니, 

우주선 엔진의 정상 상태(Healthy)와 비정상 상태(5가지 유형의 결함)의 구별의 [특징 or 기준]이 Cluster 형태임을 알 수 있

는 예시이다.  

 

 

+++++++++++++++++++++++++++++STEP 4 : AI 모델 학습(Train Model)+++++++++++++++++++++++++++++++++++

STEP 4 : AI 모델 학습(Train Model)

RUL 예측 모델(AI 모델)의 종류

RUL을 추정하는 모델은 일반적으로 아래의 3가지 방법이 있고, 소유하고 있는 데이터의 종류에 따라 선택할 수 있는 AI 모

델이 결정 된다. 

1. 유사성 모델(Similarity Model)

-> [정상 상태와 비정상 상태] 간의 성능 저하 정보가 모두 수집된 데이터를 소유하고 있는 경우 채택

2. 생존 모델(Survival Model)

-> 비정상 상태의 데이터만 소유하고 있는 경우 채택

3.  성능 저하 모델(Degradation Model)

-> 정상 상태의 데이터만 소유하고 있고,  초과해서는 안 되는 안전 임계값(Safety Threshold)을 소유하고 있는 경우 채택

예지 보전 AI 알고리즘 시각화

+++++++++++++++++++++++++++++++++++++++추가+++++++++++++++++++++++++++++++++++++++++++++++++

여태껏 설명한 예지 보전 시스템은 [품질 예측] 시스템으로 확장/이용이 가능하다. 

예지 보전 AI 알고리즘이 예측한 [설비의 고장 시기]에 가까워 질수록 불량품을 생산할 가능성이 높기 때문이다.