시스템 운영 유지보수의 개선을 위한 기계 시스템의 딥러닝 기반 예비품 소요량 산출 연구
The Prediction of Spare Parts Amounts based on Deep learning in Mechanical Systems for Improve Systems Operations Maintenance
- 주제(키워드) Operation & Maintenance , System Lifecycle , Mean Time To Failure , Reliability Analysis , Failure Rate , Prediction of Spare parts Amounts
- 주제(DDC) 620
- 발행기관 아주대학교 일반대학원
- 지도교수 이주연
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 일반대학원 시스템공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000033426
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근의 현대 사회에는 시스템의 복잡성과 규모가 증가하면서 시스템 설계 및 운영과 관련된 다양한 문제점들이 동반되고 있다. 이러한 문제를 체계적으로 관 리하고 해결하기 위해 시스템 공학의 원칙이 활용되어, 시스템의 개발 및 운영에 중요한 역할을 수행하고 있다. 시스템 공학은 시스템의 수명주기를 전반적으로 고려하며, 특히 운영 단계에서 발생하는 비용이 전체 수명주기 비용의 대부분을 차지함에 따라, 운영 및 유지비 용 절감을 위한 다양한 연구가 진행되고 있다. 이러한 연구들은 시스템의 중요한 지표인 가용성을 최대화하면서 운영 및 유지비용을 최소화하는 방향으로 진행되 고 있다. 운영 및 유지비용 및 가용성에 영향을 주는 요인들 중에서, 정비능력과 예비품 소요량 등이 주요한 정량적인 측정 지표가 된다. 이러한 요인들을 고려하여, 시 스템의 효율적인 운영 및 유지보수를 위한 예비품 수요 예측이 필요하다. 이를 위해, 시스템의 가동 시간에 따른 고장률 등의 공학적인 요소를 고려한 분석 및 시뮬레이션이 요구된다. 복잡하게 구성된 시스템의 경우, 구성 요소간의 상호작용이 복잡하게 이루어지 기 때문에 설계 초기 단계부터 평균 고장 시간 등의 구성 요소의 공학적 요소들 을 식별하는 것이 중요하며, 최근에는 AI 기술의 발전에 따라 딥러닝 기반의 시 계열 분석을 통한 고장 발생 예측 연구가 활발히 진행되고 있다. 기존의 평균 고장 시간을 이용한 예비품 소요량 예측 방식은 평균 고장 시간이 일정하다는 전제를 기반으로 하므로, 실제로는 외부 환경에서 운영되는 시스템의 고장률 변화를 적절히 반영하지 못하며, 대상부품의 잔여수명을 고려하지 않아 예측 시점 및 운영 환경에 따라 실제 발생할 소요량과의 오차가 생길 수 있다. 본 연구에서는 이러한 문제점을 개선하기 위해 데이터의 시계열 특성을 강조하 고, 확률 분포화를 대체하여 이동평균법을 활용한 데이터 전처리를 진행하였다. 또한, 고장률의 변동성을 고려하기 위해 딥러닝 기반의 시계열 예측 모델을 적용 하였다. 이 모델은 고장 예측 및 수요 예측 등의 시계열 예측 연구에서 널리 사 용되는 LSTM 모델을 활용하였다. 본 연구에서 개발한 LSTM 기반의 예비품 수요 예측 모델은 국내 모 철도 기업 의 도시철도 차량 내 공기제동장치에 대한 고장이력 데이터를 활용하여 사례 연 구를 수행하였으며, 결과적으로 기존의 신뢰성 분석 방법보다 본 연구에서 제안 하는 딥러닝 기반의 LSTM 예비품 소요량 예측 모델이 더 효과적인 것으로 입증 되었다. 따라서, 본 연구를 통해 제안된 딥러닝 기반의 LSTM 예비품 소요량 예측 모델 은 시스템의 운영 및 유지보수 비용 절감 및 가용성 향상에 기여할 것으로 사료 된다.
more목차
제 1 장. 서 론 1
제1절 연구의 배경 및 목적 1
1. 연구 배경 · 1
2. 연구 목적 및 방법 · 4
3. 관련 선행 연구 5
가. 기존 확률분포 기반 MTTF 도출 관련 선행연구 5
나. LSTM 시계열 예측 관련 선행연구 6
제 2 장. 본 론 9
제1절 이론적 배경 · 9
1. 시스템 수명주기에서의 운영 및 유지보수 9
2. 기존 MTTF 도출 신뢰성 분석 · 15
가. 신뢰도(Reliability) 16
나 . 평균 고장 시간(Mean Time To Failure: MTTF) · 17
다. 고장률(Failure Rate 혹은 Hazard Rate) 18
라. 신뢰도 함수와 고장률 19
마. 고장률에 따른 고장 형태 21
바. 와이블 분포(Weibull Distribution) 23
사. 모수의 추정(Parameter Estimation) · 25
3. 딥러닝 기반 예측모델 26
가. 인공신경망 모형 26
나. RNN(Recurrent Neural Network) · 28
1) 기울기 소실 (Gradient Vanishing) 29
2) 기울기 발산 (Gradient Explosion) 30
다. LSTM (Long Short Term Memory) 30
4. 이동평균법 (Moving Average) 33
5. 문제 정의 35
제2절 LSTM 예비품 소요량 예측 모델 · 39
1. 제안하는 방법론의 구성 · 39
2. LSTM 기반 예비품 소요량 예측모델 개발 · 43
가. LSTM 기반 시계열 예측모델 구축 43
나. Loss Function의 설정 47
다. Hyperparameter의 설정 47
제3절 사례연구 및 검증 · 50
1. 사례연구 수행 50
가. 데이터 분석 결과 · 50
나. LSTM 기반 시계열 예측모델 학습 결과 51
2. LSTM 예비품 소요량 도출 결과 · 54
3. 기존 방법론과의 비교검증 56
제 3 장 결 론 59
참고문헌 62
