검색 상세

머신러닝을 활용한 산업용 Rotary 설비의 이상 감지 기법

Anomaly Detection Methods for Industrial Rotary Equipment using Machine Learning

  • 박효정 (아주대학교 IT융합대학원)

초록/요약

자동화 설비 운용 중 시스템 이상 동작은 순간정지(Breakdown) 혹은 공정중단(Process Down)으로 이어진다. 순간정지는 설비의 고장으로 인한 즉각적인 가동 정지를 의미하며, 중대한 경우 몇 시간 심지어는 하루 이상의 유지 보수 시간이 필요하다. 공정중단은 해당 공정을 완료한 제품이 공정 조건 값을 벗어난 경우 수동으로 설비 가동을 중단하는 것을 말한다. 이는 설비 가동률 및 수율 저하의 원인이 되고 경영적 손실과 직결된다. 이를 예방하는 것이 바로 자동화 설비 운용의 핵심 전략이다. 본 논문에서 Rotary 타입의 자동화 설비의 Loadcell을 활용한 이상 감지 System을 제안하여 그 전략을 실행하고자 한다. 대상으로 하는 설비는 여러 개의 Disk와 Gear로 연결되어 360도 회전하면서 반복적인 공정을 수행하는 회전형 물류 기계로 자동화 설비의 한 종류이다. Rotary설비에서 가장 많이 쓰이는 유지보수 방안은 설정된 모터의 최고부하치를 넘어서는 경우를 고장으로 판단하는 것이다. 그러나 이는 설비의 상태가 정상 임계점을 초과한 상황으로 예후가 좋지 않으며 특정 공정의 이상 여부를 알 수 없다는 단점이 있다. 위와 같은 배경으로 본 논문에서는 실험 설비의 가장 주요한 공정인 가압공정에 주목했고, 공정 진행 중의 Loadcell 데이터의 경시변화(Time Variation)를 이상감지에 활용했다. 이는 가압력이 낮은 경우 가압 공정 중심에 위치한 용접 공정시 약용접이 발생하고 , 반대로 높은 경우 기구부의 파손 혹은 제품의 Crack이 발생하는 밀접한 연관성이 있기 때문이다. 본 제안을 실험·평가하기 위하여 설비의 정상 및 이상 동작에 따른 Loadcell 값을 수집하는 테스트 환경을 구축했다. 이후 수집된 Loadcell 데이 터를 통합하고 이를 활용하여 모델 훈련 및 검증했다. 학습한 각각의 모델을 검증 및 비교한 결과, k-NN 모델이 전체적인 OK·NG 패턴과 수량을 100% 가깝게 분류하며 일반화 검증 시에도 가장 안정적임을 검증했다. 주제어 : 생산자동화, 유지 보수, CBM, 머신러닝, 이상감지

more

목차

1. 서론 1
2. 관련 연구 6
2.1. 자동화 설비의 유지보수 방법론 6
2.2. 머신러닝의 분류와 대표적인 기법 8
2.3. 머신러닝을 적용한 CBM 구축 사례 12
3. 산업용 Rotary 설비 머신러닝 기반 이상 감지 기법 15
3.1. 산업용 Rotary 설비 가압공정과 이상성 정의 15
3.1.1. 산업용 Rotary 설비의 가압공정 15
3.1.2. 낮은 가압력에 따른 공정 이상 17
3.1.3. 높은 가압력에 따른 설비 이상 18
3.2. 설비 PLC와 데이터 수집 환경 구축 19
3.3. 데이터 수집 및 전처리 24
3.4. 수집 데이터 기반 이상감지 모델 제안 27
4. 실험 및 평가 28
4.1. 실험 환경 구축 및 데이터 수집 28
4.1.1. 실험 환경 구축 28
4.1.2. 실험 데이터 수집 29
4.2. 모델별 평가 36
4.2.1. k-NN 모델 평가 결과 36
4.2.2. Random Forest 모델 평가 결과 42
4.2.3. Autoencoder 모델 평가 결과 48
4.2.4. 모델별 평가 결과 비교 및 요약 53
5. 결론 54
<참고문헌> 56

more
반출 Meta View 목록