Microsoft Word - KSR2015S061

Size: px

Start display at page:

Download "Microsoft Word - KSR2015S061"

권 진
6 years ago
Views:

1 015 년도한국철도학회춘계학술대회논문집 KSR015S061 데이터기반패턴매칭기법을활용한철도부품상태진단 Data-Driven Condition Diagnosis of Railway Component Using Pattern Matching 송성준 *, 여화수 ** Sungjun Song *, Hwasoo Yeo ** Abstract As an effort to improve operational stability and prevent accidents in railway systems, the application of condition-based maintenance (CBM) has been actively addressed. Condition-based maintenance is a strategy that helps making maintenance decisions based on the analysis result of condition information from various sensors installed in the components, as well as existing maintenance data. As a part of fundamental research of condition-based maintenance, this study proposes a strategy for matching historical data and making a diagnosis of component condition. The accuracy of this diagnostic method is verified by motor reduction unit data simulation with moving window and data sampling techniques. The paper includes in-depth discussion of the simulation result and suggests the direction of further improvement for predictive analysis. This diagnostic method using data-based matching shows a strong potential for determining methods of data gathering and analysis, when condition-based maintenance is introduced. Keywords : Condition based maintenance, Condition diagnosis, Pattern matching, Moving window 초록철도시스템의운영효율향상과안전사고감소를위해최근국내철도분야에서는상태기반유지보수의도입을적극적으로검토하고있다. 상태기반유지보수는기존의유지보수데이터에더해다양한센서로부터얻은데이터를분석하여철도차량및인프라의유지보수의사결정을지원하는전략이다. 본연구에서는상태기반유지보수를위한데이터의매칭및상태진단기법에대해논의하였다. 고속열차감속기실험데이터를사용하여상태진단정확도를검증하였으며, 데이터진단에는무빙윈도우및샘플링기법을적용하였다. 감속기실험데이터에의진단기법적용결과와향후예측단계로의발전방향에대해서도논의하였다. 본연구는데이터기반매칭을통한상태진단으로서의미가있으며, 향후상태기반유지보수의도입에있어데이터의수집및분석방향을결정하는데도움이될것으로기대한다. 주요어 : 상태기반유지보수, 상태진단, 패턴매칭, 무빙윈도우 1. 서론철도보급의확대와더불어기존노후설비의운용으로인해철도의각종고장이우려되고있다. 철도의고장은운행지연및취소로이어지며, 안전문제, 이용객의불편함, 운영비용증가를유발한다. 이러한고장을사전에발견하여신속히대응하기위해그동안다양한연구가있어왔다. 상태기반유지보수 (Condition-Based Maintenance) 도그중하나이다. 교신저자 : 한국과학기술원건설및환경공학과 (hwasoo@kaist.ac.kr) * 한국과학기술원녹색교통대학원 ** 한국과학기술원건설및환경공학과

2 기존의유지보수방법론들은부품수명의불확실성을보완하기위해서시스템구성요소를주기적으로교체하여안전성을확보하는것을중점으로한다. 하지만잦은교체로인해유지보수비용이상승하는점과, 시스템구성요소의노화과정을충분히고려하지못하는점이지적되어왔다. 상태기반유지보수는유지보수의사결정을지원하는새로운방법론이다. 상태기반유지보수는대상에설치된다양한센서들로부터얻은상태데이터를분석하여구성요소의열화과정을파악하고최적의유지보수방법및그적용시점을결정한다. 고정주기로유지보수하는기존방법에비해예산절약과안전성향상을도모할수있어다양한분야에서주목받고있다. 최근국내에서도철도시스템의운영안정성을향상시키고자상태기반유지보수의도입을논의하고있다.. 본론.1 기존연구사례검토최적의유지보수방법및시점의결정에대한전반적인연구로는 Carnahan 외 [1] 와 Madanat과 Ben-Akiva[] 의연구를들수있다. Carnahan 외는도로포장의최소기대생애주기비용달성을위한동적계획법을연구한바있으며, Madanat과 Ben-Akiva는측정불확실성을고려하는것과점검일정을최적화하는것이유지보수의사결정에있어중요하다는것을잠복마르코프결정과정을통해알아냈다. 최적의유지보수활동을결정함에있어데이터를분석하여시설물의상태추이를파악하는것은매우중요하다. 철도분야에서도시설물의상태파악에대한연구가있었다. Costello 외 [3] 는뉴질랜드철도의선로마모데이터를분석하여레일의마모모델을만들어냈으며, Shafahi and Hakhamaneshi[4] 는마르코프과정으로이란철도선로데이터를분석하여누적손상모델을개발하고, 선로의유지보수비용을최소화하였다. 한편, 철도분야의상태진단기법관련연구로는해외차량용자기진단기능을소개한김길상외 [5], 부분방전을이용한온라인열화진단기술을시험분석한박현준 [6], 토목구조물의관점에서검사및진단기술의동향을소개한서사범 [7] 등의사례가있었다.. 상태진단기법..1 상태진단방법상태진단의전체과정은 Fig. 1 과같다. 우선데이터베이스에서진단대상데이터와전체데이터를각각무빙윈도우데이터, 타겟데이터로추출한다. 이후패턴매칭을하여유사도를판단하고, 마지막으로진단결과를도출하여진단대상데이터의현재상태를결정한다. 타겟데이터는부품별상태구분에의해이미상태를알고있어야한다... 데이터기반패턴매칭데이터의진단을위해서이미알고있는상태의데이터와새로운데이터의변화추이를비교분석하여상태가얼마나비슷한지알필요가있다. 무빙윈도우는영상처리기법등에서여러데이터셋간의유사성을파악하는한편연산속도를줄이기위하여필요한일부정보를블록

3 Fig. 1 Condition diagnosis process 화하여 별도로 분석하는 기법으로, 본 연구에서는 데이터 패턴매칭을 위해 무빙윈도우 기법을 활용하였다. 무빙윈도우 기법은 Fig. 와 같이 묘사할 수 있다. 데이터베이스에서 타겟 데이터와 무빙윈도 우 데이터를 각각 추출하고, 무빙윈도우 데이터를 기존데이터의 시작점부터 끝점에 이르기까 지 슬라이딩하여 매 단위 움직일 때마다 식(1)과 같이 유사도를 계산한다. 여기서 유사도는 추출 데이터의 전체 차원에 대해 합산하며, 데이터의 단위를 삭제하기 위해 가중치를 부여한 다. 두 개의 데이터가 유사할수록 유사도의 값은 작아진다. 유사도 1 wa AT,1 AM,1 AT,n AM,n w1 Z T,1 Z M,1 Z T,n Z M,n (1) Z 여기서, AT,k: 타겟 데이터의 k번째 데이터, AM,k: 무빙윈도우 데이터의 k번째 데이터, wa: A차원 데 이터에 대한 가중치, n: 무빙윈도우 데이터 개수 Fig. Moving-window technique

4 위와 같은 방법으로 슬라이딩하며 계산한 유사도 값들 중 최소값을 가지는 위치에서 무빙윈도우 데이터와 타겟 데이터가 가장 유사한 것으로 결정한다...3 상태 판단 이미 상태를 알고 있는 여러 개의 데이터로부터 타겟 데이터를 추출하고, 상태를 알고자 하 는 데이터를 무빙윈도우 데이터로서 추출한다. 위에서 보인 무빙윈도우 기법을 통해 패턴매칭 을 하면 각 데이터와 무빙윈도우 간의 유사도를 각각 구할 수 있다. 이 때, 타겟 중 유사도가 가장 낮은 값을 낮은 경우의 규정된 데이터 상태를 무빙윈도우 데이터의 상태로 결정한다..3 진단기법 검증실험.3.1 데이터 개요 위에 서술한 데이터 기반 패턴매칭 진단 기법을 검증하기 위해 고속철도 감속기 실험데이터 를 대입하여 각각의 상태별로 진단 정확도를 측정하였다. 상태는 정상기어, 1개 파손, 개 파 손, 반파로 나뉘며, 데이터는 Y축, Z축 데이터가 각각 약 40만 개씩으로 구성된 시계열 데이 터이다. 검증을 위해 추출한 데이터의 길이는 타겟 데이터 5,000개, 무빙윈도우 데이터 00개 이다. 유사도의 가중치로는 각 축 데이터의 90% percentile 값을 사용하였다... 샘플링 패턴매칭의 계산 시간을 감소시키기 위해, Fig. 3과 같이 무빙윈도우 데이터와 타겟 데이터 각각에 대하여 샘플링을 수행하였다. 우선 원본데이터를 시계열단위 10개마다 1개단위로 샘플 데이터를 추출한다. 이어 샘플데이터간 패턴매칭을 통해 최소 유사도 지점을 구하였다. 마지 막으로 최소 유사도 지점의 전후 시간으로 구간을 좁혀 해당 시간대에서 다시 한 번 원본 타 겟 데이터와 무빙윈도우 데이터를 패턴매칭하여 구간 유사도를 계산하였다. Fig. 3 Data sampling process

5 Table 1 Result of data pattern matching Moving Window Data Target Data No fault One broken Two broken Half broken No fault 988/1000 1/1000 0/1000 0/1000 One broken 6/ / /1000 0/1000 Two broken 0/1000 0/ / /1000 Half broken 0/1000 0/1000 0/ / 결과 Table 1과같이, 네가지상태별로무빙윈도우데이터와타겟데이터를임의추출하여패턴매칭하였으며, 각각 1,000회씩수행하였다. 그결과정상상태의경우 1,000건중 988건을올바르게진단하였으며, 1개파손의경우 1,000건중 963개, 개파손의경우 959개씩을각각정확하게진단하였다. 반파의경우모두올바르게진단하였다. 단, 1개파손의경우 1,000개중 6건을정상으로진단하는등 11개 ~ 41개의오진사례가발생하였다 3. 결론국내철도분야에서상태기반유지보수의도입을위해다양한연구가진행되고있는가운데, 본연구에서는상태기반유지보수의도입을위한데이터기반의부품상태진단기법을소개하였다. 아울러열차진동기데이터를대상으로부품상태진단기법의검증실험을수행하여높은정확도로상태를진단할수있음을확인하였다. 단, 이상상태를정상상태로오진하는사례가있는것은보완해야할점이다. 나아가진동기실험데이터가아닌다양한데이터를통한검증실험, 진단이후예측단계의설계를통해연구를발전시키고자한다. 본연구는철도분야의데이터를활용하여부품의상태를진단할수있는가능성을확인하였다는점에서의미가있으며, 향후상태기반유지보수의도입단계에서상태데이터의수집, 분석, 진단을지원할기초연구가될것이다. 본연구의내용과더불어상태기반유지보수체계가앞으로유지보수의효율성및안전성의향상의효과에기여할것으로기대한다. 후기 본논문은국토교통과학기술진흥원에서시행하는상태기반스마트유지보수핵심기술개발연구 ( 과제번호 : 13RTRP-C ) 의일환으로수행되었습니다. 참고문헌 [1] Carnahan, J. V. (1988) Analytical framework for optimizing pavement maintenance, Journal of Transportation Engineering, 114(3), pp

6 [] Madanat, S. and Ben-Akiva, M. (1994) Optimal inspection and repair policies for infrastructure facilities, Transportation science, 8(1), pp [3] Costello, S. B., Premathilaka, A. S. and Dunn, R. C. (01) Stochastic Rail Wear Model for Railroad Tracks, Transportation Research Record: Journal of the Transportation Research Board, 89(1), pp [4] Shafahi, Y. and Hakhamaneshi, R. (009) Application of a Maintenance Management Model for Iranian Railways Based on the Markov Chain and Probabilistic Dynamic Programming, International Journal of Science and Technology Transaction A: Civil Engineering, 16(1), pp [5] 김길상, 황희수 (1994) 고속철도의자기진단 (Self-Diagnosis) 기술, 전기학회논문지, 43(6), pp [6] 박현준 (013) 전기철도견인전동기온라인진단기술, 한국전기전자재료학회, 6(7), pp [7] 서사범 (013) 철도에서의검사 진단기술및레일축력의측정과 PC교량내부의진단, 철도저널, 16(5), pp

DBPIA-NURIMEDIA

DBPIA-NURIMEDIA 한국소음진동공학회 2015추계학술대회논문집년 Study of Noise Pattern and Psycho-acoustics Characteristic of Household Refrigerator * * ** ** Kyung-Soo Kong, Dae-Sik Shin, Weui-Bong Jeong, Tae-Hoon Kim and Se-Jin Ahn Key Words