ISSN 1229-1889(Print) ISSN 2287-9005(Online) J Korean Soc Qual Manag Vol. 43, No.4:573-588, December 2015 http://dx.doi.org/10.7469/jksqm.2015.43.4.573 클라우드컴퓨팅기반의자동차부하정보모니터링시스템개발 조휘 * 김기태 * 장윤희 * 김승환 * 김준수 ** 박건영 ** 장중순 * 김종만 ** * 아주대학교산업공학과 ** 명지대학교산업공학과 Development of Load Profile Monitoring System Based on Cloud Computing in Automotive Hwee Cho * Ki-Tae Kim * Yun-Hee Jang * Seung-Hwan Kim * Jun-Su Kim ** Keoun-Young Park ** Joong-Soon Jang * Jong-Man Kim ** * Department of Industrial Engineering, Ajou University ** Department of Industrial Engineering, Myongji University ABSTRACT Purpose: For improving result of estimated remaining useful life in Prognostics and Health Management (PHM), a system which is able to consider a lot of environment and load data is required. Method: A load profile monitoring system was presented based on cloud computing for gathering and processing raw data which is included environment and load data. Result: Users can access results of load profile information on the Internet. The developed system provides information which consists of distribution of load data, basic statistics, etc. Conclusion: We developed the load profile monitoring system for considering much environment and load data. This system has advantages such as improving accessibility through smart device, reducing cost, and covering various conditions. Key Words: Prognostics and Health Management. Load Profile Monitoring. Cloud Computing. Big Data. Automotive Received 19 November 2015, 1st revised 3 December 2015, accepted 14 December 2015 Corresponding Author(chongman@mju.ac.kr) c 2015, The Korean Society for Quality Management This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited. 이논문은 2014 년도정부 ( 미래창조과학부 ) 의재원으로한국연구재단의지원을받아수행된기초연구사업임 (NO. 2012R1A1A1015120)
574 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 1. 서론 최근운전자의쾌적한주행환경을조성하기위하여자동차에내장되는전자장치가급증하는추세이고, 이는자동차의신뢰성을떨어뜨리는요인으로작용하고있다. 유럽의최대운전자가입연맹인 ADAC의 2011년통계자료에의하면, 전자장비로인하여고장이전체고장의 41.2% 를차지하고있다. 자동차는점점하이브리드혹은전기자동차개발과그수요의증가로인하여전자장비가증가될것으로예상된다. 그러므로증가하는자동차의고장가능성에대비하여자동차의신뢰성확보를위한노력이자동차산업에서큰이슈가될것으로전망된다. 최근자동차산업에서자동차의신뢰성을확보하기위하여고장예지및건전성평가 (Prognostics and Health Management, PHM) 를활용하려는시도가있다. 기존자동차의전장부품신뢰도예측을위해서는초가속수명시험과같은시험위주의예측기법이주로적용되었다 (Lee 2000). 이는공급자입장에서의신뢰성분석인반면 PHM 이란지속적인모니터링을통해얻은실제조건의데이터로부터제품의잔존수명을미리예보하는기술로, 소비자들이대상의수명을파악할수있다 (Pecht 2008). 주로 PHM은대상의유지보수전략이용이해지고치명적인고장에대하여미연에방지할수있어자동차산업분야를포함한설비, 발전소등과같은다양한분야에서연구가활발히진행되고있다. PHM을적용하는자동차선진기업들의경우를살펴보면, Ford 사의경우자동차시스템내부에 OBD(On-Board Diagnostic) 진단기와같은고장예지모듈이내장되어있는구조를특허로출원하였고, Toyota 또한 PHM 기술에서정의하는데이터기반의고장예지및건전성평가기술에대한구체적분석절차에대해기술하고있다 (Jang and Kim 2013). 미국의대표적인 PHM 연구소인 CALCE에서는전자장비시스템혹은그부품의건전성평가를위한네가지의방법을제안하고있다 (Vichare and Pecht 2006). 그중, 환경및사용부하모니터링방법 (Monitoring Environmental and Usage Loads) 방법은열적, 물리적, 화학적부하등의수명주기부하 (Life-cycle Loads) 들을고려하여각요인혹은요인들의복합적작용들이대상의수명에어떠한영향을끼치는지를파악하는방법이다. 이를바탕으로수명소모모니터링 (Life Consumption Monitoring, LCM) 방법을적용하여최종적으로대상의잔존수명을추정할수있게된다. 이를통해대상의잔존수명을파악하고사전에정비스케줄정립과같은신뢰성활동을계획할수있게되어자동차의신뢰성을향상시킬수있게된다. 환경부하및사용부하모니터링방법에대한기존의연구는전반적으로대상을선정하여 LCM를적용하여잔존수명을추정하였다. Ramakrishnan 과 Pecht(2003) 의연구에서는워싱턴 DC의주행환경을분석하기위하여자동차보닛안에수집장치를설치하여데이터를수집하였다. 데이터는온도와진동을대상으로하였고, 이를통하여소모된수명을추정하였다. Mathew et al.(2006) 의연구에서는우주왕복선의고체연료로켓부스터 (SRB) 에사용되는 PCB 를대상으로 LCM 방법론을적용하였다. 진동과충격으로인하여발생하는데미지를평가하기위하여진동-시간데이터와물리기반모델을적용하였고, 이를통해 SRB의수명주기부하프로파일을작성하여잔존수명을추정하는데에사용하였다. Shetty et al.(2002) 의연구에서는우주왕복선의무선로봇팔시스템 (SMRS) 의작업부인엔드이펙터 (End Effector Electronics Unit, EEEU) 의잔존수명을추정하기위하여 LCM 방법론을적용하였다. 분석된부하는온도와진동부하를이용하였다. 기존연구들을살펴보면선정한대상에대해사전정보를가지고이를기반으로잔존수명을추정하는연구를진행하였다. 즉, 대상에대해서어떠한부하를수집하고어떻게분석을진행해야하는지를사전에파악하고있었다. 하지만사전정보가없는대상에대해 PHM을적용하기위해서는어떠한부하가대상에가장큰영향을끼치는지를파악할필요가있다. 그러기위해서는실제운영을통하여분석대상이처하게되는환경, 즉부하프로파일 (Load
Cho et al. : Development of Load Profile Monitoring System Based on Cloud Computing in Automotive 575 Profile) 에대해서파악해야한다. 또한충분한데이터가누적되어야만정확한부하프로파일을반영할수있게된다. 부하프로파일을제작할때, 특정기간동안수집한데이터의규모는실제운영기간동안수집하는데이터의양에비해상대적으로적고, 이러한데이터를기반으로검증한방법론들을실제로적용하였을시부정확한부하프로파일을도출할수있는가능성을암시한다. 그렇기때문에 PHM을적용하기위해서는대상의수명에도달할때까지의부하정보를지속적으로업데이트해야하므로데이터수집기간이길어진다. 이는데이터의크기또한커짐을의미한다. 더불어자동차에는분석해야하는하위시스템들이많이존재한다. 자동차모니터링의대상부품들을보면배터리, 엔진등총 23개의수집대상을지목하고있다. 각대상마다수집해야하는부하개수또한상당하다 (Cheng and Pecht 2010). 하나의예로서엔진에대한부하파라미터는토크나터빈압력등 12개의수집해야할파라미터가있다 (Antory 2007). 실제로데이터가발생하는정도를순위화하였을때, 자동차산업은 2015년에 2위를차지할것이라전망하였고, Ford의한하이브리드자동차는한시간주행시 25GB 의데이터를발생한다 (IBM 2013). PHM 은각차량의잔존수명을추정하기때문에근미래에하이브리드자동차의보급이확산되어차량의수가수백에서수천만대에이르게되면시간당 PHM시스템에서수용해야하는데이터의크기는광대해질것이다. 결과적으로이러한빅데이터를저장, 처리하는데있어적절한기술이도입될필요가있으며자동차 PHM을진행하기위한부하정보를관리하기위해서는빅데이터를처리해야하는시스템이도입되어야한다. 본논문에서는자동차의부하프로파일을작성하기위하여거대한부하데이터를수용및처리할수있는클라우드기반의자동차부하정보모니터링시스템을제안하고자한다. 수집된부하데이터는클라우드내부로전달되어배터리와같은모델기반접근법을사용하는대상에대해서는모델식에적용될데이터로써사용되고, 엔진과같은데이터기반접근법을사용하는대상에대해서는정상상태와이상상태를구분하기위한척도를만들기위해서사용된다. 또한데이터수집부터데이터처리까지의결과값을시각화하여차량소유주와각부분제조사에정보를제공한다. 데이터수집부터고장예지및정보제공까지의일련의과정들은실시간으로이루어진다. 제안하는부하정보모니터링시스템은클라우드기반으로설계되어빅데이터를다루는것에상당히유리하다. 다수의컴퓨터가활용되는클라우드컴퓨팅을도입함으로서저장의문제뿐아니라데이터처리과정이동반되므로결과도출의지연을유발하는문제를해결할수있게된다. 클라우드기반의시스템은빅데이터의처리속도증대와함께클라우드의확장성과유연성으로인한관리의용이성및비용측면에서유리한점이있고, 사용자들의단말기를이용하여손쉽게접근할수있다는여러장점들이존재한다 (Choi 2013). Lee et al.(2013) 의연구에서는제조분야산업에서플랜트마다개별적인 PHM 시스템을도입하는것의단점을지적하여통합 PHM 클라우드시스템을제안하여기존의처리속도나데이터저장공간의한계를해결하는동시에비용과관리시간절감효과를얻을수있었다. 또한 2005년이전에개별적으로관리되던정부전산시스템을정부통합전산센터를설립함으로서효율성, 안정성, 보안성이향상되는동시에 184억원이절감한사례가있다 (Ahn 2013). 뉴욕타임즈의사례로는 130년분량의과거신문기사를파일화하는과정에서자사의서버를이용하였을때 14년이걸릴것으로예상한작업분량을클라우드시스템을이용하여하루만에작업을완료하였고, 이때의비용또한 240불로저렴하게작업을완료하였다. (Makoto 2009, 65-66) 결론적으로본논문은클라우드기반의부하정보모니터링시스템을구축하여기존의방식보다효과적이며적은비용으로많은데이터를처리하여잔존수명예측결과의정확성을향상시키고자함이다. 2. LCM 기반의 PHM 절차및부하정보모니터링시스템소개 부하를기반으로잔존수명을추정하고자하는 LCM 방법은 <Figure 1> 과같이진행된다. 첫번째단계에서
576 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 FMMEA(Failure Mode, Mechanism Effect Analysis) 와같은신뢰성활동을통해대상의고장모드와고장메커니즘을분석한다. 두번째단계에서는첫단계의결과를기반으로가상신뢰성평가를진행하여고장메커니즘을평가한다. 세번째단계는환경적측면의부하와운영적측면의부하들을모니터링하기시작하여데이터를실질적으로수집한다. 수명주기부하는열적, 물리적, 화학적등과같은환경조건을의미하며, <Table 1> 은수명주기부하의예를나타낸것이다. 네번째단계에서는열화모델을만들기위하여수집한부하데이터를기반으로데이터단순화를진행한다. 다섯번째단계에서는정리한데이터를기반으로스트레스와데미지누적분석을진행하고, 여섯번째단계에서대상의잔존수명을추정하게된다. 잔존수명결과에따라서사용이허용되는범위에있다면계속모니터링을진행하게되고, 그렇지않다면유지보수를진행하기위한계획을수립하는단계로넘어가게된다. Table 2. Example of Life-cycle Loads Load Thermal Load Conditions Steady-state temperature, temperature ranges, temperature cycles, temperature gradients, ramp rates, heat dissipation Mechanical Pressure magnitude, pressure gradients, vibration, shock load, acoustic level, strain, stress Chemical Physical Electrical Aggressive versus inert environment, humidity level, contamination, ozone, pollution, fuel spills Radiation, electromagnetic interference, altitude Current, voltage, power Figure 3. CALCE Life consumption monitoring methodology 부하프로파일은분석대상장비들이수명주기동안받는부하들에대한분포나특성등의정보들을정리한것이다. 부하프로파일의예로서, 대상부품의수명에가장영향을끼치는부하요인이온도라고한다면운영조건에따른온도의변화를파악해야한다. 즉, 시스템이가동중일경우, 꺼져있는경우등에따라, 낮과밤과같은운영되는시간에따라온도는차이를보일것이다. 이후상황별, 시간별온도에따른데이터의범위, 평균, 분포등에대해정리하여대상부품의부하프로파일을정립할수있다. 부하프로파일을제작해야하는주된이유는수집한데이터의특성을정확하게파악하여 PHM을통한제품의잔존수명추정의정확성을높이는것이다. 예를들어사전에분석대상이되는부품이온도로인한고장이유발된다는사실을 FMMEA 등의활동을통해파악하였어도, 단순온도데이터로는그특성을파악하기가용이하지않다. 온도는온도변화의차이, 비가동시간에서의온도등과같은더욱세부적인온도파라미터로분류할수있고, 이러한세부적인파라미터들이실질적인고장에영향을끼칠수있다. 그러므로부하중에서도주어진환경과조건에서의세부적인경향을파악하기위해서부하프로파일을작성해야이후의 PHM 절차의효율성을높일수있고, 잔존수명추정결과의정확성을향상시킬수있다. <Figure 2> 은시간에따른특정부하를부하프로파일을통해세부적인
Cho et al. : Development of Load Profile Monitoring System Based on Cloud Computing in Automotive 577 부하파라미터를추출하는것을나타낸그림이다. Vichare (2007) 의연구를살펴보면, 노트북을대상으로부하모니터링및분석을진행하기위하여노트북이받게되는부하들중온도를선택하여온도에대한영향에대해서 <Figure 3> 과같이부하프로파일을작성하였다. 결과적으로 IPC SM-785 규격에서제안하는소비자사용온도 30 를웃도는 50 이상의환경에처해지는경우가전체시간중 3% 정도차지하는사실을파악하였다. 또한부하모니터링을통하여부하정보를추출하는과정에서원래데이터용량의 90% 이상을감축시키는동시에이로인한오차범위는 1% 미만으로발생하는것을 <Figure 4> 와같이확인할수있었다. Figure 4. Prognostic approach using environmental and usage (Vichare 2006) Figure 5. Monitoring and analysis of environmental and usage conditions in a notebook computer (Vichare 2007) Figure 6. Example of percentage data reduction and error in damage accumulation (Vichare 2007) PHM 방법론중하나인 LCM 기법을사용하는기존연구를살펴보면, 주로모델화된대상의정보를활용하여잔존수명을추정하는 4단계이후의내용을주로다루고있다. Peng and Zuo (2010) 이집필한논문에서는기계장비상태의상태예측에관한연구들을정리하였다. 그예로주성분분석 (Principal Component Analysis) 을이용하여수집된데이터의특성을추출하는것을진행한연구사례가있고 (Kwan et al. 2003, Lee et al. 2003, Zhang et al. 2005), 이와함께다양한인공신경회로망 (Artificial Neural Network) 기법을사용한데이터처리에대한연구가있다 (Kohonen et al. 1995). 위사례논문에기술된연구외에도 Camci et al.(2013), Medjaher와 Zerhouni(2012) 의연구에서는베어링의파손을예지하기위해분석에사용되는특성중에서가장효과적인특성들을추출하기위한평가방법을제시하고있고, Li와 He(2012) 이진행한연구에서는동일하게베어링을대상으로특성을추출하지만
578 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 자가회귀모델 (Auto Regressive Model) 을사용하는방법을제시하였다. 본연구는기존연구의방향과달리, LCM 방법의 1단계부터 4단계까지의연구범위를설정하여부하정보모니터링시스템구축에초점을두었다. 4단계이후의잔존수명추정과관련된연구들은대부분사전에대상의정보들을수집한상황에서잔존수명을얼마나정확하게추정하는지에초점을두었다. 하지만새로도입하는장치나부품에대한상태진단및잔존수명추정을위해서는새로운부하프로파일을고려해야한다. 본연구는대상의수명추정을위한기반정보를확보하기위함이다. Figure 7. Schematic design of automotive PHM system 본연구에서제안하는클라우드컴퓨팅기반의자동차부하정보모니터링시스템을도식화한것은 <Figure 5> 과같다. 우선전체그림에서나타내고있는것은가상의 PHM 시스템을도식화한것이고, 본연구에서제안하는부하정보모니터링시스템은굵은점선으로표시된곳에해당된다. 선별된차량에는데이터수집과관련된하드웨어가설치되어있어주행중발생하는부하정보는부품에부착된센서를통해수집된다. 그리고수집된부하정도는무선통신장치로인하여클라우드내의서버로전송된다. 하나의차량에서발생한데이터는독립적으로관리되어개별적인잔존수명추정에사용된다. 데이터베이스에저장된하나의자동차에대한부하정보데이터는각부품별로잔존수명예측방법이상이하기때문에이를분류하는과정을거치게되고, 부품별로분류된데이터들은각각의분석방법에의해처리된다. 예를들어, 배터리와관련된파라미터인배터리전압과전류값들은모델기반분석으로, 엔진과관련된차량속도와엔진회전수등은데이터기반분석으로분류되고잔존수명예측을위해활용된다. 데이터가분류되면통계프로그램인 R을이용하여각부품별부하정보정립을위한연산과정이진행된다. 부품별부하정보작성은기존의데이터단순화 (Data simplification) 와같은기존연구사례들이존재하므로그중히스토그램을이용하여데이터의분포를파악하는기능을 R을이용하여구성한다. R은데이터베이스, Hadoop 과의연동이뛰어나고빅데이터를처리하는분석능력이상대적으로우수하여본 PHM 시스템에적용하였다. 또한 RStudio 에서제공하는 R-Shiny 패키지는 R에서연산하여나온결과를웹환경에출력하는패키지로써사용자는해당웹페이지로접속하게되면그래프와정량적인 PHM 연산결과를획득할수있게된다. 세부적인프로그래밍과정과데이터처리방법론에대해서는 3장에서다룰예정이다.
Cho et al. : Development of Load Profile Monitoring System Based on Cloud Computing in Automotive 579 3. 부하정보모니터링시스템설계 3.1. 시스템설계및제작 본장에서는부하정보모니터링시스템을실제로구현해보는과정을다룬다. 본논문은빅데이터의처리를다루기때문에빅데이터를처리하는데있어강력한처리능력을지닌하둡을이용하여시스템을구성한다. 하둡은여러대의서버를제어하는소프트웨어프레임워크로서데이터분산처리시스템 (HDFS: Hadoop Distributed File System) 과맵리듀스 (MapReduce) 를구현하여방대한양의데이터를빠른속도로처리가가능하도록지원한다. <Figure 6> 는하둡에서의데이터처리과정을도식화한그림이다. 하둡은아파치재단의공개소프트웨어로서현재까지페이스북을비롯하여다양한기업에서사용하고있고, 연구개발분야에서도꾸준히활용중이다. 위와같은이유로부하정보모니터링시스템을구축하기위해서기본적인구조로하둡을채용하게되었고, 한대의 PC에가상머신을도입하여여러대의컴퓨터처럼구현하였다. <Figure 7> 는본연구를위해구축한하둡시스템을도식화한것이고, <Figure 8> 은실제하둡을구현한화면이다. Figure 8. Data process procedure in Hadoop Figure 9. Framework installation of Hadoop Figure 10. Installation Hadoop 부하정보데이터를처리하기위한기본구조로서하둡을설치한다음, 실질적으로분석을담당할 R 패키지를설치하였다. R은자체적으로제공하는기본적인통계적분석부터 R 사용자들에의해만들어진필터링기법과같은고등기법들을사용할수있고빅데이터를처리하는데있어우수하다는장점이있기에데이터처리소프트웨어로채택하였다. 또한다른소프트웨어들과의호환성이뛰어나기때문에많은기능들을수용해야하는클라우드컴퓨팅을이
580 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 용한분석플랫폼으로사용하는데에있어적용하기좋은분석툴이라할수있다. 데이터를분석하는것은 R의기본툴을사용하여분석하였고, 특히인터넷을통하여사용자에게차량 PHM 결과를제공하는것은 RStudio 에서제공하는 R Shiny 패키지를사용하였다. R Shiny는 R로분석한통계결과및그래프를웹으로제공하기위해만들어진패키지이다. 인터넷으로결과를제공하기위해서는서버가필요하기때문에웹어플리케이션전용서버를구축하였다. <Figure 9> 는 R Shiny 패키지를이용하여부하정보모니터링시스템을웹 UI로구현한모습이다. Figure 11. Web user interface in cloud of load profile monitoring system 3.2. 부하정보모니터링시스템을활용한데이터분석 본장에서는부하정보모니터링시스템을활용하여삽입된데이터의분포를파악하는것을진행한다. 데이터의분포를확인하기위하여사용한것은히스토그램이다. 히스토그램은데이터를일정한구간으로나눈후, 그범위에포함되는데이터의빈도를막대기형태로표현하여데이터의분포를파악하는데있어좋은방법이다. 정확한데이터분포를파악하는것은손상정도의평가혹은잔존수명추정결과에지대한영향을끼친다. 히스토그램을사용하는데있어적절한구간폭 (bin-width) 를설정하는것이중요한데, 그이유는구간폭을너무작게설정하면원래의데이터와흡사할정도로상세히표현되어특징을찾기힘들어지고, 구간폭이너무크면데이터가가지고있는분포를무시할수있는추상적인분포를표현하게된다 (Wand 1997). 그러므로적절한구간폭을설정하는것이중요한데, Scott 가제안한방법은 IMSE(Integrated Mean Square Error) 를최소화하는것으로최적구간폭을도출하는수식은다음과같다 (Scott 1979). (1) 데이터가정규분포를따른다고가정하였을시, 식 (1) 은다음과같이간략하게표현할수있다. (2)
Cho et al. : Development of Load Profile Monitoring System Based on Cloud Computing in Automotive 581 데이터가비가우시안 (non-gaussian) 의형태를따른다고가정하였을시, 식 (1) 은다음과같이표현된다. (3) 위식 (2), 식 (3) 에서요구되는것들은데이터표본수 n, 표본의사분위범위 IQR, 표본의표준편차 s이다. 이정보들은 R 내에서쉽게구할수있다. 분석에사용한데이터는 IEEE Reliability Society 에서개최했던 PHM 2014 Data Challenge 에서배포한연료전지시스템 (Fuel Cell System) 데이터를사용하였다 (IEEE 2014). <Figure 10> 은 U1 데이터를그래프로표현한것이다. U1 데이터는연료전지내부에들어가는다섯개의셀들중하나의전압값을의미하며, 노화가진행되는과정에서추출한데이터이다. 단순시간-전압그래프를통해서는 U1 데이터의특징을파악하기에는한계가있다. <Table 2> 은본연구에서사용하는데이터파라미터중셀전압을나타내는 U1 에대한표본수, 사분위범위, 표준편차를나타낸것이다. <Figure 11> 은최적구간폭을적용하여도출한 U1 파라미터의히스토그램이다. 사전에분석하고자하는파라미터의분포를정규분포라고가정하였을때와히스토그램과누적분포확률을통하여실제데이터의분포가어떠한형태를나타내는지를파악하면차후 PHM 분석의정확도를향상시킬수있다. Figure 12. U1 data plot 3. 부하정보모니터링시스템설계 3.1. 시스템설계및제작 본장에서는부하정보모니터링시스템을실제로구현해보는과정을다룬다. 본논문은빅데이터의처리를다루기때문에빅데이터를처리하는데있어강력한처리능력을지닌하둡을이용하여시스템을구성한다. 하둡은여러대의서버를제어하는소프트웨어프레임워크로서데이터분산처리시스템 (HDFS: Hadoop Distributed File System) 과맵리듀스 (MapReduce) 를구현하여방대한양의데이터를빠른속도로처리가가능하도록지원한다. <Figure 6> 는하둡에서의데이터처리과정을도식화한그림이다. 하둡은아파치재단의공개소프트웨어로서현재까지페이스북을비롯하여다양한기업에서사용하고있고, 연구개발분야에서도꾸준히활용중이다. 위와같은이유로부하정보모니터링시스템을구축하기위해서기본적인구조로하둡을채용하게되었고, 한대의 PC에가상
582 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 머신을도입하여여러대의컴퓨터처럼구현하였다. <Figure 7> 는본연구를위해구축한하둡시스템을도식화한것이고, <Figure 8> 은실제하둡을구현한화면이다. Figure 13. Data process procedure in Hadoop Figure 14. Framework installation of Hadoop Figure 15. Installation Hadoop 부하정보데이터를처리하기위한기본구조로서하둡을설치한다음, 실질적으로분석을담당할 R 패키지를설치하였다. R은자체적으로제공하는기본적인통계적분석부터 R 사용자들에의해만들어진필터링기법과같은고등기법들을사용할수있고빅데이터를처리하는데있어우수하다는장점이있기에데이터처리소프트웨어로채택하였다. 또한다른소프트웨어들과의호환성이뛰어나기때문에많은기능들을수용해야하는클라우드컴퓨팅을이용한분석플랫폼으로사용하는데에있어적용하기좋은분석툴이라할수있다. 데이터를분석하는것은 R의기본툴을사용하여분석하였고, 특히인터넷을통하여사용자에게차량 PHM 결과를제공하는것은 RStudio 에서제공하는 R Shiny 패키지를사용하였다. R Shiny는 R로분석한통계결과및그래프를웹으로제공하기위해만들어진패키지이다. 인터넷으로결과를제공하기위해서는서버가필요하기때문에웹어플리케이션전용서버를구축하였다. <Figure 9> 는 R Shiny 패키지를이용하여부하정보모니터링시스템을웹 UI로구현한모습이다.
Cho et al. : Development of Load Profile Monitoring System Based on Cloud Computing in Automotive 583 Figure 16. Web user interface in cloud of load profile monitoring system 3.2. 부하정보모니터링시스템을활용한데이터분석 본장에서는부하정보모니터링시스템을활용하여삽입된데이터의분포를파악하는것을진행한다. 데이터의분포를확인하기위하여사용한것은히스토그램이다. 히스토그램은데이터를일정한구간으로나눈후, 그범위에포함되는데이터의빈도를막대기형태로표현하여데이터의분포를파악하는데있어좋은방법이다. 정확한데이터분포를파악하는것은손상정도의평가혹은잔존수명추정결과에지대한영향을끼친다. 히스토그램을사용하는데있어적절한구간폭 (bin-width) 를설정하는것이중요한데, 그이유는구간폭을너무작게설정하면원래의데이터와흡사할정도로상세히표현되어특징을찾기힘들어지고, 구간폭이너무크면데이터가가지고있는분포를무시할수있는추상적인분포를표현하게된다 (Wand 1997). 그러므로적절한구간폭을설정하는것이중요한데, Scott 가제안한방법은 IMSE(Integrated Mean Square Error) 를최소화하는것으로최적구간폭을도출하는수식은다음과같다 (Scott 1979). (1) 데이터가정규분포를따른다고가정하였을시, 식 (1) 은다음과같이간략하게표현할수있다. (2) 데이터가비가우시안 (non-gaussian) 의형태를따른다고가정하였을시, 식 (1) 은다음과같이표현된다. (3)
584 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 위식 (2), 식 (3) 에서요구되는것들은데이터표본수 n, 표본의사분위범위 IQR, 표본의표준편차 s이다. 이정보들은 R 내에서쉽게구할수있다. 분석에사용한데이터는 IEEE Reliability Society 에서개최했던 PHM 2014 Data Challenge 에서배포한연료전지시스템 (Fuel Cell System) 데이터를사용하였다 (IEEE 2014). <Figure 10> 은 U1 데이터를그래프로표현한것이다. U1 데이터는연료전지내부에들어가는다섯개의셀들중하나의전압값을의미하며, 노화가진행되는과정에서추출한데이터이다. 단순시간-전압그래프를통해서는 U1 데이터의특징을파악하기에는한계가있다. <Table 2> 은본연구에서사용하는데이터파라미터중셀전압을나타내는 U1 에대한표본수, 사분위범위, 표준편차를나타낸것이다. <Figure 11> 은최적구간폭을적용하여도출한 U1 파라미터의히스토그램이다. 사전에분석하고자하는파라미터의분포를정규분포라고가정하였을때와히스토그램과누적분포확률을통하여실제데이터의분포가어떠한형태를나타내는지를파악하면차후 PHM 분석의정확도를향상시킬수있다. Figure 17. U1 data plot Table 3. Sample size, IQR, standard deviation of U1 표본수 n IQR 표준편차 s 1 3008 0.002 0.001573 2 3000 0.001 0.000601 3 621 0.001 0.000499 4 119 0.000 0.000510 5 119 0.001 0.000506 평균 1373.4 0.001 0.000738 Figure 18. U1 histogram based on optimal bin-width 이외의부가적으로 R에서제공하는다양한분석툴을이용하여데이터의특성을파악할수있다. 아래 <Figure 12> 부터 <Figure 15> 까지순차적으로데이터의박스플롯과기초통계량, 회귀분석, 주성분분석, 서포트벡터머신 (Support Vector Machine) 과파티클필터 (Particle Filter) 결과창이다 (Song 2008).
Cho et al. : Development of Load Profile Monitoring System Based on Cloud Computing in Automotive 585 Figure 19. Results of basic statistics and box plot Figure 20. Result of regression analysis plot Figure 21. Result of PCA Figure 22. Results of support vector machine and particle filter 클라우드기반부하정보모니터링시스템을이용하여연료전지파라미터중셀전압데이터를히스토그램으로표현하여분포를파악하고, 그외의기초통계량, 주성분분석등을이용하여부하프로파일을작성하였다. 제작한부하프로파일은이후의잔존수명예측방법론결정과분석방향에대한계획을수립할수있도록도움을준다. 3.3 클라우드컴퓨팅기반부하정보모니터링시스템의장점 1) 접근성이향상되어분석결과를손쉽게확인할수있게된다. 차량에탑재되는시스템의경우에는계기판과같은차량에서제공하는인터페이스만을통해결과를확인할수있는반면, 클라우드시스템을적용하면일반적인컴퓨터, 스마트기기등을통해웹상으로결과를확인할수있게된다. 또한결과가차량내부에존재하지않아추후새로운분석을진행하기위해서자동차의 OBD 표준인터페이스에직렬통신을연결해서데이터를확인할필요가사라진다. 2) 개별차량잔존수명추정을위한설치될하드웨어의부담이적어지고인프라구축비용이절감된다. 클라우드 PHM 시스템이도입된다면데이터수집을위한센서와데이터전송을위한네트워크관련장비들만차량에탑재되게된다. 각차량별독립적인 PHM 시스템을구축하게되면분석에필요한하드웨어가추가적으로설치되어야하므로비효율적이다. 또한, PHM 시스템에적용되는차량이증가할수록, 즉수요가증가함에따라그에상응하는자원확보가유연하기때문에비용측면에서도이점이있다. 이로써신기술을자동차에적용하여발생하는비용증가를줄일수있게되어소비자에게혜택이돌아가게된다. 3) 다양한환경및주행부하데이터가수집되어분석의다양성이확보된다. 단일차량으로겪게되는환경및부하조건은한정적일수밖에없다. 만약운전자가변경되거나, 새로운지역에서자동차를운행하는경우가발생하
586 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 면 새로운 환경 및 주행 패턴이 발생하게 되고, 새로운 정보를 통해 열화 모델을 갱신해야 한다. 이 과정에서 정보의 변경으로 인한 오차가 발생할 수 있고 이는 잔존수명 추정 결과에 영향을 끼칠 가능성을 내포하고 있다. 반면 PHM 시스템이 구축된 환경에서 모든 차량들의 데이터가 한 곳으로 수집되면 동일 차종에 대한 다양한 데이터를 수집할 수 있게 된다. 이를 통해 다양한 부하 특성을 가지는 데이터들을 군집화하는 방법 등의 분석 방법을 모색할 수 있고, 고장예지 알고리즘의 정확도를 향상시킬 수 있다. Figure 23. Advantages of cloud PHM system 4. 결 론 본 논문에서는 자동차의 신뢰성 향상을 목적으로 고장예지 및 건전성 평가 기법을 적용하기 위한 사전 단계인 부 하 프로파일 작성을 효과적으로 진행하기 위한 부하정보 모니터링 시스템을 제안하였다. 종래의 연구는 주어진 단편 적인 데이터를 이용하여 대상의 잔존수명 도출 알고리즘을 최적화하는 데에 중점을 두었다면, 본 연구는 잔존수명 추정에 사용되는 데이터의 질과 양을 높이는데 초점을 맞췄다. 거대한 부하 데이터의 처리속도를 증가시키고자 제안 하는 시스템을 클라우드 기반으로 제작하였고, 하둡과 R을 이용하였다. 현재까지 개발한 부하정보 모니터링 시스템은 간단한 데이터 처리 및 시각화 기능만을 제공하고 있다. 아직까지는 초기 연구 단계이기 때문에 추가적인 후속 연구를 통하여서 같은 지역이나 같은 차량 모델 등과 같이 데이터를 집단 화하여 집단별 수명 특성을 파악할 수 있도록 설정하도록 연구를 진행되어야 할 것이다. 또한 실제 차량이 주행하면 서 발생하는 데이터를 실시간으로 처리하는 연구가 진행되어야 할 것이고, 전처리 과정에 불과한 본 연구를 기반으 로 전체 PHM 시스템을 개발할 예정이다. 감사의 글 이 논문은 2014년도 정부(미래창조과학부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임 (NO. 2012R1A1A1015120)
Cho et al. : Development of Load Profile Monitoring System Based on Cloud Computing in Automotive 587 REFERENCES Ahn, Yungbae. 2013. "Public institution evaluation system based on cloud." Master Dissertation, University of Korea. Antory, David. 2007. Application of a Data-Driven Monitoring Technique to Diagnose Air Leaks in an Automotive Diesel Engine: A Case Study. Mechanical Systems and Signal Processing 21(2):795-808. Camci, Fatih. et al. 2013. Feature Evaluation for Effective Bearing Prognostics. Quality and Reliability Engineering International 29(4):477-486. Cheng, Shunfeng, Azarian, Michael. H., and Pecht, Michael. G. 2010. Sensor Systems for Prognostics and Health Management. Sensors 10(6):5774-5797. Choi, Kwangdoo et al. 2013. An Empirical Study on the Influence Factors of the Mobile Cloud Storage Service Satisfaction. Journal of the Korean Society for Quality Management 41(3):381-394. Han, Chang-un. 2013. Automobile evolution and the need for evolution of diagnostic techniques of electrical components. Journal of the KSME 53(7):40-43. IBM Corporation. Software Group. 2013. IBM big data for the automotive industry. Accessed Nov. 30. http://www.oesa.org/doc-vault/knowledge-center/operational-performance-content/ibm-big-data-for-auto- Industry.pdf. IEEE. 2014. "IEEE PHM 2014 Data Challenge." Accessed Dec 4. http://eng.fclab.fr/ieee-phm-2014-data-challenge/. Jang, Jung-sun, and Kim, Ki-tae. 2013. Case studies of PHM technology in the field of hybrid/electric vehicles. Journal of the KSME 53(7):35-39. Jiang, Dongxiang, and Liu, Chao. 2011. Machine Condition Classification Using Deterioration Feature Extraction and Anomaly Determination. IEEE Transactions on Reliability 60(1):41-48. Kohonen, Teuvo et al. 1995. The Self-Organizing Map. Berlin: Springer. Kwan, C. et al. 2003. A Novel Approach to Fault Diagnostics and Prognostics. In ICRA:604-609. Lee, Jay et al. 2013. Methodology and Framework of a Cloud-Based Prognostics and Health Management System for Manufacturing Industry. Chemical engineering transactions 33:205-210. Lee, Jong-Beom, and Cho, Jai-Rip. 2000. The Study on the High Acceleration Life Method for the Automotive Electric and Electronic Parts. Journal of the Korean Society for Quality Management 28(4):16-28. Lee, Jongmin, Yoo, Changkyoo, and Lee, Inbeum. 2003. On-Line Batch Process Monitoring Using a Consecutively Updated Multiway Principal Component Analysis Model. Computers and chemical engineering 27(12):1903-1912. Li, Ruoyu, Sopon, Ponrit, and He, David. 2012. Fault Features Extraction for Bearing Prognostics. Journal of Intelligent Manufacturing 23(2):313-321. Makoto, Shirota. 2009. The Impact of Cloud Computing. Tokyo: Jpub. Mathew, Sony et al. 2006. Prognostics Assessment of Aluminum Support Structure on a Printed Circuit Board. Journal of Electronic Packaging 128(4):339-345. Medjaher, Kamal, Camci, Fatih, and Zerhouni, Noureddine. 2012. Feature Extraction and Evaluation for Health Assessment and Failure Prognostics. In Proceedings of First European Conference of the Prognostics and Health Management Society:111-116. Peng, Ying, Dong, Ming, and Zuo, Ming, J. 2010. Current Status of Machine Prognostics in Condition-Based Maintenance: A Review. The International Journal of Advanced Manufacturing Technology 50(1-4):297-313. Ramakrishnan, Arun, and Pecht, Michael, G. 2003. A Life Consumption Monitoring Methodology for Electronic Systems. IEEE Transactions on Components and Packaging Technologies 26(3):625-634. Scott, David, W. 1979. On Optimal and Data-Based Histograms. Biometrika 66(3):605-610.
588 J Korean Soc Qual Manag Vol. 43, No. 4:573-588, December 2015 Shetty, Vidyasagar et al. 2002. Remaining Life Assessment of Shuttle Remote Manipulator System End Effector Electronics Unit. IEEE 8:2987-2991. Song, Jongwoo. 2008. A Comparison of Classification Methods for Credit Card Approval Using R. Journal of the Korean Society for Quality Management 36(1):72-79 Vichare, Nikhil et al. 2007. Environment and Usage Monitoring of Electronic Products for Health Assessment and Product Design. Quality Technology and Quantitative Management 4(2):235-250. Vichare, Nikhil, M., and Pecht, Michael, G. 2006. Prognostics and Health Management of Electronics. IEEE Transactions on Components and Packaging Technologies 29(1):222-229. Vichare, Nikhil, M. 2006. Prognostics and Health Management of Electronics By Utilizing Environmental And Usage Loads. Ph.D Dissertation, University of Maryland. Wand, M. P. 1997. Data-Based Choice of Histogram Bin Width. The American Statistician 51(1):59-64. Zhang, Xiaodong et al. 2005. An Integrated Approach to Bearing Fault Diagnostics and Prognostics. In American Control Conference: 2750-2755.