기계학습을 이용한 산업장비의 잔여유효수명 예측

Abstract

In all areas, including industrial field, medical and social, unexpected facility failures can result in unplanned downtime resulting in high cost of loss. In particular, unexpected failures in the industrial field result in a large loss cost associated with equipment and labor. due to these problem. It is necessary to develop technology to prevent unexpected failure by predicting the exact remaining useful life (RUL) of the product and determining the point of facility inspection and replacement beforehand. Accordingly, active research is proceeding recently, such as prognostics and health management (PHM), and condition based maintenance (CBM) method for failure prediction. PHM and CBM are technology that collects operating and environmental data related to the failure/lifetime of the equipment and predict failure that it can respond in advance before failure. For this purpose, this study proposes a method to predict the exact remaining useful life by attaching sensors to air purifiers to collect operating and environment data, and to calculate the reduction in the performance of equipment according to the use environment. the methodology proposed in this study is signal processing techniques to remove noise signal from sensor data, and clustering, support vector machine, and deep learning, which are machine learning techniques for calculate and predicting reduction rate by use environment.|산업 분야, 의료 및 사회를 포함한 모든 분야에서 예기치 못한 설비 고장으로 인해 예기치 못한 가동 중단이 발생하여 손실 비용이 높다. 특히, 산업 분야에서 예기치 못한 실패는 장비 및 노동과 관련된 큰 손실 비용을 초래한다. 이러한 문제로 인해 제품의 정확한 잔여 유효 수명 (RUL)을 예측하고 사전에 설비 검사 및 교체 시점을 결정함으로써 예상치 못한 고장을 예방할 수있는 기술 개발이 요구된다. 따라서, 예후 및 건강 관리 (PHM) 및 장애 예측을위한 상태 기반 유지 (CBM) 방법과 같은 연구가 최근 활발하게 진행되고있다. PHM 및 CBM은 장비의 고장 / 수명과 관련된 작동 및 환경 데이터를 수집하고 고장이 발생하기 전에 사전에 대응할 수있는 장애를 예측하는 기술이다. 이를 위해 공기 청정기에 센서를 부착하여 운전 및 환경 데이터를 수집하고 사용 환경에 따른 장비 성능 저하를 계산하여 정확한 잔여 수명을 예측하는 방법을 제안한다. 본 연구에서 제안한 방법론은 센서 데이터로부터 잡음 신호를 제거하는 신호 처리 기법, 클러스터링, 지원 벡터 머신, 심층 학습 등을 사용 환경에 따른 성능 감소값을 계산하고 예측하는 기계 학습 기법이다.