표제지
목차
ABSTRACT 9
제1장 서론 10
1.1. 연구 배경 10
1.2. 연구 목적 11
제2장 철도차량 공기압축기 12
2.1. 철도차량 공기압축기의 종류와 특징 12
2.2. 스크루 공기 압축기 13
제3장 고장예지를 위한 머신러닝 16
3.1. 인공신경망 16
3.2. 오토인코더 17
3.3. LSTM 18
제4장 공기압축기 이상탐지 로직 설계 21
4.1. 데이터 수집 및 전처리 21
4.2. LSTM-AE 하이퍼파라미터 결정 26
4.3. MAE와 MSE 29
4.4. 마할라노비스 거리 30
4.5. 동적시간왜곡 31
제5장 시험 결과 32
5.1. 학습 결과 32
5.2. 이상점수에 따른 LSTM-AE 성능 평가 35
제6장 결론 41
참고 문헌 42
부록 44
국문 초록 56
표 4-1. 모델 학습에 사용할 특징의 이름과 기호 22
표 4-2. min-max scaler 적용을 위한 각 특징의 최소값과 최대값 23
표 4-3. LSTM-AE의 하이퍼 파라미터 27
표 5-1. 각 이상점수에 따른 임계값 33
표 5-2. 테스트 데이터에 대한 정확도 35
표 5-3. 오일온도, 주공기통 압력, 압축기 내부 압력의 평균, 분산, 최소값, 최대값, 25,50,75 분위수 38
표 5-4. 이상데이터를 위해 가정한 상황과 데이터를 조작한 수치 39
표 5-5. 각 이상점수를 통해 얻은 이상데이터의 정확도 39
그림 2-1. 철도차량 공기압축기의 사진 12
그림 2-2. 스크루 공기압축기 구조 및 공기/오일 흐름 15
그림 3-1. 오토인코더의 개략도 17
그림 3-2. LSTM 구조와 데이터 흐름 20
그림 4-1. 철도차량 공기압축기에서 수집된 오일온도, 주공기통압력, 압축기 내부압력, 모터전류, 사이클 수 (a) 원본 데이터, (b)정규화된 데이터 24
그림 4-2. 무빙윈도의 개요 25
그림 4-3. LSTM-AE의 데이터 입출력 구조 28
그림 4-4. MAE와 MSE의 개요 29
그림 4-5. 마할라노비스 거리의 개요 30
그림 5-1. LSTM-AE의 학습 결과 32
그림 5-2. 학습 데이터에 대한 이상점수 (a) MAE, (b) MSE, (c)MD, (d) DTW. 34
그림 5-3. 테스트 데이터의 오판단 지점, (a) MAE, (b)MSE, (c)MD, (d)DTW 36