대표어
학술연구정보서비스(KERIS)
권호기사보기
| 기사명 | 저자명 | 페이지 | 원문 | 기사목차 |
|---|
국회도서관 홈으로
정보검색
소장정보 검색
결과 내 검색
동의어 포함
-
-
목차보기
표제지 2
목차 6
국문 요약 14
제1장 서론 17
제1절 연구 배경 및 목적 17
1. 연구 배경 17
2. 연구 목적 19
제2절 연구 방향 및 구성 21
제2장 관련 연구 24
제1절 설비 모니터링 시스템 선행 연구 24
1. 제조 분야의 머신러닝과 딥러닝 적용 관련 연구 24
2. 설비 운영 상태 분류 관련 연구 31
3. 기존 설비 모니터링 시스템의 기술적 접근법과 한계 33
제2절 머신러닝 워크플로우 35
제3절 시계열 데이터 분석을 위한 딥러닝 모델 37
1. RNN 37
2. LSTM 41
3. GRU 47
제3장 설비 운영 상태 모니터링 시스템 설계 51
제1절 설비 운영 상태 모니터링 시스템 프레임워크 51
제2절 대상 설비 6종 52
제3절 데이터 취득 계측 디바이스 HW 구성 설계 57
1. 계측 디바이스 HW 구성 57
2. 전력 계측기 58
3. LoRaWAN Gateway 58
4. CT(Current Transformer) 59
제4절 계측 데이터 항목 60
제5절 수집 데이터 정보 요약 62
제4장 설비 운영 상태 분석 예측 AI 모델 구현 72
제1절 설비 운영 상태 분석 예측 AI 모델 72
1. ML AI 모델 구현 과정 72
2. ML AI 모델 개발 환경 76
제2절 설비 운영 상태 판별에 영향을 미치는 계측값 간의 상관관계 분석 78
1. 피처 중요도 파악 78
2. 피처들 간의 상관관계 분석 80
제3절 순환신경망 딥러닝에 사용할 데이터 피처 선정 82
제4절 설비 운영 상태 분석 예측 AI 모델 구현 86
1. 학습용 데이터셋 준비 86
2. AI 모델 아키텍처 설계 93
3. AI 모델 하이퍼파라미터 튜닝을 통한 최적화 102
4. AI 모델 학습 및 평가 111
5. 설비별 최적 하이퍼파라미터 결과 분석 및 시사점 120
6. 모델 학습 및 평가 결과 123
제5장 설비 운영 상태 분석 예측 AI 모델 평가 127
제1절 AI 모델 평가 지표를 사용한 성능 평가 127
1. 혼동 행렬 평가 127
2. 정확도, 정밀도, 재현율, F1-Score 평가 129
3. ROC-Curve, AUC 평가 136
4. 모델의 종합 평가 139
제2절 다른 분류 모델과의 성능 비교 평가 140
1. 정확도 비교 평가 142
2. F1-Score 비교 평가 143
제3절 실제 운영 데이터와 모델 예측 결과 비교 149
제6장 클라우드 기반 설비 운영 상태 모니터링 시스템 구축 152
제1절 AI 모델 적용 클라우드 기반 설비 운영 상태 모니터링 시스템 구축 방안 152
제2절 서비스 대시보드 구성 155
제7장 결론 162
제1절 연구 결과 및 시사점 162
제2절 연구의 한계 및 향후 과제 166
참고문헌 169
Abstract 183
〈그림 1-1〉 연구 배경 17
〈그림 1-2〉 연구의 구성 23
〈그림 2-1〉 제조 업무 중심의 머신러닝과 데이터마이닝 연구 분류 26
〈그림 2-2〉 제조업에 적용된 전반적인 KDD 프로세스 27
〈그림 2-3〉 머신러닝 라이프사이클 단계 36
〈그림 2-4〉 루프를 포함하는 순환신경망(RNN) 38
〈그림 2-5〉 펼쳐진 순환신경망(RNN) 39
〈그림 2-6〉 RNN의 은닉층과 출력층 값 계산 39
〈그림 2-7〉 RNN 은닉층의 벡터 행렬 연산 예 40
〈그림 2-8〉 Vanilla RNN의 장기 의존성 문제 42
〈그림 2-9〉 LSTM의 전체적인 내부 모습 42
〈그림 2-10〉 셀 상태(cell state)의 역할 43
〈그림 2-11〉 입력 게이트 44
〈그림 2-12〉 망각 게이트 45
〈그림 2-13〉 셀 상태(cell state) 45
〈그림 2-14〉 출력 게이트 46
〈그림 2-15〉 GRU 48
〈그림 3-1〉 설비 운영 상태 모니터링 AI 모델 구현 프레임워크 51
〈그림 3-2〉 (사)K 진흥회 보유 공작기계 53
〈그림 3-3〉 본 논문 적용 대상 설비(6종) 54
〈그림 3-4〉 K 진흥회의 장비 실가동시간 일일점검표 56
〈그림 3-5〉 전력 계측 수집을 위한 설치 센서 디바이스 57
〈그림 3-6〉 전력 계측기의 분전반 설치 구성 예시 58
〈그림 3-7〉 용량별 다양한 Split-Core 타입 CT 59
〈그림 3-8〉 5면 머시닝센터 25호기 계측 시계열 데이터 64
〈그림 3-9〉 5축 머시닝센터 5호기 계측 시계열 데이터 65
〈그림 3-10〉 CNC 방전기 대형 계측 시계열 데이터 66
〈그림 3-11〉 CNC 방전기 소형 계측 시계열 데이터 67
〈그림 3-12〉 머시닝센터 12호기 계측 시계열 데이터 68
〈그림 3-13〉 와이어 커팅기 대형 계측 시계열 데이터 69
〈그림 3-14〉 각 설비의 정지/대기/가동 상태별 데이터 분포 70
〈그림 4-1〉 머신러닝 워크플로우 72
〈그림 4-2〉 RandomForestClassifier를 활용한 피처 중요도 분석 79
〈그림 4-3〉 Random Forest 분류를 통한 피처 중요도 79
〈그림 4-4〉 TP_AnalysisState와의 피어슨 상관계수 80
〈그림 4-5〉 높은 상관계수를 갖는 피처들 81
〈그림 4-6〉 유효전력, 피상전력, 무효전력 관계 83
〈그림 4-7〉 샘플 데이터셋 87
〈그림 4-8〉 슬라이딩 윈도우 시계열 데이터 88
〈그림 4-9〉 학습, 검증, 테스트 데이터셋 분할 92
〈그림 4-10〉 RNN 모델 처리 과정 93
〈그림 4-11〉 슬라이딩 윈도우 구성 샘플 데이터 95
〈그림 4-12〉 RNN/LSTM/GRU Layer 96
〈그림 4-13〉 은닉층, 출력층의 값 계산 97
〈그림 4-14〉 은닉 상태와 출력값의 계산 텐서 표현 예 99
〈그림 4-15〉 Optuna 하이퍼파라미터 최적화 프레임워크 103
〈그림 4-16〉 하이퍼파라미터 최적화를 위한 데이터 준비 과정 106
〈그림 4-17〉 와이어 커팅기 대형에 대한 하이퍼파라미터 튜닝 수행 예 107
〈그림 4-18〉 최적화 히스토리 플롯 108
〈그림 4-19〉 하이퍼파라미터 중요도 108
〈그림 4-20〉 Parallel Coordinate Plot 109
〈그림 4-21〉 하이퍼파라미터 슬라이스 슬롯 110
〈그림 4-22〉 모델 학습을 위한 데이터셋 준비 111
〈그림 4-23〉 Class 가중치 계산 예 116
〈그림 4-24〉 와이어 커팅기 대형의 모델 학습 결과 예시 120
〈그림 4-25〉 5면 머시닝센터 25호기 모델 학습 결과 124
〈그림 4-26〉 5축 머시닝센터 5호기 모델 학습 결과 124
〈그림 4-27〉 CNC 방전기 대형 모델 학습 결과 124
〈그림 4-28〉 CNC 방전기 소형 모델 학습 결과 125
〈그림 4-29〉 머시닝센터 12호기 모델 학습 결과 125
〈그림 4-30〉 와이어 커팅기 대형 모델 학습 결과 125
〈그림 5-1〉 와이어 커팅기 대형의 혼동 행렬(TP, TN, FP, FN) 정의 128
〈그림 5-2〉 와이어 커팅기 대형의 정밀도, 재현율 계산 129
〈그림 5-3〉 와이어 커팅기 대형의 정확도 계산 130
〈그림 5-4〉 5축 머시닝센터 5호기의 혼동 행렬과 결과 리포트 132
〈그림 5-5〉 5면 머시닝센터 25호기의 혼동 행렬과 결과 리포트 132
〈그림 5-6〉 CNC 방전기 대형의 혼동 행렬과 결과 리포트 132
〈그림 5-7〉 CNC 방전기 소형의 혼동 행렬과 결과 리포트 133
〈그림 5-8〉 머시닝센터 12호기의 혼동 행렬과 결과 리포트 133
〈그림 5-9〉 와이어 커팅기 대형의 혼동 행렬과 결과 리포트 133
〈그림 5-10〉 구현 모델의 정확도, 정밀도, 재현율, F1-Score 그래프 135
〈그림 5-11〉 ROC Curve 137
〈그림 5-12〉 6종 설비의 ROC Curve, AUC 138
〈그림 5-13〉 모델별 정확도 비교 143
〈그림 5-14〉 모델별 F1-Score(정지) 비교 144
〈그림 5-15〉 모델별 F1-Score(대기) 비교 146
〈그림 5-16〉 모델별 F1-Score(가동) 비교 147
〈그림 5-17〉 설비별 실제 운영 상태와 AI 모델의 예측 비교 150
〈그림 6-1〉 설비 운영 모니터링 시스템 아키텍처 152
〈그림 6-2〉 AI 모델 생성 시퀀스 다이어그램 153
〈그림 6-3〉 AI 모델 예측 시퀀스 다이어그램 154
〈그림 6-4〉 설비 운영 상태 모니터링 서비스 대시보드 155
〈그림 6-5〉 AI 모델 기반 설비 운영 상태 자동 판별 대시보드 156
〈그림 6-6〉 전력 사용량 기반의 설비 가동 상태 자동 판별 예시 화면 156
〈그림 6-7〉 AI 모델 적용 사례 1 157
〈그림 6-8〉 AI 모델 적용 사례 2 158
초록보기
본 논문은 제조설비의 운영 상태 판단, 예측 및 모니터링 시스템 구축을 위한 딥러닝 기반 접근법을 제시한다. 4차 산업혁명 시대에 제조업의 스마트 제조와 예측 유지보수 시스템의 중요성이 증가하고 있으며, 이를 실현하기 위한 핵심기술로 인공지능(AI)과 사물 인터넷(IoT)이 주목받고 있다. 본 연구 의 주된 목적은 제조설비의 실시간 운영 상태를 판단, 예측하고 이를 기반으로 이상 감지 및 예측 가능한 유지보수 지원 시스템을 구축하는 것이다. 연구는 RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 등 시계열 데이터 분석에 특화된 딥러닝 모델을 사용하여 제조설비의 운영 상태를 ‘정지’, ‘대기’, ‘가동’ 3가지 상태로 판단, 예측하고, 이를 클라우드 기반 IoT 플랫폼에 통합하여 실시 간 데이터를 수집, 분석 및 시각화하는 방법론을 제시한다.
본 연구의 주요 목표는 다음과 같이 세 가지다. 첫째 목표는 제조설비의 시계열 데이터(전류, 전압, 전력 사용량 등)를 효율적으로 수집하고 이를 기반으로 설비의 운영 상태를 자동으로 판별하는 딥러닝 모델을 개발하는 것이다. 연구에서는 데이터의 불균형 문제(data imbalance)를 효과적으로 해결하기 위해 Focal Loss와 같은 손실함수(loss function) 기법을 적용하고, Optuna 라이브러리를 활용한 하이퍼파라미터 최적화(hyperparameter optimization) 를 통해 모델 파라미터를 미세 조정하여 모델 성능을 향상시켰다. 또한, 데이터 수집은 Thingplus와 같은 클라우드 기반 IoT 플랫폼을 통해 이루어지며, 이는 설비의 상태를 실시간으로 모니터링하고 예측할 수 있는 시스템의 핵심 요소로 작용한다. 둘째 목표는 AI 기반 판단 예측 모델을 설계하고, 이를 실제 제조 환경에 적용할 수 있는 운영시스템을 구축하는 것이다. 이를 위해 본 연구에서는 제조설비의 운영 상태를 판별하는 데 필요한 주요 피처 (feature)를 선정하고, 이를 기반으로 RNN, LSTM, GRU 모델을 비교 분석하여 최적의 예측 모델을 도출했다. 모델 학습은 슬라이딩 윈도우(sliding window) 기법을 적용하여 시계열 데이터의 연속성을 유지하며, 모델 평가 지표로는 혼동 행렬(confusion matrix), 정확도(accuracy), 정밀도 (precision), 재현율(recall), F1-Score, ROC-AUC를 사용하여 모델의 성능을 종합적으로 평가했다. 셋째 목표는 클라우드 기반 실시간 설비 모니터링 시스템을 설계하고 구축하는 것이다. 본 연구에서는 데이터 수집과 모니터링 의 효율성을 극대화하기 위해 IoT 센서와 LoRaWAN 통신 방식을 활용한 실시간 데이터 전송 시스템을 제시했다. 연구에서 제안한 시스템은 클라우드 서버에 실시간으로 데이터를 전송하고, 이를 분석하여 설비의 운영 상태를 예측하며, 대시보드를 통해 사용자가 직관적으로 설비 상태를 파악하고 이상을 경고할 수 있는 기능을 제공한다.
이 연구의 기여점 중 하나는 소규모 및 중견기업(SME)을 위한 시스템의 단순함과 경제성에 중점을 둔 것이다. 기존의 전통적인 산업 모니터링 시스템 은 높은 초기 비용과 기술적 복잡성으로 인해 다수 기업들의 시스템 도입에 많은 제약이 있지만, 제안된 시스템은 기존 설비와의 광범위한 통합 없이 쉽게 접할 수 있는 전력 센서를 사용하여 운영 데이터를 수집한다. 이 방법은 설치 비용과 구현 시간을 줄여주며, 제한된 자원을 가진 기업들도 예측 유지 보수를 쉽게 도입할 수 있도록 한다.
실험 결과, 제안된 딥러닝 모델은 기존의 전통적인 예측 모델에 비해 제조 설비의 운영 상태를 보다 정확하게 예측할 수 있음을 확인하였다. 특히 RNN 기반 모델은 시계열 데이터의 비선형성과 시간적 의존성을 잘 학습하여 예측 정확도를 높였다. 또한, 클라우드 기반 IoT 시스템을 활용한 실시간 데이터 수집과 예측 분석은 작은 규모의 기업에서도 저비용으로 적용 가능한 시스템을 제공한다는 점에서 경제적이고 실용적인 솔루션을 제시한다.
결론적으로, 본 연구는 스마트 제조를 위한 예측 유지보수 시스템의 실현 가능성을 보여주며, 딥러닝 기반 AI 모델을 통해 제조설비의 운영 효율성을 극대화할 수 있음을 증명하였다. 또한, 본 연구에서 제안한 클라우드 기반 IoT 플랫폼과 딥러닝 모델의 통합은 다양한 산업 분야에서 확장할 수 있는 예측 분석 시스템을 제공할 수 있음을 시사한다. 연구 결과는 제조업뿐만 아 니라 다양한 산업 분야에서 스마트화를 가속하는데 기여할 것으로 기대된다.MARC 보기
오류 데이터 정정요청
*표시는 필수 입력사항입니다.
알림톡 발송
| 전화번호 |
|---|
개인정보 수정 바로가기
연속간행물 권호 선택
우편복사 안내
- ◾ 도서관을 방문하지 못할 경우 인터넷, 팩스 등으로 자료 복사를 신청하고, 복사물을 우편·팩스 등으로 제공받는 서비스
- ◾ 대상자료: 일반도서, 연속간행물 및 학위논문
- ※ 고서, 고잡지, 훼손될 우려가 있는 자료, 마이크로폼 자료 및 신문 등 제외
- ◾ 신청 책수: 1인 5책 이하(1일 기준)
- ◾ 신청 절차: 자료 검색 → 우편복사 목록담기 → 복사 범위 입력 → 우편복사 주문서 입력 → 접수 및 확인
- ※ 저작권법에 의거하여 부분 복사(전체 페이지 수의 1/3 범위 이내)만 가능
- ◾ 복사 범위 입력 예시: (연속 페이지) 1-30, (부분 페이지) 25, 30-40
| 번호 | 발행일자 | 권호명 | 제본정보 | 자료실 | 원문 | 신청 페이지 |
|---|
도서위치안내(서울관)
도서위치안내: / 서가번호:
0
확인
우편복사 목록담기를 완료하였습니다.
내서재에 담기
새로운 서재
*표시는 필수 입력사항입니다.
저장
저장 되었습니다.