불균형 데이터를 갖는 냉동 컨테이너 고장 판별 및 원인 분석을 위한 기계학습 모형 개발

국문 초록 (Abstract)

냉동 컨테이너의 고장은 큰 비용의 손실을 야기하지만, 현재 냉동 컨테이너의 알람 체계는 효율성이 떨어진다. 기존에 냉동 시스템의 시뮬레이션 데이터를 활용한 연구는 존재하지만, 냉동 컨테이너의 실제 운영 데이터를 활용한 연구는 부족하다. 이에 본 연구는 실제 냉동 컨테이너 운영 데이터를 활용하여 고장 원인을 분류하였다. 실제 데이터 에서는 데이터 불균형이 발생하였으며 ENN-SMOTE, 클래스 가중치를 둔 Logistic 회귀분석과 본 연구에서 개발한 2-stage 알고리즘을 비교하여 데이터 불균형문제를 해결하였다. 2-stage 알고리즘은 XGboost, LGBoost, DNN을 사용하여 첫 번째 단계에서는 고장 및 정상을 분류하고, 두 번째 단계에서는 고장의 원인을 분류하는 알고리즘이다. 2-stage 알고리즘에서 LGBoost를 사용한 모델이 99.16%의 정확도로 가장 우수하였다. 본 연구는 데이터 불균형을 해결하기 위해 2-stage 알고리즘을 활용한 최종모델을 제안하며 이는 다른 산업에도 활용할 수 있을 것으로 사료된다.

다국어 초록 (Multilingual Abstract)

The failure of the reefer container causes a great loss of cost, but the current reefer container alarm system is inefficient. Existing studies using simulation data of refrigeration systems exist, but studies using actual operation data of refrigeration containers are lacking. Therefore, this study classified the causes of failure using actual refrigerated container operation data. Data imbalance occurred in the actual data, and the data imbalance problem was solved by comparing the logistic regression analysis with ENN-SMOTE and class weight with the 2-stage algorithm developed in this study. The 2-stage algorithm uses XGboost, LGBoost, and DNN to classify faults and normalities in the first step, and to classify the causes of faults in the second step. The model using LGBoost in the 2-stage algorithm was the best with 99.16% accuracy. This study proposes a final model using a two-stage algorithm to solve data imbalance, which is thought to be applicable to other industries.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 이론적 배경
• 2.1 기계 학습
• 2.2 선행연구
• 3. 데이터 및 연구 모델
• 3.1 데이터 설명
• 3.2 데이터 전처리
• 3.3 불균형 데이터 처리
• 3.4 최종 프로세스
• 3.5 성능지표
• 4. 분석 결과
• 4.1 1단계 : Detect Model
• 4.2 2단계 : Classification Model
• 4.3 최종 결과
• 5. 결론
• REFERENCES

참고문헌 (Reference)

1 박상갑 ; 박용길 ; 신영란, "冷凍컨테이너 貨物損傷의 改善方案에 관한 硏究" 한국항해항만학회 36 (36): 803-810, 2012

2 이강배 ; 박성호 ; 이희원 ; 이승재 ; 이승현, "냉동시스템 고장 진단 및 고장유형 분석을 위한 3단계 분류 알고리즘에 관한 연구" 한국융합학회 12 (12): 31-37, 2021

3 이강배 ; 박성호 ; 성상하 ; 박도명, "기계학습 기법을 이용한 CNC 공구 마모도 예측에 관한 연구" 한국융합학회 10 (10): 15-21, 2019

4 윤유동 ; 양영욱 ; 지혜성 ; 임희석, "기계 학습 방법을 이용한 활동 프로파일 기반의 스마트 시니어 분류 모델 개발" 한국융합학회 8 (8): 25-34, 2017

5 박홍진, "‘인공지능’, ‘기계학습’, ‘딥 러닝’ 분야의 국내 논문 동향 분석" 한국정보전자통신기술학회 13 (13): 283-292, 2020

6 A. Kan, "The characteristics of cargo temperature rising in reefer container under refrigeration-failure condition" 123 : 1-8, 2021

7 A. More, "Survey of resampling techniques for improving classification performance in unbalanced datasets"

8 P. Tang, "Reefer Container Monitoring System" IEEE 1-6, 2019

9 Yuqiang Fan, "Feasibility and improvement of fault detection and diagnosis based on factory-installed sensors for chillers" Elsevier BV 164 : 114506-, 2020

10 X. Liu, "Fault diagnosis of chillers using very deep convolutional network" IEEE 1274-1279, 2018

11 B. Jin, "Detecting and diagnosing incipient building faults using uncertainty information from deep neural networks" 1-8, 2019

12 Julie Loisel, "Cold chain break detection and analysis: Can machine learning help?" Elsevier BV 112 : 391-399, 2021

13 Guannan Li, "An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm" Elsevier BV 116 : 104-113, 2016

14 Guannan Li, "An explainable one-dimensional convolutional neural networks based fault diagnosis method for building heating, ventilation and air conditioning systems" Elsevier BV 203 : 108057-, 2021

15 Yalan Wang, "A practical chiller fault diagnosis method based on discrete Bayesian network" Elsevier BV 102 : 159-167, 2019

16 S. B. Yang, "A Study on the Monitering Systems of Reefer Containers"