기계학습을 이용한 항공기엔진 터보팬 잔여 수명 및 정비 시점 예측 = Prediction of RUL(Remaining Useful Life) and maintenance schedule of turbofan engine using machine learning

국문 초록 (Abstract)

고가의 장비를 운용함에 있어 가용도(Availability)가 높은 장비를 운용하는 것은 전장에서 임무 수행 시 중요하다. 가용도 향상을 위한 주요한 두 가지 요소는 신뢰도(Reliability)와 정비도(Maintainability)이다. 고장의 발생률을 낮게 하고 신뢰도를 높이기 위해서는 온도, 진동, 스트레스 등 환경에 강한 부품 즉 품질이 높은 부품을 사용하는 것이고 정비도를 높이기 위해서는 모듈화된 설계로 정비시간이 짧게 하는 것이다.
정비는 고장 발생 시 수행하는 고장정비(Corrective Maintenance)와 고장 발생을 예방하기 위해 주기적으로 수행하는 예방정비(Preventive Maintenance)로 나눌 수 있다. 예방정비는 신뢰도중심정비(RCM) 논리도를 기반으로 작성하게 되며 일간, 주간, 월간, 분기, 년간 정비소요를 결정하게 된다. 하지만 장비 건강 상태를 고려하지 않은 계획적이며 주기적인 정비는 필요 이상의 많은 자원의 소모를 유발하게 된다. 잦은 예방정비는 장비의 고장을 줄이기 위해 효율적이지만 가용도 저하 및 경제적인 측면에서 부정적이다.
이에 기계학습을 통해 잔여수명을 예측하고 장비에 대한 적정 예방정비 시점을 판단함으로써 총예방정비시간을 줄여 운용가용도를 높힐 수 있는 방안을 제시한다.
장비 개발 시 운용시험를 하게 되는데 초기운용부터 고장발생 시까지 발생하는 장비환경값(Environmental Setting Value), 센서값(Sensor Value) 데이터 및 고장 시까지의 잔여수명을 저장하여 두고 그 데이터를 기계학습하여 장비수명 및 정비 시기를 예측한다.
다양한 기계학습(Machine Learning)의 방법을 통해 기계학습 후 회귀(Regression)를 통한 잔여수명(RUL) 예측과 분류(Classification)를 통해 정비 시점을 알고리즘 별로 비교한다. 훈련데이터셋을 학습과 훈련으로 나누어 학습 및 검증을 수행하고 시험데이터로 예측을 수행하여 결과값을 산출하도록 한다. 분류에서는 Support Vector Machine 방법이 그리고 회귀에서는 K Neighbor Regressor 방법이 가장 좋은 성능을 나타냈다.
항공기 엔진 운용시 생성되는 장비운용로그(Log)나 센서(Sensor)값과 같은 장비 상태값을 기반으로 장비의 잔여수명(RUL;Remaining Useful Life)과 고장발생 시기를 예측할 수 있었음을 실험을 통해 알아보았다. 분류와 회귀기법을 통해 현재 상태를 학습시킨 후 유사한 환경에 대해 장비 상태를 예측하였다. 예방정비를 주기적으로 수행하지 않고 장비의 잔여수명 및 상태에 따라 예방정비를 수행함으로써 장비의 운용가용도를 향상 시킬 수 있었다.
정확한 데이터의 수집과 전처리 그리고 다양한 알고리즘의 접목으로 수명 및 정비시기를 예지하여 선제 정비 대응할 수 있어 무기체계에 대해 경제적이며 효용성 있는 능동적 정비방안을 제시한다.

목차 (Table of Contents)

• 1. 서론 1
• 가. 연구의 배경 및 목적 1
• 나. 연구의 내용 및 방법 2
• 2. 관련연구 3
• 가. RAM(신뢰도, 정비도, 가용도) 3
• 1) 신뢰도(Reliability) 3
• 2) 정비도(Maintainability) 3
• 3) 가용도(Availability) 3
• 나. 기존 정비시점 예측 이론 5
• 1) 고장률 기반 신뢰도를 통한 예측 5
• 2) 고장유형영향 및 치명도 분석(FMECA)과 신뢰도중심정비(RCM) 5
• 다. 정비 이론 6
• 1) 사후 고장정비(Reactive Maintenance) 6
• 2) 예방정비(Preventive Maintenance) 6
• 3) 상태예측정비(Predictive Maintenance) 6
• 4) 고장예지 및 건전성 관리 정비(Prognostic and Health Management) 6
• 라. 인공지능, 기계학습, 딥러닝 7
• 마. 기계학습 8
• 1) 지도학습(Supervised Learning) 8
• 2) 비지도학습(Unsupervised Learning) 8
• 3) 강화학습(Reinforcement Learning) 9
• 바. 기계학습 기반 관련 선행연구 9
• 3. 기계학습을 이용한 항공기엔진 터보팬 잔여 수명 및 정비 시점 예측 10
• 가. 기계학습 흐름도 10
• 나. 기계학습을 통한 분류분석 10
• 다. 기계학습을 통한 회귀분석 11
• 4. 설계 및 구현 12
• 가. 실험환경 및 시스템 구성 12
• 나. 프로그램 라이브러리 12
• 다. 프로그램 검증 13
• 라. 독립변수와 종속변수 13
• 5. 실험 및 성능평가 14
• 가. 기계학습에 적용된 데이터 14
• 1) 훈련셋 15
• 2) 테스트셋 16
• 나. 데이터 전처리 16
• 1) 정규화(Normalization) 16
• 2) 표준화(Standardization) 17
• 다. 특징인자 선택 17
• 라. 실험방법 19
• 1) 분류 19
• 2) 회귀 22
• 마. 실험결과 24
• 1) 분류성능평가 이론 24
• 2) 회귀성능평가 이론 25
• 3) 분류결과 25
• 4) 회귀결과 27
• 6. 결과분석, 개선 및 활용 31
• 가. 개선의 결과 32
• 1) 분류 32
• 2) 회귀 35
• 나. 결론 및 연구의 활용 37