TBM 디스크 커터 비정상 마모 예측을 위한 데이터 증강 기반 머신러닝 연구
Data-augmented machine learning approach for abnormal wear prediction in TBM disc cutters
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
디스크 커터의 마모 예측에 관한 연구는 지속적으로 이루어져 왔으나, 정상 마모와 비정상 마모 간 발생 빈도 차이로 인해 대부분 정상 마모 예측에 초점을 두고 있으며, 비정상 마모에 대한 연구는 상대적으로 부족한 실정이다. 본 연구에서는 데이터 증강을 활용하여 비정상 마모 예측을 위한 머신러닝 모델을 구축하고, 모델 내 특성 중요도 및 그 영향 양상을 분석하였다. 토압식 쉴드 TBM 현장에서 수집된 데이터를 기반으로 마모 유형을 정상 마모와 비정상 마모로 분류하여 데이터세트를 구축하였다. Synthetic Minority Oversampling Technique (SMOTE)와 BorderlineSMOTE의 2가지 데이터 증강 기법을 도입하여 마모 유형 간의 불균형이 해소된 증강 데이터세트를 구축하였다. Random Forest (RF)와 eXtreme Gradient Boosting (XGB)의 머신러닝 기법을 기존 데이터세트와 2가지 증강 데이터세트에 각각 적용하여 총 6가지의 예측 모델을 개발하였다. 예측 성능을 비교한 결과, 증강 데이터 기반 모델은 기존 불균형 데이터 기반 모델에 비해 비정상 마모 탐지 성능이 약 18%에서 38%까지 크게 향상되었으며, 정상 마모와 비정상 마모 간의 성능 차이 또한 감소하는 경향을 보였다. 특히, 최적 모델인 RF-BorderlineSMOTE 모델의 경우에는 정상 마모와 비정상 마모에 대한 재현율이 각각 0.842와 0.836으로 유사하게 나타났으며, 이는 두 마모 유형 간의 결정 경계 인근 데이터를 중심으로 한 증강 방식이 비정상 마모 탐지에 효과적임을 시사한다. 또한, SHapley Additive exPlanation (SHAP) 분석에 따라 챔버압, 추력, 탄성계수가 예측 모델 내 주요 특성으로 식별되었으며, 챔버압과 추력은 비정상 마모 발생 가능성과 양의 상관성을, 탄성계수는 음의 상관성을 보였다.
Abstract
Although numerous studies have addressed disc cutter wear prediction, most have focused on normal wear due to its higher occurrence, resulting in relatively limited research on abnormal wear. This study developed a machine learning model for predicting abnormal wear using data augmentation and analyzed the influence of features on the model predictions based on a dataset obtained from an earth pressure balance (EPB) shield TBM site. Cutter wear was classified into two categories: normal and abnormal wear. To address the class imbalance between the two wear types, the Synthetic Minority Oversampling Technique (SMOTE) and BorderlineSMOTE were applied. A total of six models were constructed using Random Forest (RF) and eXtreme Gradient Boosting (XGB). The prediction results showed that models trained on the augmented datasets improved abnormal wear detection by approximately 18 to 38% compared to those trained on the original imbalanced dataset, while also reducing the performance disparity between the two wear types. In particular, the RF-BorderlineSMOTE model achieved comparable recall values of 0.842 and 0.836 for normal and abnormal wear, respectively, indicating that oversampling near the decision boundary effectively enhanced abnormal wear detection. Furthermore, SHapley Additive exPlanation (SHAP) analysis identified chamber ressure, thrust force and elastic modulus as key predictive features. Increases in chamber pressure and thrust force were associated with a higher risk of abnormal wear, whereas higher elastic modulus was found to reduce this risk.