스마트 팩토리에서의 선제적 유지보수 시점탐색 및 원인분석 기술 연구
Research on Technology for Proactive Maintenance Timing and occasion Analysis in Smart Factories
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
스마트 팩토리는 제조업의 생산성과 효율성을 높이기 위해 과거에 독립적인 네트워크를 구성하였으나, 최근 정보공유 및 유지보수 목적으로 외부 네트워크와 연결되면서 사이버 위협이 증가하고 있다. 시간이 지날수록 고도화되는 사이버 공격에 대응하고자, 외부로부터 침입이나 비정상 징후를 탐지하기 위해 이상 탐지 연구가 계속되고 있다. 하지만, 광범위한 스마트 팩토리에서 발생하는 이상 징후를 분석하기에 많은 시간과 비용이 소요되는 문제가 있으며, 수천 개의 센서를 확인해야 한다. 본 논문에서는 현장 분석가의 해석을 중심으로 데이터를 분석하여 예지보전하고 원인을 해석하기 위한 기술을 제안한다. 실제 공작기계 센서에서 감지된 진동 값을 고속 푸리에 변환 전처리 과정을 거친다. 이를 통해 얻은 데이터로 누적분포함수와 Bi-LSTM 모델로 이상 징후를 사전에 파악하였다. 광범위한 부품 중 이상 징후가 발생하는 데이터를 수집함으로써 고장 발생 시점을 사전에 예측하고, 보전 활동의 신뢰성을 높일 수 있을 것으로 기대한다.
Abstract
Smart factories were originally designed with independent networks to enhance productivity and efficiency in manufacturing. However, in recent times, as they are being connected to external networks for the purposes of information sharing and maintenance, cyber threats have been increasing. As cyber attacks become increasingly sophisticated over time, research on anomaly detection continues in order to detect intrusions or abnormal signs from external sources. However, there is a problem that it takes a lot of time and cost to analyze abnormal signs that occur in a large-scale smart factory, and thousands of sensors need to be checked. This paper proposes a technology for predictive maintenance and interpretation of causes through data analysis, focusing on the interpretation of field analysts. The vibration values detected by sensors on actual machine tools are preprocessed through a high-speed Fourier transform process. Using the data obtained from this, we were able to predict anomalies in advance through cumulative distribution functions and a Bi-LSTM model. By collecting data on parts with anomalies among a wide range of components, it is expected to predict the occurrence of malfunctions in advance and increase the reliability of maintenance activities.
참고문헌 (20)
- 이승준, "스마트팩토리 시스템 비교 연구", 한국정보통신학회 종합학술대회 논문집, 26(2), pp.444~446 (2022)
- 산업제어시스템의 보안기술 동향과 전망, "Y. -T. Cha", 79~100, pp.KEIT PD Issue Report, 13(6) (2013)
- 이국진, "인공지능을 활용한 네트워크 이상징후 탐지에 대한 연구", 석사, pp.2018
- 김충겸, "LSTM 기반 반도체 제조 데이터 이상 탐지", 한국정보과학회 학술발표논문집, pp.760~762 (2017)
- 사공운, "스마트 팩토리를 위한 빅 데이터 기반 분석 플랫폼", 정보과학회 컴퓨팅의 실제 논문지, 24(11), pp.603~613 (2018), 한국정보과학회[DOI]
- 남현우, "Smart Factory Big Data를 활용한 공정 이상 탐지 프로세스 적용 사례 연구", 응용통계연구, 34(1), pp.99~114 (2021), 한국통계학회
- 예지정비를 통한 안전관리시스템 혁신, "기계저널", 2015, 58~60
- 유기성, "스마트공장 설비진단 및 예지보전 기술의 발전 동향", 한국통신학회지(정보와 통신), 37(7), pp.36~42 (2020)
- 권대훈, "스마트 팩토리를 위한 예지보전 기술", 한국정보통신학회 종합학술대회 논문집, 25(1), pp.172~174 (2021)
- 김대훈, "고속 푸리에 변환을 이용한 광 리소그래피 공정에서의 공기방울 탐지 알고리즘에 관한 연구", Doctoral, pp.2015
- 박범준, "Fast Fourier Transform을 이용한 풍력발전의 출력 분석", 87~88 (2015)
- 한승연, "유틸리티 설비를 포함한 공정의 누적분포함수를 이용한 잔여수명 평가 방법", 석사, pp.2016
- 박태진, "LSTM 학습모델의 성능 향상을 위한 디지털 신호 필터의 비교연구 (학습 모델 예측 성능 향상에 영향을 미치는 비트코인 시계열 데이터 전처리 및 스무딩 기법 적용)", 한국컴퓨터정보학회논문지, 28(1), pp.17~26 (2023), 한국컴퓨터정보학회[DOI]
- 김재호, "코로나 확진자 수 예측을 위한 BI-LSTM과 GRU 알고리즘의 성능 비교 분석", 한국정보통신학회논문지, 26(2), pp.187~192 (2022), 한국정보통신학회[DOI]
- 김홍비, "정보보호 분야의 XAI 기술 동향", 정보보호학회지, 31(5), pp.21~31 (2021)
- 이수진, "반도체 공정 데이터 분석을 위한 XAI 적용", 대한전자공학회 학술대회, pp.1145~1147 (2022)
- Moyne, J, "Big data analytics for smart manufacturing: Case studies in semiconductor manufacturing", Processes, 5(3), pp.39~ (2017)
- Han, Y, "전기 장비의 상태 모니터링 기술 및 문헌 조사", IEEE Transactions on Power delivery, 18(1), pp.4~13 (2003)
- Dalpiaz, G., "Condition monitoring and diagnostics in automatic machines: comparison of vibration analysis techniques", 11(1), pp.53~73 (1997)
- Next generation advanced process control: Leveraging big data and prediction, "Moyne, J.", IEEE, 191~196 (2016)