[2] 결과와 인사이트

회전기계 고장유형 AI 데이터 분석 프로젝트의 최종 결과와, 이를 통해 얻은 인사이트를 공유합니다.
프로젝트의 목표였던 고장 유형 예측과 관련하여 머신러닝 모델의 성과를 정리하고, 분석 결과를 바탕으로 도출한 주요 발견과 적용 가능성을 소개하겠습니다.

---

1. 프로젝트 성과: AI 모델의 고장 유형 분류

1.1 모델 성능 요약

이 프로젝트에서 사용된 모델(CNN, LSTM 등)은 각각의 강점을 활용하여 고장 유형 분류에서 높은 성과를 보였습니다.

모델	정확도(Accuracy)	정밀도(Precision)	재현율(Recall)
DNN	88%	86%	85%
CNN	93%	91%	90%
RNN (LSTM)	91%	90%	92%

결과 해석

• CNN 모델:
  • 가장 높은 정확도(93%)를 기록하며, 고장 유형을 효과적으로 분류.
  • 데이터의 국소적인 특징(진동 패턴)을 학습하는 데 강점을 보임.
• RNN (LSTM):
  • 재현율에서 92%로 우수한 성능을 보이며, 시계열 패턴을 안정적으로 학습.

1.2 주요 발견

1. 질량 불균형 데이터:
   • CNN 모델은 질량 불균형 상태에서의 고장 데이터를 가장 정확하게 예측.
2. 지지 불량 데이터:
   • RNN 모델은 장기 의존성을 학습하여, 지지 불량 상태에서 발생하는 점진적 고장 패턴을 잘 감지.
3. 정상과 이상 데이터 간의 구분:
   • 정상 데이터와 고장 데이터를 명확히 분류하여, 공정 관리자가 이상 상황에 빠르게 대응할 수 있는 가능성을 확인.

---

2. 데이터 기반의 인사이트

이번 분석은 데이터의 패턴을 통해 회전기계의 고장 유형과 그 원인을 더 깊이 이해할 수 있는 기회를 제공했습니다.

2.1 고장 유형별 특징

• 질량 불균형:
  • 특정 주파수에서 진동이 과도하게 커지는 경향.
  • 이 특징은 센서 데이터의 주파수 도메인 분석(Frequency Domain Analysis)을 통해 명확히 드러남.
• 지지 불량:
  • 진동 데이터가 점진적으로 증가하면서 특정 시간대를 기점으로 급격히 변화.
  • 이는 공정 초기에 미세한 문제를 사전에 감지하는 데 유용한 패턴을 제공합니다.

---

2.2 시각화 결과

데이터 분석 결과를 효과적으로 전달하기 위해, 시각화를 적극 활용했습니다.

1. 고장 유형별 진동 데이터 분포

• 박스플롯을 통해 정상 데이터와 고장 데이터의 분포 차이를 확인.
• CNN 모델이 가장 잘 학습한 질량 불균형 데이터의 진동 분포를 비교:

import seaborn as sns
import matplotlib.pyplot as plt

sns.boxplot(x='FaultType', y='Vibration', data=processed_data)
plt.show()

2. LSTM의 이상 탐지 시각화

• RNN 모델의 재구성 오류 히트맵을 통해 이상 데이터를 시각적으로 확인.
• 특정 구간에서 고장 데이터가 급격히 변하는 양상을 명확히 표현

import numpy as np
import matplotlib.pyplot as plt

plt.plot(reconstruction_errors, label="Reconstruction Error")
plt.axhline(y=threshold, color='r', linestyle='--', label="Threshold")
plt.legend()
plt.show()

3. 프로젝트의 실제 적용 가능성

3.1 조기 경고 시스템 구축

• 분석 결과를 활용하여, 고장 패턴이 감지될 때 즉각적으로 알림을 보내는 조기 경고 시스템을 설계할 수 있습니다.
• 예를 들면:
  • 질량 불균형 상태에서 특정 주파수 대역의 진동이 증가하면, 경고를 발송.
  • 지지 불량 패턴이 감지되면, 장비 점검을 제안.

---

3.2 유지보수 비용 절감

이 모델을 통해 고장 유형을 조기에 예측함으로써, 계획적인 유지보수를 가능하게 합니다.
이는 비계획적인 설비 고장으로 인한 생산 중단을 줄이고, 유지보수 비용을 크게 절감할 수 있습니다.

---

4. 프로젝트를 마치며: 느낀 점과 한계

4.1 배운 점

• 시계열 데이터의 힘: 시계열 데이터를 분석하며, 단순한 숫자의 흐름 속에 기계의 상태와 문제를 설명할 수 있는 중요한 패턴이 담겨 있음을 다시 한번 깨달았습니다.
• 모델의 적합성: CNN과 RNN은 각기 다른 강점을 가지고 있으며, 데이터를 다각도로 분석할 때 이러한 조합이 큰 효과를 낼 수 있었습니다.

---

4.2 어려움과 극복 과정

• 불균형 데이터 문제: 정상 데이터가 과다하게 많은 상황에서, 고장 데이터를 모델이 제대로 학습하도록 하는 것이 큰 도전이었습니다.
  • 해결 방법: 데이터 증강(Data Augmentation) 기법을 활용해 고장 데이터를 늘림.
• 실제 데이터와의 차이: 테스트베드 데이터는 실제 현장 데이터와 다소 차이가 있을 수 있습니다.
  • 해결 방법: 실제 현장의 데이터를 추가적으로 수집하여 모델 성능을 점진적으로 개선할 계획입니다.

---

5. 향후 계획

5.1 실시간 데이터 분석 시스템

현재는 수집된 데이터를 분석하는 방식으로 진행했지만, 앞으로는 실시간 데이터 스트리밍 환경에서 고장 유형을 즉각적으로 예측하는 시스템을 개발할 계획입니다.

---

5.2 공정 관리와의 통합

이번 모델은 회전기계의 고장 유형을 분석하는 데 효과적이었지만, 더 나아가 스마트 팩토리 전체 공정 관리 시스템과 통합하여 활용 가능성을 확장할 예정입니다.

---

6. 마무리

이번 프로젝트는 회전기계의 고장 데이터를 분석하고, AI 모델을 통해 예측 가능성을 확인하는 값진 과정이었습니다.
특히, 머신러닝과 딥러닝을 활용하여 단순한 진동 데이터를 고장 예측 도구로 발전시켰다는 점에서, 데이터 분석의 무한한 가능성을 다시금 느낄 수 있었습니다.

스마트 팩토리와 AI 기반 품질 관리에 관심 있는 분들께 이번 글이 유용한 인사이트를 제공하길 바랍니다.

감사합니다. 😊

 

https://github.com/siilver94/AI-Analysis-of-Rotating-Machinery-Failure-Types

GitHub - siilver94/AI-Analysis-of-Rotating-Machinery-Failure-Types

https://www.kamp-ai.kr/aidataDetail?AI_SEARCH=%ED%9A%8C%EC%A0%84%EA%B8%B0%EA%B3%84&page=1&DATASET_SEQ=18&EQUIP_SEL=&GUBUN_SEL=&FILE_TYPE_SEL=&WDATE_SEL=

인공지능 제조 플랫폼