지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김용수
- 발행연도
- 2021
- 저작권
- 경기대학교 논문은 저작권에 의해 보호받습니다.
이용수39
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 4차 산업혁명 및 센서 기술의 발전으로 인해 여러 기능이 결합된 복잡한 시스템에서 고장이 발생하기 전 유지보수를 위한 예방보전의 중요성이 대두되고 있다. 이에 따라 고장예지 및 건전성 관리(Prognosis and health management, PHM) 관련 기술이 활발히 연구되고 있다. 이 중 시스템의 잔여수명(Remaining useful life, RUL)을 신뢰성 있게 예측하는 것은 매우 중요한 과제 중 하나이다. 항공기 터보팬 엔진의 잔여수명을 예측하기 위한 연구가 다수 존재하며, 항공기의 성공적인 유지보수 및 안전을 보장하기 위해서는 터보팬 엔진의 관리가 필수적인 요소이다. 터보팬 엔진의 잔여수명 예측 성능 향상을 위한 다양한 딥러닝 모델이 개발되었다. 그러나 해당 모델의 예측 결과를 설명하고 예측 결과에 미치는 변수의 중요도를 파악하는 연구는 아직 미흡하다. 예측 정확도를 높이는 동시에 딥러닝 모델 해석 및 변수의 기여도를 파악하는 것에 대한 중요성이 대두되고 있으며 이에 따라 설명가능한 인공지능에 관한 연구가 또한 다방면으로 이루어지고 있다.
본 연구에서는 대표적으로 활용되는 총 6가지 딥러닝 모델을 통해 항공기 터보팬 엔진의 잔여수명을 예측하였다. 그리고 설명가능한 인공지능(Explainable artificial intelligent, XAI) 기술을 통해 모델별 변수 중요도를 도출하였다. 또한 설명가능한 인공지능 기술 중 SHAP 알고리즘 기반의 변수 선택 방법을 제안하고 변수 개수에 따른 잔여수명 예측 성능 변동 및 경향을 파악하였다.
본 연구를 통해 다양한 딥러닝 모델의 설명 가능성을 제기할 수 있으며 설명가능한 인공지능의 활용성을 입증할 수 있다. 설명가능한 인공지능 활용을 통해 중요 변수를 확인하였으며, 이를 통해 터보팬 엔진의 관리를 위한 주요 구성부품을 파악하였다. 덧붙여 설명가능한 인공지능을 활용한 변수 선택 기법을 통해 해당 시스템의 상태 파악 및 잔여수명 예측을 위해 필요한 최소한의 센서 개수를 제시할 수 있다. 본 연구에서 제안된 방법을 통해 복잡한 시스템의 잔여수명을 예측하고 이에 대한 해석을 통해 센서 감축을 통한 비용 감소 및 시스템의 효율적인 유지보수 정책 수립에 활용될 수 있을 것으로 기대된다.
본 연구에서는 대표적으로 활용되는 총 6가지 딥러닝 모델을 통해 항공기 터보팬 엔진의 잔여수명을 예측하였다. 그리고 설명가능한 인공지능(Explainable artificial intelligent, XAI) 기술을 통해 모델별 변수 중요도를 도출하였다. 또한 설명가능한 인공지능 기술 중 SHAP 알고리즘 기반의 변수 선택 방법을 제안하고 변수 개수에 따른 잔여수명 예측 성능 변동 및 경향을 파악하였다.
본 연구를 통해 다양한 딥러닝 모델의 설명 가능성을 제기할 수 있으며 설명가능한 인공지능의 활용성을 입증할 수 있다. 설명가능한 인공지능 활용을 통해 중요 변수를 확인하였으며, 이를 통해 터보팬 엔진의 관리를 위한 주요 구성부품을 파악하였다. 덧붙여 설명가능한 인공지능을 활용한 변수 선택 기법을 통해 해당 시스템의 상태 파악 및 잔여수명 예측을 위해 필요한 최소한의 센서 개수를 제시할 수 있다. 본 연구에서 제안된 방법을 통해 복잡한 시스템의 잔여수명을 예측하고 이에 대한 해석을 통해 센서 감축을 통한 비용 감소 및 시스템의 효율적인 유지보수 정책 수립에 활용될 수 있을 것으로 기대된다.
목차
제 1 장 연구배경 및 목표 1제 1 절 연구 배경 및 필요성 1제 2 절 연구 목표 3제 2 장 관련문헌 연구 5제 3 장 연구프로세스 및 방법론 11제 1 절 연구 프로세스 11제 2 절 사용 방법론 13제 1 항 DNN(Deep neural network) 13제 2 항 CNN(Convolutional neural network) 14제 3 항 RNN(Recurrent neural network) 16제 4 항 LSTM(Long short-term memory) 18제 5 항 GRU(Gated recurrent units) 19제 6 항 Bi-LSTM(Bidirectional LSTM) 21제 7 항 SHAP(Shapley additive explanations) 23제 4 장 실험평가 및 분석 25제 1 절 분석 데이터 25제 2 절 데이터 분석 26제 1 항 데이터 전처리 및 데이터 준비 28제 2 항 잔여수명 예측 31제 3 항 SHAP을 통한 중요변수 파악 및 변수 제거 34제 3 절 실험결과 및 분석 36제 1 항 Explainable AI를 통한 중요변수 파악 36제 2 항 변수선택에 따른 잔여수명 예측 성능 변동 파악 40제 5 장 결 론 50참고문헌 52Abstract 57
최근 본 자료
댓글(0)
0