딥러닝 기반 전력 데이터 분석을 통한 제조설비 운영 상태 예측 시스템 구축 = Development of a Manufacturing Equipment Operational State Prediction System through Deep Learning-Based Power Data Analysis

다국어 초록 (Multilingual Abstract)

The convergence of Artificial Intelligence (AI) and the Internet of Things (IoT) has transformed predictive maintenance and operational efficiency in the manufacturing sector. This dissertation presents an advanced deep learning-driven methodology for assessing, predicting, and monitoring the operational states of manufacturing equipment within the framework of smart manufacturing. As Industry 4.0 evolves, the role of AI in enabling real-time monitoring and predictive analytics has become critical. This study aims to develop a robust AI-powered system capable of predicting the real-time operational status of manufacturing equipment, identifying anomalies, and facilitating predictive maintenance.
To achieve these objectives, the research employs state-of-the-art deep learning models tailored for time-series data analysis, including Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU). These models classify operational states - ‘stopped,’ ‘idle,’ and ‘running’ - and are seamlessly integrated into a cloud-based IoT architecture to enable real-time data acquisition, processing, and visualization. The study systematically collects and analyzes time-series data from six distinct types of manufacturing equipment. The dataset, spanning from October 2023 to January 2024, was obtained using advanced power measurement devices (GEMS3520), LoRaWAN Gateway, and the Thingplus cloud-based IoT platform. The data encompasses 18 critical electrical parameters, including voltage, current, active power, power factor, and cumulative energy consumption.
A rigorous feature selection process identified key determinants of operational states, including active power (f1_watt), power factor (f1_PF), current unbalance rate (f1_unbal), and cumulative active power difference (f1_kwh_imp_diff). To address data imbalance, the study incorporates advanced optimization techniques such as Focal Loss and employs the ‘Optuna’ library for hyperparameter tuning. The AI modeling process leverages PyTorch as the primary deep learning framework and integrates Bayesian optimization, grid search, and random search methodologies to fine-tune model performance. Evaluation metrics - including Confusion Matrix, Accuracy, Precision, Recall, F1-score, and receiver operating characteristic–area under the curve (ROC-AUC) - were utilized to assess model effectiveness. The optimized models demonstrated exceptional robustness, achieving an average classification accuracy of 96.87%, underscoring their reliability in predicting equipment states with high precision and minimal error rates, outperforming traditional statistical and machine learning models such as Multinomial Logistic Regression and SVM.
A significant contribution of this research is the development of a cloud-based real-time equipment monitoring system, leveraging IoT sensors and LoRaWAN communication for efficient data transmission. This system processes real-time operational data, predicts equipment states, and displays actionable insights through an intuitive, user-friendly dashboard. The dashboard facilitates real-time anomaly detection and provides automated alerts to enable proactive interventions, mitigating potential equipment failures and minimizing downtime. A key innovation of this research lies in its emphasis on accessibility and cost-effectiveness, particularly for small and medium-sized enterprises (SMEs) without existing MES infrastructure. Unlike traditional predictive maintenance systems that necessitate extensive infrastructure integration, this solution relies solely on power sensor data, significantly reducing deployment complexity and costs.
The experimental results highlight the superiority of the developed deep learning models over conventional predictive approaches. The RNN-based architectures effectively capture the nonlinearities and temporal dependencies inherent in time-series manufacturing data, leading to more precise and reliable predictions. Furthermore, the integration of a cloud-based IoT infrastructure enhances the system’s scalability, making it a viable and cost-effective solution for broader industrial adoption.
This dissertation presents a comprehensive and scalable framework for implementing predictive maintenance in smart manufacturing environments through the fusion of deep learning-based AI models and cloud-based IoT systems. The research not only enhances the operational efficiency of manufacturing equipment but also establishes a versatile foundation applicable across various industrial domains. The findings of this study contribute significantly to the ongoing digital transformation of manufacturing, offering practical insights that facilitate the widespread adoption of AI-driven predictive maintenance systems across industrial sectors.

국문 초록 (Abstract)

본 논문은 제조설비의 운영 상태 판단, 예측 및 모니터링 시스템 구축을 위 한 딥러닝 기반 접근법을 제시한다. 4차 산업혁명 시대에 제조업의 스마트 제조와 예측 유지보수 시스템의 중요성이 증가하고 있으며, 이를 실현하기 위한 핵심기술로 인공지능(AI)과 사물 인터넷(IoT)이 주목받고 있다. 본 연구 의 주된 목적은 제조설비의 실시간 운영 상태를 판단, 예측하고 이를 기반으 로 이상 감지 및 예측 가능한 유지보수 지원 시스템을 구축하는 것이다. 연 구는 RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 등 시계열 데이터 분석에 특화된 딥러닝 모델을 사용하여 제조설비의 운영 상태를 ‘정지’, ‘대기’, ‘가동’ 3가 지 상태로 판단, 예측하고, 이를 클라우드 기반 IoT 플랫폼에 통합하여 실시 간 데이터를 수집, 분석 및 시각화하는 방법론을 제시한다. 본 연구의 주요 목표는 다음과 같이 세 가지다. 첫째 목표는 제조설비의 시 계열 데이터(전류, 전압, 전력 사용량 등)를 효율적으로 수집하고 이를 기반으 로 설비의 운영 상태를 자동으로 판별하는 딥러닝 모델을 개발하는 것이다. 연구에서는 데이터의 불균형 문제(data imbalance)를 효과적으로 해결하기 위해 Focal Loss와 같은 손실함수(loss function) 기법을 적용하고, Optuna 라이브러리를 활용한 하이퍼파라미터 최적화(hyperparameter optimization) 를 통해 모델 파라미터를 미세 조정하여 모델 성능을 향상시켰다. 또한, 데이 터 수집은 Thingplus와 같은 클라우드 기반 IoT 플랫폼을 통해 이루어지며, 이는 설비의 상태를 실시간으로 모니터링하고 예측할 수 있는 시스템의 핵심 요소로 작용한다. 둘째 목표는 AI 기반 판단 예측 모델을 설계하고, 이를 실 제 제조 환경에 적용할 수 있는 운영시스템을 구축하는 것이다. 이를 위해 본 연구에서는 제조설비의 운영 상태를 판별하는 데 필요한 주요 피처 (feature)를 선정하고, 이를 기반으로 RNN, LSTM, GRU 모델을 비교 분석 하여 최적의 예측 모델을 도출했다. 모델 학습은 슬라이딩 윈도우(sliding window) 기법을 적용하여 시계열 데이터의 연속성을 유지하며, 모델 평가 지표로는 혼동 행렬(confusion matrix), 정확도(accuracy), 정밀도 (precision), 재현율(recall), F1-Score, ROC-AUC를 사용하여 모델의 성능 을 종합적으로 평가했다. 셋째 목표는 클라우드 기반 실시간 설비 모니터링 시스템을 설계하고 구축하는 것이다. 본 연구에서는 데이터 수집과 모니터링 의 효율성을 극대화하기 위해 IoT 센서와 LoRaWAN 통신 방식을 활용한 실시간 데이터 전송 시스템을 제시했다. 연구에서 제안한 시스템은 클라우드 서버에 실시간으로 데이터를 전송하고, 이를 분석하여 설비의 운영 상태를 예측하며, 대시보드를 통해 사용자가 직관적으로 설비 상태를 파악하고 이상 을 경고할 수 있는 기능을 제공한다. 이 연구의 기여점 중 하나는 소규모 및 중견기업(SME)을 위한 시스템의 단 순함과 경제성에 중점을 둔 것이다. 기존의 전통적인 산업 모니터링 시스템 은 높은 초기 비용과 기술적 복잡성으로 인해 다수 기업들의 시스템 도입에 많은 제약이 있지만, 제안된 시스템은 기존 설비와의 광범위한 통합 없이 쉽 게 접할 수 있는 전력 센서를 사용하여 운영 데이터를 수집한다. 이 방법은 설치 비용과 구현 시간을 줄여주며, 제한된 자원을 가진 기업들도 예측 유지 보수를 쉽게 도입할 수 있도록 한다. 실험 결과, 제안된 딥러닝 모델은 기존의 전통적인 예측 모델에 비해 제조 설비의 운영 상태를 보다 정확하게 예측할 수 있음을 확인하였다. 특히 RNN 기반 모델은 시계열 데이터의 비선형성과 시간적 의존성을 잘 학습하 여 예측 정확도를 높였다. 또한, 클라우드 기반 IoT 시스템을 활용한 실시간 데이터 수집과 예측 분석은 작은 규모의 기업에서도 저비용으로 적용 가능한 시스템을 제공한다는 점에서 경제적이고 실용적인 솔루션을 제시한다. 결론적으로, 본 연구는 스마트 제조를 위한 예측 유지보수 시스템의 실현 가능성을 보여주며, 딥러닝 기반 AI 모델을 통해 제조설비의 운영 효율성을 극대화할 수 있음을 증명하였다. 또한, 본 연구에서 제안한 클라우드 기반 IoT 플랫폼과 딥러닝 모델의 통합은 다양한 산업 분야에서 확장할 수 있는 예측 분석 시스템을 제공할 수 있음을 시사한다. 연구 결과는 제조업뿐만 아 니라 다양한 산업 분야에서 스마트화를 가속하는데 기여할 것으로 기대된다.

목차 (Table of Contents)

• 목차 ⅰ
• 표 목차 ⅳ
• 그림 목차 ⅴ
• 국문요약 ⅸ
• 제1장. 서론 1
• 제1절. 연구 배경 및 목적 1
• 제2절. 연구 방향 및 구성 5
• 제2장. 관련 연구 8
• 제1절. 설비 모니터링 시스템 선행 연구 8
• 1. 제조 분야의 머신러닝과 딥러닝 적용 관련 연구 8
• 2. 설비 운영 상태 분류 관련 연구 15
• 3. 기존 설비 모니터링 시스템의 기술적 접근법과 한계 17
• 제2절. 머신러닝 워크플로우 19
• 제3절. 시계열 데이터 분석을 위한 딥러닝 모델 21
• 1. RNN 21
• 2. LSTM 25
• 3. GRU 31
• 제3장. 설비 운영 상태 모니터링 시스템 설계 35
• 제1절. 설비 운영 상태 모니터링 시스템 프레임워크 35
• 제2절. 대상 설비 6종 36
• 제3절. 데이터 취득 계측 디바이스 HW 구성 설계 41
• 1. 계측 디바이스 HW 구성 41
• 2. 전력 계측기 42
• 3. LoRaWAN Gateway 42
• 4. CT(Current Transformer) 43
• 제4절. 계측 데이터 항목 44
• 제5절. 수집 데이터 정보 요약 46
• 제4장. 설비 운영 상태 분석 예측 AI 모델 구현 56
• 제1절. 설비 운영 상태 분석 예측 AI 모델 56
• 1. ML AI 모델 구현 과정 56
• 2. ML AI 모델 개발 환경 60
• 제2절. 설비 운영 상태 판별에 영향을 미치는 계측값 간의 상관관계 분석 62
• 1. 피처 중요도 파악 62
• 2. 피처들 간의 상관관계 분석 64
• 제3절. 순환신경망 딥러닝에 사용할 데이터 피처 선정 66
• 제4절. 설비 운영 상태 분석 예측 AI 모델 구현 70
• 1. 학습용 데이터셋 준비 70
• 2. AI 모델 아키텍처 설계 77
• 3. AI 모델 하이퍼파라미터 튜닝을 통한 최적화 86
• 4. AI 모델 학습 및 평가 95
• 5. 설비별 최적 하이퍼파라미터 결과 분석 및 시사점 104
• 6. 모델 학습 및 평가 결과 107
• 제5장. 설비 운영 상태 분석 예측 AI 모델 평가 111
• 제1절. AI 모델 평가 지표를 사용한 성능 평가 111
• 1. 혼동 행렬 평가 111
• 2. 정확도, 정밀도, 재현율, F1-Score 평가 113
• 3. ROC-Curve, AUC 평가 120
• 4. 모델의 종합 평가 123
• 제2절. 다른 분류 모델과의 성능 비교 평가 124
• 1. 정확도 비교 평가 126
• 2. F1-Score 비교 평가 127
• 제3절. 실제 운영 데이터와 모델 예측 결과 비교 133
• 제6장. 클라우드 기반 설비 운영 상태 모니터링 시스템 구축 136
• 제1절. AI 모델 적용 클라우드 기반 설비 운영 상태 모니터링 시스템 구축 방안 136
• 제2절. 서비스 대시보드 구성 139
• 제7장. 결론 146
• 제1절 연구 결과 및 시사점 146
• 제2절 연구의 한계 및 향후 과제 150
• 참고문헌 153
• Abstract 167