머신러닝을 활용한 고속철도차량 차륜 상태 진단에 관한 연구 = A Study on Wheel Condition Diagnosis of High-Speed Railway Vehicles Using Machine Learning|RISS 상세보기

국문 초록 (Abstract)

2023년 20분 이상 지연을 초래한 KTX 차량 고장은 주행장치에서 2 건 발생하였다. 주행장치 고장은 승차감, 주행안정성, 안전성에 큰 영향을 미치며 극단적으로 탈선을 유발하기도 한다. 특히 차륜은 열차의 안전 운행에 필수 요소이다. 승객 증가와 함께 차륜의 열화는 열차 안전에 가장 큰 위협 요인이다. 2004년 고속철도 개통 시 KTX의 연간 주행거리는 평균 330,000km이었다. 2025년 연간 주행거리는 평균 530,000km로 약 60% 증가하였다 차륜은 예방 유지보수 점검기준에 따라 매 20,000km마다 육안점검, 추가로 50,000km마다 측정하여 결과에 따라 삭정 또는 교체한다. 이외 에도 승차감, 답면구배 관리를 위하여 운행 중 정비기지로 입고, 삭정하기도 한다. 이와 같이 차륜의 열화는 열차의 가용성에 큰 영향을 미치므로 차륜의 상태를 진단하고 예측할 수 있는 모델 연구가 필요하다. 본 연구에서는 동력집중식 고속철도차량의 차륜 상태진단을 위하여 유지보수 데이터를 머신러닝 알고리즘을 활용하여 차륜 상태진단 모델을 제시하고자 하였다. 현재의 정비 체계는 전통적 예방유지보수인 Rule 기반 상태진단(Rule Based Diagnosis)이다. 이는 전문가 지식과 정비규칙 에 따라 정의된 측정 또는 검사 기준을 벗어나면 이상을 판단하는 방식이 다. 이와 함께 차륜의 수명분석 등 과거 데이터 기반의 통계적 분석 방법 은 여러 유지보수 데이터를 동시에 고려한 마모 패턴 분석과 예측은 매 우 어렵다. 반면에 머신러닝 기반 상태진단(Machine Learning Based Diagnosis)은 시계열 데이터에서 추출된 특징(Feature)을 입력으로 학습된 모델이 상태를 분류 또는 예측한다. 여러 데이터를 동시에 고려하여 다변량 패턴 분석이 가능하고 상태진단정비(CBM, Condition Based Maintenance) 또는 예지정비(Predictive Maintenance)에 적용이 가능하다. 본 연구에서는 데이터 취득, 전 처리, 특징 추출, 머신러닝 학습, 성능 평가 및 예측 과정을 거쳐 학습모델의 적합성을 확인하였다. 연구 결과, 동력집중식 고속철도차량의 차륜 상태진단을 위한 학습 모델로 설명력이 가장 높은 모델은 Linear Regression과 LGBM Regressor 모델이다. 차륜 상태진단과 상관 관계가 가장 높은 9개의 특징 데이터를 머신러닝으로 학습시켰다. 실제 데이터를 설명력을 나타내는 R2 score 경우 Random Forest, Decision Tree를 포함한 4개 모델이 최저 0.828 부터 최고 0.992까지 분포하여 이상적인 것으로 나타났다. 특히, KTX 및 KTX-산천 객차 차륜의 상태진단 학습모델의 패턴은 2013년 UIC 프로젝트 보고서 “Definition of wheel maintenance measures for reducing ground vibration, 지반 진동 저감을 위한 차륜 정비 방안 정의”의 전형적인 차륜 생애주기 다이아그램 패턴과 일치하였다. 본 연구 결과를 바탕으로 동력차 차륜의 수명 개선방안으로 차륜 교체 시 신품 제륜자 교체, 재삭정 주기의 변경, 차륜 프로파일을 변경하는 시험조사를 제안하였다.

번역하기

2023년 20분 이상 지연을 초래한 KTX 차량 고장은 주행장치에서 2 건 발생하였다. 주행장치 고장은 승차감, 주행안정성, 안전성에 큰 영향을 미치며 극단적으로 탈선을 유발하기도 한다. 특히 ...

목차 (Table of Contents)