전동차 고장 코드 분석을 통한 기계학습 기반 고장예측에 관한 硏究 = A Study on the Fault Prediction based on Machine Learning Through Urban Railway vehicle Fault Code Analysis

국문 초록 (Abstract)

본 論文은 전동차 고장 코드 분석을 통한 기계학습 기반 고장예측에 관한 硏究이다. 도시철도에 운행되고 있는 전동차는 장치별로 다양한 고장 코드를 보유하고 있다. 제어장치, 추진시스템, 제동시스템, 도어 및 공조설비 등에서 다양한 고장 코드가 일일 단위로 발생하고 있으며 열차종합제어시스템에 축적, 저장되고 있어 이들 데이터는 차량의 상태 및 사전 예지 정비를 위한 중요한 자료로 활용할 수 있다. 전동차가 영업운행 중 발생한 고장 코드를 수집하여 고장 코드 간의 상관관계를 분석하고 중고장과 경고장의 연관성을 해석하였다. 열차 운행에 지장을 주는 중고장 발생을 중점으로 분석하기 위해, 편성당 일일 발생 고장 코드를 원-핫 인코딩 처리를 하여 데이터셋을 구성하였다. 수집된 13개월의 고장코드 데이터에서 각 중고장별 고장 코드 데이터간 상관관계를 통계적으로 분석하고 각 클래스별 데이터 불균형을 해소하기 위해 오버샘플링 및 클래스 가중치를 적용한 후 기계학습을 수행하였다. 각 중고장 발생 유형별 고장 코드를 6시간 전부터 48시간 전까지 데이터를 추출하고 이를 지도학습 알고리즘인 랜덤 포레스트, 엑스지부스트와 라이트지비엠 모델에 적용하여 학습하였고, 각 모델별로 지도학습 평가지표인 정확도, 정밀도, 재현률 등으로 고장 예측 검증을 수행하였다. 수행한 결과, 12시간 전에서 36시간 전 데이터를 가중치 발란스 적용한 랜덤포레스트 고장 예측 모델이 최적의 예측 성능을 보였다. 또한, 특성 중요도 분석을 통해 중고장 발생 전 영향을 미치는 경고장 고장코드도 확인할 수 있었다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구 목적 및 필요성 1
• 1.2 연구의 의의 및 기대효과 2
• 1.3 연구 동향 3
• 1.4 연구 방법 6
• 1.5 연구 구성 7
• Ⅱ. 이론적 해석 9
• 2.1 예지 정비(Predictive Maintenance)의 개념 9
• 2.2 고장 코드(Fault Code)의 정의 10
• 2.3 상관관계 분석이론 11
• 2.4 기계학습 이론 12
• 2.5 데이터 불균형(Data Imbalance) 이론 16
• 2.6 지도학습 평가 이론 18
• Ⅲ. 고장코드 분석 및 예측 20
• 3.1 고장 코드 데이터의 개요 20
• 3.2 데이터 전처리 및 상관관계 분석 22
• 3.3 고장 코드 Feature 분석 32
• 3.4 분석 결과 46
• Ⅳ. 결론 50
• 4.1 연구의 분석 50
• 4.2 연구의 한계 51
• 4.3 향후 연구 방향 52
• 4.4 종합 결론 52