AI기반 도시철도 통신설비 고장 예측 및 유지보수 전략 최적화 : 통신설비 고장예측 = AI-Based Urban Railway Communication Facility Fault Prediction and Maintenance Strategy Optimization

국문 초록 (Abstract)

도시철도 통신설비의 효율적 운용을 위해 고장 사전 예측과 최적 유지관리 전략 수립이 필수적이다. 그러나 기존의 시간 기반(TBM) 방식은 설비의 실제 상태를 반영하지 못해 과잉 정비와 돌발 고장을 초래하는 한계가 있었다. 이에 본 연구는 부산도시철도 4호선의 7년(2018~2024) 운영 데이터를 기반으로, 기존의 단일 환경 변수 중심 접근을 넘어선 다변량 통합 AI 예지보전(PdM) 프레임워크를 구축하고 그 실효성을 검증하였다.
본 연구의 핵심적인 차별성은 다음과 같다. 첫째, 고장 원인의 재해석이다. Feature Importance 분석 결과, 고장의 핵심 동인은 설비유형(26.3%), 점검이력(21.7%), 고장모드(18.5%) 순으로 나타났다. 이는 고장의 주원인을 온도 등 환경적 요인으로 간주하던 기존 통념과 달리, 운영·관리적 요인이 고장에 더 지배적인 영향(온도 중요도 15.2% 불과)을 미침을 데이터로 정량 규명했다는 점에서 의의가 크다.
둘째, 통합적 방어 전략의 수립이다. 단일 모델의 한계를 극복하기 위해 이상탐지(Autoencoder)와 정밀예측(XGBoost), 시계열보정(LSTM)을 결합한 상호보완적 프레임워크를 제안하였다. 제안된 XGBoost 모델은 2024년 테스트 데이터에서 정확도 95.6%, ROC-AUC 0.935를 달성하여 탁월한 고장 징후 탐지 성능을 입증하였다.
결론적으로 본 연구는 단순한 고장 유무 판별을 넘어, 실시간 고장 위험도(Risk Score)에 기반한 동적 유지보수(Dynamic Maintenance)로의 전환 근거를 마련하였다. 이는 도시철도 유지보수 체계를 경험 중심에서 데이터 중심의 과학적 체계로 혁신하여 안전성과 신뢰성을 획기적으로 제고하는 데 기여한다.

다국어 초록 (Multilingual Abstract)

Efficient operation of urban railway communication systems requires accurate fault prediction and the establishment of optimized maintenance strategies. Traditional approaches, such as Time-Based Maintenance (TBM) and Corrective Maintenance (CM), fail to reflect the actual condition of equipment, resulting in limitations such as excessive maintenance and unexpected failures.
To address these limitations, this study develops an AI-based Predictive Maintenance (PdM) framework using operational data from Busan Metro Line 4 covering the period from 2018 to 2024. The study evaluates fault prediction performance by utilizing models such as XGBoost and LSTM.
Feature importance analysis reveals that the primary drivers of equipment failure are equipment type (26.3%), maintenance history (21.7%), and failure mode (18.5%). In contrast, temperature-related variables account for only 15.2%, demonstrating that operational and managerial factors exert a greater influence on failures than environmental conditions.
The proposed XGBoost model achieved an accuracy of 95.6% and an ROC-AUC of 0.935 on the 2024 test dataset, thereby validating its capability to detect early signs of failure. By generating a real-time fault risk score, this model provides a quantitative basis for transitioning to dynamic inspection intervals focused on high-risk equipment and optimizing spare parts replacement strategies.
In conclusion, this study contributes to enhancing the safety and reliability of urban railway systems by establishing a data-driven, scientific predictive maintenance framework.

목차 (Table of Contents)

• 표목차 ⅰ
• 그림목차 ⅱ
• 논문요약 ⅲ
• 영문초록 ⅳ
• Ⅰ. 서 론 1
• 1. 연구배경 및 목적 1
• 2. 연구내용 및 범위 7
• Ⅱ. 이론적 배경 9
• 1. 예지보전(PdM)의 개념과 발전 9
• 2. 도시철도 통신설비 특성 및 고장요인· 11
• 3. 통신설비 고장요인에 대한 선행연구 13
• 4. AI 기반 고장 예측 선행연구 14
• Ⅲ. 연구 방법 15
• 1. 분석용 데이터 구성 및 전처리 15
• 2. 분석용 변수(Feature) 생성 23
• 3. AI 기반 고장 예측 모델링 24
• 4. 하이퍼파라미터 튜닝 30
• Ⅳ. 연구결과 및 분석 32
• 1. 주요 고장 영향 요인 분석 32
• 2. AI 기반 고장 예측 성능 비교 43
• 3. 다변량 접근 기반 PdM 확장 방안 50
• Ⅴ. 결론 53
• 1. 연구요약 및 시사점 53
• 2. 연구의 한계 및 향후 과제 54
• 참고문헌 56