횡 가속도 빅데이터를 활용한 선로 상태진단에 관한 연구 = A Study on Track Condition Diagnosis using Lateral Acceleration Big Data|RISS 상세보기

국문 초록 (Abstract)

철도 운영자는 철도 시스템의 정비 목적인 안전성과 가용도를 유지하기 위해 각종 정비체계를 연구하여 철도 시스템의 정비에 활용하고 있다. 과거 철도 운영자는 철도 시스템에 결함이 발생하면 시스템을 수리하는 사후정비를 시행하였다. 그러나 사후정비는 시스템에 큰 결함 발생 시 가동이 중단되어 운영에 큰 영향을 주는 단점이 있었다. 이에 따라 철도 운영자는 철도 시스템의 안전성, 가용도을 유지하기 위해 예방정비, 신뢰성 기반 정비를 도입하였고, 최근에는 상태기반 정비, 예지 정비로 정비 패러다임을 변경하고 있다.
그러나 철도 운영자가 정비 패러다임을 변경하면서 고도화된 정비 기술로 철도 시스템을 정비하고 있음에도 철도 사고는 꾸준히 발생하고 있다. 통계에 따르면 탈선사고는 최근 5년간 발생한 철도교통사고 중 비중이 가장 높다. 이러한 탈선사고의 주요 원인은 기술적 요인이 대부분을 차지한다. 즉, 탈선사고의 원인 중 가장 높은 비중을 차지하는 기술적 요인을 보완하면 탈선사고를 예방할 수 있고, 전체 철도교통사고를 줄일 수 있다. 따라서 본 논문은 탈선사고를 예방하기 위하여 대차 불안정 센서에서 측정되는 대차 횡 가속도를 활용하여 탈선사고의 주요 원인 중 하나인 기술적 요인을 보완하기 위한 연구를 수행하였다.
이를 위해 본 논문은 고속차량의 대차 횡 가속도, 운행기록 등 임의의 빅데이터를 수집하였다. 이 빅데이터는 선로 상태진단을 위한 분석에 사용되었다. 선로 상태진단을 위한 구체적인 방법은 고속차량의 대차 횡 가속도를 분석하여 횡 가속도가 위험 기준을 초과하는 거리를 판별하는 것이다. 횡 가속도의 위험 기준은 EN14363 규격을 적용하였고, EN 규격에서 제시하는 방법에 따라 대차 횡 가속도의 위험 기준은 0.6g로 결정하였다.
임의의 빅데이터는 통계학적인 기법으로 분석되었다. 빅데이터 분석에 사용한 도구는 매트랩이다. 빅데이터의 특징 추출 기법은 확률론적 파라미터가 사용되었다. 이를 통해 추출한 특징은 위험 기준을 초과하는 대차 횡 가속도의 누적점수로부터 지속·반복적으로 발생하는 거리 확인에 사용되었다.
임의의 빅데이터 분석 결과는 고속차량의 대차 횡 가속도를 활용하여 선로 상태를 진단할 수 있는 것으로 나타났다. 이를 토대로 구성한 상태진단 모델은 차량 및 선로 시스템을 관리하는 각각의 조직이 상태정보를 상호 공유하도록 하는 것이다. 다시 말해 대차 횡 가속도가 위험 기준을 초과한 거리는 차량을 정비하는 조직이 차량을 점검·정비함과 동시에 선로를 정비하는 조직이 선로를 점검·정비할 수 있도록 하는 것이다.
선로 상태진단 모델에 대한 평가는 기계학습을 이용하였다. 기계학습의 방법은 지도학습, 비지도학습, 강화학습 등이 있는데, 본 논문은 EN에 따라 정의한 대차 횡 가속도 위험 기준을 학습에 적용하였고, 빅데이터의 학습 시간을 단축하기 위해 지도학습 방법을 선택하였다. 기계학습을 통해 통계학적인 방법으로 구성한 상태진단 모델에 대한 정확도는 앙상블-배깅 알고리즘에서 89.9%, 인공신경망 알고리즘에서 89.3%로 확인되었다. 따라서 통계학적인 기법으로 분석한 결과는 정확도가 매우 높은 것으로 평가되었다. 그러므로 철도 운영자는 철도 시스템의 안정성과 가용도를 유지하기 위해 대차 횡 가속도가 높게 측정되는 거리에 대해 스코어링 레벨을 설정하여 조직적으로 관리할 필요가 있다.

번역하기

철도 운영자는 철도 시스템의 정비 목적인 안전성과 가용도를 유지하기 위해 각종 정비체계를 연구하여 철도 시스템의 정비에 활용하고 있다. 과거 철도 운영자는 철도 시스템에 결함이 발...

목차 (Table of Contents)

Ⅰ. 서 론 1
1.1 연구 배경 및 필요성 1
1.2 연구 내용 7
Ⅱ. 철도 시스템 특성 및 기계학습 10
2.1 철도 시스템 정비 패러다임 10

Ⅰ. 서 론 1
1.1 연구 배경 및 필요성 1
1.2 연구 내용 7
Ⅱ. 철도 시스템 특성 및 기계학습 10
2.1 철도 시스템 정비 패러다임 10
2.2 대차 불안정(Bogie Instability) 22
2.3 선로 유지관리 31
2.4 기계학습(Machine Learning) 및 빅데이터(Big Data) 33
2.5 선행연구 고찰 38
Ⅲ. 상태진단 연구 설계 42
3.1 상태진단 기초 연구 42
3.2 상태진단 연구 설계 46
3.3 상태진단 빅데이터 전처리 49
3.4 기계학습 평가 모형 설계 64
3.5 상태진단 모형 69
Ⅳ. 상태진단 연구 결과 및 평가 70
4.1 경향 분석 결과 70
4.2 빅데이터 분석 결과 72
4.3 상태진단 모델 86
4.4 기계학습 결과 92
4.5 평가 99
Ⅴ. 결론 102
5.1 연구 결론 102
5.2 후기 104
참고문헌 105
Abstract 109

참고문헌 (Reference)

1. MACHINE LEARNING, 오일석, 한빛아카데미, , 2017

2. 빅데이터와 통계학, 김용대, 조광현, 한국데이터정보과학지, vol. 24, no. 5, pp. 959-974, , 2013

3. Amended agreement chart for the confusion matrix, C. S. Hong, Y. W. Choi, vol. 33, no. 4, pp. 551-565, , 2022

4. 차량 진동이 궤도 선형 측정에 미치는 영향, 권삼영, 용재철, 배규영, 김이현, 한국 소음진동공학회논문집, Vol. 26, No. 6, pp. 644-650, , 2016

5. 주파수영역 전달함수를 이용한 궤 도틀림 식별, 윤경림, 이형진, 신수봉, 김재천, 권순정, 김만철, 한국철도학회논문집, vol. 12, no. 4, pp. 506-511, , 2009

6. 고속열차의 대차불안정감지센서 시험에 대한 연구, 차근수, 전성준, 손강호, 한국 철도학회 세미나자료 vol. 5, pp. 603-612, , 2009

7. 의료 인공지능 유용성 및 공공성을 위한 정책 제안, 박희봉, 한국공공관리학회 한국 공공관리학보, vol. 35, no. 3, pp. 195-217, , 2021

8. 고속차량 운행시 대차불안정발생 요소에 대한 고찰, 문성훈, 안홍관, 박성준, 한국 철도학회 춘계학술대회 논문집, vol. 5, pp. 673-678, , 2015

9. Optimized-XGBoost Learner Based Model for Photovoltaic Power Forecasting, S. H. Choi, J. Hur, vol. 69, no. 7, pp. 978-984, , 2020

10. 머신러닝을 활용한 지역축제 방문객 수 예측모형 개발, 윤현식, 이인지, 한국정보 시스템학회, vol. 29, no. 30, pp. 35-52, , 2020