딥러닝 기반 CBM+를 위한 단일기판컴퓨터 고장 진단 및 구조물 균열 예측에 관한 연구

국문 초록 (Abstract)

현대 산업에서 운용되는 각종 기계 시스템은 시간이 지남에 따라 열, 진동, 습도와같은 복합적 외부 요인에 지속적으로 노출되어 피로와 균열이 누적된다. 이러한 손상은 단순한 성능 저하를 넘어서 예기치 못한 고장, 불량률 증가, 생산 라인의 중단에따른 경제적 손실, 더 나아가 안전사고 및 인명 피해로 이어질 수 있어, 고장 진단과예측 기술은 산업 안전과 생산 효율을 위해 필수적인 요소가 되었다. 그러나 기존의시간기반정비(Time-Based Maintenance)는 통계적인 수명에 의존하기 때문에 실제 장비 상태를 반영하지 못하며, 그로 인해 불필요한 정비 비용 증가 또는 예측할 수 없는고장 발생이라는 한계를 갖는다. 이러한 문제를 해결하기 위해, 장비의 실시간 상태를기반으로 열화 정도를 평가하고 최적의 정비 시점을 결정하는 CBM+(Condition-Based Maintenance Plus)이 새로운 유지보수 핵심 전략으로 주목받고 있다.
본 연구에서는 데이터 기반 예지정비 기법의 적용 가능성을 검증하기 위해 두 가지 상이한 시스템을 대상으로 (1) 데이터기반 고장 진단 연구를 단일기판컴퓨터의 상태 진단 및 수명예측 분야와 (2) 변형률 센서 기반 구조물 균열 예측 연구에 적용해보았다.
첫 번째 연구에서는 단일기판컴퓨터(Single Board Computer, SBC)를 대상으로 온·습도 및 진동 조건에서 가속 열화시험을 수행하고, 정상–이상–고장으로 진행되는 상태 데이터를 수집하였다. 이후 LSTM(Long Short-Term Memory)과LSTM-Autoencoder 기반의 시계열 분석 기법을 적용하여, 고장 발생 이전 단계에서나타나는 미세한 이상 징후를 감지할 수 있음을 확인하였다. 이를 통해 전자장비의 열화 특성이 외부에서 명확히 드러나지 않는 환경에서도 딥러닝 기반 접근법이 고장 전조신호를 효과적으로 포착할 수 있음을 입증하였다.
두 번째 연구에서는 구조물의 균열 발생을 예측하기 위해 유한요소해석(Finite Element Analysis, FEA)을 이용하여 다양한 위치·길이·각도의 균열을 포함한 시편의변형률장을 구성하였다. 이후 소수의 변형률 게이지 데이터를 입력으로 하고, 균열의위치·길이·각도를 회귀 형태로 예측하는 CNN(Convolutional Neural Network) 기반 모델을 구성하였다. 그 결과, 설치와 실시간 모니터링이 상대적으로 간편한 변형률 게이지를 이용한 측정값만으로도 구조적 손상 상태를 일정 수준 이상 추정할 수 있는 가능성이 확인되어 센서 기반 구조건전성 모니터링(SHM) 체계의 실현 가능성을 제시한다.
위 두 가지 연구를 통해 서로 다른 시스템을 대상으로 하였으나, 모든 경우에 인공지능 기반 분석 모델이 실제·가상 데이터를 바탕으로 열화 및 손상 상태를 효과적으로추정할 수 있음을 보여주었다. 이러한 결과는 향후 실시간 모니터링 및 운용환경 기반예지정비 시스템과 DX(Digital Tranformation)분야의 기반기술로 활용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Modern industrial machinery is continuously exposed to multiple environmental stressors—such as heat, vibration, and humidity—which progressively induce fatigue and crack formation. These forms of degradation not only reduce performance but can lead to unexpected failures, increased defect rates, production downtime, economic loss, and even safety hazards or casualties. Consequently, accurate fault diagnosis and prognostics have become essential for ensuring industrial safety and operational efficiency. However, conventional Time-Based Maintenance (TBM), which relies solely on statistical lifetime information, cannot reflect the actual condition of equipment. This often results in unnecessary maintenance costs or unforeseen failures. To overcome these limitations, Condition-Based Maintenance Plus (CBM+), which determines optimal maintenance timing through real-time state assessment, has emerged as a key strategy in modern maintenance frameworks.
In this study, the applicability of data-driven prognostics and health management techniques is examined through two distinct systems:
(1) state diagnosis and lifetime prediction of a single-board computer (SBC), and
(2) crack estimation in structural components using strain-sensor data.
In the first part of the research, accelerated degradation tests were performed on an SBC under temperature–humidity cycling and vibration conditions, and state-transition data representing normal, abnormal, and failure states were collected. LSTM (Long Short-Term Memory) and LSTM-Autoencoder–based time-series models were then employed to analyze the data. The results demonstrate that subtle precursors appearing before failure can be effectively detected, verifying that deep-learning approaches can capture early degradation signals even when external symptoms of electronic failure are not clearly observable.
In the second part, finite element analysis (FEA) was used to generate strain fields for specimens containing cracks with various locations, lengths, and orientations. A CNN (Convolutional Neural Network) regression model was then developed to estimate crack parameters using only a small number of strain-gauge inputs. The results indicate that structural damage can be reasonably inferred from sparse strain measurements, showing the feasibility of strain-based Structural Health Monitoring (SHM) systems.
Although the two studies target different systems, both demonstrate that AI-based analysis models can effectively estimate degradation and damage states using real or simulated data. These findings suggest strong potential for applying such techniques to real-time monitoring and environment-based prognostics, and they are expected to contribute to future CBM+ implementations and digital-transformation (DX) technologies.

목차 (Table of Contents)

• 그림목차ⅲ
• 표목차ⅴ
• 국문초록ⅵ
• 제 1 장 서론 1
• 제 2 장 신뢰성공학 및 데이터 기반 유지보수 필요성
• 1. 신뢰성 공학 개요 3
• 2. 데이터 기반 유지보수 필요성5
• 3. 인공신경망 종류 및 특성 8
• 4. 데이터 기반 유지보수를 위한 데이터 확보 및 생성 전략 11
• 4.1. 실험 기반 데이터 열화 정보 획득구성 12
• 4.2. 고장 데이터 희소성 문제와 비지도 학습 기반 접근 12
• 4.3. 데이터 증강(Data augmentation) 13
• 4.4. 시뮬레이션 기반 가상 데이터 생성 14
• 제 3 장 단일기판 컴퓨터 CBM+ 적용을 위한 연구
• 1. 단일기판컴퓨터 CBM+ 적용 연구 서론 15
• 2. 실험장비 및 데이터 수집 방법 17
• 2.1. 실험 장비 구성17
• 2.2. 가속 열화 시험 환경 및 스트레스 조건19
• 2.3. 시험 별 데이터 취득 방식 21
• 3. 인공신경망 알고리즘 24
• 3.1. Autoencoder 기반 정상 패턴 학습 24
• 3.2. LSTM 기반 시계열 예측 모델 및 구조 25
• 3.3. LSTM-Autoencoder 기반 모델 및 구조 25
• 4. CBM+ 적용 결과 27
• 4.1. 온도-습도 가속 시험 결과 28
• 4.2. 진동 가속 시험 결과 30
• 4.3. 고장 전조현상 분석 결과 30
• 4.4. 인공신경망 적용 결과 31
• 4.4.1. LSTM-Autoencoder 기반 이상 탐지 결과 31
• 4.4.2. LSTM 기반 잔여 수명 예측 결과 33
• 4.4.3. 두 모델의 결합적 의의 34
• 5. 고찰 35
• 제 4 장 인공신경망 기반 크랙 예측 모델
• 1. 연구 개요 37
• 2. 문제 방법론39
• 3. 해석 모델 구성 및 데이터 취득41
• 4. 인공신경망 알고리즘 50
• 5. 인공신경망 학습 결과52
• 6. 고찰 54
• 제 5 장 결론 및 고찰 56
• 참고문헌 58
• Abstract 64