Search
🏭

설비(로봇)의 잔여수명 예측

01 멘토 소개

허성민

개발 → IT 컨설팅 → 비즈니스 컨설팅/신사업모델 개발 → 데이터 분석 → 상품기획/개발 관련한 경력 20년 이상
현재는 SKT Factory Data개발팀에서 예지정비솔루션(그랜드뷰)에 대한 Engineering/분석 업무를 수행하고 있습니다~

이준학

안녕하세요. SKT Factory Data개발팀에서 SK관계사(SKGC, SKD&D 등)의 Industry영역의 Data Science 과제를 수행하고 있습니다.

02 프로젝트 소개

개발배경

기기의 유지보수와 관련된 예측모델은 제조업의 경우 주요 핵심자산이 설비와 관련해서 비용/매출과 직결되므로 매우 중요한 영역입니다.
RUL 예측은 장애에 대한 조기 경보 및 장애발생 시점 예측 정보를 제공하며 시스템 건전성 예측 관리에 있어서 중요한 구성요소가 될 수 있습니다. 이를 통해 엔지니어는 유지보수 일정을 설정하고 운영 효율성을 최적화하며 계획되지 않은 다운타임을 방지할 수 있습니다.
특히, 제조환경에서는 장애이력 데이터가 제대로 수집/관리되지 않고 있기 때문에 단순한 이상감지가 아니라 정확한 장애시점을 예측하는 것이 어려운 과제입니다.

기대 효과와 연구 목표

기대 효과는 사전 RUL 예측을 통하여
정비/수리/교체 등의 계획을 사전에 수립하고 대응할 수 있습니다. (예를 들어, 바로 정비를 하는 것이 아니라 유지보수 계획에 맞추어서 장비의 가동시간을 더 늘리는 매출 증대 측면에서 모델을 활용할 수 있습니다.)
사전에 정비를 통한 품질을 높일 수 있습니다.
예기치 못한 상황에 대비를 함으로써 유지보수에 대한 비용을 절감하고 효율화 할 수 있습니다.
해당 모델을 SKT의 예지정비 솔루션(그랜드뷰)에 탑재하여, 제조기업의 설비 관리에 도움을 주고자 합니다.
그랜드뷰 솔루션 소개 페이지
연구 목표는 사전에 RUL을 예측함으로써, 일정 수치 이하로 떨어질때 사전에 알람을 주는 것입니다.
Threshold 값은 임의로 정할 수 있으며 (Threshold 값 자체의 예측/탐색도 주요한 주제입니다)
모델은 SOTA를 활용한 여러개의 모델로 성능을 비교하여 가장 성과가 좋은 모델로 채택합니다.
성과는 RMSE, MAE, MSE 등으로 측정합니다.

데이터

NASA Turbofan Engine Degradation Simulation DataSet
6.Turbofan Engine Degradation Simulation Dataset
제시된 데이터셋 외에 새로운 데이터의 탐색도 같이 진행할 예정입니다.

참고 문헌

Remaining useful life predictions for turbofan engine degradation using semi-supervised deep architecture
Attention and Long Short-Term Memory Network for Remaining Useful Lifetime Predictions of Turbofan Engine Degradation
Nasa Turbofan_Predict RUL using LSTM and AR model
Prediction of Remaining Useful Life (RUL) of JET engine
A stacked deep convolutional neural network to predict the remaining useful life of a turbofan engine

03 이런 fellow를 찾습니다

성장하고 싶은 능동적인 문제 해결자
스마트하게, 즐겁게, 그리고 함께 스터디, 데이터 분석, 코딩하실 인재

[추가] 지원자 질문과 멘토님의 답변!