1. 수행배경

PHM(Prognostics and Health Management:건전성 예측 및 관리)기술은 시스템의 이상상황을 감지하고 분석 및 예지진단을 통해 고장시점을 사전에 에측함으로써 설비관리를 최적화하는 기술이다.
PHM은 계측, 설비 건강지표 추출, 진단, 예측, 관리의 5가지의 중요 Task로 나누어지며, 진단은 탐지, 분류, 분리로 나누어진다.
그 중 고장 분류는 설비시스템이 어떤 이상인지 구분하는 과정이며, 시스템의 상태를 조기에 탐지 및 분류함으로써 시스템 운영의 효율성을 최대화 할 수 있다.
고장분류의 정확도를 향상하기 위해서는 다수의 센서를 설치하여 신호 데이터를 수집하는 것이 중요하다.
하지만, 신설 센서는 거의 가동이 되지 않아, 이상 진단 모델을 구축하기 위한 충분한 레이블 정보가 확보되어 있지 않다.
또한, 신설 센서에서 수집되는 신호 데이터는 기존 센서에서 수집한 신호 데이터와 다소 상이한 특성을 가지고 있다.
이번 프로젝트는 이기종의 신설 센서에서 수집되는 신호에 대해서도 충분히 높은 이상 진단 성능을 달성하는 것을 목표로 한다.

2. 수행기간

3. 개발작품 설명

전통적인 머신러닝 기법에 사용하는 데이터는 예측하고자 하는 test data와 학습하는 train data의 분포가 같으므로, train data로 학습한 모델을 예측에 사용한다.
하지만, 신설 센서에서 수집되는 신호 데이터는 기존 센서에서 수집한 신호 데이터와 다소 상이한 분포를 갖는다.
이처럼 예측하고자 하는 target domain과 학습에 사용하는 source domain의 data의 분포가 다르면, 적응을 통해 예측에 사용한다.
이번 프로젝트에서는 두 domain의 data의 분포가 유사한 Latent-space를 찾는 방법을 활용하였다.
또한 신호데이터의 시간과 주파수의 관점을 모두 고려할 수 있도록 Wavelet Scalogram 이미지를 통해 신호처리를 하였다.
이를 통해 전혀 레이블이 없는 상황에서 신설 센서에 대한 분류 정확도가 준수하게 나옴을 확인하였다.

4. 활용방안

고장분류의 정확도를 향상시키기 위해 다수의 센서를 사용하게 된다면, 신설센서를 사용하게 된다. 
하지만 신설 센서는 거의 가동이 되지 않아, 이상 진단 모델을 구축하기 위한 충분한 레이블 정보가 확보되어 있지 않고, 기존 센서에서 수집한 신호 데이터와 상이한 특성을 가진다.이로 인해, 신설 센서에 대한 모델을 구축하는 것은 어렵다.

이번 프로젝트를 통해 이와 같은 상황에서도 준수한 정확도를 가지는 모델을 만들 수 있을 것으로 보인다.