• Journal of the Korean Data and Information Science Society
• /
• v.22 no.4
• /
• pp.755-764
• /
• 2011

In many companies field failure data is used to predict the future number of failures, especially when an unexpected failure mode happens to be a problem. It is because they want to predict the number of spare parts needed and the future quality warranty cost associated with the part based on the predictions of the future number of failures. In this paper field summary data is used to predict the future number of failures based on an appropriate distribution. Other types of data are also investigated to identify the appropriate distribution.

• Proceedings of the Safety Management and Science Conference
• /
• 2000.11a
• /
• pp.31-37
• /
• 2000

지금까지 고장예측에 관한 연구 논문들은 여러 분야에서 많이 다루어져 왔다. 그 대표적인 예측 방법 중에 하나인 FTA(Fault Tree Analysis)가 가장 많이 사용되어져 왔으며, 여러 산업분야에서 가장 활발하게 시스템 및 부품에 대한 고장 가능성 진단을 실시하여 왔다. 하지만 기존의 전통적인 FTA 방법을 사용하는데 있어서 몇 가지 문제점을 발견할 수가 있었다. 즉, 지금까지 FTA를 실시하는 과정에 있어서 시스템 및 부품에 대한 데이터의 자료가 정확하다는 전제하에 고장 값을 예측하여 왔다. 만일 시스템 및 부품에 대한 불확실한 데이터나 부정확한 자료를 동시에 가지고 있다면 지금까지 사용하여 왔던 전통적인 FTA를 사용하여 고장 값을 예측하여 정확한 값을 찾아내기란 어려운 것이라 할 수가 있다. 이와 같은 문제점을 해결하기 위해서는 본 연구에서 제시하는 Fuzzy FTA를 사용하는 것이 보다 바람직할 것이며, 이러한 방법을 사용하여 불확실하고 부정확한 데이터를 가지고 고장진단을 실시하여 고장가능성 값을 찾아내어 전체 시스템의 고장 발생 가능성을 예측하는 것이 이 논문의 목적이라 할 수가 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2009.11a
• /
• pp.831-832
• /
• 2009

개발된 소프트웨어를 사용자에게 양도하기 위해서는 소프트웨어에 잠재되어져 있는 고장을 모두 수정하여야 한다. 현재 국제 표준에서 제시하고 있는 소프트웨어 품질 평가를 위해서도 소프트웨어에 잠재되어져 있는 고장 수의 예측은 중요한 과제이다. 이러한 측면에서 소프트웨어의 고장을 예측하기 위한 방안을 제시하고, 실제적인 고장 시간에 대한 예제를 통해서 소프트웨어의 품질을 측정할 수 있는 방법을 제시한다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.95-97
• /
• 2022

다양한 소스에서 수집되고 연동되는 항로표지 상태 데이터에서의 이상탐지는 항로표지의 고장예측에 있어서 중요한 역할을 한다. 이 연구에서는 항로표지 고장예측 서비스를 위해 상태 데이터를 모델링하고 분석할 수 있는 기계학습 모델의 연구 방법을 소개한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2013.07a
• /
• pp.153-154
• /
• 2013

토목 및 건설, 건축 등의 현장에서 많이 사용되는 가설기기들은 기계의 자체적인 기계고장 뿐만 아니라 야외 현장의 환경에 따른 기후의 변화에도 고장이 발생할 수 있다. 이러한 고장들을 사후약방문의 형식으로 고장이 발생하는 경우에만 수리 후 사용한다면 시간적/경제적으로 많은 손실이 있을 것이다. 그러나 가설기기들의 종류별 기기적 특징을 미리 시스템화하여 발생할 수 있는 고장을 사전에 방지하고 예방한다면 불필요한 손실을 미연에 막을 수 있다. 따라서 본 논문에서는 가설기기들과 관련된 각종 빅 데이터를 이용하여 피로도를 예측하여 고장이 발생하기 전에 사전에 예방할 수 있는 시스템을 제안한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2007.11a
• /
• pp.205-209
• /
• 2007

생산 현장에서 기기의 운영과 관리는 제품의 품질 및 기업의 수익성과 직결된다. 그러나 정상적인 작동을 하고 있는 시스템에서 고장의 시점과 고장의 종류를 예측하기 곤란하며 따라서 잔여 가동 시간이 얼마인지도 예측하기 힘들다. 본 논문에서는 산업용 기계, 공정과 의료기기 등 신뢰성이 요구되는 Brushless DC 모터의 상태 변화의 추이를 관찰하여 진단의 특징점으로 사용한다. 본 논문에서 제안한 상태천이 모텔은 고장의 시점과 고장의 종류를 예측할 수 있으며 유지보수의사결정에 도움을 줄 수 있다.

• ETRI Journal
• /
• v.14 no.1
• /
• pp.66-75
• /
• 1992

본고에서는 TDX-1A 시스팀의 운용 데이터를 신뢰도 측면에서 분석하여, 시스팀이 가지는 신뢰도 분포 특성과 고장 현황 구성을 살펴보았다. 또한 하드웨어 신뢰도만 예측될 수 있는 시스팀에서 예측하기 어려운 하드웨어 외적 요인에 의한 고장이 시스팀의 신뢰도에서 차지하는 부분을 추정함으로써 하드웨어 고장과 소프트웨어 및 운용중 에러에 의한 고장을 감안한 시스팀 신뢰도 예측이 가능하도록 하였다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.110-110
• /
• 2022

본 연구는 자율운항 선박의 원격 고장 진단 기법 개발의 일부로 수행되었다. 특히, 엔진 연료 계통 장비로부터 계측된 시계열 데이터로부터 상태 진단을 위한 알고리즘 구현 결과를 제시하였다. 엔진 연료 펌프와 청정기를 가진 육상 실험 장비로부터 진동 시계열 데이터 계측하였으며, 이상 감지, 고장 분류 및 고장 예측이 가능한 심층 학습(Deep Learning) 및 기계 학습(Machine Learning) 알고리즘을 구현하였다. 육상 실험 장비에 고장 유형 별로 인위적인 고장을 발생시켜 특징적인 진동 신호를 계측하여, 인공 지능 학습에 이용하였다. 계측된 신호 데이터는 선행 발생한 사건의 신호가 후행 사건에 영향을 미치는 특성을 가지고 있으므로, 시계열에 내포된 고장 상태는 시간 간의 선후 종속성을 반영할 수 있는 학습 알고리즘을 제시하였다. 고장 사건의 시간 종속성을 반영할 수 있도록 순환(Recurrent) 계열의 RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models)의 모델과 합성곱 연산 (Convolution Neural Network)을 기반으로 하는 Conv1D 모델을 적용하여 예측 정확성을 비교하였다. 특히, 합성곱 계열의 RNN LSTM 모델이 고차원의 순차적 자연어 언어 처리에 장점을 보이는 모델임을 착안하여, 신호의 시간 종속성을 학습에 반영할 수 있는 합성곱 계열의 Conv1 알고리즘을 고장 예측에 사용하였다. 또한 기계 학습 모델의 효율성을 감안하여 XGBoost를 추가로 적용하여 고장 예측을 시도하였다. 최종적으로 연료 펌프와 청정기의 진동 신호로부터 Conv1D 모델과 XGBoost 모델의 고장 예측 성능 결과를 비교하였다

• The Transactions of the Korea Information Processing Society
• /
• v.7 no.12
• /
• pp.3821-3828
• /
• 2000

Many software projects collect grouped failure data (failures in some failure interval or in variable time interval) rather than individual failure times or failure count data during the testing or operational phase. This paper presents the neural network (NN) modeling that is dble to predict cumulative failures in the variable future time for grouped failure data. ANN's predictive ability can be affected by what it learns and in its ledming sequence. Eleven training regimes that represents the input-output of NN are considered. The best training regimes dre selected rJdsed on the next' step dvemge reldtive prediction error (AE) and normalized AE (NAE). The suggested NN models are compared with other well-known KN models and statistical software reliability growth models (SHGlvls) in order to evaluate performance, Experimental results show that the NN model with variable time interval information is necessary in order to predict cumulative failures in the variable future time interval.

• The KIPS Transactions:PartD
• /
• v.8D no.4
• /
• pp.387-392
• /
• 2001

This Many software projects collect grouped failure data (failures in some failure interval or in variable time interval) rather than individual failure times or failure count data during the testing or operational phase. This paper presents the neural network (NN) modeling for grouped failure data that is able to predict cumulative failures in the variable future time. The two variant models of cascade-correlation learning (CasCor) algorithm are presented. Suggested models are compared with other well-known NN models and statistical software reliability growth models (SRGMs). Experimental results show that the suggested models show better predictability.