Earticle

설비의 결함 진단은 ITS분야 중 유지보수 및 안전성을 특히 더 고려해야하는 교통과는 뗄 수 없는 분야이다. 그 중, 많은 인원이 사용하는 대중교통은 그 특성상 사용하는 인원의 규모차이로 인해 유지보수 측면 뿐만 아니라 안전성을 위해서도 설비에 대한 결함 진단은 중요하다. 각 모듈들에 센서를 부착하여 전체적인 모니터링을 가능케 하는 기술은 현재 자율주행차와 전기차등의 분야에서 어느정도의 가능성을 보이고 있다. 취득되는 데이터들이 있다면 그곳에 딥러닝을 적용하는 것 또한 가능할 것이며 이러한 관점에서 여러 설비에 부착된 센서데이터들을 활용한 결함진단에 딥러닝을 적용하고자 하는 연구가 발전하고 있다. 본 연구에서는 지하철 열차 보깅을 1:2 규모로 설계된 고장 시뮬레이션 실험 플랫폼에서 수집된 다중 결함 데이터를 활용하여 기존의 많이 연구되는 단일 모듈의 결함이 아닌 다중 결함 탐지를 진행하고자 한다. Transformer와 Graph Attention을 활용한 아키텍쳐를 설계했다. Graph Attention Convolution의 다중결함 진단의 적용가능성을 탐색하엿고 그 가능성을 볼 수 있다.

Fault detection of rotating engine components in the aircraft engine is a challenging task that must constantly be monitored to provide aviation safety. In this paper, we propose a novel approach based on multi-layer perceptron (MLP) to detect in real time the degree of faults in a turbine engine disk due to a crack. To further improve detection accuracy while reducing computational complexity, the recursive feature elimination (RFE) is applied as a potent feature selection method. Satisfactorily, simulation results show that the proposed framework is robust to changes in operating conditions and outperforms comparative approaches.

본 논문은 상대적으로 새로운 기법인 Parzen Density Estimation과 Multi-class SVM을 이용한 지능형 고장 탐색과 진단 방법을 제안하고 있다. 본 연구에서는 롤링 베어링을 대상으로 고장을 탐색하고 진단하기 위한 방법을 제안하는데 Parzen Density Estimation과 Multi-class SVM은 고장 클래스를 잘 표현할 수 있다. Parzen Density Estimation은 새로운 패턴 데이터의 거절과 알려진 데이터 패턴의 밀도의 평가에 의해 새로운 패턴을 찾아낼 수 있고, Multi-class SVM 기반의 방법은 여러 클래스의 고장을 support vector로 표현하여 고장 패턴을 찾아낼 수 있다. 본 연구에서는 실제의 다중 클래스를 가지는 롤링 베어링의 고장 데이터를 사용하여 고장 패턴을 탐색하는 과정을 보여주는데, 커널함수의 적절한 파라미터의 선택에 의한 Multi-class SVM 기반의 방법이 multi-layer perceptron이나 Parzen Density Estimation 방법보다 우수함을 입증한다.

자율주행 차량의 무결성과 내결함성을 보장하기 위한 환경 인식 센서의 결함 감지 및 격리 (FDI) 알고리즘이 중요한 연구 주제로 다루어지고 있다. 본 논문에서는 자율주행 차량의 안전 성 보장을 위한 레이다, 카메라, 라이다로 구성된 다중 인지 시스템 결함 검출 알고리즘을 제시 하였다. 제안된 결함 감지 알고리즘은 FIR(Finite Impulse Response) 필터 추정치에 기반한 레지 듀얼의 생성 및 분석으로 고장의 감지 및 격리를 수행한다. 알고리즘의 성능 검증을 위해 가상 환경에서의 수치 시뮬레이션을 수행하여 알고리즘을 기존의 칼만 필터 기반 알고리즘과 비교 및 고찰하였다. 결과적으로 제안된 알고리즘은 인지 시스템의 강건성을 확보할 수 있음을 검 증하였다. 본 연구는 자율주행 차량의 안전성과 신뢰성을 확보하기 위한 필수적인 연구로, 자 율주행 차량의 환경 인지 센서의 무결성을 향상 시킬 것으로 판단된다.

Fault detection and diagnosis (FDI) algorithms are actively being researched for ensuring the integrity and reliability of environment perception sensors in autonomous vehicles. In this paper, a fault detection algorithm based on a multi-sensor perception system composed of radar, camera, and lidar is proposed to guarantee the safety of an autonomous vehicle's perception system. The algorithm utilizes reference generation filters and residual generation filters based on finite impulse response (FIR) filter estimates. By analyzing the residuals generated from the filtered sensor observations and the estimated state errors of individual objects, the algorithm detects faults in the environment perception sensors. The proposed algorithm was evaluated by comparing its performance with a Kalman filter-based algorithm through numerical simulations in a virtual environment. This research could help to ensure the safety and reliability of autonomous vehicles and to enhance the integrity of their environment perception sensors.

This paper addresses the robust fault detection and estimation problem of nonlinear descriptor system with unknown inputs observers. The considered nonlinear descriptor system is transformed into an equivalent multi-models form by using the Takagi-Sugeno (T-S) approach. Two cases are considered: the first one deals with the multi-models based on measurable decision variables and the second one assumes that these decision variables are unmeasurable. Then, a residual generator based on an unknown observer is designed for both fault detection and estimation. Stability analysis and gain matrices determination are performed by resolving a set of Linear Matrices Inequalities (LMIs) for both cases. The performances of the proposed fault detection and estimation method is successfully applied to an electrical circuit.

도시가스 배관망은 넓은 지역에 분포되며, 계층적으로 복잡하게 연결되어 있는 것을 특징으로 한다. 넓은 지역에 분포된 배관망의 압력 상태를 정밀하게 감시하기 위하여 PCA 기반의 센서 고장탐지 및 진단 기법을 적용하였다. 도시가스 배관망은 센서의 수가 많기 때문에 상호 연관성이 높은 센서들을 하나의 블록으로 묶어 블록 차원에서 전체 센서를 다루는 다중블록 PCA(MBPCA)가 추천된다. 그런데 MBPCA는 고장센서 식별 성능이 우수한 장점이 있지만, 센서의 개수가 증가할수록 고장탐지 성능이 나빠지는 경우가 많고, 지엽적인 변화에도 모델 전체를 갱신해야 하는 문제점이 있다. 이러한 이유로 모든 센서에 대해 MBPCA를 적용하는 것보다 선택적으로 MBPCA를 적용하는 것이 필요하다. 본 연구에서는 고장탐지 성능(fault detectability) 지수와 고장진단 성능(fault identificability) 지수를 제안하였으며, 이를 통해 블록별로 MBPCA와 PCA의 성능을 비교할 수 있도록 하였다. 이 지수를 기준으로 MBPCA와 PCA 블록을 구분하여 (주)해양에너지의 도시가스 배관망의 고장 탐지 및 진단 시스템을 개발하였으며, 센서의 개수가 많은 경우에 발생하는 문제점을 해결할 수 있었다.

The city gas pipeline network is characterized by being widely distributed and hierarchically connected in a complex manner over a wide area. In order to monitor the status of the widely distributed network pressures with high precision, Multi-block PCA(MBPCA) is recommended. However, while MBPCA has excellent performance in identifying faulty sensors as the number of sensors increases, the fault detection performance deteriorates, and also there is a problem that the model needs to be updated entirely even if minor changes occur. In this study, we developed fault detectability index and fault identificability index to determine the effectiveness of MBPCA application block by block. Based on these indices, we distinguished MBPCA and PCA blocks and developed a fault detection and diagnostic system for the city gas pipeline network of Haean Energy Co., Ltd., and were able to solve the problems that arise when there are many sensors.

통계적인 공정 제어 기법을 회분식 공정에 적용하여, 일반적인 회분식 공정의 데이터를 통해 보다 빠르고, 손쉽게 공정의 상태를 진단할 수 있는 시스템을 구현해 보았다. 대표적인 회분식 공정의 하나인 반도체 식각공정과 반회분식 스타이렌-부타디엔 고무 생산 공정의 데이터를 이용하여 공정 변수와 공정의 상태간의 연관 관계를 규명할 수 있는 모델을 수립하였으며, 이 모델의 출력(output) 결과를 이용해 통계적 공정 제어 차트를 구성하고, 시간에 따른 공정의 추이를 분석해 이상을 판별해 보았다. 회분식 공정의 다축(multi-way) 데이터를 두개의 축으로 만드는 펼치기(unfolding) 과정을 거쳤으며, 모델링 방법으로는 Support Vector Regression 및 Partial Least Square 등의 다변량 회귀분석 방법을 이용하였다. 또한 에러차트 및 변수 기여도 차트(variable contribution chart)를 이용해 이상의 세기, 형태 및 이상 데이터에 대한 각 변수들의 기여도를 계산해 보았으며, 그 결과 이상의 발생 유무 및 발생시점 뿐만아니라 이상의 세기 및 원인 까지 진단해 볼 수 있는 우수한 성능을 보이는 것을 확인할 수 있었다.

A batch Process has a multi-way data structure that consists of batch-time-variable axis, so the statistical modeling of a batch process is a difficult and challenging issue to the process engineers. In this study, We applied a statistical process control technique to the general batch process data, and implemented a fault-detection and Statistical process control system that was able to detect, identify and diagnose the fault. Semiconductor etch process and semi-batch styrene-butadiene rubber process data are used to case study. Before the modeling, we pre-processed the data using the multi-way unfolding technique to decompose the data structure. Multivariate regression techniques like support vector regression and partial least squares were used to identify the relation between the process variables and process condition. Finally, we constructed the root mean squared error chart and variable contribution chart to diagnose the faults.

Mission-critical 시스템의 경우 자가 치유는 신뢰성을 보장하기 위한 기술 중 하나이다. 자가치유는 오류 탐지와 오류 회복으로 이루어져 있으며 오류 탐지는 오류 회복을 가능하게 하는 자가 치유의 중요한 첫 단계이지만 시스템에 과부하를 주는 문제가 있다. 모델 기반의 방법 등으로 오류를 탐지할 수 있는데 시스템의 모든 행위를 통지하고 정상 행위 모델과 통지된 시스템의 행위를 비교하여야 하므로 그양이 많고 부하가 크기 때문이다. 본 논문에서는 모델 기반의 오류 탐지 방법을 보완하는 아키텍처 기반의 다계층적 자가적응형 모니터링 방법을 제안한다. 소프트웨어 아키텍처 상에서 오류 탐지의 중요도는 컴포넌트 마다 다르다. 각 컴포넌트마다 발생하는 오류의 심각도와 빈도가 다르기 때문이다. 모니터링 중요도가 높은 컴포넌트에는 강도가 높고 모니터링 중요도가 낮은 컴포넌트에는 강도가 낮도록 모니터가 적응한다면 오류 탐지의 부하는 줄이고 효율은 유지시킬 수 있다. 또한 소프트웨어의 환경 변화 및 아키텍처상의 변화 등에 따라 오류 발생 빈도가 변화하여 컴포넌트의 오류 탐지 중요도가 변화하기 때문에 학습을 통해 이를 추적하여 자가적응적으로 중요도가 높은 컴포넌트를 집중 모니터링 한다.

Self-healing is one of the techniques that assure dependability of mission-critical system. Self-healing consists of fault detection and fault recovery and fault detection is important first step that enables fault recovery but it causes overhead. We can detect fault based on model, the detection tasks that notify system's behavior and compare normal behavior model and system's behavior are heavy jobs. In this paper, we propose architecture-based multi-level self-adaptive monitoring method that complements model-based fault detection. The priority of fault detection per component is different in the software architecture. Because the seriousness and the frequency of fault per component are different. If the monitor is adapted to intensive to the component that has high priority of monitoring and loose to the component that has low priority of monitoring, the overhead can be decreased and the efficiency can be maintained. Because the environmental changes of software and the architectural changes bring the changes at the priority of fault detection, the monitor learns the changes of fault frequency and that is adapted to intensive to the component that has high priority of fault detection.