Maintenance technologies have been progressed from a time-based to a condition-based manner. The fundamental idea of condition-based maintenance (CBM) is built on the real-time diagnosis of impending failures and/or the prognosis of residual lifetime of equipment by monitoring health conditions using various sensors. The success of CBM, therefore, hinges on the capability to develop accurate diagnosis/prognosis models. Even though there may be an unlimited number of methods to implement models, the models can normally be classified into two categories in terms of their origins: using physical principles or historical observations. I have focused on the latter method (sometimes referred as the empirical model based on statistical learning) because of some practical benefits such as context-free applicability, configuration flexibility, and customization adaptability. While several pilot-scale systems using empirical models have been applied to work sites in Korea, it should be noticed that these do not seem to be generally competitive against conventional physical models. As a result of investigating the bottlenecks of previous attempts, I have recognized the need for a novel strategy for grouping correlated variables such that an empirical model can accept not only statistical correlation but also some extent of physical knowledge of a system. Detailed examples of problems are as follows: (1) missing of important signals in a group caused by the lack of observations, (2) problems of signals with the time delay, (3) problems of optimal kernel bandwidth. In this study an improved statistical learning framework including the proposed strategy and case studies illustrating the performance of the method are presented.
정비기술은 시간기반정비에서 상태기반정비로 진화되었다. 상태기반정비(Condition-Based Maintenance)의 기본 개념은 다양한 센서를 이용하여 시스템의 건강상태를 실시간으로 감시함으로써 발생할 수 있는 고장을 예방하고 잔여수명을 예측함으로써 시스템을 보다 효율적으로 관리함에 있다. 따라서 상태기반정비의 성패는 정확한 예측모델을 만드는데 달려있다. 예측 모델을 구현하는 데는 수많은 방법론이 있지만 일반적으로 물리적 원리를 이용한 방법과 과거 운전 데이터를 이용하는 방법으로 분류된다. 본 연구에서는 범용적인 적용 가능성과 비용의 효율성 측면에서 경험 모델을 이용한 방법론에 초점을 맞추었다. 최근에 경험모델을 이용한 시험용 시스템이 한국의 몇몇 발전소에 적용이 되었지만 상용 물리모델에 비해서 예측모델의 강인성(Robustness) 면에서 아직까지 경쟁력이 떨어진다. 앞선 시도로부터 발견된 몇 가지 문제 중에 구체적인 예로는 (1) 학습 데이터의 부족으로 인해 변수 선택에 있어 중요변수를 누락하는 문제, (2) 시간차를 보이는 변수의 누락 문제, (3) 예측 모델을 구성하는 데 있어 최적의 커널 폭(Kernel Bandwidth)을 발견하는 문제 등이 있다. 본 논문에서는 이러한 문제들을 해결하기 위한 몇 가지 방법론을 제안하였고 이를 바탕으로 향상된 통계적 학습 모델을 제안하였다. 그리고 실험 장치 및 현장 데이터를 이용하여 제안된 방법론을 검증하였고, 손쉽게 적용할 수 있도록 온라인 모니터링 시스템 툴박스를 개발하였다. 본 연구에서 개발된 각 단계별 방법론은 원자력 발전소뿐만 아니라, 기타 다른 시스템에서도 동일한 개념으로 적용이 가능하도록 구성되어 있다.
