2015 년도 한국철도학회 춘계학술대회 논문집 KSR2015S061

데이터 기반 패턴매칭 기법을 활용한 철도 부품 상태진단

Data-Driven Condition Diagnosis of Railway Component Using Pattern Matching

송성준*, 여화수**†

Sungjun Song*, Hwasoo Yeo**†

Abstract As an effort to improve operational stability and prevent accidents in railway systems, the application of condition-based maintenance (CBM) has been actively addressed. Condition-based maintenance is a strategy that helps making maintenance decisions based on the analysis result of condition information from various sensors installed in the components, as well as existing maintenance data. As a part of fundamental research of condition-based maintenance, this study proposes a strategy for matching historical data and making a diagnosis of component condition. The accuracy of this diagnostic method is verified by motor reduction unit data simulation with moving window and data sampling techniques. The paper includes in-depth discussion of the simulation result and suggests the direction of further improvement for predictive analysis. This diagnostic method using data-based matching shows a strong potential for determining methods of data gathering and analysis, when condition-based maintenance is introduced. Keywords : Condition based maintenance, Condition diagnosis, Pattern matching, Moving window 초 록 철도시스템의 운영 효율 향상과 안전사고 감소를 위해 최근 국내 철도분야에서는 상태기반 유지보수의 도입을 적극적으로 검토하고 있다. 상태기반 유지보수는 기존의 유지보수 데이터에 더해 다양한 센서로부터 얻은 데이터를 분석하여 철도차량 및 인프라의 유지보수 의사결정을 지원하는 전략이다. 본 연구에서는 상태기반 유지보수를 위한 데이터의 매칭 및 상태 진단기법에 대해 논의하였다. 고속열차 감속기 실험데이터를 사용하여 상태진단 정확도를 검증하였으며, 데이터 진단에는 무빙윈도우 및 샘플링 기법을 적용하였다. 감속기 실험데이터에의 진단기법 적용 결과와 향후 예측단계로의 발전 방향에 대해서도 논의하였다. 본 연구는 데이터 기반 매칭을 통한 상태진단으로서 의미가 있으며, 향후 상태기반 유지보수의 도입에 있어 데이터의 수집 및 분석 방향을 결정하는데 도움이 될 것으로 기대한다.

주요어 : 상태기반 유지보수, 상태진단, 패턴매칭, 무빙윈도우

1. 서 론

철도 보급의 확대와 더불어 기존 노후 설비의 운용으로 인해 철도의 각종 고장이 우려되

고 있다. 철도의 고장은 운행지연 및 취소로 이어지며, 안전 문제, 이용객의 불편함, 운영

비용 증가를 유발한다. 이러한 고장을 사전에 발견하여 신속히 대응하기 위해 그 동안 다양

한 연구가 있어왔다. 상태기반 유지보수(Condition-Based Maintenance)도 그 중 하나이다.

† 교신저자: 한국과학기술원 건설및환경공학과 (hwasoo@kaist.ac.kr)

* 한국과학기술원 녹색교통대학원

** 한국과학기술원 건설 및 환경공학과

기존의 유지보수 방법론들은 부품 수명의 불확실성을 보완하기 위해서 시스템 구성요소를

주기적으로 교체하여 안전성을 확보하는 것을 중점으로 한다. 하지만 잦은 교체로 인해 유

지보수 비용이 상승하는 점과, 시스템 구성요소의 노화 과정을 충분히 고려하지 못하는 점

이 지적되어 왔다. 상태기반 유지보수는 유지보수 의사결정을 지원하는 새로운 방법론이다.

상태기반 유지보수는 대상에 설치된 다양한 센서들로부터 얻은 상태데이터를 분석하여 구성

요소의 열화 과정을 파악하고 최적의 유지보수 방법 및 그 적용 시점을 결정한다. 고정 주

기로 유지보수 하는 기존 방법에 비해 예산 절약과 안전성 향상을 도모할 수 있어 다양한

분야에서 주목 받고 있다. 최근 국내에서도 철도시스템의 운영안정성을 향상시키고자 상태

기반 유지보수의 도입을 논의하고 있다.

2. 본 론

2.1 기존 연구 사례 검토

최적의 유지보수 방법 및 시점의 결정에 대한 전반적인 연구로는 Carnahan 외[1]와

Madanat과 Ben-Akiva[2]의 연구를 들 수 있다. Carnahan 외는 도로포장의 최소 기대 생애주

기 비용 달성을 위한 동적계획법을 연구한 바 있으며, Madanat과 Ben-Akiva는 측정 불확실

성을 고려하는 것과 점검 일정을 최적화하는 것이 유지보수 의사결정에 있어 중요하다는 것

을 잠복 마르코프 결정과정을 통해 알아냈다.

최적의 유지보수 활동을 결정함에 있어 데이터를 분석하여 시설물의 상태 추이를 파악하

는 것은 매우 중요하다. 철도분야에서도 시설물의 상태 파악에 대한 연구가 있었다.

Costello 외[3]는 뉴질랜드 철도의 선로 마모 데이터를 분석하여 레일의 마모 모델을 만들

어냈으며, Shafahi and Hakhamaneshi[4]는 마르코프 과정으로 이란 철도 선로 데이터를 분

석하여 누적 손상모델을 개발하고, 선로의 유지보수 비용을 최소화하였다.

한편, 철도분야의 상태진단 기법 관련 연구로는 해외 차량용 자기진단 기능을 소개한 김

길상 외[5],부분방전을 이용한 온라인 열화진단기술을 시험분석한 박현준[6], 토목구조물의

관점에서 검사 및 진단기술의 동향을 소개한 서사범[7] 등의 사례가 있었다.

2.2 상태진단기법

2.2.1 상태진단방법

상태진단의 전체 과정은 Fig. 1 과 같다. 우선 데이터베이스에서 진단 대상 데이터와 전체 데

이터를 각각 무빙윈도우 데이터, 타겟 데이터로 추출한다. 이후 패턴매칭을 하여 유사도를 판

단하고, 마지막으로 진단결과를 도출하여 진단 대상 데이터의 현재 상태를 결정한다. 타겟 데

이터는 부품별 상태구분에 의해 이미 상태를 알고 있어야 한다.

2.2.2 데이터 기반 패턴매칭

데이터의 진단을 위해서 이미 알고 있는 상태의 데이터와 새로운 데이터의 변화 추이를 비

교분석하여 상태가 얼마나 비슷한지 알 필요가 있다. 무빙윈도우는 영상처리기법 등에서 여러

데이터셋 간의 유사성을 파악하는 한편 연산 속도를 줄이기 위하여 필요한 일부 정보를 블록

화하여 별도로 분석하는 기법으로, 본 연구에서는 데이터 패턴매칭을 위해 무빙윈도우 기법을

활용하였다.

무빙윈도우 기법은 Fig. 2와 같이 묘사할 수 있다. 데이터베이스에서 타겟 데이터와 무빙윈도

우 데이터를 각각 추출하고, 무빙윈도우 데이터를 기존데이터의 시작점부터 끝점에 이르기까

지 슬라이딩하여 매 단위 움직일 때마다 식(1)과 같이 유사도를 계산한다. 여기서 유사도는

추출 데이터의 전체 차원에 대해 합산하며, 데이터의 단위를 삭제하기 위해 가중치를 부여한

다. 두 개의 데이터가 유사할수록 유사도의 값은 작아진다.

ZZZZwAAAAw M,nT,nM,T,M,nT,nM,T,

ZA

2222

111

111

유사도 (1)

여기서, AT,k: 타겟 데이터의 k번째 데이터, AM,k: 무빙윈도우 데이터의 k번째 데이터, wA: A차원 데

이터에 대한 가중치, n: 무빙윈도우 데이터 개수

Fig. 1 Condition diagnosis process

Fig. 2 Moving-window technique

위와 같은 방법으로 슬라이딩하며 계산한 유사도 값들 중 최소값을 가지는 위치에서

무빙윈도우 데이터와 타겟 데이터가 가장 유사한 것으로 결정한다.

2.2.3 상태 판단

이미 상태를 알고 있는 여러 개의 데이터로부터 타겟 데이터를 추출하고, 상태를 알고자 하

는 데이터를 무빙윈도우 데이터로서 추출한다. 위에서 보인 무빙윈도우 기법을 통해 패턴매칭

을 하면 각 데이터와 무빙윈도우 간의 유사도를 각각 구할 수 있다. 이 때, 타겟 중 유사도가

가장 낮은 값을 낮은 경우의 규정된 데이터 상태를 무빙윈도우 데이터의 상태로 결정한다.

2.3 진단기법 검증실험

2.3.1 데이터 개요

위에 서술한 데이터 기반 패턴매칭 진단 기법을 검증하기 위해 고속철도 감속기 실험데이터

를 대입하여 각각의 상태별로 진단 정확도를 측정하였다. 상태는 정상기어, 1개 파손, 2개 파

손, 반파로 나뉘며, 데이터는 Y축, Z축 데이터가 각각 약 40만 개씩으로 구성된 시계열 데이

터이다. 검증을 위해 추출한 데이터의 길이는 타겟 데이터 5,000개, 무빙윈도우 데이터 200개

이다. 유사도의 가중치로는 각 축 데이터의 90% percentile 값을 사용하였다.

2.2.2 샘플링

패턴매칭의 계산 시간을 감소시키기 위해, Fig. 3과 같이 무빙윈도우 데이터와 타겟 데이터

각각에 대하여 샘플링을 수행하였다. 우선 원본데이터를 시계열단위 10개마다 1개단위로 샘플

데이터를 추출한다. 이어 샘플데이터간 패턴매칭을 통해 최소 유사도 지점을 구하였다. 마지

막으로 최소 유사도 지점의 전후 시간으로 구간을 좁혀 해당 시간대에서 다시 한 번 원본 타

겟 데이터와 무빙윈도우 데이터를 패턴매칭하여 구간 유사도를 계산하였다.

Fig. 3 Data sampling process

2.2.3 결과

Table 1과 같이, 네 가지 상태별로 무빙윈도우 데이터와 타겟 데이터를 임의 추출하여 패턴매

칭 하였으며, 각각 1,000회씩 수행하였다. 그 결과 정상 상태의 경우 1,000건 중 988건을 올

바르게 진단하였으며, 1개 파손의 경우 1,000건 중 963개, 2개 파손의 경우 959개씩을 각각

정확하게 진단하였다. 반파의 경우 모두 올바르게 진단하였다. 단, 1개 파손의 경우 1,000개

중 26건을 정상으로 진단하는 등 11개 ~ 41개의 오진사례가 발생하였다

3. 결 론

국내 철도분야에서 상태기반 유지보수의 도입을 위해 다양한 연구가 진행되고 있는 가운데,

본 연구에서는 상태기반 유지보수의 도입을 위한 데이터 기반의 부품 상태진단 기법을 소개하

였다. 아울러 열차 진동기 데이터를 대상으로 부품상태 진단기법의 검증실험을 수행하여 높은

정확도로 상태를 진단할 수 있음을 확인하였다. 단, 이상 상태를 정상상태로 오진하는 사례가

있는 것은 보완해야 할 점이다. 나아가 진동기 실험데이터가 아닌 다양한 데이터를 통한 검증

실험, 진단 이후 예측단계의 설계를 통해 연구를 발전시키고자 한다.

본 연구는 철도분야의 데이터를 활용하여 부품의 상태를 진단할 수 있는 가능성을 확인하였

다는 점에서 의미가 있으며, 향후 상태기반 유지보수의 도입 단계에서 상태 데이터의 수집,

분석, 진단을 지원할 기초 연구가 될 것이다. 본 연구의 내용과 더불어 상태기반 유지보수체

계가 앞으로 유지보수의 효율성 및 안전성의 향상의 효과에 기여할 것으로 기대한다.

후 기

본 논문은 국토교통과학기술진흥원에서 시행하는 상태기반 스마트 유지보수 핵심기술 개발 연구(과제번호 : 13RTRP-C068243-01) 의 일환으로 수행되었습니다.

참고문헌

[1] Carnahan, J. V. (1988) Analytical framework for optimizing pavement maintenance, Journal of

Transportation Engineering, 114(3), pp. 307-322.

Table 1 Result of data pattern matching

Target Data

No fault One broken Two broken Half broken

Moving Window

Data

No fault 988/1000 12/1000 0/1000 0/1000

One broken 26/1000 963/1000 11/1000 0/1000

Two broken 0/1000 0/1000 959/1000 41/1000

Half broken 0/1000 0/1000 0/1000 1000/1000

[2] Madanat, S. and Ben-Akiva, M. (1994) Optimal inspection and repair policies for infrastructure

facilities, Transportation science, 28(1), pp. 55-62.

[3] Costello, S. B., Premathilaka, A. S. and Dunn, R. C. (2012) Stochastic Rail Wear Model for Railroad

Tracks, Transportation Research Record: Journal of the Transportation Research Board, 2289(1), pp.

103-110.

[4] Shafahi, Y. and Hakhamaneshi, R. (2009) Application of a Maintenance Management Model for

Iranian Railways Based on the Markov Chain and Probabilistic Dynamic Programming, International

Journal of Science and Technology Transaction A: Civil Engineering, 16(1), pp. 87-97.

[5] 김길상, 황희수 (1994) 고속철도의 자기진단(Self-Diagnosis) 기술, 전기학회논문지, 43(6), pp.

19-26

[6] 박현준 (2013) 전기철도 견인전동기 온라인 진단기술, 한국전기전자재료학회, 26(7), pp. 17-

21

[7] 서사범 (2013) 철도에서의 검사∙진단 기술 및 레일축력의 측정과 PC교량 내부의 진단,

철도저널, 16(5), pp. 33-41