CNN 기반 모델과 개선된 손실함수를 활용한 시계열 예측 성능 향상 및 부품 고장 예측 신뢰도 강화 (Enhancing Time Series Prediction Performance and Strengthening Component Failure Prediction Reliability through CNN-Based Model and Enhanced Loss Function)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 데이타베이스연구 / 39권 / 3호 / 3 ~ 24페이지
· 저자명 : 김원일, 홍봉희

초록

유지보수 산업은 고액의 부품 재고로 인한 자본 소모나 낮은 재고로 인한 고객 요구에 대한 부적절한 대응과 같은 과제를 직면하고 있다. 이에 AI가 서비스 공급망에서 활용되어 부품 수요 예측의 정확성을 향상하는 데 활용되고 있다. 이 연구에서는 4개 기종의 100대 기계로부터 1년 동안 1시간 간격으로 수집된 센서 데이터로 이루어진 Microsoft Azure 예측 유지보수 데이터를 분석하였다. 새로운 손실함수와 함께 합성곱 신경망(CNN) 기반의 딥러닝 기법을 사용하여 장비 센서 데이터를 예측하고, 장비의 노화 및 부품 유지보수 기록을 수요 예측에 통합하였다. 본 연구에서 제안된 CNN 기반 모델과 개선된 손실함수는 다른 기계 학습(machine learning) 및 순환 신경망(RNN) 기반 모델보다 우수한 성능을 보여주며, 시계열 데이터의 학습 및 예측에 뛰어난 성과를 달성하였다. 이전의 랜덤포레스트 모델과 비교하여, 본 연구에서 제안된 CNN 기반 모델은 정확도 약 13% 향상, 재현율 약 249% 향상, F1 점수 약 129% 향상을 보였다. 또한, RNN 기반 모델보다 MSE, RMSE, MAPE의 오류율이 크게 감소했다. MSE는 5.93%, RMSE는 21.45%, MAPE는 67.08% 감소했다. 이러한 상당한 개선은 부품 교체와 같이 높은 재현율이 필요한 수요 예측에 특히 중요한 의미가 있다. 또한, 제안된 방법은 99.9%의 높은 정확도(accuracy)와 98.9%의 재현율(recall)을 달성하였으며, 산업용 기계 장비의 고장 및 부품 수요를 정확하게 예측하기에 적합함을 나타냈다.

영어초록

AI is being used in the maintenance industry to improve spare parts demand forecasting and address challenges of excess inventory and inadequate response to consumer demand. This study analyzes Microsoft Azure Predictive Maintenance Data, consisting of hourly sensor data from 100 machines of 4 models. A CNN-based deep learning approach is employed, considering equipment aging and maintenance history. The proposed model with enhanced loss function outperforms other machine learning and RNN-based models, showing superior performance in predicting time-series data. Compared to the previous random forest model, the CNN-based model in this study improves accuracy by about 13%, recall by 249% and F1 score by 129%. Furthermore, compared to the RNN-based model, the error rates of MSE, RMSE, and MAPE decreased significantly. The MSE decreased by 5.93%, RMSE decreased by 21.45%, and MAPE decreased by 67.08%. These significant enhancements are particularly valuable for demand forecasting tasks that require high recall, such as parts replacement. Furthermore, the proposed method achieves an impressive accuracy of 99.9% and a recall rate of 98.9%. This indicates its suitability for accurately predicting failures and spare parts demand in industrial machinery equipment.

참고자료

· 없음