순환신경망 기반 전력 데이터 분석을 활용한제조설비 운영 상태 예측 사례 연구

• 영문명: Operational Status Prediction of Manufacturing Equipment Using RNN-Based Analysis of Power Data: A Case Study
• 발행기관: 한국자료분석학회
• 저자명: 박주훈(Joohun Park) 이충석(Choongseok Lee)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.27 No.3, 951~963쪽, 전체 13쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2025.06.30

국문 초록

4차 산업혁명 시대에 인공지능(AI)과 사물 인터넷(IoT) 기술의 융합은 스마트 제조와 예측 유지보수의 중요성을 더욱 강조하고 있다. 본 논문에서는 제조 설비의 운영 상태를 예측하고 모니터링하기 위한 딥러닝 기반 시스템 구축 방법론을 제시한다. 전력 센서를 활용해 실시간으로 제조 설비의 운영 데이터를 수집하고 분석하여, 설비 상태('정지', '대기', '가동')를 분류하는 딥러닝 모델을 개발하였다. 시계열 데이터 분석에 특화된 RNN, LSTM, GRU 모델을 사용하여 설비의 운영 상태를 예측하고, 이를 클라우드 기반 IoT 플랫폼과 통합해 실시간 모니터링 시스템을 구축하였다. 특히 기존 설비에 전력 센서를 추가하여 시스템 구축의 복잡성을 최소화하고, 저비용으로 중소기업에 적합하도록 설계하였다. 실험 결과, 개발된 딥러닝 모델은 기존 방식보다 우수한 성능을 보였고, RNN 기반 모델은 시계열 데이터 특성 학습에 뛰어나 예측 정확도를 높였다. 클라우드 기반 IoT 시스템과의 통합은 실시간 데이터 분석을 가능하게 하여, 중소기업에서도 저비용으로 예측 유지보수 시스템을 구축하고 운영할 수 있도록 지원한다. 본 연구는 스마트 제조 환경에서 중소기업을 위한 예측 유지보수 시스템의 실용적 적용 방안을 제시하고, 제조업의 디지털 전환을 촉진할 수 있는 기반을 마련하는데 기여할 것으로 생각된다.

영문 초록

This study introduces a deep learning methodology to assess, predict and monitor the operational states (stopped, idle, running) of manufacturing equipment, leveraging AI and IoT within the smart manufacturing paradigm. Advanced deep learning models, including RNN, LSTM and GRU, analyze time-series power sensor data to classify these states. These models are integrated into a cloud-based IoT architecture for real-time monitoring. The models were trained and validated using data from six distinct manufacturing equipment types, collected between Oct 2023 and Jan 2024. This dataset comprises 18 critical electrical parameters (e.g., voltage, current, active power, power factor, cumulative energy consumption) acquired via GEMS3520 power measurement devices and a LoRaWAN gateway. Developed in PyTorch, the models incorporated advanced optimization techniques such as Focal Loss to address data imbalance and Bayesian optimization for hyperparameter tuning, achieving a classification accuracy of 96.87% as evaluated by confusion matrices and ROC-AUC metrics. This cost-effective approach, relying on power sensor data, is ideal for SMEs, reducing complexity and cost compared to traditional methods. RNN-based models effectively captured temporal dependencies, enhancing prediction reliability. The cloud integration ensures scalability. This research provides a scalable framework for AI-driven predictive maintenance, contributing to the digital transformation of manufacturing by offering practical insights for broader industrial adoption.

목차

1. 서론

2. AI 기반 설비 운영 모니터링 시스템 설계

3. 설비 운영 상태 분석 예측 AI 모델 구현

4. AI 모델 평가

5. 결론 및 향후 연구방향

References

키워드

설비 운영 상태 예측 딥러닝 스마트 제조 Equipment Operational Status Prediction Deep Learning RNN Smart Manufacturing