earticle

영어

Various IoT sensors and IT technologies are being combined and activated in industrial sites. However, as the system becomes more diverse and complex, the burden of IoT fault diagnosis and analysis is increasing. In this paper, we explain diagnosis issues that arise in recent industrial IoT environments and analyze machine learning techniques that can be effectively applied to fault diagnosis. For effective filtering of sensor data, fault-related factors were compared by random forest scheme, and failure diagnosis model based on kNN and SVM schemes were implemented using Google Colab. Through experiments using public big data based on motor failures, the performance and accuracy of the model are measured and the output results are analyzed. Based on the experimental analysis, the optimal combination of various sensors was trained by SVM and kNN models and the prediction accuracy increased. This result means that effective machine learning can detect sensor information likely to be the cause of actual failure, reducing sensor data storage and subsequent numerical computation. In addition, the storage efficiency and prediction accuracy were further increased by selecting optimal precision for each individual sensor using the impact analysis of sensor data precision.

한국어

다양한 IoT 센서와 IT 응용 기술이 융합되어 산업 현장에서 활성화되고 있다. 그러나 시스템이 다양해지 고 복잡해짐에 따라 IoT 고장 진단과 분석 부담이 커지고 있다. 본 논문에서는 최근 산업 IoT 환경에서 발생하는 결함 진단 이슈를 설명하고, 고장 진단에 효과적으로 적용 가능한 기계 학습 기법을 분석한다. 또한 효과적인 센서 데이터의 필터링을 위하여 랜덤 포레스트 기법으로 고장 연관 인자들을 비교하고, kNN과 SVM 기법에 기반을 둔 고장 진단기를 Google Colab을 활용하여 구현하였다. 모터 고장 관련 공공 빅데이터를 기반으로 한 실험을 통하여 모델의 성능과 정확도를 측정하고 출력 결과를 분석하였다. 실험 분석 결과, 다양한 센서의 최적 조합이 SVM과 kNN 모델로 학습되어 예측 정확도가 95%로 증가하였다. 이 결과는 효과적인 머신 러닝이 실제 고장의 원인일 가 능성이 높은 센서 정보를 검출하여, 센서 데이터 저장 및 후속 수치 연산량의 절감함을 의미한다. 추가로 데이터 정밀도의 영향 분석을 통하여 개별 센서별로 정밀도를 선택하여 저장 공간 효율성과 예측 정확도를 더 높였다.