Gaussian Mixture Model을 이용한 선박 메인 엔진 빅데이터의 이상치 탐지

Anomaly detection of Vessel Main Engine Big Data using Gaussian Mixture Model

선박 메인 엔진은 선박의 추진 동력을 제공하는 핵심 장비로써 고장 예방을 위한 주기적인 정비와 모니터링이 요구된다. 최근 선박에 부착된 센서를 이용하여 선박 메인 엔진의 상태를 실시간으로 측정할 수 있게 되면서, 수집된 빅데이터를 바탕으로 엔진의 이상 징후를 조기에 발견할 수 있는 체계가 마련되었다. 본 연구는, 7개월 이상 수집된 선박 메인 엔진 데이터를 학습하여 선박 메인 엔진의 이상 징후를 조기에 파악할 수 있는 방법론을 제안한다. 학습을 위해 전문가 인터뷰 및 상관계수 분석을 통해 중요 변수를 추출하였고, 데이터 전처리 기법을 통해 학습에 필요한 변수만을 추출하였다. 다수의 정상적인 메인 엔진 상태 데이터로부터 이상치를 분리하기 위하여 비지도 학습(unsupervised learning) 기반의 이상치 탐지 기법인 Gaussian Mixture Model을 적용하였다. 또한, 이상치 값들에 대한 사후적인 분석을 하여 선박 메인 엔진 이상치의 특성과 관련된 정보들을 파악했다. 이를 통해 선박 빅데이터를 활용하여 실시간으로 이상치를 탐지할 수 있는 의사결정 체계를 구축하고, 선박 유지 보수의 효율성과 경제성을 높이는데 이바지할 수 있을 것으로 예상한다.

The ship s main engine is a key equipment that provides power for propulsion of the ship, and requires regular maintenance and monitoring to prevent failure. Recently, the health state of the ship s main engine can be measured in real time using a sensor attached to the ship, enabling an user to detect abnormal signs of the engine early on the basis of the collected big data. This study proposes a methodology for early identification of abnormal signs of the ship main engine by learning the ship main engine data collected for more than 7 months. For learning, important variables were extracted through expert interviews and correlation coefficient analysis, and only important variables were extracted through data pre-processing techniques. To separate outliers from a number of normal main engine state data, the Gaussian Mixture Model, an unsupervised learning-based outlier detection technique, was applied. In addition, by comparing the distribution of the outliers and the normal distribution, the characteristics of the ship s main engine outlier was analyzed. Through this, it is expected to build a decision-making system that can detect outliers in real time using ship big data and contribute to improving the efficiency and economics of ship maintenance.