논문 상세보기
pp.164-172
본 연구는 항만물류 분야의 산업 설비에 대한 머신러닝 기반 예지정비 시스템 개발을 목적으로 수행되었다. UCI Repository의 Dataset을 활용하여 10,000개의 데이터 포인트를 분석하였으며, 설비 고장 발생 여부를 예측하는 이진 분류와 고장 유형을 분류하는 다중 클래스 분류 과제를 수행하였다. 데이터 전처리 과정에서 클래스 불균형 문제 해결을 위해 SMOTE 기법을 적용하였고, StandardScaler를 이 용한 정규화를 수행하였다. 주성분 분석을 통해 온도 변수, 기계 출력, 공구 마모가 주요 예측 변수로 확인되었다. 로지스틱 회귀, K-최근 접 이웃, 서포트 벡터 머신, 랜덤 포레스트, XGBoost 등 다섯 가지 머신러닝 알고리즘을 적용하여 성능을 비교하였다. 분석 결과, KNN은 상대적으로 낮은 성능을 보였으나 빠른 응답속도를 제공하였고, XGBoost가 모두에서 최고 성능을 보였으며, 이진 분류에서 F1 점수 0.958, 다중 클래스 분류에서 0.989를 달성하였다.
This study developed a machine learning-based predictive maintenance system for industrial equipment in port logistics. Using the AI4I Predictive Maintenance Dataset from UCI Repository, 10,000 data points were analyzed for two tasks: binary classification to predict equipment failure occurrence and multi-class classification to categorize failure types. During data preprocessing, the SMOTE technique addressed class imbalance, and StandardScaler performed normalization. Principal component analysis identified temperature variables, machine power output, and tool wear as primary predictive features. Five machine learning algorithms were compared: Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Random Forest, and XGBoost. Evaluation metrics. Analysis results showed XGBoost achieved optimal performance in both tasks, attaining F1 scores of 0.958 for binary classification and 0.989 for multi-class classification. While KNN demonstrated relatively lower performance, it provided faster response times. This research emphasizes the importance of selecting appropriate models based on enterprise requirements, balancing prediction accuracy and response speed.
Abstract
1. 서 론
2. 방법론
2.1 예지정비 데이터셋
2.2 탐색적 분석(EDA, Exploratory data analysis)
3. 결과 및 고찰
3.1 이진 분류
3.2 다중 클래스 분류
4. 결 론
사 사
References
