세계 해양산업은 자율운항선박 기술의 등장으로 급속도로 발전하고 있으며, 해양 데이터에서 파생된 인공지능 활용에 관한 관 심이 높아지고 있다. 다양한 기술 발전 중에서 선박 항로 군집화는 자율운항선박 상용화를 위한 중요한 기술로 부각되고 있다. 항로 군집 화를 통해 해상에서 선박 항로 패턴을 추출하여 가장 빠르고 안전한 항로를 최적화하고 충돌 방지 시스템의 개발에 기반이 된다. 항로 군 집화 알고리즘의 정확성과 효율성을 보장하기 위해 고품질의 잘 처리된 데이터가 필수적이다. 본 연구에서는 다양한 항로 군집화 방법 중 항로의 실제 형태와 특성을 정확히 반영할 수 있는 선박 항로 유사도 기반 군집화 방식에 주목하였다. 이러한 방식의 효율을 극대화하 기 위해 최적의 데이터 전처리 기술 조합을 구성하고자 한다. 구체적으로, 4가지의 선박 항로 간 유사도 측정법과 3가지의 차원 축소 방 법을 조합하여 연구를 진행하였다. 각 조합에 대해 k-means 군집 분석을 수행하고, 그 결과를 Silhouette Index를 통해 정량적으로 평가하여 최고 성능을 보이는 전처리 기법 조합을 도출하였다. 본 연구는 단순히 최적의 전처리 기법을 찾는 것에 그치지 않고, 광범위한 해양 데 이터에서 의미 있는 정보를 추출하는 과정의 중요성을 강조한다. 이는 4차 산업혁명 시대의 해양 및 해운 산업이 직면한 디지털 전환에 효과적으로 대응하기 위한 기초 연구로서 의의를 갖는다.

기계 장비의 진동 데이터는 필연적으로 노이즈를 포함하고 있다. 이러한 노이즈는 기계 장비의 유지보수를 진행하는데 악영향 을 끼친다. 그에 따라 데이터의 노이즈를 얼마나 효과적으로 제거해주냐에 따라 학습 모델의 성능을 좌우한다. 본 논문에서는 시계열 데 이터를 전처리 함에 있어 특성추출 과정을 포함하지 않는 Denoising Auto Encoder 기법을 활용하여 데이터의 노이즈를 제거했다. 또한 기계 신호 처리에 널리 사용되는 Wavelet Transform과 성능 비교를 진행했다. 성능비교는 고장 탐지율을 계산하여 진행했으며 보다 정확한 비교 를 위해 분류 성능 평가기준 중 하나인 F-1 Score를 계산하여 성능 비교를 진행했다. 고장을 탐지하는 과정에서는 One-Class SVM 기법을 활용하여 고장 데이터를 탐지했다. 성능 비교 결과 고장 진단율과 오차율 측면에서 Denoising Auto Encoder 기법이 Wavelet Transform 기법 에 비해 보다 좋은 성능을 나타냈다.

Recently, a study of prognosis and health management (PHM) was conducted to diagnose failure and predict the life of air craft engine parts using sensor data. PHM is a framework that provides individualized solutions for managing system health. This study predicted the remaining useful life (RUL) of aeroengine using degradation data collected by sensors provided by the IEEE 2008 PHM Conference Challenge. There are 218 engine sensor data that has initial wear and production deviations. It was difficult to determine the characteristics of the engine parts since the system and domain-specific information was not provided. Each engine has a different cycle, making it difficult to use time series models. Therefore, this analysis was performed using machine learning algorithms rather than statistical time series models. The machine learning algorithms used were a random forest, gradient boost tree analysis and XG boost. A sliding window was applied to develop RUL predictions. We compared model performance before and after applying the sliding window, and proposed a data preprocessing method to develop RUL predictions. The model was evaluated by R-square scores and root mean squares error (RMSE). It was shown that the XG boost model of the random split method using the sliding window preprocessing approach has the best predictive performance.

IWRAP 프로그램은 수로에서의 위험성을 평가하는데 유용한 프로그램이다. 그러나 이 프로그램의 기본 버전의 경우 AIS 데이터를 수집하는 기능이 포함되지 않아서, 더구나 베트남과 같은 개발도상국에서는 해상교통량 통계 데이터가 없는 실정이다. 사용자들은 수동으로 준비하여 입력하여야 한다. 이 연구는 IWRAP Mk2 프로그램 기본 버전을 사용하는데 있어 AIS 데이터를 전처리(pre-process) 할 수 있는 프로그램을 개발하고자 하였으며, 선박 형태, 선박 크기, 통과 시간 등으로 분류한 통항로에서의 선박 통항 척수 및 항로 배치와 같이 해역 내 해상교통에 관한 정보들을 사용자에게 제공하도록 고안되었다. 이렇게 개발된 통합 AIS 프로그램(Total AIS, TOAIS)은 베트남 Vung Tau 해역의 AIS 수집 데이터를 전처리할 수 있는지에 대하여 검증하였다. 그 결과, 통합 AIS 프로그램에서 전처리한 데이터를 이용한 IWRAP 프로그램은 베트남 해역의 위험성을 효율적으로 평가할 수 있었다.

Recently, measurement monitoring is actively used for safety management of facilities. However, since the field measurement data contains many outliers, a preprocessing process is required for reliable behavior analysis of the data. In this paper, we present a detection method of time series outliers and its applications. And we propose the precaution for the preprocessing process.

Recently, measurement monitoring is actively used for safety management of facilities. However, since the field measurement data contains many outliers, a preprocessing process is required for reliable behavior analysis of the data. In this paper, we present a detection method of time series outliers and its applications. And we propose precautions for the preprocessing process.