This paper proposes an outlier detection model based on machine learning that can diagnose the presence or absence of major engine parts through unsupervised learning analysis of main engine big data of a ship. Engine big data of the ship was collected for more than seven months, and expert knowledge and correlation analysis were performed to select features that are closely related to the operation of the main engine. For unsupervised learning analysis, ensemble model wherein many predictive models are strategically combined to increase the model performance, is used for anomaly detection. As a result, the proposed model successfully detected the anomalous engine status from the normal status. To validate our approach, clustering analysis was conducted to find out the different patterns of anomalies the anomalous point. By examining distribution of each cluster, we could successfully find the patterns of anomalies.

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.

본 연구의 목적은 항공기용 터어보팬 엔진의 재료선정을 위한 데이타 베이스를 구축하는 것이다. 터어보팬 엔진은 고성능이면서도 연료소모율이 적어 경제적인 운용이 가능하므로 최근 여러 용도로 사용되고 있는 엔진이다. 현재 서로 다른 특성을 가진 수백종의 초내열재료들이 개발되어 있는데, 한 엔진설계자가 어떤 엔진요소에 사용할 재료를 선택한다는 것은 매우 어려운 작업이다. 따라서 수 많은 재료에 대한 정보를 관리할 수 있는 데이타 베이스가 절실히 요구되고 있으나, 국내에서는 아직 이 방면의 기초연구가 이루어져 있지 않은 실정이다. 본 연구에서는 재료공학적 관점에서 초내열재료의 대표적 성질로서 고온강도, 내식성, 내산화성, 항복강도, 열팽창계수, 융정등을 고려해서 후보재료를 선정할 수 있도록 하였다. 이외에도 성 형성이나 제조단가등도 고려해야할 변수가 된다. 본 연구에 의해 사용자의 편의를 고려한 전산프로그램이 개발되었으며, 이를 이용하여 새로운 재료정보의 입력, 요구 재료선정 및 선정결과의 출력등이 가능하다. 끝으로 선정된 재료에 대한 성능검토도 실시하였다.

국내 2개 선박회사로부터 입수한 1978년부터 1986년까지의 중요 기관고장에 관한 자료를 주성분분석법에 의하여 분석한 본 연구의 결과를 요약하면 다음과 같다. 1. 분석결과는 각성분의 인자부하량 크기에 따라 전기.자동제어기기, 보기류, 배관계, 과급기.냉동기류, 주기관계의 5그룹으로 나눌 수 있다. 2. 기기의 고장현상을 발열.소손, 고장원인은 부식.마모 및 오조작, 그리고 기기이상검출의 수단은 누설.혼탁 등이 매우 높은 비중을 차지하고 있다. 3. 주기관의 고장원인은 연료.윤활유 불량이 가장 큰 비중을 차지하며 주로 진동.이음에 의하여 이상을 검출하는 경우가 많다. 4. 전기.자동제어기기 고장은 피해도 비교적 적으며 기계계의 고장 피해는 큰 편이다. 5. 주기관 등은 기기이상의 확실한 사실에 의하여 이상이 검지되는 경향이 매우 강하며 보기류, 과급기.냉동기.에어콘 등은 운전원의 감각적 판단에 의하여 이상이 검지되는 경향이 강하다.

현재 진동 정보를 통해 기계 설비의 상태나 고장 유무를 판단하는 연구들이 다수 진행 중에 있는데, 대부분의 연구에서는 설비에 대한 진동을 모니터링하거나 고장 유무를 판별하여 사용자에게 알리는 수준이다. 본 논문에서는 진동 정보 적용 대상을 선박으로 정하고, 진동에 의한 고장 진단과 판별을 보다 정교하게 수행하는 선박 엔진 감지 기법과 시스템을 제안하였다. 일차적으로 이중화된 진동 정보 판별 기법을 적용하여 진동 정보를 확인한 다음에 고장 유무를 검사한다. 만일 고장이 발생한 경우에는 적분을 이용하여 고장 진동 파형에 대한 넓이를 기준으로 어떤 유형의 고장인지를 판별할 수 있는 기법을 적용하였다. 또한 선박의 진동 경향 분석과 엔진 안전 보존을 목적으로 진동 정보를 데이터베이스에 저장하고 추적할 수 있도록 시스템을 구현하였다. 제안 시스템을 선박 엔진의 고장 판별 유무와 고장 진동 파형 감별 인자에 대해 실험을 수행한 결과 고장 판별은 약 98% 정확성을 가졌고 고장 진동 파형 감별에서는 약 72% 정확성을 가졌다.