액체 필터의 남은 수명, 데이터로 예측하기

항공, 발전소 같은 여러 산업에서 필터는 유체 속 오염 물질을 걸러 낸다. 유체가 지나갈수록 오염 물질이 필터에 쌓인다. 시간이 지나면 필터가 막히고, 기계의 성능 저하와 고장으로 이어진다.

필터를 정해진 주기마다 바꾸면 두 가지 손해가 생길 수 있다. 아직 쓸 수 있는 필터를 버리거나, 주기가 오기 전에 막힌 필터를 놓친다. 현장 관리자에게 필요한 것은 “이 필터가 지금 얼마나 막혔고, 앞으로 얼마나 더 쓸 수 있는가”를 알려 주는 숫자다.

그렇다면 필터 앞뒤의 압력과 유량을 기록한 센서 데이터만으로 필터 상태를 진단하고, 막힐 때까지 남은 시간을 미리 계산할 수 있을까?

이 질문에 답한 논문을 한 편 읽어 본다.

• 제목: Data-driven health condition and RUL prognosis for liquid filtration systems
• 학술지: Journal of Mechanical Science and Technology
• 연도: 2021
• DOI: 10.1007/s12206-021-0323-8

논문은 액체 여과 시스템에 쓸 데이터 주도형 예지(豫知) 방법을 제안한다. 먼저 필터의 건강 상태를 나타내는 지수를 정의한다. 그 지수가 뚜렷하게 떨어지기 시작한 지점부터 수명이 끝나는 지점까지의 값을 순환 신경망 계열 모형으로 예측해 남은 수명을 구한다. 이 글에서 쓸 핵심 용어는 다음과 같다.

• 잔여 유효수명(Remaining Useful Life, RUL): 측정 시점부터 기계가 고장으로 판정되는 시점까지 남은 시간이다.
• 상태 기반 정비(Condition-Based Maintenance, CBM): 지속 감시나 점검으로 모은 데이터로 시스템 상태를 평가하고, 예측한 고장보다 먼저 필요한 정비를 정하는 방식이다.
• 고장 예지 및 건전성 관리(Prognostics and Health Management, PHM): 기계 상태를 수치로 평가해 신뢰성을 높이고 정비 비용을 줄이려는 공학 분야다. CBM에서 가장 많이 쓰는 방법이다.
• 건전성 지수(Health Index, HI): 시스템 전체의 건강 상태를 0과 1 사이 값으로 나타낸 정량 지표다.
• 차압(差壓, pressure drop): 필터 상류 압력과 하류 압력의 차이다.
• 열화 시점(degradation point): 필터 성능이 뚜렷하게 떨어지기 시작하는 지점이다. 논문은 RUL을 구하려면 이 지점을 먼저 찾아야 한다고 본다.
• 수명 종료 시점(End of Life, EOL): 예측한 HI가 0에 이르거나 0에 수렴하는 지점이다.

동기: 필터 막힘을 누구나 읽을 수 있는 숫자로 미리 알아야 한다

왜 필터 수명 예측이 중요한가

논문이 든 이유는 다음과 같다.

• 필터는 여러 시스템이 원활하게 돌아가도록 받쳐 주는 부품이어서 중요한 정비 대상이다.
• 오염 물질이 필터를 막으면 기계의 성능 저하와 고장이 생긴다. 그래서 막히기 전에 낡은 부품을 바꾸는 예방 정비가 설비 관리자에게 중요하다.
• 예방 정비를 효율적으로 하려면 실시간 감시로 필터의 현재 상태를 평가하고 RUL을 예측하는 CBM을 적용해야 한다.
• 액체 필터는 오일의 순도 유지나 물 부족 해결 같은 문제에 쓰인다.

논문은 PHM을 탐지, 진단, 평가, 예지의 네 영역으로 나눈다. 탐지는 원인을 모른 채 고장을 찾아내고, 진단은 고장의 원인과 유형을 밝힌다. 평가는 최근 작동을 바탕으로 기계의 건강 상태를 판단하고, 예지는 앞으로의 건강 상태와 RUL을 예측한다. 이 논문은 HI로 현재 상태를 평가하는 일과 RUL을 예지하는 일을 함께 다룬다.

기존 연구가 다루지 않은 부분

논문은 예지 모형을 물리 모형(physics-based model)과 데이터 주도 모형(data-driven model)으로 나눈다. 물리 모형은 장비에서 생길 수 있는 고장 지식으로 제품 상태를 수식으로 기술한다. 다른 모형보다 고장 예지가 정확해서 발전소나 항공기처럼 안전이 가장 중요한 산업에 맞는다. 그러나 실시간 데이터와 연결하기 어렵고, 제품마다 전문 지식과 많은 자원이 필요해 범용으로 쓰기 어렵다.

데이터 주도 모형은 모은 데이터로 장비의 고장을 예측한다. 센서 기술이 발전하면서 사용 중인 제품에서 실시간으로 데이터를 모을 수 있게 되었고, 이 모형의 RUL 추정 정확도도 높아지고 있다. 필터 분야에서는 Skaf 등이 상태 기반 예지 방법으로 필터 RUL을 추정한 사례가 있다.

논문이 짚은 빈틈은 세 가지다.

• 액체 필터 연구가 다른 종류의 필터 연구보다 적다.
• 기존 액체 필터 연구는 대부분 물리 모형을 썼다. 물리 모형은 구현 비용이 크고, 복잡한 시스템에서는 정확하게 만들기 어렵다.
• 기존 예지 연구는 시스템과 상관이 높은 지표 자체를 예측했다. 이 방식은 여러 지표를 알아야 해서 비전문가가 시스템의 현재 상태를 이해하기 어렵다.

그래서 논문은 HI로 상태를 평가하고 고장을 예지하는 연구가 필요하다고 본다.

방법: 차압을 0~1 지수로 바꾸고, 열화 이후 구간을 LSTM으로 예측한다

논문은 절차를 세 절로 설명한다. 데이터 전처리, HI 정의와 건강 단계 구분, HI 예측으로 RUL 산출이다. 이 글에서는 둘째 절을 HI 정의와 건강 단계 구분으로 따로 떼어 4단계로 설명한다. 1단계는 잡음 데이터를 지우고 차압의 큰 편차를 줄인다. 2단계는 HI를 정의하고, 3단계는 K-평균 군집(K-means clustering)으로 건강 단계를 나눈다. 4단계는 세 가지 장단기 기억(Long Short-Term Memory, LSTM) 모형으로 HI를 예측해 RUL을 구하고, 지표로 예측 모형을 검증한다.

사례와 자료

분석 자료는 PHMe20 Data Challenge가 제공한 액체 필터 막힘 데이터다. 실험 장치는 다음 요소로 이루어진다.

• 펌프와 액체 탱크: 펌프가 한 탱크의 액체를 다른 탱크로 흘려보낸다.
• 댐퍼: 압력이 올라갈 때 관이 팽창하지 않게 막는다.
• 필터, 압력·유량 센서: 필터 앞뒤의 유량과 압력을 감시한다.
• 데이터 수집 장치: 컴퓨터에 연결되어 측정값을 기록한다.

흘려보낸 현탁액은 PEEK 입자와 물을 섞은 것이다. PEEK 입자는 밀도가 1.3 g/cm3로 물에 가깝고, 흡수율이 0.1 %/24 h로 매우 낮다. 흡수율이 낮으면 입자가 물에서 부풀지 않고, 밀도가 물에 가까우면 물속에 더 오래 떠 있다.

데이터는 필터 사용 시작부터 고장까지의 기록을 담는다. 입자 크기와 고형분 비율의 조합으로 6개 집단을 만들고, 집단마다 실험을 4번 했다. 그래서 데이터 파일은 모두 24개다. 파일마다 유량(ml/m), 상류 압력(PSI), 하류 압력(PSI)을 0.1초마다 기록했다.

집단 구성은 입자 크기 두 구간과 고형분 비율 세 수준을 조합한 것이다. 입자 크기는 45-53 micron과 63-75 micron이고, 고형분 비율은 0.4 %, 0.425 %, 0.45 %다. 13집단이 작은 입자, 46집단이 큰 입자를 썼다.

고장 판정 기준은 Data Challenge의 기준을 따른다. 차압이 20보다 크면 필터가 막힌 것으로 본다. 각 집단에서 앞의 시료 3개는 학습에, 마지막 시료 1개는 시험에 썼다. 1집단이라면 01-03을 학습에, 04를 시험에 썼다.

1단계: 잡음 제거와 이동평균

• 입력: 시료별 유량, 상류 압력, 하류 압력(0.1초 간격)
• 처리: 비정상 구간 삭제, 차압 계산, 단순 이동평균 적용
• 산출: 이동평균 차압(Moving Averaged Pressure Drop, MAPD) 시계열

처리 순서는 다음과 같다.

1. 가동 직후 유량이 비정상적으로 작은 앞부분을 지운다. 논문은 이 구간을 시스템이 완전 가동에 들어가기까지의 시간으로 보고 잡음 데이터로 판단했다.
2. 차압이 20 이상인 구간을 지운다. 이 구간은 필터 고장 뒤에도 계속 기록된 데이터여서 분석에 필요하지 않다.
3. 상류 압력에서 하류 압력을 빼 차압을 구한다.
4. 차압에 단순 이동평균을 적용해 MAPD를 만든다.

이동평균이 필요한 이유는 0.1초 간격 측정값의 편차가 매우 컸기 때문이다. 편차를 그대로 두면 비슷한 시점에 필터 상태가 급하게 바뀌는 것처럼 잘못 읽힐 수 있다. 논문은 예측의 안정성과 정확도를 높이려고 편차를 줄였다.

MAPD(t)는 시점 t-k부터 t까지 k+1개 구간의 차압 평균이다. 연구진은 여러 번 실험해 k를 6으로 정했고, 7개 구간의 평균을 구했다. 측정 간격이 0.1초이므로 평균 하나는 7×0.1=0.7초 동안의 차압을 모은 값이다. MAPD가 0이면 상류와 하류 압력이 같다는 뜻이고 필터 상태가 가장 좋다. MAPD가 20이면 필터 고장이다.

2단계: 건전성 지수 정의

• 입력: MAPD 시계열
• 처리: 고장 기준 20으로 나누어 0~1 범위로 바꿈
• 산출: 시점별 HI

필터 성능 저하를 확인할 때는 유체가 필터를 지나기 전후의 압력 차이를 쓰는 것이 일반적이다. 그래서 논문은 MAPD를 0과 1 사이 값으로 바꾼 HI를 만들었다. 식은 HI(t) = 1 − MAPD(t)/20이다.

HI가 1이면 최적 상태이고, HI가 0에 이르거나 0에 수렴하는 시점이 EOL이다. 이렇게 바꾸면 필터의 고장 기준을 모르는 비전문가도 필터 상태를 확인할 수 있다.

계산 예를 들어 본다. MAPD가 0이면 HI = 1 − 0/20 = 1이고, MAPD가 20이면 HI = 1 − 20/20 = 0이다. 거꾸로 HI 값에서 MAPD를 되돌려 구할 수도 있다. 3단계에서 나올 1집단의 임계값 HI 0.929286은 MAPD로 (1 − 0.929286)×20 = 1.41428 PSI에 해당한다.

3단계: K-평균 군집으로 건강 단계 구분

• 입력: 시료별 HI 시계열
• 처리: 엘보 방법으로 군집 수를 정하고 K-평균 군집 수행
• 산출: 건강 단계 3개(정상, 전이, 비정상)와 열화 시점의 HI(임계값)

시스템이 막 가동을 시작했을 때는 HI 변화가 작다. 성능이 떨어지지 않은 상태에서는 RUL을 정확히 추정하기 어렵다. 실제로 HI 대부분이 정상 단계나 전이 단계에 몰려 있었다. 그래서 논문은 건강 단계를 먼저 나누고, 필터가 정상 작동하지 않는 열화 시점을 찾았다.

처리 순서는 다음과 같다.

1. 군집 수 K를 1부터 늘리면서 오차 제곱합(Sum of Squared Error, SSE)을 구한다. SSE는 군집 중심과 그 군집에 속한 데이터 사이의 거리로 계산한다.
2. SSE가 빠르게 줄다가 그 뒤로 거의 변하지 않는 지점, 곧 엘보 지점을 찾는다. 그 지점의 K가 최적 군집 수다.
3. 정한 K로 K-평균 군집을 수행한다. K-평균 군집은 정한 수의 군집을 만들고 각 데이터를 가장 가까운 군집에 배정하는 방법이다.
4. 전이 단계와 비정상 단계의 경계를 열화 시점으로 정하고, 이 지점의 HI를 임계값으로 둔다.

K-평균 군집은 PHM에서 건강 단계를 나눌 때 자주 쓰는 방법이다. 베어링의 건강 단계를 4개 군집으로 나눈 연구, 풍속계의 건강 단계를 구분한 연구가 있다.

사례에서 K를 늘릴 때 SSE의 변화율은 K가 3이 될 때까지 74.9 %, 13.8 %였다. 그 뒤로는 변화율이 5 % 미만에 머물렀다. 그래서 K=3이 엘보 지점이 되었다. 모든 실험 데이터에서 엘보 지점이 3으로 나와 군집 수를 3으로 통일했다. 건강 단계는 정상(healthy), 전이(transitional), 비정상(unhealthy)의 세 단계다.

집단별 임계값은 입자 크기에 따라 차이가 났다. 45-53 micron 집단(13집단)은 0.929286, 0.928482, 0.925179였다. 63-75 micron 집단(46집단)은 0.852947, 0.850569, 0.847221이었다. 6집단의 임계값을 MAPD로 되돌리면 (1 − 0.847221)×20 = 3.05558 PSI다.

4단계: LSTM으로 HI 예측과 RUL 산출

• 입력: 직전 30개 시점의 HI 시퀀스
• 처리: LSTM으로 다음 시점 HI를 예측하고, 예측값을 다시 입력에 넣어 반복
• 산출: 예측 HI 곡선, 예측 EOL, RUL, 성능 지표 4개

LSTM은 시계열 예측에 자주 쓰는 순환 신경망(Recurrent Neural Network, RNN)에서 나왔다. RNN은 앞쪽 정보를 오랜 시간 뒤에 쓰면 학습 능력이 크게 떨어진다. LSTM은 셀 상태(cell state)를 더해 이 문제를 보완한다. 셀 안의 층과 연산이 입력 정보를 선택해 받아서, 긴 시퀀스에서도 정보를 유지하거나 수정할 수 있다.

처리 순서는 다음과 같다.

1. 입력은 현재 시점 t를 포함한 직전 30개 시점의 HI, 곧 [HI(t−29), …, HI(t)]다. 출력은 다음 시점의 HI(t+1)다.
2. 입력 시퀀스의 모든 값이 임계값보다 낮으면 필터가 비정상 단계에 들어섰다고 판단하고 예측을 시작한다.
3. 마지막 예측 결과를 다시 입력에 넣는다. 다음 입력은 [HI(t−28), …, HI(t), HI(t+1)]이고 출력은 HI(t+2)다.
4. 예측 HI가 0에 이르는 시점을 EOL로 보고, 예측 시작 시점과의 차이로 RUL을 구한다.

RUL 식은 RUL(t_n) = t_EOL − t_n이다. t_EOL은 EOL 시점이고 t_n은 측정 시점이다. 예측을 비정상 단계에서 시작하는 이유는 필터가 정상 작동할 때는 RUL을 예측하기 어렵기 때문이다.

예측 성능은 지표 네 개로 평가했다.

• 평균 제곱근 오차(Root Mean Square Error, RMSE): 예측 오차의 표준편차다. 실제 값과 예측값 차이를 제곱해 평균한 뒤 제곱근을 구한다.
• 정규화 RMSE(normalized RMSE, nRMSE): RMSE를 실제 값의 평균으로 나눈 값이다. 모형 사이의 단위를 맞추어 비교할 수 있게 한다.
• 평균 절대 오차(Mean Absolute Error, MAE): 예측값과 실제 값 차이의 절댓값을 평균한 값이다. 모든 차이에 같은 가중치를 준다.
• 평균 아크탄젠트 절대 백분율 오차(Mean Arctangent Absolute Percentage Error, MAAPE): 실제 값 대비 오차 비율에 아크탄젠트를 씌워 평균한다.

MAAPE를 쓴 이유가 있다. 흔히 쓰는 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE)는 실제 값이 0이면 계산할 수 없다. 실제 값이 1보다 작으면 무한대에 가까운 값이 나온다. 이 연구의 HI 실제 값은 모두 1보다 작았으므로 MAAPE를 썼다.

변형과 시나리오: LSTM 구조 세 가지와 하이퍼파라미터

논문은 LSTM을 세 가지 구조로 나누어 비교했다.

• 바닐라 LSTM: 층 하나로 이루어진 기본 LSTM
• 적층(stacked) LSTM: 여러 층으로 쌓은 LSTM
• 양방향(bidirectional) LSTM: 순방향과 역방향으로 함께 학습하는 LSTM

세 구조 모두 PHM의 고장 예지에서 주로 쓰인다. 논문은 선행 연구 사례로 두 가지를 소개한다. 항공기 추진 기관의 RUL을 양방향 LSTM으로 예측한 연구와, 연료전지의 RUL을 적층 LSTM으로 예측한 연구다.

학습 설정은 집단과 모형에 따라 조정했다. 활성화 함수는 Elu, 배치 크기는 1, 최적화 기법은 Adam이었다. 연구진은 격자 탐색(grid search)으로 하이퍼파라미터를 정했다. 격자 탐색은 하이퍼파라미터 범위를 정하고, 그 범위 안에서 일정 간격으로 값을 지정해 가장 좋은 실험 결과를 낸 값을 선택하는 방법이다. 최종 설정은 다음과 같다.

• 학습률: 모든 집단과 모형에서 0.001
• 에포크: 150, 162, 210 가운데 하나
• 드롭아웃: 0 또는 0.1
• 은닉 노드: 바닐라는 모든 집단에서 32, 양방향은 60, 64, 32

결과: 양방향 LSTM이 평균에서 근소하게 앞섰지만 우열은 단정하기 어렵다

데이터 집단별 비교

각 집단의 시험 시료로 세 모형의 HI 예측 오차를 비교했다. 논문은 1, 4, 5집단에서 바닐라 LSTM이, 2, 3, 6집단에서 양방향 LSTM이 가장 좋은 성능을 냈다고 정리했다.

1집단은 지표마다 결과가 달랐다. RMSE(3.189)와 MAE(2.428)는 바닐라가 가장 낮았다. 그러나 MAAPE는 양방향(7.231)이 바닐라(9.464)보다 낮았다.

양방향 LSTM은 집단에 따라 차이가 컸다. 2집단과 6집단에서는 RMSE(단위 %)가 1.134와 1.294로 가장 낮았다. 반면 4집단과 5집단에서는 4.712와 4.100으로 세 모형 가운데 가장 높았다. MAAPE도 마찬가지다. 4집단에서 바닐라는 3.764, 양방향은 10.375였다. 모든 집단에서 한 모형이 늘 앞서지는 않았다.

세 모형의 평균 성능 비교

논문은 집단별 지표를 모형마다 평균해 다시 비교했다. 평균 RMSE는 바닐라 3.073, 양방향 2.997이었다.

양방향 LSTM은 RMSE, nRMSE, MAAPE의 세 지표에서 가장 낮았다. MAE만 바닐라(2.394)가 양방향(2.462)보다 낮았다. 논문은 이 평균 비교를 근거로 양방향 LSTM의 예측 정확도가 가장 높다고 결론지었다.

두 모형의 차이는 크지 않다. RMSE 평균의 차이는 3.073 − 2.997 = 0.076이다. 집단별로는 바닐라가 3개 집단에서 앞섰다. 시험 시료도 집단당 1개뿐이다. 근거에는 이 차이가 통계적으로 의미 있는지 검토한 내용이 없다. 그래서 평균 지표에서 양방향이 근소하게 앞섰다는 것까지만 말할 수 있고, 두 모형의 우열을 단정하기는 어렵다.

적층 LSTM은 네 지표 평균이 모두 세 모형 가운데 가장 높았다. 곧 이 자료에서 적층 LSTM의 평균 오차가 가장 컸다.

예측 RUL과 실제 RUL

마지막 비교는 HI 예측으로 얻은 EOL과 실제 EOL이다. 논문은 시료 04와 36에서 세 모형의 HI 예측 곡선을 제시했다. 논문은 이 그래프를 근거로 실제 EOL과 예측 EOL의 차이가 크지 않다고 서술했다. 그래서 열화 시점에서 구한 실제 RUL과 예측 RUL도 비슷하다고 보았다.

논문은 시료 04를 바닐라 LSTM으로 예측해 RUL을 산출한 사례도 제시했다. 다만 EOL과 RUL의 오차를 시간 단위 숫자로 정리한 표는 근거에 없다. 따라서 이 글의 질문인 “남은 시간을 미리 계산할 수 있는가”에 대한 답은 그래프로 확인하는 수준에 머문다. RUL 정확도의 정량 검증은 부족하고, 수치로 확인된 것은 HI 예측 지표뿐이다.

의의와 한계

무엇이 달라지는가

• 액체 필터의 상태 진단과 RUL 예지를 물리 모형이 아닌 센서 데이터 기반 모형으로 수행했다.
• 이동평균 차압을 0~1로 바꾼 HI를 정의했다. 여러 지표를 따로 해석하지 않아도 필터 상태를 한 값으로 읽을 수 있다.
• K-평균 군집과 엘보 방법으로 열화 시점을 찾고, 그 시점의 HI를 예측 시작 임계값으로 썼다.
• 바닐라, 적층, 양방향 LSTM을 지표 네 개로 비교했고, 평균 지표에서는 양방향 LSTM이 근소하게 앞섰다.
• 검증은 PEEK 입자와 물의 현탁액을 쓴 단일 실험 장치에서만 이루어졌지만, 저자들은 일반 액체 필터의 특성만 담은 데이터를 썼으므로 여러 종류의 액체 필터에 적용할 수 있는 접근이라고 본다.

실무자에게 주는 쓸모

고정 주기 교체에서 상태 기반 정비로 바꾸려면 두 가지 판단 근거가 필요하다. 하나는 “지금 교체를 준비해야 하는가”이고, 다른 하나는 “언제까지 버틸 수 있는가”다. 이 논문의 절차는 두 질문에 각각 숫자를 준다.

첫째 질문에는 HI와 임계값이 답한다. HI가 임계값 아래로 내려가 비정상 단계에 들어서면 그때부터 교체를 준비한다. 둘째 질문에는 예측 HI가 0에 이르는 시점까지의 RUL이 답한다. 필요한 센서는 필터 앞뒤 압력과 유량이다. 이 가운데 필터 전후 압력 차이는 필터 성능 저하를 확인할 때 흔히 쓰는 값이다.

HI는 비전문가도 읽을 수 있다. 1에 가까우면 좋고 0에 가까우면 고장이다. 설비 담당자가 차압 기준 20을 외우지 않아도 상태를 판단할 수 있다.

연구자에게 주는 쓸모

• HI 실제 값이 1보다 작은 예측 문제에서 MAPE 대신 MAAPE를 쓴 근거를 볼 수 있다.
• 건강 단계 구분과 RUL 예측을 한 절차로 이은 설계를 참고할 수 있다. 정상 구간을 예측 대상에서 빼고, 비정상 단계부터 예측을 시작한다.
• LSTM 구조 세 가지의 성능이 데이터 집단마다 달랐다는 결과는 모형 선정을 집단별로 따져야 할 이유가 된다.
• 공개 데이터(PHMe20 Data Challenge)를 썼으므로 같은 자료로 다른 모형과 비교할 수 있다.

논문이 밝힌 한계

논문이 스스로 밝힌 한계는 한 가지다. 결론에서 후속 연구 방향으로 적은 내용이다.

• 이 연구는 데이터 주도 모형만 썼다. 물리 모형과 데이터 주도 모형을 결합한 하이브리드 모형으로 액체 필터의 HI와 RUL 예지를 발전시킬 수 있다.

필자가 보는 적용 조건

아래는 논문에 적힌 내용이 아니라 필자가 실무 적용을 염두에 두고 덧붙이는 조건이다.

• 고장까지 끝까지 기록한 데이터가 있어야 한다. 이 연구는 사용 시작부터 고장까지 기록한 실험 데이터로 학습했다. 현장에서 필터를 막히기 전에 바꿔 왔다면 학습 자료를 따로 모아야 한다.
• 시험 결과는 집단마다 시료 하나에서 나왔다. 운전 조건이 더 다양한 현장에서는 시료를 늘려 다시 검증해야 한다.
• 실험은 PEEK 입자와 물로 만든 현탁액을 썼다. 오일이나 다른 오염 물질을 거르는 필터라면 막힘 양상이 다를 수 있다.
• 임계값은 입자 크기에 따라 달랐다. 45-53 micron 집단은 0.929286, 0.928482, 0.925179였고, 63-75 micron 집단은 0.852947, 0.850569, 0.847221이었다. 오염 물질 조건이 바뀌면 임계값을 다시 구해야 한다.
• 예측은 비정상 단계에 들어선 뒤에야 시작된다. 교체 부품 조달에 걸리는 기간이 길면, 비정상 단계 진입 뒤 남은 시간이 그 기간보다 긴지 먼저 확인해야 한다.
• 고장 기준 20은 Data Challenge가 정한 값이다. 자기 설비에는 제조사나 운전 기준에 맞는 막힘 판정값을 넣어야 한다.

바로 해 볼 일

• 필터 앞뒤 압력 기록에서 차압을 구하고, 직전 7개 값의 이동평균으로 MAPD를 만든다. 자기 설비의 막힘 판정값으로 나누어 HI = 1 − MAPD/판정값을 계산하고, 교체 이력과 함께 그래프로 그려 본다.
• 고장까지 기록한 HI 시계열에 K를 1부터 늘려 가며 SSE를 계산하고 엘보 지점을 찾는다. 정상, 전이, 비정상 단계의 경계를 확인하고, 비정상 단계가 시작되는 HI를 임계값으로 기록한다.
• 임계값 아래 구간에서 직전 30개 HI로 다음 HI를 예측하는 LSTM을 학습한다. 바닐라 LSTM부터 시작하고, 시험 시료에서 RMSE, MAE, MAAPE를 계산해 양방향 LSTM과 비교한다.