TBM 디스크 커터 비정상 마모 예측을 위한 데이터 증강 기반 머신러닝 연구

초록

디스크 커터의 마모 예측에 관한 연구는 지속적으로 이루어져 왔으나, 정상 마모와 비정상 마모 간 발생 빈도 차이로 인해 대부분 정상 마모 예측에 초점을 두고 있으며, 비정상 마모에 대한 연구는 상대적으로 부족한 실정이다. 본 연구에서는 데이터 증강을 활용하여 비정상 마모 예측을 위한 머신러닝 모델을 구축하고, 모델 내 특성 중요도 및 그 영향 양상을 분석하였다. 토압식 쉴드 TBM 현장에서 수집된 데이터를 기반으로 마모 유형을 정상 마모와 비정상 마모로 분류하여 데이터세트를 구축하였다. Synthetic Minority Oversampling Technique (SMOTE)와 BorderlineSMOTE의 2가지 데이터 증강 기법을 도입하여 마모 유형 간의 불균형이 해소된 증강 데이터세트를 구축하였다. Random Forest (RF)와 eXtreme Gradient Boosting (XGB)의 머신러닝 기법을 기존 데이터세트와 2가지 증강 데이터세트에 각각 적용하여 총 6가지의 예측 모델을 개발하였다. 예측 성능을 비교한 결과, 증강 데이터 기반 모델은 기존 불균형 데이터 기반 모델에 비해 비정상 마모 탐지 성능이 약 18%에서 38%까지 크게 향상되었으며, 정상 마모와 비정상 마모 간의 성능 차이 또한 감소하는 경향을 보였다. 특히, 최적 모델인 RF-BorderlineSMOTE 모델의 경우에는 정상 마모와 비정상 마모에 대한 재현율이 각각 0.842와 0.836으로 유사하게 나타났으며, 이는 두 마모 유형 간의 결정 경계 인근 데이터를 중심으로 한 증강 방식이 비정상 마모 탐지에 효과적임을 시사한다. 또한, SHapley Additive exPlanation (SHAP) 분석에 따라 챔버압, 추력, 탄성계수가 예측 모델 내 주요 특성으로 식별되었으며, 챔버압과 추력은 비정상 마모 발생 가능성과 양의 상관성을, 탄성계수는 음의 상관성을 보였다.

키워드