오늘, 인공 지능은 머신 러닝과 기술에 근거하고 있습니다.
말 그대로 기계와 컴퓨터가 학습한다는 의미입니다.
이런 머신 러닝 기술 속에서 각광 받는 것이 “딥 러닝(Deep Learning)”입니다.
딥-러닝은 인간의 뇌를 형상화한 인공 신경망을 기계 교육에 적용한 기술입니다.
과학자들의 연구에 따르면 사람의 지성은 신경(뉴런)의 집합체인 “신경망”에서 나온답니다.
이 신경 회로망을 컴퓨터 상에서 모방하기 위해서 고안한 것이 인공 신경망입니다.
컴퓨터는 인공 신경망 기술로 인간의 사고 과정을 모방할 수 있습니다.
각 인공 뉴런(프로그램)에서 도출된 결과를 네트워크에서 공유하고 상황에 가장 적절한 답을 낼 수 있습니다.
인공 지능(artificial intelligence, AI또는 machine intelligence, MI)는 인간의 지능을 가진 기능을 갖춘 컴퓨터 시스템인 인간의 지능을 기계 등을 인공적으로 시연(구현) 한 것. 머신 러닝(machine learning)은 클라우드 컴퓨터가 학습 모델을 바탕으로 외부에서 주어진 데이터를 통해서 스스로 학습하는 것을 말한다.
빅 데이터를 분석하고 가공하고 새로운 정보를 얻거나, 미래를 예측하는 기술로 축적된 데이터에 기초하고 상관 관계와 특성을 찾아내는 결론을 도출합니다.
”딥 러닝”(deeplearning또는 representation learning)은 컴퓨터가 여러 데이터를 이용하고 마치 사람처럼 스스로 학습할 수 있도록 인공 신경망을 기반으로 구축한 기계 학습 기술이며, 축적된 데이터를 분석할 뿐만 아니라 데이터를 학습하는 기계 학습 능력을 활용하여 결론을 이끌어 냅니다.
.
인공지능, 머신러닝 및 딥러닝 관계
머신-러닝에 인간의 뇌를 모방한 뉴럴 네트워크를 더한 딥-러닝은 인간의 두뇌가 수많은 데이터에서 패턴을 발견한 후 일을 구분하는 정보 처리 방식을 모방하기 때문에 머신 러닝의 한계를 넘어섰다.
인공 신경망(artificial neural network, ANN)은 기계 학습과 인지 과학에서 생물학의 뉴럴 네트워크(동물의 중추 신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해서 시냅스의 결합 세기를 변화시키고 문제 해결 능력을 가진 모델 전반을 가리킨다.
좁은 의미에서는 오차 역 전파 법을 이용한 다층 퍼셉트론을 가리키는 경우도 있으나 이는 잘못된 어법이다, 인공 신경망은 이에 한정되지 않는다.
인공지능, 머신러닝 및 딥러닝 내용인공 신경망에는 교사 신호(정답)의 입력에 의해서 문제에 최적화될 교사 학습과 교사 신호를 필요로 하지 않는 비교사 학습이 있다.
분명한 해답이 있는 경우는 교사 학습이 데이터 뭉치기에는 비교사 학습이 이용된다.
인공 신경망은 많은 입력에 의존하면서 일반적으로 베일에 싸인 함수를 추측하는 근사치를 낼 경우에 사용한다.
일반적으로 입력에서 값을 계산하는 뉴런 시스템의 상호 연결로 표현된 적응성이 있는 패턴 인식 같은 기계 학습을 수행할 수 있다.
그러므로, 머신 러닝과 딥-러닝은 인공 지능의 범주에 속하는 포함되는 관계는 다음과 같다.
인공지능, 머신러닝, 딥러닝을 포함한 관계인공 지능-AI(Artificial Intelligence)단어의 조합에서 보듯” 만들어진 지능”이라는 의미로 “사람의 지능을 만들기 위한 시스템이나 프로그램”이다.
그리고 인공 지능에는 강한 인공 지능과 약한 인공 지능의 2분야가 있다는.약한 인공 지능 분야는 지금 이·세도루과 바둑을 두고 알파 바둑과 그 앞에 인간과 체스를 해서 이긴 딥 블루 등이 여기에 속하지만, 약한 인공 지능은 문자 그대로 지능 수준이 인간을 넘지 않는 약한 수준에서 정보를 이해하는 인간을 돕는 기계다.
강한 인공 지능은 독립성도 있는 가능할지 모르지만 자의식도 있는 기계이기 때문에 인간을 위협하는 터미네이터에서 스카이 네트 같은 기계라고 한다.
약한 인공 지능은 과거부터 지금에 연결되어, 인간의 노동력, 즉 손발을 대체하면서 점점 IT에 종사하는 사람들이 현재 누리는 정보 처리 산업, 즉 인간의 머리 대신 정보를 읽는 분석하는 보고서를 쓰는 것을 하고 있지만 아직도 수동적으로 이루어지고 있지만, 곧 강한 인공 지능에 변화할 수 있다는.간단히 말하면 약한 인공 지능이 강한 인공 지능으로 바뀔 가능성이 있다는, 비약하고 보면 알파 바둑이 스카이 넷이 될 수 있다는 약간 공상 과학적인 말도 들리지만 이 말이 매우 잘못되지 않은 사람은 죽어서 한계가 있지만 기계는 죽지 않고 한계가 없기 때문이다.
딥러닝-DL(Deep Learning) 머신러닝 알고리즘 중 하나인 인공신경망(artificial neural network)으로 만든 것으로 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것이 딥러닝이다.
인공신경망 vs 딥러닝위의 그림처럼 인공 신경망의 몇개가 옆구리가 쌓인 것이 딥 러닝 모델이다.
요즘은 두 사람을 거의 같은 의미로 부를 수도 있다.
머신 러닝과의 가장 큰 차이는 처리하는 데이터의 종류이지만, 머신 러닝이 잘 처리하는 데이터는 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터이며, 딥 러닝이 잘 처리하는 데이터는 이미지, 영상, 음성, 닥트(Text), 소리 등의 비정형 데이터이다.
그러므로 보통 인지와 관련된 문제를 잘 해결한다.
인간의 뇌를 모방한 기술, 딥 러닝 딥-러닝은 머신 러닝의 특정 분야로서 연속한 층에서 점진적으로 의미 있는 표현을 배우는 것에 강점이 있습니다.
딥 러닝에서 딥(Deep)은 깊은 배우라는 의미가 아니라 연속한 층에서 표현을 학습한다는 뜻이다.
모델로 연속한 층을 쌓은 것으로 Deep으로 학습한다는 의미를 담고 있습니다.
딥 러닝의 뛰어난 점은 역시”빅 데이터에 가장 최적화된 알고리즘”다는 점이다.
그리고 목표에 적합한 특징을 스스로 추출할 수 있다.
일반적으로 머신 러닝(Machine Learning)은 주로 높은 수준에서 입력에서 출력에 이르는 기능을 대략적으로 학습하는 데 중점을 두고 데이터베이스의 다양한 기술을 학습하는데 사용합니다.
또 교육 데이터를 처리하는 통계적으로 유효한 방법으로 학습 알고리즘의 결과를 평가하기 위한 성공 사례도 포함됩니다.
머신 러닝 필드는 학습을 위한 실제 알고리즘을 제공할 뿐만 아니라 다양한 알고리즘의 가중치 분석 가능한 가상 공간 이해 등을 위한 이론 툴(VC치수 등)을 제공합니다.
머신 러닝의 핵심은 인간의 뇌가 성장하게 지식을 학습하면서 성장한다는 것. 알고리즘에 의한 머신-러닝에 의한 통계 분석가들이 일일이 데이터를 입력하지 않고도 데이터 값을 출력할 수 있습니다.
머신 러닝-ML(Machine Learning)의 어원 그대로”기계 학습”이라는 기술은 기계가 학습한다는 뜻이다.
제대로 의미를 파악하기 위해서는 학습 훈련 규칙 모델의 4가지 용어를 알아야 한다.
학습 데이터 규칙을 컴퓨터 스스로 찾거나 수정하는 것, 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning)지도 학습(supervised learning)는 입력과 타겟으로 모델을 훈련시킨다.
여기서 입력은 모델이 풀어야 할 일종의 문제 같은 것이며, 타깃은 모델이 맞춰야 한다 정답 같은 것이다.
즉 모델을 훈련시키기 위해서 사용하는 데이터인 훈련 데이터가 입력과 타겟으로 구성되며 문제에 대한 답을 주는 방법으로 모델을 훈련시킨다.
그러므로, 입력과 그에 대한 답이 이미 있는 데이터를 사용하고 주로 내일 날씨를 예측하거나 스팸 메일을 분류하는 등의 일을 해결할 때 유용하다.
지도 학습에서 가장 중요한 부분은 훈련 데이터를 만드는 것이다.
좋은 훈련 데이터가 많아야 모델을 잘 훈련시킬 수 있다.
비 지도 학습(unsupervised learning)는 목표 없는 훈련 데이터를 사용한다.
대표적인 예가 군중(clustering)이다.
그룹을 만들기까지는 어느 그룹이 존재하는 것인지 또 몇개의 그룹이 만들어지나 모르겠다.
그래서 모델 훈련 결과를 평가하기 힘들다는 특징이 있다.
강화 학습(reinforcement learning)은 기계 학습 알고리즘에서 에이전트인 것을 훈련시킨다.
여기에서 에이전트는 배송 서비스를 하는 드론이나 비디오 게임에서 슈퍼 마리오를 예로 들 수 있다.
실세계에서는 바로 내 자신이 에이전트이다.
이 에이전트는 특정 환경에 최적화된 액션을 수행하고 성능에 대한 보상과 현재 상태를 받습니다.
가능한 한 많은 보상을 받는 것이 목표이며 에이전트는 주어진 환경에서 매우 많은 행동을 수행하면서 학습된다.
예로 ‘딥마인드(DeepMind)’의 ‘알파고(Alphago)’가 있다.
머신러닝의 구성 및 내용훈련 규칙을 찾고 수정하는 과정 규칙 모델식에서 가중 값과 절편 1.5x+0.1=y(y가 1이상이면 다음날 비가 온다고 예측)형식은 훈련 데이터와 규칙의 관계를 수학적 모델링 한 결과다.
x는 입력, y는 타겟인, 1.5가 중첩, 0.1이 조각이다.
즉, 입력과 걸몇=가중치, 보다 몇=절편이며, 이 둘이 머신 러닝에서의 규칙이다.
모델 훈련 데이터에서 학습된 기계 학습 알고리즘으로, 통상 수학식으로 표현된다.
그리고 전술한 가중치와 절편을 맞추어 모델 매개 변수라고도 부른다.
상기 4가지 용어와 함께 손실 함수(loss function)도 알 필요가 있다.
손실 함수(loss function)모델의 룰을 수정하는 기준이 되는 함수 만약 모델에 새로운 훈련 데이터가 들어왔는데, 입력에 대한 모델이 예측한 출력 값이 실제 목표 값과 다른 경우가 발생했다.
이런 경우에 모델 규칙을 수정해야 하지만 모델이 예측한 값과 목표 값 차를 계산하는 함수를 손실 함수로 정의한다.
이때 손실 함수의 최소치를 효율적으로 찾는 방법이 최적화 알고리즘이다.
최적화 알고리즘알고리즘(algorithm)은 수학과 컴퓨터 과학, 언어학 또는 관련 분야에서 어떤 문제를 해결하기 위해 정해진 일련의 절차나 방법을 공식화된 형태로 표현한 것, 계산을 실행하기 위한 단계적 절차를 의미한다.
알고리즘은 연산, 데이터 진행 또는 자동화된 추론을 수행한다.
스마트 기술로 안전과 운영 효율을 담당하는 현대 로템의 상태 기반 유지(CBM)시스템 CBM=Condition Based Mainance=상태 기반 정비(유지·보수)현대 로템(HYUNDAI ROTEM)는 철도 차량(Railroad Cars)를 최적인 상태로 유지·운영하기 위해서 다양한 스마트 기술을 도입하고 있다.
이 가운데 철도 차량 유지 관리 비용을 효율적으로 운용할 수 있도록 하는 상태 기반 유지(CBM)시스템을 소개한다.
모든 교통 수단의 운행과 동시에 따른 과제는 효율적이고 경제적인 유지 보수이다.
대규모 인력과 화물을 수송하는 철도 차량은 안전성에 대한 각별한 관심과 주의도 필요하다.
열차의 사전 점검과 사후 분석이 승객의 안전에 직결되기 때문이다.
이에 철도 차량 분야에도 사물 인터넷(Internet of Things, IoT), 무선 네트워크, 빅 데이터, 클라우드 등 제4차 산업 혁명 기술을 활용한 스마트 관리 기술이 적극적으로 도입되고 있다.
기술의 진보에 의해서 철도 차량 운영만 아니라 관리 방식도 진화하고 있기 때문이다.
이와 함께 철도 차량 운영자 및 관리자의 끊임 없는 요구 사항은 스마트 관리 시스템의 발전을 견인했다.
그 결과 지금까지 과거의 사후 정비에서 사전(예방)정비, 예측 정비까지 서서히 비용과 위험을 저감하는 방향으로 발전했다.
현대 로템은 2018년부터 상태 기반의 관리 관련 기술 개발에 착수하고 올 상반기에 개발을 완료했다.
그리고 2024년까지 국내외의 다양한 프로젝트를 통해서 시스템의 가용성 및 유지 관리성에 대한 검증을 마칠 예정이다.
이로써 현대 로템은 국내 철도 차량 스마트 관리 분야의 선도 기업으로서의 지위를 공고히 하고 심지어 해외에서는 신흥 디지털 서비스 기업으로서 시스템의 신뢰성을 한층 높일 계획이다.
가장 선진화된 관리 방법, CBM시스템 철도 차량 정비 방식의 변화과거의 수리가 통상, 고장이 발생한 뒤 정비를 실시하는 고장 정비(Corrective Maintenance)과 정해진 주기에 기초하여 정비하고 예방 정비(Preventive Maintenance)방식으로 이뤄졌다.
예방 정비는 부품 결함과 고장을 예방하기 위한 소극적인 조치인 부품의 상태에 관계 없이 정해진 주기에 따라서 교환하거나 조정 및 점검한다.
그래서 부품의 잔존 수명과 관계 없이 열린 정비로 불필요한 유휴 시간이 발생한다는 단점이 있었다.
그 후 발전한 관리 방식이 상태 기반 유지(Condition Based Maintenance), 즉 CBM이다.
이는 각종 센서(Sensor, 감지기)를 이용하고 차량 및 주요 장치의 상태를 실시간으로 확인하여 고장 이력과 정비 운영 데이터를 수집 및 분석하고 열차의 상태를 최적으로 유지하는 정비 방식이다.
이 때문에 현대 로템은 다음의 4가지 단계를 고려하고 CBM시스템을 개발하고 수행하고 있다.
데이터 수집 데이터의 전처리 상태 진단 및 고장 예측 관리 적용 CBM기술을 활용하면 실시간 모니터링을 통해서 결함을 조기에 확인하고 부품의 열화 상태를 추적해서 부품 결함의 진전을 예측하는 예지 또는 예측 정비(Predictive Maintenance)가 가능하다.
이런 정비의 특징은 성능이 유효한 부품 결함도 고려하고 비용을 줄이고 부품 수명 예측이 포함된 관리 계획을 효율적으로 관리하고 운영 효율성을 극대화할 수 있다는 것이다.
CBM이 궁극의 관리 방식이라 불리는 이유다.
기존 점검은 정해진 주기에 차량을 일일이 분해하는 방식으로 이뤄져 많은 시간과 인력, 비용이 투입됐다.
CBM시스템은 철도 차량 라이프 사이클 코스트(Life Cycle Cost, LCC)의 최적화에 가장 큰 영향을 미친다.
주요 장치의 잔존 수명을 예측하는 가장 효율적인 점검 및 교환 횟수를 미리 알 수 있기 때문이다.
덕분에 유지 관리 비용과 예비 부품의 재고를 종래보다 최대 30% 줄일 수 있는 반면, 장치의 수명은 40%까지 늘어난다.
효율적인 정비가 철도 차량 운영 뿐만이 아니라 설계, 개발 측면에서도 주요 사안으로 떠오른 배경인 현대 로템이 스마트 수리 기술을 개발한 이유이다.
빅 데이터, 머신-러닝 등 제4차 산업 혁명 기술을 융합빅 데이터는 열차와 부품의 상태 및 고장 데이터로 운영되는 CBM시스템에서 가장 중요한 요소의 하나이다.
빅 데이터 분석을 위해서는 다음과 같은 3개의 단계에서 업무가 수행된다.
데이터 수집 데이터의 전처리 데이터 분석 각 단계별로 필요한 기능을 수행하려면 복잡하고 다양한 작업이 필요하다.
그래서 현대 로템은 시스템 개발에 앞서센서 마스터 리스트를 작성하여 센서의 유형 및 적용 방식, 데이터 수집 및 전 처리 방법을 선정했다.
그리고 수집된 데이터를 분석하기 위한 데이터 분석 솔루션의 단계별 요구 사항을 확립했다.
또한 상태에 근거한 유지 관리를 위해서는 운항시에 열차에 관한 모든 정보를 수집해야 한다.
이는 핵심 부품에 유선·무선으로 장착되는 센서와 이런 센서 데이터를 수집 및 전송하는 데이터 수집 장치(Analogue Digital Converter, ADC), 그리고 열차의 모든 데이터를 수집 및 관리하는 에지 서버(Edge Server)을 통해서 한다.
위상 기반 유지(CBM)의 개념도현대 로템은 차 CBM시스템(Onboard System)과 지상 CBM시스템(On premise&Cloud System)도 개발했다.
차상 시스템은 열차 내의 주요 장치에 직접 부착된 센서를 통해서 수집된 상태 데이터를 전처리한 뒤 분석 및 저장한다.
지상 CBM시스템은 데이터를 수집·보존·분석하는 메인 분석 서버를 통해서 데이터를 수집·관리한다.
또 데이터를 시각화하고 사용자가 가장 효율적 운영 및 보수를 실시할 수 있도록 지원한다.
위상 기반 유지(CBM)시스템의 구성CBM시스템의 성공적인 수행을 위해서는 데이터 수집 단계에서 유용한 정보를 모아 분류해야 한다.
이 때문에 현대 로템은 데이터베이스(Data Base, DB)아키텍처를 구축했다.
DB아키텍처에서 사전에 설정된 구조에 따라서 수집되는 데이터는 실로 엄청나다.
하지만 덕분에 차량과 각 주요 장치 위치에서 가속도, 유량, 전압, 소음 등의 정보를 비롯한 방송과 CCTV등의 정보도 수집 및 분류를 통해서 쉽게 풀이된다.
특히 안전과 직결된 대차의 차축 베어링, 감속기 등의 온도와 진동 주파수 등의 실시간 상태 정보는 당연하다.
철도 차량 대차의 상태 모니터링은 안전뿐만 아니라 유지 관리 비용의 효율적 관리 면에서도 꼭 필요하다.
CBM시스템의 열차 데이터 수집 및 전 처리 과정CBM 시스템의 성공적인 수행을 위해서는 데이터 수집 단계부터 유용한 정보를 모아 분류해야 한다.
이를 위해 현대로템은 데이터베이스(Data Base, DB) 아키텍처를 구축했다.
DB 아키텍처에서 사전 설정된 구조에 따라 수집되는 데이터는 실로 방대하다.
그러나 덕분에 차량이나 각 주요 장치 위치부터 가속도, 유량, 전압, 소음 등의 정보를 비롯해 방송과 CCTV 등의 정보도 수집 및 분류를 통해 쉽게 분석할 수 있다.
특히 안전과 직결된 대차의 차축 베어링, 감속기 등 온도, 진동 주파수 등 실시간 상태 정보는 당연하다.
철도차량대차 상태 모니터링은 안전뿐 아니라 유지보수 비용의 효율적인 관리 측면에서도 반드시 필요하다.
CBM 시스템의 열차 데이터 수집 및 전처리 과정SJG-2083CS 온라인 스마트 디지털 다기능 산염기 농도계SJG-2083CS 온라인 스마트 디지털 다기능 산염기 농도계SJG-2083CS 온라인 스마트 디지털 수산화칼륨 농도계4. Online Amonia Nitrogen Analyzer (온라인 암모니아성 질소분석기) 모델 (Model) : NHNK-1000NHK-1000 Ammonia Nitrogen Analyzer(암모니아성 질소 분석기와 이온 선택 전극형 센서)이온 선택 전극(ISE)에서 측정하는 다양한 이온 및 측정 범위 1)Ammonia nitrogen(NH4N, 암모니아성 질소):0.1~1,000mg/L2)Nitrateion(NO3N과 질산성 질소):0.1~1,000mg/L3)Potassiumion(K+, 칼륨 이온):0.5~1,000mg/L4)Fluorineion(F-, 불소 이온):0.5~1,000mg/L 5lideo(Clideion. Online Nitrate Nitrogen Analyzer(온라인 질산성 질소(NO3-N)분석기)모델(Model):NO3N-1000NO3N-1000 Online Nitrate Nitrogen Analyzer(질산성질소분석기와 이온선택전극형센서)수질계측기 견적 및 기술문의 환영 Working email : [email protected] (BOQU Instrument 한국 대리점, 이앤장 에코엔지니어링) 홈페이지 : www.boquinstrument.com