A Study on Machine Learning Algorithms for Diagnosing Fault Conditions in Centrifugal Pumps

원심펌프는 물, 오일, 화학물질 등 다양한 유체를 전달하는 데 널리 사용되고 있으며, 산업현장에서 핵심적인 장비로 자리 잡고 있다. 그러나 원심펌프는 오랫동안 운용되어 과부하 되거나 사전 유지보수가 없다면 씰 균열, 베어링 마모와 같은 다양한 고장을 일으킬 수 있으며, 이는 펌프를 정상적으로 작동시키지 못하여 큰 손실과 유지보수 비용을 발생시킬 수 있다. 이러한 고장을 사전에 진단하고 예방하는 것이 매우 중요하기 때문에 본 연구에서는 실제 운용 중인 원심펌프의 정비 이력과 FMEA 분석을 통해 원심펌프의 주요 고장 상태를 확인하였다. 이후 정상, 베어링 마모, 씰 균열 상태에 대한 데이터를 수집하고, PCA, TSNE, UMAP, LLE 차원 축소 기법을 적용하여 데이터의 차원을 축소하였다. 또한, 축소된 데이터를 기반으로 SVM, KNN, DT, XGBoost 분류 알고리즘을 적용하고, 평가 데이터를 활용한 성능지표 Precision, Recall, F1-score, Accuracy를 기반으로 알고리즘별로 성능을 비교하였다. 이러한 성능 지표로 상태 간 분류 성능이 가장 적합한 알고리즘을 선정하였다.