<응용논문> DOI https://doi.org/10.3795/KSME-A.2017.41.6.517 ISSN 1226-4873(Print) 2288-5226(Online)
회전기계류 상태 실시간 진단을 위한 IoT 기반 클라우드 플랫폼 개발§
정해동* · 김수현* · 우선희* · 김송현* · 이승철*†
* 울산과학기술원, 제어설계공학과
Real-time Monitoring System for Rotating Machinery with IoT-based Cloud Platform
Haedong Jeong*, Suhyun Kim*, Sunhee Woo*, Songhyun Kim* and Seungchul Lee*†
Dept. of System Design and Control, Ulsan Nat’l Institute Science and Technology (Received September 2, 2016 ; Revised February 18, 2017 ; Accepted March 8, 2017)
- 기호설명 -
j : 고장 모드 클래스 k : 클래스 넘버 m : 데이터 넘버 K : 가우시안 커널 σ : 가우시안 커널 분산
α : 서포터벡터 분류 경계 파라미터 u : 여유 변수
γ : 정규화 상수
φ : 커널화된 특성인자 벡터 1 : 모든 원소가 1인 벡터
x : 특성인자
θ : 로지스틱회귀분석 분류 경계 파라미터
1. 서 론
스마트 팩토리 시대가 열리면서 공장 내에서 생 산되는 제품뿐만 아니라 제품을 생산하는 설비 유 Key Words: Smart Factory(스마트 팩토리), Internet of Things(사물인터넷), Cloud Platform(클라우드 플랫폼),
Machine Learning(기계학습), Rotating Machinery(회전기계류)
초록: 스마트 팩토리 시대가 열리면서 발전 플랜트에서 발생하는 빅데이터를 활용한 설비 유지 보수 방법론이 부각되고 있다. 본 연구에서는 데이터 기반 방법론의 효과적인 적용과 발전 플랜트 실시간 성능 모니터링을 위해 사물인터넷 기반 클라우드 플랫폼을 제안한다. Short-term Analysis에서는 사물인터넷 센서를 이용하여 학습된 건전성 인자와 패턴 비교를 통해 설비의 상태 진단과 결과 전송을 목적으로 한다. Long-term Analysis는 취합된 고차원 데이터를 활용하여 설비간 관계 파악과 인과관계 확인을 통한 트렌드 분석을 목적으로 한다. 분석 및 진단 결과는 클라우드 플랫폼의 웹 기반 시스템을 통해 시각화하여 사용자의 접근성을 향상시켜 장소나 접속 기기에 상관없이 데이터를 확인할 수 있도록 한다. 개발된 플랫폼의 성능 검증은 회전기계류 테스트베드로 진행한다.
Abstract: The objective of this research is to improve the efficiency of data collection from many machine components on smart factory floors using IoT(Internet of things) techniques and cloud platform, and to make it easy to update outdated diagnostic schemes through online deployment methods from cloud resources. The short-term analysis is implemented by a micro-controller, and it includes machine-learning algorithms for inferring snapshot information of the machine components. For long-term analysis, time-series and high-dimension data are used for root cause analysis by combining a cloud platform and multivariate analysis techniques. The diagnostic results are visualized in a web- based display dashboard for an unconstrained user access. The implementation is demonstrated to identify its performance in data acquisition and analysis for rotating machinery.
§ 이 논문은 대한기계학회 신뢰성부문 2016년도 춘계학술 대회(2016.4.28.-29., 부경대학교) 발표논문임.
† Corresponding Author, [email protected]
Ⓒ 2017 The Korean Society of Mechanical Engineers
지가 중요해졌으며, 특히 설비 데이터를 이용한 유지 보수 방법론들이 부각되고 있다.(1) 따라서, 본 논문에서는 사물인터넷(IoT)과 클라우드 플랫 폼을 활용하여 데이터 취득 시스템 구축에 유동성 을 부여하고 결함 진단을 위한 데이터의 효율적 활용 방법을 제시한다.
사물인터넷은 각종 사물에 센서와 통신 기능을 내장하여 인터넷에 연결하는 기술을 의미한다. 컴 퓨팅 파워의 발전과 많은 데이터를 처리하는 빅데 이터 기술의 등장으로 사물인터넷의 효용성과 가 치가 점점 증가하고 있는 추세이다.(2) 사물인터넷 산업의 기술은 하드웨어와 소프트웨어로 나눌 수 있으며 각 기술별로 국내외 다양한 제품들이 개발 되고 있다.(3) 특히 사물인터넷의 실제 적용 대상으 로서 스마트 팩토리가 최근 침체되고 있는 제조업 의 경쟁력 강화의 일환으로 전 세계적으로 급격하 게 부상하고 있다.(4)
기계학습에 기반한 설비 성능 모니터링이 기존 의 동적해석을 통한 모니터링과 가장 큰 차이점은 시스템의 동적해석이 아닌 데이터로 설비 상태를 판단한다는 것이다. 모니터링 기술에 통계적 기법 을 더함으로써 복잡한 기계시스템을 직접 해석할 필요 없이 데이터에 기반한 기계학습 알고리즘을 구축한 뒤, 학습된 모델이 스스로 설비의 건강 상 태를 파악할 수 있도록 한다. 일반적으로 기계학습 을 적용하는 절차는 다음 4단계로 나눌 수 있다.
- 데이터 취득: 생산라인에서 중요 자산을 선정 한 뒤, 선정된 기기에 센서를 달고 데이터를 취 득하는 단계
- 신호처리 및 특성인자 추출: 취득된 데이터를 신호처리 기법을 통하여 특성인자로 추출하는 단계
- 모니터링: 알고리즘을 통하여 기기의 상태를 파 악하고 진단하는 과정이다. 데이터의 라벨이 있 을 경우 지도학습(supervised learning), 그렇지 않 은 경우 비지도학습(unsupervised learning)으로 분류되며 각각 적용될 수 있는 알고리즘의 종 류가 다르다.
- 수명 예측: 확률론적 방법을 이용한 기기 상태 의 예측 및 잔존유효수명(remaining useful life) 예측이다. 현재 기기 상태를 기반으로 향후 상 태가 어떤 식으로 변해갈지 확률론적 기법을 통해 예측한다.
기계학습 알고리즘은 기본적으로 취득한 데이터 로부터 특정 패턴을 자동으로 인식하는 시스템을 의미한다.(5) 주로 사용되는 알고리즘에는 서포트 벡
터 머신(support vector machine), 인공신경망(neural networks), 로지스틱 회귀분석(logistic regression) 등 이 있다.
서포트 벡터 머신은 지도 학습의 대표적인 모델 로서 데이터로부터 추출된 특성인자 벡터가 생성 한 특성공간에서 통계적 기법을 통해 분류 경계를 결정할 수 있게 한다. 생성되는 경계는 특성인자 벡터와 설비 고장 유형에 영향을 받는다.(6)
인공신경망은 정보처리를 위한 수치적 모델로서 학습데이터로부터 적절한 분류 경계를 자동으로 학습한다.(7) 입력층과 은닉층 그리고 결과층으로 이루어진 신경망은 최근 컴퓨팅 파워의 발전으로 은닉층의 개수를 늘린 딥러닝 구조로 발전하여 많 이 사용되고 있다.
로지스틱 회귀분석은 전통적인 통계기반의 패턴 인식 문제를 해결하는 방법론이다. 독립 변수의 선형 결합을 이용하여 대상의 분류 확률을 계산하 고 예측하는데 사용되고 있다.(8)
설비의 안정성이 특히 중요한 발전 플랜트의 회 전기계류의 경우, 데이터 기반 설비 유지 보수 방 법인 기계학습 알고리즘을 활용한 많은 연구가 진 행되고 있다. 따라서, 본 논문에서는 기계학습을 기반으로 한 회전기계류 고장 진단 알고리즘을 사 물인터넷과 클라우드 플랫폼을 이용해 개발, 구현 한 사례를 설명한다.
2. 진단 플랫폼 프레임워크
실시간 상태 모니터링 플랫폼을 구현하기 위해 하드웨어와 소프트웨어로 범위를 나누어 진행하였 으며, 각각의 범위에서 개발 및 구축의 목표는 Table 1과 같다.
2.1 하드웨어 프레임워크
IoT와 센서의 결합을 통해 기존의 데이터 중앙 집중적 시스템을 탈피하여 센서 단독 시스템을 구 축하고 인터넷을 통해 클라우드 서버와 네트워크 망을 형성한다. IoT센서는 측정 대상에 따라 다양
Table 1 Implementation scope of monitoring systems Framework Objective
Hardware Rotor Testbed IoT-based Sensor Wireless transmission Software
Data Storage
Machine Learning Algorithm Long-term Trend Analysis Data Visualization
한 센서(온도, 습도, 가속도계, 카메라 등) 결합이 가능하고 마이크로 컨트롤러를 선택할 수 있다.
본 논문에서는 시그널링크사의 회전기계류 테스 트베드의 모니터링을 목적으로 Wi-fi 모듈이 장착 된 Particle사의 Photon을 마이크로 컨트롤러로 사 용하고 가속도계를 장착하여 주파수 영역에서 기 계학습 알고리즘을 적용할 수 있도록 구현하였다.
취득된 고장모드로는 정상 상태, 불평형 상태, 축 정렬 불량 상태가 있으며 IoT센서는 Fig. 2와 같이 베어링 하우징 x축 방향으로 부착되었다.
Fig. 3 Web-based monitoring 2.2 소프트웨어 프레임워크
클라우드 자원을 활용하여 IoT센서로부터 전송 받은 데이터를 시각화하고 저장하여 향후 설비고 장의 인과관계 분석을 목표로 한다.
컴퓨터, 스토리지, 소프트웨어, 네트워크와 같은 IT자원들을 인터넷을 통해 필요한 만큼 사용하는 것을 클라우드 컴퓨팅 기술이라고 하며, 이를 서 비스해주는 전체 프레임을 클라우드 플랫폼이라고 한다. 구글, IBM, 아마존 등 많은 회사에서 클라우 드 플랫폼을 지원하고 있다.
웹 기반 서비스는 작업자 혹은 엔지니어의 위치 와 상관없이 데이터 이용할 수 있도록 하며 분석 결과를 언제나 제시해 줄 수 있다.(9) 사용자는 웹 사이트를 통해 접근할 수 있을 뿐만 아니라 모바 일 디바이스를 통해서도 현재 취득되고 있는 데이 터를 확인할 수 있다. 본 논문에서는 Fig. 3과 같 이IBM사의 Bluemix를 이용하여 웹 서버를 구축하 고 연결된 IoT의 데이터를 받아 실시간으로 그래 프를 시각화할 수 있도록 구현하였다.(10)
2.2.1 Short-term Analysis
데이터를 서버로 보낸 후에 알고리즘을 적용하 는 기존 진단 방식과 다르게 short-term 분석에서 는 IoT센서에 기계학습 알고리즘을 적용하여 설비 개별의 상태를 센서 레벨에서 진단할 수 있다. 학 습 데이터로부터 생성된 알고리즘이 IoT 센서에 프로그래밍되어, 건전성 인자간 패턴을 확인하고 설비 상태를 진단하여 그 결과를 클라우드 서버로 전송한다. 센서에서 취득된 데이터를 직접 전송하 는 것이 아니라 설비 정보 압축을 통한 통신 메시 지 경량화이기 때문에 디바이스 간 통신에 유리하 다(less communication traffic).(11)
2.2.2 Long-term Analysis
단일 설비의 건정성 분석결과가 IoT 센서로부터 클라우드 서버로 전송되어, 시간에 따른 데이터 Table 2 Micro-controller and IMU sensor
Name Image Specification Particle
Photon
Wi-Fi chip ARM Cortex M3 1MB flash, 128KB RAM
Acceleration Sensor
3 acceleration channels 16-bit data output 1000Hz sampling rate
Table 3 Experiment environment Rotor Testbed
rpm 1500 Fault Mode Normal Unbalance Misalignment
Location Bearing Housing
Sampling Rate 1 kHz
Fig. 1 Signallink rotor testbed
Fig. 2 Attached sensors
클러스터가 생성된다. Long-term 분석에서는 모든 설비의 정보를 취합하여 고차원 데이터를 다루는 다변량 분석기술과 시간에 따라 변하는 설비 상태 를 관측하기 위한 시계열 분석, 차원 축소, 확률 그래프 모델을 통해 설비간의 관계를 파악하거나 공장 내 발생하는 문제의 인과관계를 규명할 수 있다.
2.2.3 온라인 업데이트(Online Update)
기존의 기계학습을 이용한 알고리즘의 경우, 시 스템 모델의 갱신이 필요하면 가동중인 설비를 중 지 시킨 후, 관계된 모든 컴퓨터의 알고리즘을 수 동으로 수정해야 한다. 하지만 사물인터넷과 클라
우드 플랫폼의 발전으로 인터넷에 연결된 디바이 스에 사용된 알고리즘은 Fig. 6과 같이 온라인 업 데이트가 가능하다. 이러한 온라인 업데이트 기술 을 통해 기계학습의 정적인 면을 보완함과 동시에 효율성 측면을 강화할 수 있다.
3. 기계학습 기반 진단 알고리즘
사물인터넷과 클라우드 플랫폼을 통해 구현된 플랫폼에 사용된 기계학습 알고리즘을 설명한다.
3.1 특성인자 선정
일반적으로 회전 설비에 이상이 생기면 진동이 발생하며 이를 유발시키는 힘은 기계 부품의 회전 운동에 의해 생기게 된다. 이 힘은 주로 부품의 회전 속도에 따라서 방향과 진폭이 변화하기 때문 에 대부분의 진동문제들은 회전속도에 영향을 받 게 된다.(12)
- 불평형 문제: 질량 중심선이 축의 기하학적 중 심선과 일치하지 않을 때 발생하는 문제를 불평형 문제라고 정의한다. 회전기계류에 존재하는 불균 형이 회전 속도에 의해 가진 되어 기본 진동수 (1X rpm)에서 진동이 발생하며 이때 진폭이 통상 전체 진동의 80% 이상이다.
- 축정렬 불량: 회전기계류에서 기계 및 구조물 또 는 커플링의 비대칭 강성에 기인하여 발생하는 문 제를 의미한다. 축정렬 상태에 이상이 생길 경우, 매회전마다 전후운동을 하는 지지물, 프레임, 기초 및 커플링 자체 강성의 차이가 있기 때문에 보통 기본 진동수 진동과 2차 고조파 진동을 초래한다.(13) Fig. 4 Short-term analysis
Fig. 5 Long-term analysis
Fig. 6 Online deployment flow
Fig. 7 Unbalance problem in rotating machinery
(a)
(b)
Fig. 8 (a) Angular Misalignment (b) Offset Misalignment
(a)
(b)
Fig. 9 (a) Feature extraction, (b) Feature space
테스트베드에서 실험 가능한 고장모드를 고려하 여 조화성분(1X rpm, 2X rpm)의 진폭을 특성인자로 선정하였다. 추출된 특성인자를 기준으로 각각의 고장모드에 대해서 특성인자 공간을 형성하였다.
Fig. 9(b)는 고장모드 별 생성된 특성인자 공간을 나타낸다. 단, 어떤 특성인자가 회전기계류 상태 모니터링에 더 좋은 인자인지 결정하는 최적화 문 제는 본 논문에서 논의하지 않는다. 또한 조화 성 분뿐 아니라 translational/conical mode가 원인이 되 어 회전기계류 시스템에 문제를 일으킬 수도 있지 만, 본 연구의 알고리즘에는 반영되어 있지 않다.
이는 본 논문이 사물인터넷과 클라우드 서비스를
Table 4 RBF kernel Radial Basis Function (RBF)
2
( , ) exp 2
2 K x x x x
σ
⎛ − ′ ⎞
′ = ⎜⎜− ⎟⎟
⎝ ⎠
이용한 회전기계류 기계시스템의 이상진단 플랫폼 개발에 무게를 두고 있기 때문이다.
3.2 분류(Classification)
생성된 특성인자 공간에서 데이터 분포를 보았 을 때 선형 경계 모델을 통해 구분하는 것이 쉽지 않다. 비선형 경계를 이용한 분류는 고차원을 가 진 특성 함수(feature function)에 대해서도 표현할 수 있다. 그 중 무한 차원의 특성 함수를 가진 것 으로 알려진 RBF 커널은 높은 차원에서 다양한 경계를 표현할 수 있다. 커널 트릭으로 특성 함수 의 내적을 표현할 때, 특성 함수를 정확히 기술할 필요가 없다(implicit feature vector). 따라서, 정의된 커널이 Mercer’s theorem을 만족 시킬 때, 특성 함 수를 간접적으로 정의할 수 있으며, 이에 대한 분 류를 시행할 수 있다.
( ) ( , ( ) where )
( , ) ( ) ( )
k n
T
x x x R x R k n
K x x x x
φ φ
φ φ
→ ∈ ∈ <
′ = ′ (1)
본 논문에서는RBF 커널을 활용할 수 있는 분류 모델로서 서포트 벡터 머신과 로지스틱 회귀분석 을 적용해 보았다.
서포터 벡터 머신의 경우 최적화 해야할 목적함 수는 식 (2)와 같다.
,
argmax 1 2
s.t. diag(y) ( ) 0
T T
u
K u
K u
u
α α α γ α +
⋅ > −
>
1
1 (2)
식 (2)의 목적함수는 힌지 로스(hinge loss)를 이 용한 최적화문제로 해석할 수 있다. 따라서 서포터 벡터 머신은 진동 데이터 습득과정에서 발생하는 이상치(outlier)에 강건한 방법이다. 여기에 RBF 커 널을 적용 함으로써 복잡한 데이터 분포에도 적용 할 수 있는 비선형 경계를 Fig. 10과 같이 얻었다.
로지스틱 회귀분석은 전체 데이터와의 거리 곱 을 최대로 하는 분류 경계를 찾는 분류 모델이다.
Fig. 10 SVM model
식 (3)과 같이 분류 경계와의 거리를 시그모이 드(sigmoid) 함수에 매핑하고 최적화함으로써 분류 결과를 확률적으로 제시할 수 있다.
1
arg max m log(1 exp( n T n))
n
y x
θ θ
=
− + −
∑ (3)
일반적으로 로지스틱 회귀분석으로 이진 클래스 문제를 해결할 수 있다. 하지만 회전기계류 진단 의 경우 3개의 고장모드를 구분해야 하기 때문에 멀티 클래스를 분류할 수 있는 모델이 필요하다.
RBF 커널을 적용하고 식 (4)와 같은 소프트맥스 (Softmax) 함수를 이용하여 각 클래스에 속할 확 률을 계산할 수 있게 만든 후 기존의 로지스틱 회 귀분석 방법을 확장하여 식 (5)를 생성하였다.(14)
( ) ( )
( )
( ( )
)
( ) 1
| exp
exp
T i
i
T i
j k
l j
P y j x x
θ x θ
=
= =
∑ (4)
{ } ( ) ( )
( ( )
1 1 ( )
)
1
1 exp
min ( 1 lo
exp
) g
T i
m k
i
T l
i j i
j j k
x x
J y j
m
θ
θ θ
θ
= =
=
⎡ ⎤
⎢ ⎥
⎢ ⎥
= − =
⎢ ⎥
⎢ ⎥
⎣ ⎦
∑∑ ∑
(5)Fig. 11은 식 (5)의 목적함수를 최적화함으로써 얻어진 비선형 분류 경계를 나타낸다.
진단 플랫폼 검증을 위해 사용한 데이터의 분포 가 복잡한 형태가 아니기 때문에 2가지 분류 모델 로 인해 생성되는 경계는 차이가 거의 없다. 그러 나 서포터 벡터 머신의 경우, 서포터벡터와 분류 경계와의 거리를 최대화하기 때문에 진동 데이터 의 이상치 처리에 강건성을 지닌다. 하지만 로지 스틱 회귀분석처럼 클래스에 속할 확률을 계산할
수 없는 단점이 있다. 학습 데이터에 대한 두개의 모델 분류 성능은 차이가 거의 없고, 높은 고조파 진동이 대게 축정렬 불량을 원인으로 한다는 회전 기계류 역학을 고려했을 때 본 논문에서는 로지스 틱 회귀분석 분류 모델을 사용하였다.
4. IoT 기반 진단 플랫폼 구현
사물인터넷 센서에는 C++로 구현된 데이터 취 득 알고리즘, 특성인자 추출 알고리즘, 기계학습
Fig. 11 Logistic regression model
Fig. 12 Monitoring system flowchart
알고리즘을 내장하였고, 현재 설비의 상태에 대한 진단 확률을 계산할 수 있도록 구현하였다. 센서 에서 계산된 정보는 특성 인자(조화성분의 진폭), 기계의 상태를 나타내는 확률값으로 압축되어 Wi- fi를 통해 클라우드 플랫폼에 전송된다. 클라우드 플랫폼에서는 센서에서 받은 정보를 활용하여 기 기상태를 웹기반의 시각화로 보여준다. Fig. 12는 기계에서 취득한 데이터가 클라우드 플랫폼으로 보내지는 과정을 보여준다. 특히, Fig. 13처럼 사물 인터넷 센서내에서 데이터 취득과 연산, 그리고 결과의 무선 전송을 실시간으로 가능하게 구현하 기 위해서 3개의 쓰레드(thread)가 동시에 동작하 는 구조이다.
사물인터넷 센서로부터 전송 받은 데이터를 시 각화하여 Fig. 14처럼 웹을 통해 관측되고 있는 값 을 확인할 수 있도록 하였다. 회전기계류의 특성
(a)
(b)
(c)
Fig. 15 (a) Trend plot, (b) Probability of machine state (c) Trend analysis in feature space
인자 벡터인 조화성분 진폭값은 1차원 그래프로 표 현하여 시간에 따른 진폭 변화를 나타냈고, 소프트 맥스의 결과값을 막대 그래프로 표현하여 현재 설 비 상태가 특정 고장 상태일 확률을 표시하였다.
또한 설비 상태를 특성인자 공간으로 매핑하고 그 점의 색을 시간에 따라 변화시킴으로써 관측하고 있는 설비의 트렌드 분석을 가능하도록 하였다.
5. 결 론
설비 유지 보수를 위한 기존의 데이터 취득 시 스템 구축은 비용적 측면과 유동적이지 못한 단점 이 있다. 또한 기존 기계학습을 이용한 설비 진단 기술의 경우, 학습데이터를 통해 학습된 진단 메 Fig. 13 IoT sensor flowchart
Fig. 14 Web-based dashboard
커니즘의 변경에 취약하다는 약점이 있다. 본 논문 에서는 사물인터넷과 클라우드 플랫폼을 활용하여 회전기계류 실시간 진단 시스템을 구현함으로써 기 존의 단점을 보완하고, 데이터 기반 결함 진단 메 커니즘이 효과적으로 적용될 수 있도록 한다.
후 기
본 연구는 BK21플러스 특화전문인재양성사업, 2016년 신산업창출을 위한 SW융합기술고도화 기술 개발사업(과제번호: S0177-16-1002), 2016년 지역신산 업선도인력양성사업(과제번호: 2016H1D5A1910285) 에 의하여 연구되었습니다.
참고문헌
(References)
(1) Lee, S. H. and Yoon, B. D., 2015, “The Future of Industry 4.0 and Prognostics and Health Manage- ment,” Journal of the Korean Society for Noise and Vibration Engineering, Vol. 25, No. 1, pp. 22~28.
(2) Kong, M. S., Chae, H. J. and Yu, B. H., 2016, “The Technology Tendency and Vision of IoT,” Journal of the KSME, Vol. 56, No. 2, pp. 32~36.
(3) Gubbi, J., Buyya, R., Marusic, S. and Palaniswami, M., 2013, “Internet of Things (IoT): A Vision, Architectural Elements, and Future Directions,” Future Generation Computer Systems, Vol. 29, No. 7, pp.
1645~1660.
(4) Lee, D. S., 2015, “The Advent of Smart Factory and IoT Sensor,” Process Control Instrumentation Tech- nology, No. 6, pp. 81~85.
(5) Duda, R. O., Peter, E. H. and David, G. S., 2012,
“Pattern Classification,” John Wiley & Sons, USA, 2nd edition.
(6) Widodo, A. and Yang, B. S., 2007, “Support Vector Machine in Machine Condition Monitoring and Fault Diagnosis,” Mechanical Systems and Signal Processing, Vol. 21, No. 6, pp. 2560~2574.
(7) Kankar, P. K., Sharma, S. C. and Harsha, S. P., 2011,
“Fault Diagnosis of Ball Bearings using Machine Learning Methods,” Expert Systems with Application, Vol. 38, No. 3, pp. 1879~1886.
(8) Duan, K., Keerthi, S. S., Chu, W., Shevade, S. K. and Poo, A. N. 2003. “Multi-category Classification by Soft- max Combination of Binary Classifiers,” In International Workshop on Multiple Classifier Systems, Springer Berlin Heidelberg. pp. 125~134.
(9) Jung, H. and Park, C. W., 2015, “Design and Implementation of MQTT Based Real-time HVAC Control Systems,” Journal of the Korea Institute of Information and Communication Engineering, Vol. 19, No. 5, pp. 1163~1172.
(10) IBM Bluemix, http://www.ibm.com/cloud- computing/bluemix/.
(11) Kim, D. E., Kim, S. W. and Kwon, S. K., 2015,
“Real-Time Transmission System for Greenhouse Information Using MQTT and RTSP,” Journal of Korea Multimedia Society, Vol. 18, No. 8, pp. 935~
942.
(12) Lee, B. J., 1998, “Vibration and Maintenance Handbook,” KEPCO, pp. 18~36.
(13) Lee, B. J., 1998, “Vibration and Maintenance Handbook,” KEPCO, pp. 401~413.
(14) Cawley, G. C., Talbot, N. L. and Girolami, M., 2007,
“Sparse Multinomial Logistic Regression via Bayesian L1 Regularization,” Advances in Neural Information Processing Systems, Vol. 19, pp. 209~216.
