주 관 : 한국PHM학회, 한국기계연구원

운 영 : 아주대학교(데이터 지능형 PHM 연구실, 인공지능 기반 시스템 분석 연구실)

<aside> 🔗

KSPHM-KIMM 기계 데이터 챌린지 2026 팀 등록

🔔팀 등록은 팀장이 대표로 진행하며, 본선 진출 팀은 팀당 최소 1명이 PHM Korea 2026 정기학술대회에 등록해야 합니다. (예선 참여 시, 제한 없음)

🔔팀원 인원의 제한은 없습니다. 또한 여러 기관이 공동으로 참여할 수 있습니다.

</aside>

<aside> 🔗

KSPHM-KIMM 기계 데이터 챌린지 2026 데이터 다운로드링크 : 한국기계연구원 기계데이터플랫폼

</aside>

공지사항

<aside>

260508 | 금일 한국기계연구원 기계데이터플랫폼 홈페이지 점검으로 인해 Validation Set 다운로드가 약 오후 6시까지 일시적으로 불가능합니다. 참고부탁드립니다.

260507 | 본선 진출 시, 본선 발표는 데이터 챌린지 세션에서 진행됩니다. 이때 사전에 학회 등록을 완료한 경우 별도의 추가 등록 없이 발표가 가능하며, 학회 등록을 하지 않은 경우에는 본선 진출 후 반드시 등록을 완료해야 발표가 가능합니다.

260504 | Validation Set이 공개되었습니다.

260428 | 팀등록이 마감되었으며, 등록이 완료된 팀에 대해서는 각 팀장에게 등록 확인 메일을 발송하였습니다. 메일을 받지 못한 팀은 문의해주시기 바랍니다.

260420 | 문의는 Q&A 또는 [email protected], [email protected]로 부탁드립니다.

260415 | train4 데이터셋과 관련하여, 마지막 진동 데이터 1개가 미취득된 것이 확인되었습니다. train4 데이터셋을 활용하실 경우, 해당 부분을 고려하여 수행해주시기 바랍니다.

</aside>

KSPHM-KIMM 데이터 챌린지 2026 주요 일정

<aside> 💡

목차

</aside>

데이터 챌린지 소개

1. 개요

• 베어링은 회전 기계의 핵심 구성 요소로, 지속적인 운전 과정에서 마모·피로·균열 등 다양한 열화가 진행됩니다. 이러한 열화를 사전에 감지하지 못하면 예기치 않은 설비 고장과 생산 중단으로 이어질 수 있어, 베어링의 상태를 모니터링하고 잔여수명(RUL)을 정확히 예측하는 기술은 산업 현장에서 핵심적인 연구 과제로 자리잡고 있습니다.
• 본 챌린지는 실제 베어링 진동 데이터를 활용하여 잔여수명을 예측하는 것을 목표로 합니다. 이를 통해 참가자들이 데이터 기반의 예지보전(Predictive Maintenance) 역량을 키우고, 실무에 적용 가능한 강건한 예측 모델을 개발하는 데 기여하고자 합니다

2. 목표

• 제공되는 학습용 베어링 진동 데이터셋으로 수명 예지 모델을 학습하고, 별도로 제공되는 검증용 데이터셋을 사용하여 모델의 성능을 검증합니다.
• 모든 데이터는 동일한 테스트베드에서 다수의 반복 실험을 통해 측정되었으며, 참가팀은 이를 고려하여 강건한 수명 예지 모델을 개발해야 합니다.
• 최종적으로, 학습된 모델을 이용하여 검증용 데이터셋 각 베어링의 잔여수명을 예측하고 그 결과를 제출해야 합니다.

3. 데이터 셋

3.1 실험 조건

• 본 챌린지에서 제공되는 데이터는 베어링의 열화 시험이 가능하도록 설계 및 제작된 테스트베드에서 실험을 통해 수집되었습니다. 구체적으로, 베어링에 미세 고장을 인가한 후 테스트베드에 조립하여 운전함으로써 고장을 점진적으로 심화시켰습니다.
• 실험은 약 700–950 rpm 범위내 회전 속도가 변경되는 조건으로 수행되었으며, 회전 속도는 1시간 단위 간격으로 변경되었습니다.
• 실험은 노이즈가 많이 발생하는 환경에서 수행되어, 제공되는 데이터에는 다량의 노이즈가 포함되어 있습니다.

그림1. 테스트베드

그림2. 테스트베드 구조

그림3. 테스트베드 세부 구조

<aside> 💡

본 챌린지에서 제공되는 시험 데이터의 취득 조건은 아래와 같습니다.

🔹 데이터 샘플링 레이트 (Sampling Rate)

• 진동 신호: 25.6 kHz
• 이외 신호: 0.1 Hz

🔹 데이터 수집 주기

• 10분 주기로 1분씩 취득 (테스트베드는 연속적으로 운전)

🔹 시험 중단 조건과 데이터 특성

• 베어링이 **중단 조건에 도달하면 실험이 종료됨**
• 데이터 측정 중 고장이 발생할 경우, 고장 시점의 데이터가 포함
• 데이터 미측정 중 고장이 발생할 경우, 고장 시점의 데이터가 불포함
• 실제 고장 시점과 마지막 데이터 측정 시간은 일치하지 않을 수 있으며, 이는 예측 모델에서 고려되어야 할 중요한 변수임

그림4. 시험 데이터 취득 조건

</aside>

• 실험에 활용된 베어링의 상세 규격은 아래와 같습니다.

• 베어링 고장 주파수(Bearing Fault Frequency) (1000 RPM 기준)

3.2 열화시험 조건

| --- | --- |

3.3 열화시험 중단 조건

• 아래 2개의 조건 중 1개가 먼저 만족되는 조건

| --- | --- |

4. 데이터 셋(set) 구성 및 다운로드

• 데이터 다운로드 링크:
• 데이터는 학습용 train 데이터 셋과 검증용 validation데이터 셋으로 나누어서 제공됩니다.
• train 데이터 셋 : 열화시험 중단 조건에 도달할 때까지 시험한 데이터로, 참가팀은 이 데이터 셋을 사용하여 모델을 학습해야 합니다.
• validation 데이터 셋 : 열화시험 중단 조건에 도달하지 못하고 베어링의 결함이 진전되고 있는 상태까지 시험한 데이터로, 참가팀은 이 데이터 셋을 사용하여 잔여수명을 예측하고 그 결과를 제출해야 합니다.

📖 데이터 셋 변수 설명

<aside> 📖

</aside>

• Python으로 TDMS 데이터 접근하기

📌

conda install conda-forge::nptdms

📌