🛰️

대형 회전 설비를 진단하는 알고리즘: (1) 비진동 데이터 활용의 필요성과 활용 방안

안녕하세요 Product 2팀에서 GuardiOne Turbine 진단 AI 알고리즘 및 제품화 관련 개발을 맡고 있는 박용비 연구원 입니다.

Intro.

원프레딕트에서는 터빈이라는 기계 장치에 대한 고장 진단 및 상태 예측 솔루션을 연구, 개발하고 있습니다. 터빈은 유체의 흐름으로부터 발생한 회전력을 통해 에너지를 생산하는 발전 기관입니다.
터빈과 같은 회전 설비는 진동센서를 사용해 결함을 진단하고 예측하는 것이 일반적입니다. 하지만 그림1에서 볼 수 있듯, 현대에 들어 터빈은 더 높은 발전 효율과 안정성을 위해 크기가 더 커지고, 연관 시스템이 추가되어 더욱 복잡해졌습니다. 고온 고압의 유체를 발생시키기 위한 설비들이 필요해졌고, 회전 속도를 일정하게 유지하기 위한 제어 시스템이 추가되었습니다. 결과적으로 진동센서만 활용해서는 건전성을 진단하기 어려워졌습니다.
원프레딕트에서는 이러한 한계를 극복하고자 진동데이터와 함께 비진동 데이터를 함께 활용해 진단에 사용합니다. 진동 데이터와 달리 비진동 데이터를 사용했을 때의 장점은 명확하지만 그만큼 다루기 어렵기도 합니다. 이번 글에서는 비진동 데이터의 필요성과 활용 방안에 대해 정리해보겠습니다.
그림 1. 스팀 터빈 및 보조 설비 모식도

진동 데이터를 활용한 터빈 진단법

대부분의 기존 솔루션들은 이러한 문제를 해결하기 위해 그림2와 같이 진동 데이터를 집중적으로 분석해왔습니다. 진동 데이터는 비진동 데이터와 달리 회전체의 고장과 직접적인 연관을 갖는 고유한 특성들을 추적할 수 있기 때문에 시스템의 이상을 지속적으로 감지하기에 적합합니다.
진동 데이터는 주로 베어링에 부착된 진동 센서에 의해 추출되며 센서 하나당 1초에 수천 개의 값들이 추출됩니다. 추출된 진동 데이터를 통해 베어링의 고장뿐만 아니라 회전축의 비정상적인 움직임, 터빈의 불균형을 감지할 수 있습니다. 진동 데이터를 이용하여 얻을 수 있는 대표적인 정보로는 회전축의 궤도, 주파수에 따른 진동의 크기를 들 수 있습니다. 회전체에 이상이 발생하면 회전축의 궤도가 평소와 다른 움직임을 보이거나 특정 주파수의 진동 크기가 커지는 등의 반응이 검출되고 이러한 정보들을 이용해 고장을 진단할 수 있습니다.
그림 2. 주파수 스펙트럼을 활용한 축/베어링 진동 분석
진동 데이터의 이러한 장점 때문에 기존의 진단 솔루션들은 대부분 진동 데이터를 주요하게 이용해 진단 결과를 제공합니다. 저희 또한 이러한 솔루션을 제공하는데, 솔루션 결과를 사용자가 보기 편하도록 다양한 기능을 개발하여 GuardiOne Turbine 제품으로 제공합니다. 아래 제시된 그림3과 같이, 회전 속도(rpm)에 따른 진동 크기의 변화, 시간에 따른 orbit들의 형태 변화 및 관련된 여러가지 주요한 정보들을 한눈에 보기 쉽게 나타내 줍니다. 또한 진단 결과를 직관적으로 파악할 수 있도록 심각도에 따라 다른 색으로 나타내 주고, 상세한 진단 결과 또한 그래프나 그림을 이용해 보여줍니다.
그림3. GuardiOne Turbine 프로그램 실행 예

비진동 데이터의 활용

한편, 진동 데이터만으로는 파악할 수 없는 정보들 또한 많습니다. 가령 가스 터빈에 열에너지를 전달하는 16개의 연소기 중 하나가 심각하지 않은 고장이 난 경우, 고장난 연소기는 작동을 멈추지 않지만 연소량이 줄어 불균형한 열 전달이 발생합니다. 이때 터빈에서 비정상적인 진동이 발생하는 경우가 많습니다. 그러나 진동 데이터만으로는 어떤 것이 원인인지 파악하기가 어려울 뿐만 아니라 사전적으로 인지하기도 어렵습니다. 진동 데이터를 이용해 얻을 수 있는 정보는 대부분 터빈의 회전 자체에 대한 정보이기 때문에 어떤 설비의 고장으로 인해 비정상적인 회전을 하는지 밝히기 어렵고 설비 고장의 심각도가 커질 때 비로소 진동에도 이상 반응을 보이기 때문입니다. 다시 말해, 진동 데이터로는 설비가 고장난 결과 발생한 이상 진동의 종류(e.g. unbalance, misalignment)와 심각도를 감지할 수 있을 뿐이지 이상 진동을 야기하는 원인을 판단하기는 어렵습니다.
그래서 더 심도 있고 효과적인 진단을 위해서는 각종 비진동 데이터들 또한 고려해야 합니다. 아래 그림에서 간단한 진단 기법 예시가 제시되어 있습니다. 진동 데이터에서 발견되는 이상과 비진동 데이터에서 발견되는 이상을 연관시켜 이상 발생의 원인을 판단합니다. 하지만 아래의 간단한 예시와 달리 진동 데이터에 비해 비진동 데이터는 분석이 까다로운 경우가 많습니다. 진동 데이터만큼 오랫동안 분석 방법이 체계적으로 연구되지 않았고, 발전소마다 설비나 데이터가 상이한 경우가 많으며, 데이터들 간의 연관관계가 복잡해 이상이 발생해도 원인을 파악하는 것이 어렵기 때문입니다. 또한 고장이 발생하는 경우도 흔하지 않아 우리가 필요로 하는 데이터도 충분하지 않습니다.

원프레딕트의 Anomaly Detection

진동과 다르게 비진동 데이터의 고장 경계 값은 정규화 되어있지 않고 수많은 인자가 서로 영향을 끼치기 때문에 고장 모드 검출을 위해 비진동 데이터를 활용하는 방법은 기술의 고도화가 필요합니다. 저희는 비진동 데이터를 활용하기 어렵다는 문제를 해결하기 위해 데이터의 이상 감지(anomaly detection) 방법론에 집중하였습니다. 아래 제시된 그림4처럼 갑작스럽게 튀는 값이 발생하거나(point anomaly), 연속적인 값들이 정상일 때와 다른 패턴을 보이거나(subsequence anomaly), 다른 시계열 데이터와 비슷한 패턴을 보여야 할 시계열 데이터가 다른 패턴을 보일 때(time-series anomaly)와 같이 다양한 종류의 이상이 발생할 수 있습니다. 원프레딕트의 GuardiOne Turbine 솔루션에서는 이러한 이상 패턴을 찾고 진동 데이터 분석 결과와 연관시켜 분석합니다.
그림 4. Anomaly의 종류

비진동 데이터 활용을 위한 접근법

한편으로, 데이터만을 이용하여 이상을 판단하면 잘못된 결과를 가져올 수 있습니다. 터빈의 운영 조건이나 상태의 변화에 의해 갑작스러운 변화가 일어날 수 있고 일부 데이터의 경우 정상적인 상태에서도 튀는 값들이 존재하는 경우가 종종 있기 때문입니다.
따라서 터빈에 대한 정보를 우선 파악한 후에 각 데이터들이 어떤 패턴을 평소에 가지고 있는지, 이상이 발생할 경우 어떤 형태의 이상이 발생하는지 탐색하는 과정이 필요합니다. 이 과정은 터빈 전문가들의 자문이나 고객사와의 협의를 통해 진행합니다. 데이터가 어떤 상황에서 어떤 패턴을 보이는지 전문가들의 의견을 듣고 정리하고, 고객사에서는 어떤 데이터와 정보를 중요하게 생각하고 터빈을 운영하는지 파악하여 그러한 데이터와 정보에 집중하여 연구와 개발을 진행합니다.
또한 고객사나 전문가가 파악하지 못하는 종류의 이상 징후도 있습니다. 복잡한 설비와 너무 많은 데이터를 일일이 분석할 수는 없기 때문입니다. 따라서 저희는 모든 데이터에 이상 감지 알고리즘을 계속 실행시켜 이상이라 감지되는 부분들을 데이터로 기록하여 당장 진단에 쓰지 않더라도 추후 고장이 발생할 경우 연관관계를 분석하여 알고리즘을 고도화하고 있습니다. 이에 더하여 미래의 진동 크기를 예측하고 진동의 크기가 커질 것이라 예상될 때 어떤 조치를 취할 수 있는지 안내합니다.

Conclusion

진동 및 비진동 데이터를 모두 활용하여 터빈의 상태를 진단하고 예측하는 기술은 원프레딕트가 가지고 있는 강점이며 이것을 통해 안정적인 터빈 운영에 많은 도움을 줄 것으로 생각됩니다. 특히 진동의 이상만을 감지하던 기존 솔루션과 달리 진동의 이상 원인을 파악하고 미래의 이상을 대비할 수 있게 해서 수리비용과 시간을 줄여 더 효율적인 발전소 운영을 가능하게 할 것으로 기대됩니다.

이 글을 쓴 사람

박 용 비 | Product 2 팀
원프레딕트의 터빈 진단 AI 알고리즘 및 제품화와 관련된 개발을 담당하고 있습니다. 좋아하는 것도 싫어하는 것도 특별히 없고 편하게 살고 싶습니다만... 세상이 절 편하게 놔두질 않네요!? 이렇게 글도 쓰고! 매일 한걸음씩 발전하는 자신을 보며 보람을 느끼고 살아갑니다. 발전 속의 자유를 향해 오늘도 한 걸음씩!
원프레딕트 홈페이지 https://onepredict.ai/
원프레딕트 블로그 https://blog.onepredict.ai/
원프레딕트 기술 블로그 https://tech.onepredict.ai