Intro.
PHM(Prognostics and Health Management)이 상대적으로 신생 학문 분야이기 때문에 관련 용어와 체계가 일관되지 않다. 사용하는 사람에 따라 각기 다른 표현과 정의가 때론 산업 디지털화에 저해 요인이기도 하다. 이번 시리즈의 PHM 용어사전이 PHM 연구자분들의 길잡이로 활용되면 좋겠다.
Glossary of PHM Terminology
PHM 관련 용어는 매우 많다. 이걸 그냥 나열하기 보다는 지난 시리즈에서 진행했던 PHM 개념에 따라 다섯 단계로 용어사전을 정리해봤다.
1) 계측 (sensing) – 설비 건전성을 표현할 수 있는 물리량을 계측하는 단계이며, 계측할 물리량, 센서, Data acquisition (DAQ), Gateway, 통신, 서버/클라우드, 데이터베이스 체계 등에 대한 설계하는 기술이며, 이와 관련된 용어를 아래와 같이 정리해봤다.
게이트웨이, Gateway
신호계측에 사용되는 Data acquisition (DAQ) 등을 조건에 맞게 셋팅 하고, 데이터를 취득할 수 있도록 제어하고 취득된 데이터를 정해진 프로토콜로 전송하는 역할을 할 수 있는 장치.
데이터 계측, Data acquisition (DAQ)
설비의 물리적인 상태 및 조건을 측정하기 위해 신호를 획득하고, 획득된 아날로그 형식의 데이터를 컴퓨터에서 처리 가능한 디지털 형식으로 변환하는 프로세스.
데이터베이스, Database
다양한 종류의 대용량 데이터를 체계적이고 효율적으로 저장, 접근, 운영, 유지보수 할 수 있는 구조를 가진 데이터의 집합.
민감도, Sensitivity
입력신호의 변화에 대한 출력신호의 변화가 얼마나 되는가를 나타내는 척도. 일반적으로 센서의 감도가 높을수록 좋은 센서라고 할 수 있음. 혹은 감도라고 불리기도 함.
분해능, Resolution
센서로 검출할 수 있는 최소한의 입력 신호로 센서가 신호를 얼마나 세밀하게 구분할 수 있는 능력. 다른 표현으로 해상도 또는 정밀도로 불리기도 함.
샘플링 레이트, Sampling rate
이산적인 신호를 만들기 위해 연속적인 신호에서 얻어진 단위시간(초) 당 샘플링 횟수. 단위는 헤르츠(Hz, 1/s).
서버, Server
전송받은 데이터를 DB에 저장, 관리하고 저장된 데이터를 연산하여 건전성 등의 결과를 시각화 할 수 있게 해주는 장치.
센서, Sensor
물리적인 변수 및 정보를 측정해 전기적인 신호로 변환하는 장치.
아날로그-디지털 변환기, Analog-digital converter (ADC)
센서를 통해 측정된 아날로그 신호를 디지털 형식으로 변환해주는 전자장비. 즉, 시간에 따라 연속적으로 측정되는 아날로그 신호를 이산적인 물리량에 해당하는 디지털 신호로 변환하는 장치.
엣지, Edge
계측된 모든 데이터를 중앙 집중 서버로 전송하여 처리하지 않고 데이터가 발생하는 현장 또는 근거리에서 실시간으로 처리함으로써 대용량 데이터 통신과 처리 시간을 단축함으로써 중앙 서버의 부하를 줄여 줄 수 있는 분산 처리 장치.
통신, Communication
디지털로 변환된 데이터를 유, 무선 방식을 통해 미리 약속된 규격에 맞춰 엣지, 서버, 클라우드 등 데이터 저장, 관리, 처리 장치로 데이터나 정보를 전송하는 수단.
2) 모니터링 (monitoring) – 설비로부터 얻어지는 계측 데이터에서 유의미한 정보를 뽑아내고 이를 표현하는 기술이며, 이와 관련된 용어를 아래와 같이 정리해봤다.
특성인자, Feature
계측된 데이터에서 설비 상태, 성능 및 고장과 연관된 유용한 정보.
상태 모니터링, Condition monitoring
설비로부터 얻어진 센서 데이터를 물리기반 또는 데이터기반 분석을 통해 특성인자를 추출하고 시각화는 행위.
시간-주파수 분석, Time-frequency analysis
시간에 따른 신호의 주파수 성분의 변화를 볼 수 있는 분석기법으로, 시간에 따라 특성이 변하는 비정상적(non-stationary)인 신호를 분석하는데 적합한 모니터링 방법.
시계열 분석, Time series analysis
시간을 기준으로 측정된 데이터인 시계열 자료를 기반으로 여러 변수들 간의 상관관계 및 인과관계를 분석하는 방법. 주로 통계적 기법을 활용하여 주요 특성인자를 추출함. 모든 시계열 데이터에 적합한 모니터링 방법.
주파수 분석, Frequency analysis
시간 영역에서 얻어진 신호 데이터를 주파수 성분으로 분해하여 분석하는 기법. 주로 Short Time Fourier Transform (STFT)을 통해 신호의 주파수 성분을 얻어냄. 특정 주파수 영역에 분포한 신호의 에너지를 통해 특성인자를 추출함. 주로 주기성을 갖는 신호분석에 적합한 모니터링 방법.
트렌드 분석, Trend analysis
과거 데이터를 통해 데이터 추세에 근거해 패턴을 모델링하고 추세를 잘 따르는 지 벗어나는 지를 판정하는 모니터링 방법.
특성인자 추출, Feature extraction
계측된 데이터에서 설비 상태 및 고장과 연관된 유용한 정보를 뽑아내는 과정.
3) 진단 (diagnostics) – 계측된 데이터를 전문가 지식과 인공지능적 분석을 통해 설비 건전성 상태를 진단하는 기술이며, 이와 관련된 용어를 아래와 같이 정리해봤다.
감지, Detection
Lv. 1진단 기술이며 현 시점에서의 대상 설비의 건전성 상태를 감지 및 검출함.
건전성 추론, Health reasoning
획득한 센서 신호로부터 설비 건전성 관련 정보를 추출하고, 설비 건전성 상태를 정량화하는 과정.
결함, Fault
설비의 구성품 혹은 부품 중 일부의 성능이 저하되어 설비가 비정상적인 동작을 보이는 상태.
경고, Warning
대상 설비가 이상이 생기기 전에 사전징후를 보이는 상태.
고장, Failure
대상 설비가 요구하는 기능을 수행할 수 없고 작동하지 않는 상태. 일반적으로 하나 혹은 여러 요소/부품들의 결함으로 인해 고장이 발생됨. 많은 경우 결함과 고장은 혼재해서 사용되기도 하나, 설비의 중요도에 따라 고장을 사고 수준의 심각한 수준의 상태로 받아들이는 경우도 있음.
고장물리, Physics of failure (PoF)
고장원인과 고장메커니즘, 고장위치 및 고장모드를 발생시키는 고장의 근본원인과 고장의 영향을 분석 하는 방법. 고장물리기법을 활용하여 고장을 예방하는 방법을 제시할 수 있는 고장분석 기술.
고장유형 및 영향분석, Failure mode and effects analysis (FMEA)
고장 사전예방(proactive)을 목적으로 하며 고장 모드와 그 영향을 정성/정량적으로 분석하여 고장이 발생하였을 때 설비에 어떠한 영향을 주는지를 정리하고 개선계획을 수립해주는 방법.
기능적 고장, Soft failure
기능적 제한이 따르는 고장상태를 의미함.
분류, Classification
진단 기술의 Lv. 2에 해당함. 센서 데이터를 이용해 대상 설비의 건전성 상태를 상세하게 분류하고 label하는 과정. 결함/고장 분류 결과가 자율학습(autonomous learning)에 활용됨. 최적의 유지보수를 선제적으로 대응 가능하게 함.
분리, Isolation
진단 기술의 Lv. 3에 해당함. 대상 설비 내 결함이 발생한 구성요소를 구분, 분리함. 결함 분리를 통해 유지보수 부품/모듈을 사전에 알려줌.
원인 분석, Root cause analysis (RCA)
결함 또는 고장의 근본 원인을 밝혀내는 문제 해결 방법임. 선제적인 유지보수의 차원을 넘어 근본적 문제해결의 수단으로 활용 가능함.
이상, Anomaly
대상 설비가 요구하는 성능을 벗어난 상태. 즉, 설비가 정상적으로 작동하지 않는 상태. 원인으로는 결함/고장, Human error, 관리나 정비오류, 자연재해 등을 포함함.
파괴적 고장, Hard failure
파손에 기인한 작동불능의 고장상태를 의미함.
4) 예측 (prognostics) – 설비 건전성 또는 잔여 수명을 예측하는 기술이며, 이와 관련된 용어를 아래와 같이 정리해봤다.
건전성 예측, Health prognostics
미래 시점의 상태 또는 잔여수명을 예측하는 행위를 통칭함. 크게 세가지 수준이 존재함. Lv. 1은 결함예측, Lv. 2는 상태 예측, Lv. 3는 잔여수명 예측임.
건전성 지수, Health index
통상 다수의 특성인자가 존재하며 이들의 함수형태로 설비의 건전성을 표현가능한 1차원 건전성 지표를 의미함. 건전성 인자가 되기 위해서 가장 중요한 조건 non-increasing, normalized 임. 이와 대비되는 인자는 anomaly index이며, 건전성 인자의 역수임.
결함 사전예측, Fault early prediction
예측 기술의 Lv. 1에 해당함. soft failure에 이르기까지의 lead time (유지보수에 걸리는 시간적 여유)을 확보할 수 있도록 미리 학습한 초기결함을 진단함으로써 기능적 고장을 사전에 방지함은 물론 그로 인한 다운타임을 최소화함.
데이터기반 예측, Data-driven prognostics
센서 데이터를 기반으로 열화 모델을 구성하여 예측하는 기술. 모델기반 방식에 비해 학습을 위해 수명주기 동안 많은 양의 데이터가 필요하다는 단점이 있음. 대부분 정상 데이터를 기반으로 예측 모델을 구축하기위해 비지도학습이 활용됨.
모델기반 예측, Model-based prognostics
물리기반 열화 모델 또는 경험기반 열화 모델을 기반으로 열화모델을 구성하여 예측하는 기술. 센서 데이터로부터 열화 모델의 파라미터를 업데이트하기 위해 MCMC, Kalman filter, particle filter 등 베이지안 업데이트 방식이 활용됨.
불확실성 관리, Uncertainty management
PHM의 예측에 필요한 기술로서 (1) 성능 예측의 불확실성에 기여하는 원인을 식별하고 (2) 관리자에게 예측한 성능에 대한 통계 정보를 제공함. 이를 통해 건전성 예측에 존재하는 불확실성을 줄이고, 상태 기반 유지 관리의 신뢰도를 높일 수 있음. 또한 설비를 유지 관리하는 시기와 방법에 대한 최적의 결정을 내리는데 도움을 줄 수 있음.
불확실성 정량화, Uncertainty quantification
성능 예측에 영향을 미칠 수 있는 다양한 불확실성 원인들을 식별하고 정량화 하는 단계. 대표적인 불확실성 원인은 센서 노이즈 및 바이어스, 신호 처리 및 필터링에서 발생하는 불확실성, 데이터/정보 손실 등이 있음.
불확실성 전파, Uncertainty propagation
계측 데이터 내와 미래에 존재하는 불확실성이 예측 결과에 전파되는 과정. 이를 잘 해석해야 예측 결과의 불확실성을 최소화하며 강건하고 정확한 결과 추정이 가능함.
상태 예측, State prediction
예측 기술의 Lv. 2에 해당하며 특정 미래시점에 설비의 건전성 상태를 예측함. 통상 주기정비 시점이나 Overhaul 시점의 건전성 상태(정상 vs 이상, 이상이라면 어떤 이상인지)를 예측하는 행위.
상대적 정확도, Relative accuracy
특정 시간에서 실제 잔여수명(remaining useful life, RUL)과 예측 RUL 사이의 상대적인 정확도를 기반으로 예측 기법의 성능을 평가하는 지표.
수렴, Convergence
예측의 오차가 줄어드는 데 걸리는 상대적인 시간을 통해 예측의 수렴 성능을 평가하는 지표. 값이 작을수록 빠른 수렴을 함을 의미함.
수명 종료, End of life (EoL)
고장 임계값을 초과하는 수명시간을 의미함. 즉 설비의 수명이 다함을 뜻하며 일반적으로 수명시작 (beginning of life, BOL)에서부터 수명 종료까지의 열화모델을 구축하는데 사용됨.
열화 모델, Degradation model
설비 열화를 설명하는 모델을 의미하며, 미래의 건전성 상태나 RUL을 예측하는데 사용됨.
예측 성능 지표, Prognostics metrics
건전성 예측 방법의 성능을 평가하는 지표. 실제 RUL 값과의 비교를 통해 몇 가지 지표를 기반으로 예측 기법의 성능을 비교/평가할 수 있음.
예측 범위, Prognostic horizon (PH)
실제 EoL과 예측 결과의 차이가 특정 오차 마진 범위 내에 지속적으로 존재하는 시간의 길이로 정의됨. 예측 기법의 PH가 클수록 더 높은 신뢰성으로 조기 예측이 가능한 방법임을 나타냄.
이상 지수, Anomaly Index
건전성 지수의 역수로 정의됨. non-decreasing, normalized, 1-D 함수 형태를 지님.
잔여수명 예측, Remaining useful life (RUL) prediction
예측 기술의 Lv. 3에 해당하며 센서 데이터와 미래에 존재하는 불확실성 하에서 설비의 잔여수명을 예측함.
하이브리드 예측, Hybrid prognostics
모델기반과 데이터기반의 예측 기술의 한계점을 극복하기 위해 각 기술의 장점을 융합하여 예측을 수행하는 방법.
performance 특정 시점에서 예측의 정확도가 제한 범위 내에 들어왔는지 여부를 판단하여 예측 결과의 우수성을 나타내는 지표.
5) 관리 (management) – 설비 건전성 관련 진단 및 예측 정보를 활용하여 최적의 정비시점, 정비대상, 정비기간을 결정하는 기술이며, 이와 관련된 용어를 아래와 같이 정리해봤다.
디지털 트윈, Digital twin
물리지식과 ICT기술을 융합해 가상 공간 내에서 얻어진 정보를 활용하여 현실 세계를 구현, 제어, 관리를 해내는 기술. 디지털 트윈 기술은 PHM분야에서도 현장 관리 전문가 부족이나 부재 상황에서도 설비의 가동률과 생산성을 높여줄 수 있는 패러다임 전환을 이끌 기술로 인식됨.
사후정비, Corrective maintenance (CM)
설비에 문제가 생긴 후 수리하는 정비하는 방식임. 간혹 breakdown maintenance라고 불리기도 함.
상태기반정비, Condition-based maintenance (CBM)
설비 상태를 실시간 또는 주기적으로 모니터링하고 상태에 따라 필요한 시점에 정비 필요시점을 의사결정하여 정비하는 방식임.
생애 주기 비용, Life cycle cost (LCC)
설비의 생산에서부터 폐기까지 드는 총 비용을 의미하며 최적의 유지보수 전략을 위해 LCC(Life-Cycle Cost)를 최소화하는 방향으로 CM, PM, CBM, Pdm등이 적용됨.
신뢰성 중심적 유지정비, Reliability-centered maintenance (RCM)
유지정비 활동들을 설비 관점에서 체계적으로 접근하는 방법.
예방정비, Preventive maintenance (PM)
설비내 부품 또는 모듈별로 정비 주기를 정하고 관리하는 방식임. Time-based maintenance(TBM) 또는 Schedule-based maintenance라고 불리기도 함.
예측정비, Predictive maintenance (PdM)
대상 성비의 상태를 수시 또는 상시로 예측하여 유지정비가 필요한 시점 대비 유지정비에 필요한 소요시간(Lead time)만큼 빠르게 유지정비 의사결정하는 체계.
처방정비, Prescriptive maintenance (PsM)
예측정비를 기본으로 하되, 기능적 결함/고장의 원인과 처방을 제공.
확률적 위험 분석, Probabilistic risk assessment (PRA)
복잡한 엔지니어링 시스템 (complicated engineering system, CES)을 모델링하여 위험도를 평가하는 접근방식. 일반적으로 위험도가 높은 원자력 발전소, 석유 및 가스 플랜트, 철도나 항공 분야에서 널리 사용함.
Conclusion
지금까지 PHM 기술 뿐 아니라 용어에 대한 정의가 일관되지 않았다. 글로벌하게 기술을 선도하는 전문가로서 그간 미뤄왔던 숙제를 한 느낌이다. 아무쪼록 이 글을 접하시는 분들이 용어를 일관되게 잘 활용해주신다면 우리 산업 생태계의 디지털 변환은 매우 빠르고 효율적으로 진행될 것이다.
지금 우리가 마주하는 디지털 혁신은 잠시 머물다 가는 것이 아니라 지난 20년 이상 진행되어온 인터넷을 통한 개인의 디지털 변환처럼 향후 20-30년 이상 우리 산업에 ‘파괴적 혁신(disruptive innovation)’을 가져다줄 것이기에 지금의 이러한 선구적 시도는 매우 의미 있다고 할 수 있다.
이 글을 쓴 사람
윤 병 동 | 대표이사 (CEO)
실행하는 문무(文武)겸비형 CEO
PHM기술 분야의 선구자 (PHM Society Fellow)
산업 디지털화의 오피니언 리더
“Go Unicorn!”
원프레딕트 홈페이지
https://onepredict.ai/
원프레딕트 블로그
https://blog.onepredict.ai/
원프레딕트 기술 블로그
https://tech.onepredict.ai