🧭

PHM 용어정의 (2) Diagnostics? Prognostics?

속성
Empty
Tags
PHM

Intro.

PHM(Prognostics and Health Management) 솔루션은 기계적, 전기적 설비의 이상 신호를 감지해내고, 문제의 원인을 진단해내며, 결과적으로 설비가 언제 고장이 발생할지 예측하여 설비의 효율적 운영을 가능케 하는 솔루션을 의미합니다.
시장의 솔루션들이 소개되는 용어를 보면 비슷한 듯 하지만 서로 다른 용어들이 혼재되어 사용되는 것으로 보입니다. 'PHM Solution for Fault Detection'과 'PHM Solution for Fault Diagnostics'의 차이가 구분 되시나요?
비슷해보이는 단어이지만 각 솔루션의 기술적 난이도, 사용자에게 제공되는 효용은 극명하게 차이가 납니다.
이번 장에서는 ‘Detection’, 'Diagnostics', 그리고 'Prognostics'  용어에 대해 살펴보도록 하겠습니다.

Fault Detection vs Fault Diagnostics

이전 장에서 우리는 오용되기 쉬운 용어인 '이상(Abnormal)', '결함(Fault)', '고장(Failure)'의 정확한 정의에 대해 살펴보았습니다.
이 단어들 만큼이나 잘못 사용되기 쉬운 용어가 있는데요, 논문에서도 흔히 상용되는 Fault Detection과 Fault Diagnostics는 PHM 솔루션을 소개하며 큰 구분 없이 사용되지만, 명확히 다른 용어입니다. 각각 어떤 의미인지에 대해 살펴보겠습니다.
IEEE Standard(IEEE Std 1856-2017)와 ISO(ISO 13372:2012)에서는 각각 Diagnostics에 대해 아래와 같이 정의하고 있습니다
(IEEE Standard) Diagnostics: The action of determining the cause of an error in location and nature
(ISO) Diagnostics: Examination of symptoms and syndromes to determine the nature of faults or failures (kind, situation, extent)
두 기관 모두 Diagnostics에 대해서는 오류나 어떠한 증상에 대해 결정내리는 행위로 정의하고 있습니다. 즉, Fault Diagnostics란 단순히 이상(abnormal) 상황에 대해 감지(detecting)하는 것을 넘어서 이상 상황이 발생한 원인에 대한 분석까지 이뤄져 현재의 상황에 대해 명확히 정의내리는 것을 의미합니다.
정리하자면 Fault Detection은 근본 원인을 알지 못하더라도 어떤 문제가 발생했음을 인식하는 수준입니다. 수집된 데이터에서 결함을 감지해내는 것 만으로 설비 진단에 큰 도움이 되지만, 그것 만으로는 충분하지 않습니다. 만약 PHM 솔루션이 정상 상태를 벗어난 이상(abnormal) 상태나 기계적 결함(fault)을 감지(detection) 하는 수준을 보인다면 사용자가 이용하는데 많은 한계가 있습니다. 시스템에서 발생할 수 있는 외부 노이즈, human error 등과 실제 결함을 구분할 수 없기 때문입니다. 반면 Fault Diagnostics는 이보다 더 상위 단계로, 문제의 근본 원인을 찾아 해결 방안이 도출 가능한 수준입니다. PHM 솔루션이 단순히 이상 감지를 넘어 사용자로 하여금 명확한 조치를 취할 수 있게 하기 위해서는 Fault Diagnostics의 수준이 요구됩니다.

예측과 평가

많은 경우 사용자들이 PHM 솔루션에 대해 기대하는 것은 prognostics(예측)을 통해 설비가 '언제' 고장이 나는 지입니다. 설비가 고장이 나는 정확한 시점을 알아야 설비의 수리 일정을 잡고 이에 따라 설비 가동 시간을 조율할 수 있기 때문입니다. Prognostics는 어떤 과정으로 이뤄지는 것일까요? 먼저 prognostics의 정의를 살펴보면 다음과 같습니다.
(IEEE Standard) Prognostics: The process of predicting an object system's RUL (Remaining useful life) by predicting the progression of a fault given the current degree of degradation, the load history, and the anticipated future operational and environmental conditions to estimate the time at which the object system will no longer perform its intended function within the desired specifications
(ISO) Prognostics: Analysis of the symptoms of faults to predict future condition and residual life within design parameters
번역하자면 다음과 같이 정리할 수 있겠습니다.
(IEEE Standard) Prognostics: 대상이 되는 시스템의 성능 저하 정도, 부하 이력, 예상되는 향후 운영 및 환경 조건 등을 고려해 결함의 진행을 예측하여 시스템이 더 이상 의도한 기능을 수행하지 못하게 되는 시점과 그때까지의 남은 잔여 수명을 원하는 수준 내에서 도출해내는 과정
(ISO) Prognostics: 미리 정해진 파라미터에 따라 미래 상태와 남은 수명을 예측하기 위한 결함 증상의 분석
즉, Prognostics는 대상이 되는 설비의 동작 특성과 주변 환경, 성능이 저하되는 정도 등의 정보와 미리 입력된 파라미터를 토대로 고장이 발생하는 시점과 그때까지 남은 수명을 도출해내는 것을 의미합니다.
Prognostics를 위해서는 먼저 결함을 감지해내야 합니다(Fault Detection). 결함이 감지된 후 알고리즘에서 이를 분석해 일정 시간(Response Time)이 지나면 예측 결과를 도출해냅니다(First Correct Prediction). 예측 결과를 도출한 시점으로부터 실제 고장이 발생하기까지의 시간을 Prognostics Distance라 하며, 고장 발생을 예측한 시점과 실제 고장이 발생한 시점의 차이를 정량화 시킨 지표를 Prognostics System Accuracy라 합니다. 이들은 Prognostics의 성능 지표로 사용될 수 있습니다.
Prognostics와 성능 지표 (출처 : IEEE Std 1856-2017)
Prognostics와 성능 지표 (출처 : IEEE Std 1856-2017)

PHM 솔루션의 동작 프로세스

앞서 설명된 예측이 이뤄지는 설비와 PHM 솔루션의 동작 과정을 좀 더 자세히 살펴보도록 하겠습니다. IEEE Standards(IEEE Std 1856-2017, IEEE Standard Framework for Prognostics and Health Management of Electronic Systems)에서는 기계가 고장이 발생하기까지의 과정에서 PHM 솔루션의 동작 프로세스를 명확히 설명하고 있습니다. 아래의 그림은 설비의 작동 수명에서 상태 모니터링과 예측 이벤트를 시간 순으로 보여줍니다.
설비 고장 발생과 phm 솔루션 동작의 프로세스 (출처 : IEEE Std 1856-2017)
먼저 PHM 솔루션은 물리적인 도메인, 혹은 정상 상태의 데이터에 기반해 진단하려는 설비에 설치된 센서에서 추출된 데이터를 기반으로 '결함'에 대한 상한, 하한선과 '이상'에 대한 상한, 하한선을 정의합니다. 여기서 t(0)은 설비가 동작하는 중의 어느 시점을 의미합니다.
정상으로 동작하던 설비는 어느 순간 t(E)의 시점을 맞이합니다. t(E)에서 추출된 데이터는 미리 정해졌던 '이상'에 대한 제한 기준을 넘어갔습니다. 즉, 이상 상황의 event가 발생합니다.
추출되는 데이터를 계속해서 모니터링하던 PHM 솔루션은 t(D)의 시점에 이르러서 이상을 감지해냅니다.
이상을 감지해내는 시점인 t(D)에 이르러서는 PHM 솔루션은 설비의 운전 상태와 주변 환경 등을 감안해 예상되는 고장 발생 시점을 계산하기 시작합니다.
t(D)에서부터 계산이 끝나는 시점인 t(P)에 이르기까지, 즉 응답시간 t(R) 기간 동안 PHM 시스템은 예상되는 고장 시점을 도출해냅니다. 모델이 정확한 결과를 도출해낼 수록 예상한 시점은 실제 고장 발생 시점인 t(F)와 일치하게 됩니다.
PHM 솔루션은 이러한 계산 결과들에 대한 모든 데이터를 저장하고 시각화 시켜 사용자에게 고장의 발생 시점과 관련해 정보를 보여줍니다.

더 나은 Prognostics Model

마지막으로 Prognostics model의 성능 지표들을 몇 가지 살펴보고 마무리하겠습니다. Prognostics model을 설계하는 입장에서는 다양한 시도 끝에 가장 성능이 좋은 모델을 필요로 합니다. 여러 모델 중 우수한 모델은 판단하는 기준은 다양합니다. 그 중 몇 가지를 살펴보자면 다음과 같습니다.
Detection time: 이상, 결함 상황에 대해 얼마나 빠르게 감지 가능한지를 판단
Detection accuracy: 감지한 결과의 정확도를 판단하는 detection accuracy
Response time: 모델의 응답이 초기화된 후부터 다음 응답이 이뤄지기까지 걸리는 시간
Isolation accuracy: 고장 모드나 결함의 종류를 분류해내는 정확도
Prognostic system accuracy: 실제 고장 발생 시점 대비 예측한 고장 발생 시점의 정확도
Prognostic distance: 예측 결과가 도출되는 시점과 시스템의 예상 고장 시간 사이의 시간 간격
각각의 지표들은 상호간에 영향을 미치기도 합니다. 초기 이상 상황에 대한 detection accuracy가 높고 이상의 원인의 대한 isolation accuracy가 높을 수록, 더 정확한 prognostic system accuracy와 더 긴 prognostics distance를 달성하는 것이 가능합니다.
prognostics distance 지표에 기반해 prognostics algorithm 을 비교 (출처 : IEEE Std 1856-2017)
실제로 PHM 솔루션의 성능을 입증하기 위해서는 위에서 언급된 지표들을 사용합니다. 원프레딕트에서는 베어링의 고장을 진단하고 고장 시점을 예측하는 GauirdiOne Bearning 제품을 판매하는데요. 아래 그림은 세계 최대 규모의 베어링 제조사에서 직접 개발한 PHM 솔루션과 GuardiOne Bearning의 성능을 비교한 실험 결과입니다.
원프레딕트와 글로벌 베어링 제조사의 예측진단 모델 비교
5개의 구름베어링 시편을 대상으로 수개월간 베어링을 동작시키며 두 솔루션이 베어링의 결함을 감지해내고 고장 시점을 예측했습니다. 실험 결과, 원프레딕트는 더 민감함 Fault Detection을 통해 조기에 결함의 발생을 감지해내었고, 정확한 prognostics accuracy를 달성하면서 그만큼 더 긴 prognostics distance를 확보하였습니다. 설비를 운영하는 운영사 입장에서는 이를 통해 정비를 위한 충분한 시간을 확보할 수 있었으며, 설비의 갑작스러운 shut down에 대비할 수 있었습니다. 앞서 소개된 지표들을 통해 PHM 솔루션을 도입하려는 운영사들은 더 나은 솔루션을 판단할 수 있습니다.

Conclusion

이번 장에서는 'detection', 'diagnostics'와 'prognostics'의 정의, 그리고 PHM의 동작 프로세스와 성능지표에 대해 살펴보았습니다. 시장에 여러 PHM솔루션이 존재하지만 어느 정도 수준에서 설비 건전성을 확인할 수 있는지는 다양합니다. PHM솔루션을 도입해 효과를 보기 위해서는 소개된 용어들의 명확한 정의에 기반해 도입하려는 솔루션의 요구사항을 파악하고, 조건을 충족시킬 수 있는 솔루션을 찾아야 합니다.
적절한 PHM솔루션을 통해 diagnostics와 prognostics를 수행하게 되면 이를 기반으로 유지정비(maintenance) 활동을 수행하게 됩니다. 다음 장에서는 maintenance의 종류와 정의, 그리고 활용 방법에 대해 살펴보도록 하겠습니다.
이상으로 이번 장을 마치겠습니다

PHM 이어 달리기

PHM 용어정의(2)

이 글을 쓴 사람

주 요 한 | 스마트팩토리 팀
무언가를 만들고 사람들과 함께하는걸 좋아합니다.
원프레딕트에서 산업용 로봇 진단 솔루션을 개발하고 있습니다. 주말엔 등산도 하고 마라톤도 나가고 회사에서 몰래 빔프로젝터로 영화도 보고.. 아 나는 왜 글까지 잘써서 기술블로그를 담당하고 있을까
원프레딕트 홈페이지 https://onepredict.ai/
원프레딕트 블로그 https://blog.onepredict.ai/
원프레딕트 기술 블로그 https://tech.onepredict.ai