🧩

PHM 정리 시리즈: (3) 진단 방법론

Intro.

PHM 분야에서 진단(diagnostics)은 매우 중요한 세부기술 중 하나이다. 해당 기술이 산업 설비에 적용된 지 수십년 이상되었지만 여전히 풀리지 않는 숙제가 많은 어려운 기술 분야이다. 여기서는 산업 설비의 건전성을 진단하는 방법론에 대해 알아보도록 하자.

PHM – 진단 방법론

PHM 시리즈 1에서 설명했듯이 설비 건전성 상태를 진단하는 일은 전문가 영역의 일이라고 할 수 있다. 하지만 최근 들어서 기존 전문가 영역의 진단이 디지털 솔루션의 도전을 받고 있다. 거기에는 몇 가지 이유가 있다. 첫째, 현장 설비 운영(또는 관리) 전문가 확보의 어려움. 둘째, 전문가 숙련도에 따라 분석 결과의 주관성 개입과 그 결과 오진에 따른 불필요한 비용 증대 또는 불시고장에 따른 손실 비용 증대. 셋째, 노동환경(산업안전, 고용안정, 인건비 상승 등)적 문제 등이 그 예이다.
산업 설비 진단은 전문가들의 고유의 영역으로 각 산업 도메인에서 얻은 암묵적 지식을 기반으로 진행되어 왔다. 다분히 아날로그적 접근이었다. 위에 열거한 이유들로 진단 영역은 점차 디지털화되어 가고 있으며 어찌 보면 당연한 결과라고 할 수 있다. 그 결과로 많은 분야에서 전문가의 전문성을 대체하기 위한 진단 전문가 시스템(expert system)을 구축하기 위한 노력들이 진행되고 있으며 10년내로 대부분 산업군에서 디지털화 될 것이라 기대된다. 진단은 현재 크게 보면 세가지 형태로 진행되고 있다고 할 수 있다. (그림 1 참고)
그림 1 진단 방법론
1) 도메인지식/룰 기반 진단(domain knowledge-/rule-based diagnostics):
전문가들이 오랜 기간 경험을 통해 습득한 암묵적 지식은 재생산이 불가하고 전문가 육성에 많은 시간과 노력이 들어가기 때문에 기존 전문가들이 행하는 암묵적 도메인 지식기반 진단은 ‘룰기반 진단 (rule-based diagnostics)’ 형태로 진화해 왔다. 즉 암묵적 지식의 형태를 단순하지만 함축적인 룰(rule)이라는 형식으로 진화한 것이다. 이러한 접근은 어찌 보면 매우 당연한 것이다. 하지만 룰기반 진단은 여전히 높은 오진율로 기술적, 비용적 어려움을 겪고 있다. 룰/도메인지식 기반 진단의 장단점을 정리하면 아래와 같다.
표 1 도메인지식/룰 기반 진단의 장단점
Search
장점
단점
⊙ 설비가 복잡한 경우 단변량 계측으로 룰을 만들면 설비의 복잡도에 따라 오진율이 높을 수 있음 ⊙ 다변량 계측값 기반으로 룰을 개발하는게 어렵고 오랜 경험치가 필요함 ⊙ 설비의 운전상황, 환경, 운전자 변수 등에 따라 룰이 잘 대응하지 못하여 오진율이 높아질 수 있음 ⊙  설비의 제조사, 용량 등이 상이한 경우 룰 적용성이 떨­­­어짐 ⊙  데이터(계측, 고장) 확보됨에 따라 룰의 업데이트는 가능하나 체계적이지 못함
사례: 변압기 상용화 제품 중에 하나.
ABB에서 출시한 변압기 설비관리솔루션인 Ellipse는 변압기 절연유 가스 분석(DGA: Dissolved Gas Analysis) 데이터를 사용하여 IEEE Std.에 기반한 변압기 상태진단을 수행한다 (그림 2 참고).
그림 2 ABB Ellipse: IEEE기반 변압기 DGA 상태진단 화면
변압기 내부에 열화가 진행되면 절연유의 온도가 상승하면서 절연유 또는 고체 절연물이 열분해 되어 가스가 발생한다.
IEEE Std.는 표 2와 같이 절연가스 별 발생하는 농도를 기준으로 범위를 구분하여 변압기 열화 상태를 진단한다. 하지만 이 방법은 절연가스 간의 상관성이나 가스 별 중요도가 고려되어 있지 않기 때문에, 고장을 감지하지 못하거나, 잘못된 경보를 알려주는 단점이 있다. 이는 사용자로 하여금 높은 오경보률에 대한 피로감을 느끼게 하고, 결국 제품에 대한 신뢰도 및 사용성을 저해할 수 있다.
Search
제목
Status
Dissolved Key Gas Concentration Limits [ (ppm)2]
H2
CH4
Condition1
<101
Condition2
101-700
Condition3
701-1800
Condition4
>1800
룰 기반 진단의 예시로는 모터/발전기 등에 공급되는 전력(전압/전류)의 고조파 상태를 분석하는 진단 방법이 있다. 모터와 같은 회전 설비에 공급되는 전력은 아래의 그림과 같이 60Hz의 기본파와 고조파 성분(기본파의 정수배 주파수, 보통 3 ~ 50배수까지로 정의)으로 구성되어 있다. 모터 같은 전력시스템에서 발생하는 고조파는 과열, 소음 발생, 회전자의 고조파 전류 등을 발생시켜, 설비의 수명을 급격히 단축시킨다.
그림 3 기본파와 고조파 성분 정의
그림 4 기본파와 고조파 성분 - 주파수 성분
따라서, 고조파 성분을 모니터링 위해서 총합 고조파 왜형률 (THD; Total Harmonics Distortion)을 정의한다.
그림 5 총합 고조파 왜형률의 정의
여기서 V1은 기본파 성분의 크기, V2,V3,…, Vn은 각 차수별 고조파 전압의 크기를 의미한다. 해당 지표를 룰 진단 기준을 참고하여 모니터링할 수 있다.
해결책: 이러한 어려움을 극복하기 위해 계측 데이터를 활용하여 데이터 또는 인공지능 기반 진단(data-driven/AI-based diagnostics) 방법론이나 산업인공지능기반 진단(Industrial AI-based diagnostics) 방법론이 대두되고 있다.
2) 데이터/인공지능 기반 진단(data-driven/AI-based diagnostics):
사물인터넷의 발달과 더불어서 산업데이터 확보가 매우 용이해졌다. 지난 10여년 동안 산업데이터 증가세는 엄청나다. 이미 산업 현장에 산업 설비로부터 얻어지는 데이터 양은 사람들이 만들어 내는 데이터 양을 훨씬 넘어섰다. 이렇게 많은 산업데이터를 통계적 또는 인공지능적으로 분석하여 진단하는 기술이 바로 데이터/인공지능 기반 진단(data-driven/AI-based diagnostics) 기술이다. 여기서 데이터 기반 진단은 통계기반과 인공지능기반을 포함하는 기술을 의미하지만, 최근에는 고도의 인공지능 또는 머신러닝과 같은 기술을 활용하는 경우를 의미하기도 한다. 여기서는 후자의 경우에 국한하여 설명하겠다. 이러한 진단은 룰 기반 대비 데이터 증대에 따라 진단 성능이 고도화된다는 장점이 있지만 여전히 확장성과 단편적 지식제공으로 인한 다른 차원의 어려움이 있다. 데이터/인공지능 기반 진단의 장단점을 정리하면 아래와 같다.
표2. 데이터/인공지능 기반 진단의 장단점
Search
장점
단점
Ÿ  데이터 증대에 따라 진단 모델의 업데이트가 가능하여 진단 성능의 고도화 가능함Ÿ  AI기술 고도화에 따라 진단 성능의 고도화 가능함Ÿ  데이터가 적은 경우 기존 데이터 특성기반으로 데이터 복제가 가능함Ÿ  다변량 계측 데이터에 유리함
Open
Ÿ  통상 진단의 1단계인 이상탐지까지 가능함 Ÿ  학습된 진단모델은 상이한 조건(설비 운전, 제조사, 환경)에서 얻어진 데이터에 적용될 경우 진단 정확도가 낮아짐 Ÿ  상이한 조건에서 확보된 데이터를 활용할 경우 학습 정확도가 떨어짐 Ÿ  유사 또는 동일한 조건에서 학습하는 경우, transfer learning과 같은 최신 딥러닝 기술을 활용하면 정확도를 높일 수 있으나 다른 조건으로의 확장성에 어려움 존재 Ÿ  진단이 잘 되더라도 진단 결과에 대한 근거제시나 고장의 원인을 분석하는데 어려움 Ÿ  고장 데이터가 부족한 경우 고장 데이터를 물리적 근거/지식없이 복제하는 게 어려움 Ÿ  진단 정확도 확보를 위해서는 상당량의 데이터가 필요함
사례: Amazon, Microsoft, 삼성SDS 등의 대기업에서도 산업인공지능 기반의 PHM 솔루션을 개발 또는 출시하고 있다. 아직 초기단계이긴 하지만 이 중 가장 시장에 잘 진출해 있는 제품은 Amazon의 Monitron으로, 산업용 기계를 대상으로 머신러닝 기반의 이상감지 시스템을 제공해주는 서비스다. 이 제품이 타 대기업과의 제품보다 가치의 실현에 한발짝 앞서 있다는 평가를 받는 이유는 센서-게이트웨이-진단소프트웨어-UI/UX까지 산업인공지능 기반 PHM 기술에 필요한 모든 구성요소를 완결된 제품으로 내놓았기 때문이다.
해결책: 최근 Explainable AI가 개발되고 있으나 이 또한 최소한의 도메인(물리) 지식이 요구되며, 데이터/인공지능 기반 진단의 근본적 단점을 해결하기엔 여전히 어렵다. 결국 해결책으로 산업인공지능 기반 진단(Industrial AI-based diagnostics) 방법론이 최근 대두되고 있고 많은 사례에서 산업인공지능 기반 진단이 훨씬 월등한 성능을 보여주고 있다.
3) 산업인공지능 기반 진단(Industrial AI-based diagnostics):
데이터/인공지능 기반 진단의 단점을 보면 결국 도메인 specific 특성 때문에 기술의 적용에 애로사항이 많음을 알 수 있다. 이런 부분을 해결하기 위해서 도메인 지식은 매우 중요하다. 설비 운전 상황, 제조사 설계, 환경 조건 관련된 도메인 지식을 인공지능과 결합한다면 진단기술의 고도화가 가능해진다. 하지만 산업인공지능은 도메인 지식과 인공지능이 합쳐져야 가능하다는 측면에서 보면 기술적으로 결코 쉽지 않다. 산업인공지능 기반 진단의 장단점을 정리하면 아래와 같다.
표3. 산업인공지능 기반 진단의 장단점
Search
장점
단점
Ÿ  통상 진단의 2-4단계인 이상분류, 결함분리, 결함원인분석까지 가능함Ÿ  도메인(물리) 지식을 활용한 전처리를 통해 양질의 신호확보와 진단 정확도 향상이 가능함Ÿ  학습된 진단모델은 상이한 조건(설비 운전, 제조사, 환경)에서 얻어진 데이터에 적용될 경우 도메인 지식을 통해 진단 정확도를 높일 수 있음Ÿ  진단 결과에 대한 물리적 설명이 가능하여 고장의 원인 분석 또는 고장 위치 추정이 가능함Ÿ  더 나아가서 고장 시 조치사항에 대한 제안이 가능함Ÿ  데이터 증대에 따라 진단 모델의 업데이트가 가능하여 진단 성능의 고도화 가능함Ÿ  AI기술 고도화에 따라 진단 성능의 고도화 가능함Ÿ  데이터가 적은 경우 기존 데이터+물리 특성기반으로 데이터 복제가 가능함Ÿ  다변량 계측 데이터에 유리함
Open
Ÿ  다양한 도메인 지식의 활용을 위해 고장 데이터, 고장 관련 사전 정보, 설계 정보, 유지보수 정보 등 추가 정보 및 지식이 요구됨 Ÿ  진단 모델 구성에 많은 경험과 지식이 요구됨
맺음말
진단은 PHM의 꽃이라 할 수 있다. PHM시리즈 1에서 언급한대로 진단의 기술적 난이도가 높기에 진단은 네 단계로 구분된다. 그러한 이유로 다양한 방법이 존재한다고 할 수 있다. 크게 세가지 방법론이 소개되었으며 각 방법론에 대한 장단점 분석과 사례를 설명하였다. 진단 분야도 결국 전문가의 암묵적 지식에서 룰기반 진단으로, 다시 데이터/인공지능 기반으로, 그리고 마지막으로는 산업인공지능 기반으로 진화하고 있다. 향후 산업인공지능 기반 진단기술이 어떻게 진화해갈지 귀추가 주목된다.

PHM 시리즈 몰아보기

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