최근 급격하게 변화하는 산업발전에 따라, 다양한 분야에서 인공지능, 데이터처리 및 머신러닝 등을 적용한 4차 산업 기술개발이 이루어지고 있다. 이에 따라 설비진단 분야에서도 연구가 수행되고 있으며 특히, 취득한 데이터를 바탕으로 정상상태와 결함상태를 학습하여 머신러닝을 적용한 설비진단연구가 활발히 수행되고 있다^(1,2).

하지만 머신러닝은 데이터 및 범용적인 측면에서 어려움이 있다. 머신러닝에 대한 결과는 학습된 데이터의 양과 질에 따라 학습 분류 모델의 성능이 결정되기 때문에 많은 데이터의 수가 필요하며, 이를 관리하기 위한 빅데이터의 관리 측면과 데이터를 처리하는 과정에서 경제적, 시간적 비용이 발생하게 된다. 또한, 각 설비마다 서로 다른 결함상태가 발생하기 때문에, 설비마다 학습 모델을 구성해야 하므로 범용적인 측면에서 어려움이 있다⁽³⁾.

반면, 규칙기반진단은 전문가의 지식으로 진단이 수행되기 때문에 머신러닝의 단점을 보완할 수 있다. 규칙기반진단은 설비의 상태진단 기술 중 하나로써, 전문가의 지식과 경험을 바탕으로 귀납적 추론을 통해 진단을 수행하게 된다^(4,5). 설비의 결함에 대한 규칙을 정의하고 평가를 통해 데이터의 상태를 판단하기 때문에 범용적인 측면을 해결할 수 있다. 또한, 질의에 대한 응답을 통해 결론이 도출되어 시간적 비용을 절감할 수 있으며, 정해진 규칙에 따라 수행하여 많은 양의 데이터가 필요하지 않게 된다.

현재, 규칙기반진단은 사용자가 FFT spectrum에서 나타나는 정보를 바탕으로 질의에 대한 응답을 수행하여 설비의 상태를 진단한다. 규칙기반진단의 수행 과정을 사용자가 아닌 컴퓨터가 자동으로 수행된다면, 시간적 비용을 절감할 수 있으며 또한, 인공지능화를 통해 질의에 대한 응답을 수행할 때 나타나는 사용자의 개인 오차를 줄일 수 있다. 따라서, 질의에 대한 응답을 사용자가 아닌 컴퓨터가 수행할 수 있는 기술개발이 필요하다고 판단된다.

이 연구에서는 규칙기반진단의 질의에 대한 응답을 자동으로 수행하기 위한 signal recognition 기술개발 연구를 수행하였다. 질의에 대한 응답을 수행하기 위해 구성된 질의를 바탕으로 응답에 필요한 성분을 분석하여 인식대상을 선정하였으며, 필요한 정보만 이용하여 응답을 수행할 수 있도록, 특성을 고려하여 인식에 필요한 2가지의 signal recognition 기술을 개발하였다. 개발된 signal recognition 기술을 바탕으로 결함데이터 및 시뮬레이션 데이터에 적용하여 신뢰성을 확인하였다.

설비 진단 시, 주파수 분석법은 스펙트럼에서 나타나는 성분을 분석하여 설비의 이상 상태 유/무를 판단한다. 회전설비의 정상상태에서는 주로 운전되는 성분인 1X 성분이 지배적으로 나타나지만 결함이 발생하게 되면 이상 신호가 발생하게 되며, 운전 성분의 배수 성분이나 특정 주파수에서 진폭이 커지거나 발생하게 된다⁽⁶⁾.

Table 1은 펌프를 대상으로 진단을 수행하기 위한 구성된 질의를 표로 정리하여 나타내었다. Table 2는 질의에서 진단변수와 형태를 3가지로 구분하여 나타내었다. Peak component는 운전 및 설비정보에 따라 변화하는 1X, 2X 등 특정 주파수에서 하나의 peak로 판단되는 진단변수이며, peak of range는 0.4X – 0.48X와 같이 특정 구간에서 하나의 peak로 구분되는 진단변수이다. 마지막으로 haystack은 고주파 또는 저주파에서 에너지 더미 형태로 나타나며, 에너지값으로 구분되는 진단변수이다.

Fig. 1은 규칙기반진단을 수행하는 전체적인 프로세스를 나타내었다. 설비진단을 수행하기 위해서는 운전 및 설비정보를 통해 진단변수를 파악하고 FFT(fast Fourier transformation) spectrum을 확인하여 질의에 대한 응답을 통해 과정을 거친다⁽⁷⁾. 이러한 진단과정을 자동으로 수행하기 위해서는 운전 및 설비정보를 통해 발생하는 결함 성분인 진단변수가 인식되어야 한다⁽⁶⁾. 또한, 계산된 진단변수가 기존의 질의를 고려하여 자동적으로 응답하는 과정이 필요하기 때문에 진단변수의 특성을 파악하여야 한다.

Fig. 1 
Rule base diagnosis process

Peak component와 peak of range로 판단되는 진단변수는 운전 및 설비정보에 따라 달라지며 FFT spectrum에서 각각의 성분을 구분하는 것이 중요하다⁽⁷⁾. Haystack은 공동현상이나 난류현상에 의해 무작위의 주파수 성분이 가진되어 에너지 더미 형태로 나타나기 때문에 peak가 아닌 특정 대역의 에너지 값을 보고 판단한다⁽⁸⁾. 따라서, 진단변수는 FFT spectrum에서 결함에 의해 나타나는 특성에 따라 2가지로 구분되며, 각각 다른 방법으로 signal recognition 기술이 개발되어야 한다.

Signal recognition 기술을 규칙기반진단에 적용하였을 경우, 진단변수가 명확하게 인식되어 판별식에 의해 응답을 수행하는지 검증하였다. 검증을 수행하기 위한 데이터의 경우에는 다양한 결함에 따라 검증이 되어야 하지만 결함이 있는 실제 설비에 대한 데이터의 확보가 어려워 시뮬레이션 데이터를 생성하여 사용하였다. 시뮬레이션 데이터의 구성은 실제 데이터를 바탕으로 결함 성분을 인가하여 생성하였다⁽⁶⁾. 정상데이터에 대한 운전정보 및 FFT spectrum은 Table 3과 Fig. 6에 나타내었으며 각 case와 시뮬레이션 데이터에 인가된 결함 성분은 Table 4에 나타내었다.

Fig. 6 
FFT spectrum of normal (case 0)

생성된 시뮬레이션 데이터를 개발된 signal recognition을 수행하여 인가된 성분이 진단변수에 맞게 되는지 확인하였다. 확인한 결과 진단변수의 peak값은 인가한 성분에 대비하여 5% 오차율 이내였다. 이는 FFT spectrum의 분해능과 주파수 성분에 따라 발생하는 차이로 판단된다. Fig. 7은 case 4의 FFT spectrum이며, 인가된 성분은 에너지 더미 성분과 peak 형태로 나타나는 VPF(vane passing frequency) 성분이다. Peak 탐색기술을 적용한 결과는 Table 5에 나타내었으며, FFT spectrum상에서 가장 높은 진폭을 기준으로 10 %에 부합하는 성분인 1X, 2X 성분과 VPF 성분에 대해 탐색이 수행된 것이 확인된다. 에너지 더미 탐색기술을 적용한 결과는 Table 6에 나타내었으며, 고주파에서 발생하는 주파수 범위를 탐색한 것으로 확인된다.

Fig. 7 
FFT spectrum of cavitation (case 4)

탐색된 성분을 바탕으로 질의에 대한 응답을 수행한 결과를 Table 7에 나타내었다. 1, 5, 13번에 대한 응답이 yes로 표시된 것으로 확인된다. Peak 탐색기술에서는 3개의 성분을 탐색하였으나, 2X 성분은 질의 2번의 진단변수에 응답 되는 성분이지만, predominant 이하의 기준값에 위치하기 때문에 no로 나타나는 것으로 확인된다. 이를 통해, 진단변수인 peak 탐색기술과 에너지 더미 탐색기술이 명확하게 인식되어 질의에 응답하는 것을 확인했다.

Table 8은 실제 결함데이터와 시뮬레이션 데이터를 바탕으로 signal recognition을 적용하여 규칙기반진단을 수행한 결과이다. 진단 결과는 질의를 바탕으로 인식대상과 부합하여 모든 결함상태와 동일하게 나타나는 것으로 확인된다. 이를 바탕으로 규칙기반진단에 signal recognition 기술을 적용 가능할 것으로 판단된다.

이 연구에서는 규칙기반진단을 자동화로 수행하기 위한 signal recognition 기술개발 연구를 수행하였다. 규칙기반진단 질의에 대한 응답하기 위해 인식이 필요한 성분에 대한 분석을 수행하였다. 인식대상은 진단변수이며, 이에 대한 특성을 고려하여 peak 탐색기술과 에너지 더미 탐색기술을 개발하였다. Peak 탐색기술은 모든 국소 최댓값을 탐색하여, 질의의 진단변수와 일치하는 성분이 기준값에 응답 여부를 통해 필요한 성분만 탐색을 수행하였다. 또한, 에너지 더미 탐색기술은 최대 임계값과 최소 임계값을 이용하여 에너지 더미의 발생 여부와 구간을 탐색하여, FFT spectrum에서 나타나는 에너지 더미를 탐색하였다.

이 연구의 신뢰성을 확인하기 위해 시뮬레이션 데이터 및 결함데이터를 바탕으로 검증을 수행하였다. Signal recognition이 수행된 결과로부터 질의에 부합하는 인식대상을 명확하게 불러오는지 확인하였으며, 규칙기반진단에 적용하여 질의에 대한 응답을 수행한 결과, 확인된 결함 성분과 같은 결과가 도출되는 것을 확인하였다. 따라서 이 연구에서 제시한 signal recognition 기술을 규칙기반진단에 적용하여 자동화 진단을 수행할 수 있을 것으로 판단된다. 이러한 기술이 구현된다면 설비진단 분야에서 머신러닝이나 딥러닝 등 다른 인공지능 알고리즘에 비해 탁월하게 시간이 줄어드는 장점이 생긴다. 또한, 구현되는 컴퓨터, 서버 등의 용량이 비교적 적게 이용되기 때문에 경제적인 이점이 있을 것이라고 기대된다.