대부분의 발전설비는 전력의 안전적인 공급과 설비의 고장으로 인한 손실을 예방하기 위해 유지 보수 및 관리에 많은 집중을 하고있다. 기존 발전 설비의 유지 보수 및 관리는 설비의 운전 상태 및 성능이 설계 범위 내에서 유지되는지 주기적으로 정비를 수행하는 예방정비(preventive maintenance, PM) 방식으로 관리되고 있다. 이러한 방식은 불필요한 장비 교체 및 주기적인 운전 정지에 의한 금전적인 손해가 발생하게 된다.

이에 최근에는 설비의 상태에 따라 정비를 계획하고 실행하는 상태 기반 정비(condition-based maintenance, CBM) 또는 예상 고장시점 계산을 통한 예측정비(predictive maintenance, PdM) 등의 연구 개발이 수행되고 있으며^(1~3) 이를 위한 방안 중 하나로 AHI(asset health index)을 연구 및 개발하여 CBM 및 PdM을 위해 적용하는 방법을 제시할 수 있다.

AHI는 설비를 단순한 도구가 아닌 자산으로 인식하여 건강 지표를 산출하여 설비에 CBM 또는 PdM을 적용할 수 있게 하는 개념으로^(4~5) 대형 회전설비에 장착된 센서 및 IoT 기술을 활용하여 실시간으로 취득되는 정보(data)를 기반으로 설비의 상태를 평가하고, 나아가 데이터 경향을 예지하여 유지 보수 일정(정비 주기)를 선정하기 위한 정보를 제공한다. 설비에 대해 활용된 자산의 상태를 측정하는 척도로 사용되며, 건전성 및 중요도 평가는 발전소 설비의 효율적인 자산관리를 위해 매우 중요한 역할을 한다.

발전소의 설비에 대해 AHI를 적용한다면 해당 설비에 대한 상태를 점수로 수치화하여 설비의 상태가 좋고 나쁨을 직관적으로 판단할 수 있다.

다만, 이 AHI는 현재 설비를 구성하는 각 인덱스에 대한 가중치를 선정하는 과정에서 정량화된 기준이 없기 때문에 설비 담당자의 경험에 의존적인 방법으로 설정되고 있다. 이로 인해 전문가의 부재 시 가중치를 설정하는데에 어려움이 있으며, 동종설비라 하더라도 설치 환경, 구동 조건에 따라 진동 변화나 안정성이 달라지기 때문에 다양한 환경 및 설비에 대해 효율적으로 가중치를 선정하기 위한 방안이 필요하다.

또한, 설비의 인덱스가 많을수록 이들을 종합하여 산출되는 상위점수, 예를 들어 실시간 운전상태를 한눈에 알 수 있도록 여러 인덱스의 점수를 하나로 종합한 운전 AHI 점수에서 각 인덱스의 상태정보가 희석되어 점수가 낮은 인덱스의 존재 여부를 알기 어렵게 된다. 인덱스의 점수가 낮을수록 상태가 위험한 상태를 뜻하며, 이때 각 인덱스는 고장에 대해 무시하기 힘든 영향을 끼치므로 낮은 점수를 가진 인덱스일수록 존재 여부를 명확히 확인할 수 있어야 한다. 다시 말해 현재 AHI 점수를 통해 설비의 상태를 한눈에 확인하는데에 한계가 있으며, 이로 인해 일부 인덱스의 상태가 악화되는 경우 이를 인식 하는데에 어려움이 있어 문제 발생 시 대처가 늦어진다.

현재 개발 중인 AHI는 직관적으로 설비의 전체적인 상태를 확인하는 것에 목적을 두고 있으며, 앞서 기술한 가중치 선정 방법으로는 한계가 있기 때문에 최적의 가중치를 정량화할 수 있는 기술의 개발이 중요하다.

이 연구에서는 다수의 인덱스를 포함하고, 가중치를 고려하여 산출되는 운전 AHI 점수를 통해 설비의 상태를 한눈에 확인하는 AHI 점수 산출 시스템의 강화를 목적으로 운전 AHI 점수 산출 과정에서 문제가 발생한 인덱스의 유무를 확인하는 데에 적절하게 작용할 수 있는 가중치를 선정하는 기술을 개발하기 위해 GA(genetic algorithm)^(6~8)을 이용하여 가중치에 대한 최적화를 수행해보는 기초 연구를 수행하였다.

Figs. 4 ~ 11은 Case 1 ~ 8 사례에 대한 GA를 이용한 각 인덱스의 가중치를 최적화한 결과로 붉은색 선은 모든 인덱스의 가중치를 동일하게 1로 설정했을 때, 기존 방식으로 산출된 운전 AHI 점수, 연두색 선은 결함을 모사한 인덱스에 대해서만 산출된 인덱스 AHI 점수, 푸른색 선은 최적화된 전체 운전 AHI 점수이다. 결과 값은 Table 3에 정리하였으며, 결함을 가정한 인덱스의 가중치, 그 외 인덱스에 대한 가중치의 범위 순으로 나타내었다.

Fig. 4 
Case 1 optimization result (GA)

Fig. 5 
Case 2 optimization result (GA)

Fig. 6 
Case 3 optimization result (GA)

Fig. 7 
Case 4 optimization result (GA)

Fig. 8 
Case 5 optimization result (GA)

Fig. 9 
Case 6 optimization result (GA)

Fig. 10 
Case 7 optimization result (GA)

Fig. 11 
Case 8 optimization result (GA)

점진적인 결함을 모사한 Case 중 Case 1 ~ 3의 경우 해당하는 인덱스의 점진적인 점수 감소를 운전 AHI 점수 단계에서 쉽게 확인할 수 있으나, 데이터 자체가 일정하지 않고 불안정할수록 해당 인덱스의 가중치가 증가함에 따라 운전 AHI 점수 산출 시 많은 영향을 끼치게 되어 마찬가지로 불안정한 상태로 나타나는 것을 확인했다. 추가로 Case 1 ~ 2의 초반 부분은 5점 기준 이상이기 때문에 실질적인 상태는 5점보다 높다고 할 수 있으며 이에 따라 지수적으로 감소하는 점수에 대해 적용시켰을 때 급격한 기울기 변화가 나타나는 것을 알 수 있다.

Case 4 ~ 5의 경우 기대했던 만큼의 유의미한 결과를 확인할 수 있었으며, 운전 AHI 점수 산출시 안정적으로 결함을 모사한 인덱스의 경향이 나타났다.

Case 6 ~ 8의 급격한 점수 변화에는 운전 AHI 점수 산출시 결함을 모사한 인덱스의 개수와 관계가 불명확한 결과가 나타났으며, 제대로 최적화가 되지 않은 것을 알 수 있다. 이는 목적함수 계산 단계에서 데이터 전체 길이에 대한 평균 수치를 사용하므로 최적화 대상 데이터로 긴 시간의 데이터를 사용할수록 목적함수에 부적합하게 작용하기 때문으로 예상되며, 데이터를 일정 시간마다 나누어 여러 개의 데이터로 분할하여 최적화할 경우 해결 가능할 것으로 판단된다.

이 연구는 AHI를 통한 대형 회전 설비의 상태 감시 과정에서 GA를 이용한 효율적인 가중치 설정 방법을 제안하며, 결함을 모사한 데이터에 GA를 이용하여 이상이 발생한 인덱스의 유무를 직관적으로 파악할 수 있는 운전 AHI 점수를 산출할 수 있도록 가중치를 최적화 하였다.

Case 1 ~ 5와 같이 점진적으로 점수가 감소하는 경향에 대해서는 문제가 발생한 인덱스의 유무를 파악하려는 목적에 대해 눈에 띄는 성능향상을 보이지만, 그 외의 경우에 대해서는 부족한 상태이다. 이는 최적화 대상 데이터를 여러 범위로 나누어 최적화 할 경우 해결 가능할 것으로 판단된다. 또한 해당 방법을 통하여 이후 실시간으로 취득되는 데이터에 대한 최적화도 가능할 것으로 여겨진다.