1. 4차 산업혁명 기술 가속화                                                   

대한민국은 초고속 인터넷 보급률 세계 1위, 인터넷 사용 인구 세계 1위, 휴대폰 시장점유율 세계 2위 등 IT 산업이 국가경제에 차지하는 비중이 높고, IT는 우리나라 경제의 중추적 역할을 담당하고 있다.

IT 강국인 대한민국에서는 2016년 딥마인드사의 알파고와 이세돌 9단의 바둑 경기를 통하여 AI에 대한 국민적인 관심이 높아지고 있고, 정부의 4차 산업혁명에 대한 기술 개발 투자와 산학연의 AI 기술 연구개발로 실생활에서 자연스럽게 AI 기술을 활용할 정도로 4차 산업 혁명이 가속화되고 있다.

4차 산업혁명은 기존의 기술 분야 경계가 무너지고, 기술의 융합을 통해 가속화되는 특징이 있으며, IoT·빅데이터·AI, 블록체인·3D 프린터 등 초연결성, 초지능화, 융합화에 기반하여 모든 것이 연결되고, 보다 지능화된 사회로 발전하는 것을 의미한다.

이러한 4차 산업혁명 기술의 핵심으로 정의되는 AI 기술은 데이터 과학, 즉 빅데이터와 인공지능 기술의 기반이 되는 학문으로 데이터로부터 인사이트를 추출하는 방법이며, 데이터의 가치 발전으로 산업 분야에서는 최적화 및 의사결정을 위한 O&M(Operation & Maintenance)과 접목하여 AI 기술을 활용하고 있다.

특히 공공 SOC 분야(발전, 에너지, 전기, 수도, 철도)에서는 국민에게 양질의 인프라 서비스를 제공하기 위하여 설비에 대한 관리가 우선시되고 있으며, 운영 및 정비를 위한 기술을 지속적으로 연구개발하여 기술을 고도화하고 있고, 특히 데이터 과학을 통해 설비에 대한 운영 및 정비에 대한 생산성 향상과 업무 효율성 향상을 위해 활용되고 있다.
   

2. 데이터 과학과 인공지능

데이터 과학은 분석 난이도와 데이터의 가치에 따라 정보(Information)를 넘어 최적화(Optimization)되는 과정으로 고도화되며, 다음과 같은 기술로 정의된다.

① 기술 분석(Descriptive Analytics)  : 설비 데이터에 대한 실시간 모니터링으로 설비에 대한 현재 상태 확인만 가능한 수준이다.

② 진단 분석(Diagnostic Analytics)  : 설비 데이터의 패턴 분석을 통해 설비 고장을 감지하고, 원인 분석 및 진단 결과를 확인하는 수준이다.

③ 예측 분석(Predictive Analytics)  : 설비 데이터의 예측 분석을 통해 설비 고장을 사전에 예방할 수 있는 의사결정 정보를 제공하는 수준이다.

④ 처방 분석(Prescriptive Analytics)  : 설비 고장 발생 및 예방을 위한 사전 조치 방안을 제시하고, 최적화를 위한 정보를 제공하는 수준이다.

이러한 감시/진단/예측/처방에 대한 기술 적용은 AI 기술이 있기에 구현할 수 있으며, AI 기술은 머신러닝과 딥러닝으로 분류되는 기술로 머신러닝은 인공지능을 구현하는 구체적인 접근 방식을 의미하며, 딥러닝은 머신러닝 중 인공신경망을 사용하는 기술이다.

AI 기술에 대한 수준은 위의 그림과 같이 단순한 제어 프로그램, 즉 단순 로직을 통해 의사결정을 수행하는 수준에서 입력/출력 관계 모든 경우의 수를 계산하여 결과를 도출하는 방법도 인공지능의 한 분야로 정의된다.

하지만 현재의 인공지능은 머신러닝을 의미하며, 데이터를 학습하고 학습 결과를 추론하는 과정으로 정의된다. 또한 딥러닝은 머신러닝의 한 분야로, 인간의 뇌를 기초로 설계하여 복잡하게 연결된 수많은 뉴런을 병렬 연산하여 기존에 컴퓨터가 수행하지 못했던 음성, 영상 인식 등 복합한 상황 처리를 가능하게 하는 특징이 있다.

산업 설비의 예지보전 및 운영 효율성 향상을 위한 AI 기술은 머신러닝과 딥러닝 기술을 기반으로 데이터를 학습하여 구현되며, 데이터 학습에 대한 유형은 데이터의 특성과 알고리즘 그리고 목적에 따라 다음과 같이 크게 3가지 유형으로 구분된다.

① 지도 학습
  •지도 학습은 문제와 답을 모두 알려주어 학습하는 방법으로, 반복 학습을 통해 오류를 줄여나가면서 점점 정답에 더 가까워지는 학습 방법을 의미한다.
  •설비의 정상 운전 데이터 패턴을 학습하여 이상 징후(Abnormal Factor)에 대한 감지에 활용한다.

② 비지도 학습
  •비지도 학습은 답을 가르쳐 주지 않고 학습을 하는 방법으로, 정답을 모르더라도 유사한 데이터 간 군집을 생성하는 학습 방법을 의미한다.
  •설비 데이터의 군집 분석(Clustering)을 통한 결함 발생 유형에 대한 분류이다.

③ 강화 학습
  •강화 학습은 학습된 데이터를 바탕으로 보상과 벌칙, 즉 탐색(Exploration)과 이용(Exploitation)의 균형을 맞춤으로 최적화하는 학습 방법을 의미
  •최적 설비 운전을 위한 조건 탐색 및 시뮬레이션이다.

3. 예지보전 기술 동향

예지보전은 설비의 고장 발생 전, 정기적 설비 점검 혹은 임계치를 기반으로 설비의 상태를 관리하는 TBM (Time based Maintenance) 기법에서 설비의 사전 이상 징후를 감지하고 설비 고장을 예측하여 설비 관리를 수행하는 CBM(Condition Based Maintenance) 관리 방법론을 의미한다. 예지보전이 필요한 이유는 설비의 가동 운영 효율성에 대한 극대화를 목적으로 하며, 구체적으로는 다음과 같다.

•기존 TBM 방식의 경우 설비 상태와 관계없이 일정 시간에 따라 교체/수리/정비하는 방식으로 경우에 따라 설비에 대한 과잉 정비가 발생될 수 있으며,
반대로 설비의 정비 시기를 놓쳐 더 큰 고장으로 이어질 가능성이 크다.

•CBM 방식으로 실시간 설비의 상태에 따라 설비의 가동률을 극대화하여 활용할 수 있으며, 반대로 설비의 이상 징후 및 잠재 고장을 사전에 예측하여 조치를 위한 최적의 정비 시기를 결정할 수 있다.

예지보전 기술은 이러한 목적을 달성하기 위하여 설비 산업 분야에서 활용되고 있으나, 최근의 기술은 ICT 기술을 기반으로 설비의 운영, 정비, 안전, 경제성 관점에서 통합 예지보전 시스템으로 기술이 확대되고 있다.

통합 예지보전 시스템은 기존 계측 센서 데이터에 대한(정형 데이터에 기반한) 설비의 감시/진단/예측을 넘어 빅데이터(정비 이력, 설계도면, 영상, 열화상 등)를 통합하여 운전 관점에서의 설비 운영 최적화를 통한 효율 극대화 및 정비 관점의 정비 비용 최소화, 설비 잔존 수명 예측, 최적 정비 주기 의사결정에 관한 기술로 확대되고 있으며, 더 나아가 물리 모델/데이터 모델 융합 및 설비 성능 관점에서의(시뮬레이션을 통한 설비 상태를 예측하는) 디지털 트윈 기술로 발전되고 있다.

예지보전 기술의 발전으로 인해 프로세스 플랜트에서는 기존의 운영 솔루션을 통합 관리하기 위하여 예지보전 시스템 관리 및 비상 발생 시 상황 대응을 위한 종합 상황 대응 컨트롤타워를 운영하고 있으며, 도메인 지식을 기반으로 이상 징후에 대한 신속한 파악과 정밀한 데이터 분석 및 관리로 설비의 고장 및 안전사고 피해를 최소화하고 있다.

4. 예지보전 구축 계획

예지보전은 도입의 목적에 따라 수준을 분석하고, 데이터의 종류/유형/환경에 따라 다음과 같이 예지보전 수준을 결정하여야 한다.

① 설비 이상 징후 감시
  •설비 산업 분야에서는 감시를 위하여 축적된 과거 운전 데이터는 대부분 보유하고 있으나, 해당 데이터에 대한 메타 데이터, 즉 정상, 고장, 정비 등 데이터에 대한 라벨링된 데이터는 전무한 실정이다.
  •이러한 경우 설비의 정상 운전 데이터 패턴을 학습하고, 실시간 기댓값 산출을 통해 실시간 데이터와 비교 분석을 통해 잔차를 계산하고, 허용된 잔차에 따라 이상 징후에 대한 경보를 제공하는 예측경보 알고리즘을 적용한다.

② 설비 고장 감시
  •설비 이상 징후 감시 기술과 마찬가지로 설치의 정상 데이터를 학습하고, 실시간 고장을 감시하는 기술로 고해상도 주파수 데이터에 대한 학습과
비지도 학습을 통한 분류로 설비 고장을 탐지하는 알고리즘을 적용한다.
  •특히 설비의 고장 원인 진단을 위해서는 고장 데이터에 대한 축적이 필수적이며, 설비 고장 감시 기술을 통해 고장의 원인에 대한 라벨링 및 학습 데이터를 축적하기 위한 인프라를 사전에 구축한다.

③ 미래 데이터 예측
  •설비 이상 징후 감시 및 설비 고장 감시를 통해 축적된 데이터를 기반으로 시계열 데이터 예측 기법을 통해 미래 데이터(Forecast Data)를 예측하고, 이상 징후 및 고장 발생의 경향과 분포에 따라 설비의 건전도 및 신뢰도에 대한 수명 예측을 수행한다.
  •특히 설비의 과거 운전 패턴과 조건, 고장 확률 분포 등 축적된 데이터를 기반으로 한 설비 고장을 예방할 수 있으며, 예지보전을 위한 최적의 정비 시기 및 가동 시간을 예측하는 기술로 활용한다.

 ④ 설비 고장 원인 진단
  •설비의 고장 원인 진단은 최종적으로 각 감시 목적에 따른 경보 발생 메타 데이터를 기반으로 하여 고장의 유형, 원인, 패턴을 라벨링하고, 지도 학습을 통해 고장이 발생된 경우 유사도 분석을 통해 고장에 대한 원인 진단과 해당 고장 원인을 조치하기 위한 처방하기 위한 알고리즘을 적용한다.
  •하지만 대부분의 경우 이상 징후 발생 데이터, 고장 데이터, 고장 발생 누적 통계 데이터, 고장 확률 분포 등의 데이터가 축적되어 있지 않고, 데이터가 부족하므로 설비 고장 원인 진단을 위해서는 알고리즘에 대한 접근보다는 데이터의 건전성과 확보 여부에 따라 도입을 결정하는 것을 추천한다.

5. 예지보전 구축 방법

예지보전의 구축 계획이 수립되면, 예지보전 시스템 적용을 위한 단계별 엔지니어링 작업을 수행하고, 데이터 수집/데이터 분석 및 학습 최적화 단계를 통해 엔지니어링 검증으로 최종 예지보전 시스템을 구축하여야 한다.
① 데이터 수집 단계
  : 정형, 비정형 데이터에 대한 데이터 수집 범위를 선정하고, 통신 프로토콜에 대한 조사와 연계 변수에 대한 인터페이스를 통해 실시간 및 과거 데이터 저장과 학습 데이터 셋을 확보한다.
② 데이터 분석
  : 설비의 원리 및 특성을 분석하고, 데이터의 특성을 분석하여 예지보전을 위한 알고리즘 탐색 및 설비 특성에 따른 적합한 데이터 학습 방법을 설계한다.

③ 학습 및 최적화
  : 데이터 전처리 과정을 통해 불필요한 데이터를 제거하고, 데이터 라벨링, 즉 데이터 속성을 정의하여 메타 정보 데이터화를 시킨 후 학습과 최적화 과정을 수행하여 모델을 구축하고 예지보전 결과 정확도를 높인다.

④ 엔지니어링 및 검증
  : 예지보전 알고리즘 적용 후 경보 이력에 대한 분석으로 오경보를 최소화하고, 데이터의 시각화, 시운전 수행을 통해 발생된 경보에 대한 Case-Study를 수행해 예지보전 시스템의 도입 효과성을 검증한다.

6. 결 언

예지보전 시스템은 IoT, 빅데이터, 데이터 과학, 엔지니어링 기술이 융복합된 기술로, 시스템 구축에 대한 목적과 목적에 따른 방법을 명확하게 설계하여야 한다. 특히 예지보전 시스템은 도메인의 지식이 필수적이며, 설비의 특성과 데이터의 특성에 따라 적용되어야 하는 알고리즘과 해당 알고리즘을 데이터의 특성과 프로세스에 맞게 구현하고 최적화하는 것이 매우 중요하다.
 
또한, 인공지능 모델에 학습시킬 데이터 확보가 중요하기에 데이터를 확보할 수 있는 인프라를 구축하는 것이 최우선적이며, 데이터 확보 이후 정상/고장 데이터와 같은 레이블링(Labeling) 된 메타 데이터를 확보하는 것이 무엇보다 중요하다.

끝으로 예지보전 시스템은 데이터의 누적에 따라 그 수준이 결정됨으로, 지속적인 데이터의 학습과 최적화 작업을 체계적으로 관리하여 예지보전의 목적을 달성하길 바란다.

mycho@gaonpf.com