1. 개 요

최근 기업들은 지속적인 성장과 글로벌 경쟁에서 우위를 점하고, 설비 자동화 등 설비의 고도화를 위해 많은 노력을 기울이고 있다. 특히 정유, 석유화학, 제철, 발전 플랜트 등 장치산업은 한정된 공간에 설비가 집약적으로 설치되고, 연속공정으로 이루어져 한 개의 장치에서 고장이나 오작동이 발생할 경우 전체 공정에 영향을 준다. 이는 대량의 불량품이 발생하거나, 대형 사고로 이어져 재산과 인명에 많은 피해를 준다.

다시 말해 정유나 석유화학 공장의 설비는 한정된 공간에 밀집돼 있고, 휘발성 물질들로 구성되어 있어 문제 발생 시 대형 사고로 이어지고, 단순 사고가 아닌 화학물질 사고라는 점에서 2차 사고(인명 피해) 발생 가능성이 높다. 안전이 필수적으로 요구되는 이유다.

장치산업은 기업만의 문제가 아니라 국가산업단지인 만큼 철저한 시설 관리와 현장 기반의 안전 대책을 수립해야 한다. 이런 이유로 신규 공장을 건설할 때 주요 공정 설비에는 기계의 상태를 계측하는 센서와 자동화 시스템이 구축되어 있지만, 충분히 기능을 발휘하지 못하거나 활용도가 매우 낮다. 이를 개선하기 위해 최근 플랜트 업계에서는 기존 설비에 사물인터넷, 빅데이터 활용 기술, 인공지능 기술 등 IoT 기술을 접목한 디지털 기술을 활용하여 생산 효율성 증가와 설비의 안정화 및 작업자의 안전을 높이는 지능화된 스마트 플랜트(Smart Plant)로의 변신을 서두르고 있다.

플랜트 설비의 지능화는 단계별 공정 정보나 설비의 상태값을 수집하여 단위별 설비 현황뿐만 아니라, 공정 간 연관 관계를 파악하여 전체 공정의 변화를 예측하고, 설비의 이상 상태를 미리 감지해 사고 예방의 신뢰도를 높이고, 생산성 향상과 안전 확보로 기업의 경쟁력을 높일 수 있다.

2. 설비 예지보전 기술의 필요성

설비에서 발생하는 사고 원인을 살펴보면 1) 부적절한 유지보수, 2) 설비 이상 상태에 대한 감지 미흡, 3) 사고 발생 후 적절한 통제가 되지 않는 커뮤니케이션 부재, 4) 대응 매뉴얼 미흡을 들 수 있다. 이 중 초기 단계인 이상 상태를 감지하고, 사고를 예측하여 설비관리자에게 미리 통보하는 기능이 중요하며, 이를 보완하기 위한 고도화된 예지보전 시스템 구축이 필요하다.

장치산업의 설비는 종류가 매우 다양하고, 많은 부품으로 구성되어 있어 설비를 이해하는 데 많은 시간이 필요하다. 특히 결함을 일으키는 메커니즘이 복잡하여 설비에 대한 지식과 오랜 경험을 갖춘 많은 전문가를 확보해야 하며, 전문화된 시스템을 구축하는 것이 필수로 인식되었기 때문에 기업의 접근이 어려웠다.

1) 설비관리 기술
설비는 고장이 발생하여 작동을 멈추거나 중대 사고로 이어지기 때문에 고장을 일으키기 전인 결함 단계에서 이상 징후를 감지해야 한다. 정상적으로 운전되는 설비는 열화 과정을 거쳐 고장에 이르므로 단계적 설비의 상태를 명확히 파악하여 적절한 대책을 세워야 한다. 열화 단계가 누적되었을 경우에는 급격한 설비 손상으로 이어져 대처가 불가능하다.
설비에서 결함이 감지되면 어떤 결함인지(결함 유형), 어디서 발생하였는지(결함 위치), 무슨 이유로 발생하였는지(결함 원인)를 명확히 규명해야 한다. 이후 이 결함을 제거하기 위해 언제 보전 작업을 실시할 것인가(보수 시기), 어떻게 작업을 수행할 것인가(보수 방법)를 결정한다. 대부분의 기업은 많은 경험을 통해 수준 높은 보수 방법에 도달하였으나, 결함 유형과 결함 원인 분석 및 보수 시기를 결정하는 데 적지 않은 어려움을 겪는다.
여러 설비로 구성된 플랜트는 결함 유형과 결함의 원인이 다양하기 때문에 설비에서 발생하는 수많은 데이터를 분석하고, 결정을 내리기에는 많은 시간과 다수의 전문가가 필요하다. 설비의 기능이 단순하고, 종류가 많지 않은 경우에는 일부 숙련된 전문가들에 의해 설비 문제를 해결할 수 있었으나 설비가 복합적으로 구성되고 집약화되며, 설비의 수가 많은 경우 수집되는 데이터 양도 급격히 늘어나기 때문에 데이터 수집부터 어려움을 겪는다. 이를 해결하기 위해 데이터 수집은 IoT 기반으로 자동화되고, 데이터 분석은 인공지능 기술을 접목하여 처리 속도를 높이고, 엔지니어링 지식을 기반으로 한 전문가가 결정을 하는 구조로 점차 바뀐다.
최근에는 데이터 수집부터 분석, 설비 상태 평가, 고장 시기 예측 등 전문가가 수행하던 작업까지 인공지능이 탑재된 지능화된 예지보전 시스템으로 구성됨으로써, 전문가는 예지보전 시스템에서 수행된 결함 진단 결과와 고장 예측 시기를 근거로 공정 상황, 제품의 출하 시기, 시장 상황 등을 고려하여 설비 운영을 결정한다.
제품을 생산하는 제조 설비의 운영이 기업의 상황에 따라 최적화된 형태로 관리되고 있으며, 정부에서 추진하고 있는 스마트공장 구축이나 스마트공장의 고도화 등이 이를 기반으로 한다. 즉 IoT를 활용한 자동화 시스템, 빅데이터 활용, 인공지능 기술 적용 및 디지털 전환이 여기에 포함된다.

2) 설비관리에 필요한 요소 기술
설비 예지보전 기술은 설비에서 발생하는 물리적 데이터를 취득하여 설비의 이상을 감지하고, 설비의 결함을 찾아 해결하는데 목적이 있다. 플랜트에서 운영되는 설비는 회전 기계와 정지 기계로 분류되며, 고장을 자주 일으키는 기계는 회전 기계(왕복동 기계 포함)다. 이들 회전 기계는 반복적인 응력과 마찰로 인해 열화를 일으키고, 궁극적으로 설비와 부품에 손상을 주어 고장에 이른다. 따라서, 설비 상태 변화에 따른 물리적 데이터를 분석하면 설비의 결함을 쉽게 감지할 수 있다.
설비의 유형에 따라 다르지만 열화가 발생하면 온도, 진동, 소리, 냄새, 스트레인 등이 변하며, 설비의 상태 변화에 따라 압력, 유량, 전류, 전압, 회전수 등의 변화가 나타난다. 이 물리량을 취득하여 분석함으로써 단순한 상태 변화인지 혹은 열화가 발생하고 있는지를 파악한다.
물리량을 모두 검출하면 정확히 설비의 변화를 알 수 있으나 이들을 검출하기 위한 센서가 설치되어야 하며, 데이터를 처리하고 저장하는 장치들이 필요하게 되므로 많은 비용이 소요된다. 기업에서는 설비의 결함이나 상태 변화를 가장 잘 대변할 수 있는 물리량과 위치를 선정하여 가능한 적은 비용으로 설비관리를 원하고 있다.   
설비에서 발생하는 물리량을 검출하기 위해서는 센서가 필요하다. 센서 선정의 조건으로는 설비의 결함을 초기에 감지할 수 있어야 하며, 설비의 상태 변화나 결함이 발생하였을 때 빠르게 반응하여야 하고, 센서를 설치하기가 편해야 하며, 센서의 내구성이 좋아야 한다. 여기에 가장 적합한 물리량이 진동이며, 진동을 분석한 설비 결함 진단 기술이 가장 보편적으로 사용된다.
그림 3에서 보는 바와 같이 결함의 가장 초기 단계에서 검출할 수 있는 물리량은 진동이다. 설비의 결함을 초기 단계에서 검출할 수 있어 그만큼 보수 비용이 적게 든다. 결함 검출이 늦어지면 설비에 미치는 영향이 커지므로 보수 비용이 증가할 뿐만 아니라, 보수를 위한 설비 중단 시간이 늘어나 생산에도 큰 영향을 미친다.
진동을 이용한 결함 검출 방법이 많은 장점을 갖고 있지만 진동을 일으키지 않는 설비의 경우 적용이 어렵고, 감속비가 큰 저속 설비에서는 온도나 윤활 분석법을 병행해서 사용하는 것을 권고하고 있으며, 전기적 결함이 많은 전동기나 발전기의 경우에는 진동 센서와 함께 전류 또는 전압 특성을 검출할 수 있는 센서를 사용하기도 한다.
본고에서는 국내 및 해외 설비 진단 전문 업체들이 선호하고 있는 진동 기법을 이용한 설비 예지보전 관리 기술에 대해 설명하고자 한다. 센서의 선정과 이에 따른 분석 방법이 정해지면 설비를 관리하는 보전 방식이 필요하다.
설비관리에 대한 기술이 부족하고, 고장에 대비한 예비 설비를 갖춘 플랜트의 경우 ‘예방 보전방식(Preventive Maintenance)’을 적용한다. 이는 설비가 고장나기 전에 보수를 실시하는 방식으로 효과가 크다. 이 방식은 ‘시간기반 보전방식(Time Based Maintenance)’을 이용하는데, 설비 각 부품의 수명을 통계적으로 계산하여 교체 시기를 정하고, 이 시기에 맞게 부품을 교체하는 설비관리 방식이다. 설비에 크게 집중하지 않아도 되고, 설비 결함 분석에 필요한 전문가를 많이 확보할 필요가 없어 많은 기업이 채택하고 있다.

이 방식에도 문제점은 있다. 일부 부품에서는 교체 시기 이전에 손상이 발생하고, 이를 감지하지 못한 경우 심각한 설비 고장으로 이어져 큰 사고가 발생한다. 또 다른 문제는 부품이 교체 시기가 되어도 문제없이 사용이 가능하나, 통계적으로 결정된 교체 주기에 따라 부품을 교체해야 하기 때문에 교체를 위해 정상적으로 운영되고 있는 설비를 정지시켜야 한다. 이 보전 방식은 설비 가동률이 떨어지고 과도한 보전이라는 문제점을 안고 있으나, 설비 보전 관리에 비용이 적게 든다는 이유로 많은 기업이 선호하고 있다. 설비의 결함을 설치된 센서에서 검출할 수 없고, 응력이 축적되는 터빈과 같은 중요 설비는 보전 방식과 별도로 정기적 점검이 필요하다. 
플랜트 설비에 가장 적합한 보전 방식은 설비의 상태를 기반으로 하는 ‘예지보전 방식(Predictive Maintenan ce)’이다. 이 방식은 설비의 현재 상태를 판단 기준으로 하기 때문에 설비 상태에 대한 정확한 평가가 매우 중요하다. 설비의 상태를 감지하고, 가동 여부를 평가하는 부분과 설비에서 결함이 발생하였을 때 결함을 진단하고 고장 시기를 예측해야 하므로 적지 않은 시스템 구축 비용이 소요된다. 따라서, 투입되는 비용 대비 설비관리 효과가 클 수 있는 설비에 적용한다.
설비의 이상 징후가 나타나는 초기 결함 시점부터 설비에 대한 분석과 평가를 실시하여 미리 대처를 하거나 초기 결함을 제거하는 것이 예지보전 방식이다. 이 방식을 적용하기 위해서는 명확한 설비 결함에 대한 증거를 확보해야 하고, 많은 데이터를 필요로 한다. 중요한 것은 설비 상태를 정확히 분석하고, 결함의 메커니즘을 해석하여 결함의 원인과 결함 정도를 파악하는 일이다. 또 보수 시기와 보수 방법을 제시해야 하므로 고도의 기술을 갖춘 전문가와 정밀 측정 및 분석 시스템이 필요하다.
예지보전 방식을 적용하기 위해서는 숙련된 전문가가 필요하다. 기업은 전문가 육성을 위해 많은 노력을 기울이고 있으나 기술이 어렵고, 현장 경험이 많은 전문가를 필요로 하기 때문에 이들을 교육하고 확보하는데 어려움을 겪는다. 이를 해결하기 위해 많은 기업에서 전문가의 의존도를 낮추고, 지능화된 예지보전 시스템을 구축하고 있다.

최근 장치산업 플랜트는 설비 데이터 취득 단계부터 자동화된 IoT 시스템 구축하여 데이터 취득에 소요되는 시간과 노력을 최소화하였다. 무엇보다 다양한 형태의 데이터를 수집하고, 인공지능 기술을 접목하여 전문가 분석 부분을 최소화하며, 진단의 신뢰성을 높인(작업자의 안전을 우선으로 하는) 지능화된 시스템 구축이 요구된다.
설비 결함은 한 가지 원인에 의해 발생하는 경우도 있지만, 복합적인 원인에 의해 발생하는 경우가 많기 때문에 모든 결함에 대한 특성을 알고 있어야 한다. 관리할 대상 설비가 정해지면 설비에 대한 정보 수집에서부터 환경 등을 고려하여 결함 유형을 파악한 후 그 결함들을 검출할 수 있는 센서 선정과 설치할 위치를 결정해야 한다. 결함을 도출하기 위해서는 결함의 특성을 추출해야 하기 때문에 다양한 분석법이 적용된다.
특성이 추출되면 결함 인식 단계를 거쳐야 한다. 특성이 명확하게 어떤 결함의 유형인지, 어느 단계인지, 원인은 무엇인지, 향후 어떻게 진전될 것인지, 설비를 교정하거나 부품을 교체할 시기는 언제인지 등을 결정하기 때문에 정확한 판단을 위해 인공지능 기술을 적용하고, 최종적으로 전문가가 판단한다. 빅데이터의 활용이나 인공지능 기술의 활용은 전문가의 판단을 지원하는 것이며, 전문가는 공정의 현황이나 기업의 환경에 기반을 두고 결정을 한다. 그림 5는 데이터 분석에서 결함 진단까지의 과정을 설명하고 있다.
설비 결함을 제대로 판단하고, 대처 방법을 고려해야 한다. 시간에 쫓겨 표면적으로 나타난 결함 형태만 보고 보수를 실시하면 증상만 약화시킬 뿐, 결함은 제거되지 않고 다시 발생한다. 충분한 데이터 수집과 결함의 근본적인 원인을 찾아 해결할 수 있도록 결함 메커니즘에 대한 철저한 이해와 결함을 완전히 제거할 수 있는 대처 방법을 선택하고, 보수 후에도 잔존하는 결함이 있으므로(동일한 결함이 발생하는 경우) 교정이나 보수 전후의 변화를 면밀히 분석해야 한다.

3. 설비 예지보전 시스템 구축

플랜트 장치를 운영하는 많은 기업은 설비의 가동률 향상과 작업자의 안전을 위해 지능화된 설비관리 시스템 구축을 필요로 하고 있다. 무엇보다 어떻게 구축해야 하는지, 비용은 얼마나 소요되며, 구축을 위해 투자한 비용이나 노력에 비해 효과가 있는가에 대한 확신이 없기 때문에 망설이는 경우가 많다. 여기에서는 지능화된 예지보전 관리 시스템을 구축하는 방법과 최신 기술에 대해 소개한다.

플랜트에 적합한 예지보전 시스템을 구축하기 위해서는 대상 플랜트는 물론 기업 평가를 먼저 실시해야 한다. 기업 평가에 있어서는 시스템 구축이 왜 필요한지에 대한 최종 목표, 대상 플랜트 선정과 범위, 예산 및 조직 구성 등 매우 구체적으로 설정하고 수치화할 수 있어야 하며, 향후 구축될 시스템(디지털 전환, 통합 플랫폼 구축)들과 연계될 수 있어야 한다. 또한 기업의 경영자들은 항상 투자에 대한 효과(ROI : Return on Investment)를 평가하므로 구축 전후 관계를 명확히 나타낼 수 있는 수치화된 지표를 제시해야 한다. 정성적 평가도 중요하지만, 대부분의 최고경영자들은 수치화된 정량적 평가를 선호한다.    

다음으로 대상 플랜트와 설비는 중요도와 안전에 미치는 영향 등을 고려하여 결정한다. 대부분의 기업은 설비가 생산에 미치는 영향 정도에 따라 설비의 등급을 결정한다. 최우선적으로 필수 설비를 선정하고, 중요도에 따라 대상 설비를 정하고, 관리 시스템을 적용한다. 이에 따라 센서의 선정과 데이터 취득 방법 및 관리 기법의 유형 등도 결정된다. 예를 들면, 전동기를 구동원으로 하는 압축기 설비의 경우 A 기업에서는 ‘일반 설비’로 분류될 수 있지만, B 기업에서는 정지할 경우 생산에 큰 차질이 발생하게 되므로 ‘필수 관리설비’로 분류되어 집중 관리를 받고 적용 기준도 달라진다.

설비에서 데이터 수집 방법도 선정된 설비 종류에 따라 달라진다. 가장 많이 적용되는 진동 센서 외에, 전동기의 전기적 결함을 검출할 수 있는 전압 또는 전류 센서나 온도 센서를 추가로 설치할 수 있다. 설비관리 시스템이 구축되면 수집된 데이터를 분석하고 평가하고 관리할 수 있는 조직이 구성되어야 하고, 결함 진단을 위한 전문적인 인공지능 도구를 구입해야 하므로 비용이 많이 든다. 기업에서는 결함 감지 능력이 높고, 신뢰성이 검증된 설비관리 시스템을 선정하고, 비용 대비 관리 효과가 큰 시스템 구축을 고려해야 한다.

1) 데이터 수집을 위한 IoT 센서
대상 설비로부터 데이터를 수집하기 위해서는 설비의 결함을 충분히 검출할 수 있는 센서를 선정한다. 가장 많이 사용되는 진동 센서의 경우 다음 사항을 고려한다. 진동 센서의 경우 측정할 수 있는 주파수 범위가 있으며, 미세한 결함까지 검출할 수 있는 측정 감도 결정, 현장 지역이 방폭 지역인지 혹은 비방폭 지역인지, 유선 센서를 사용할지 혹은 무선 센서를 사용할지, 설비는 어떤 베어링을 사용하는지에 따라 센서 선정이 달라지며, 데이터 취득 방법 및 취득 주기도 정해져야 한다.
이를 간추려 보면 다음과 같다.
1) 미끄럼 베어링의 경우 설치형 변위 센서를 사용하여야 하며, 구름 베어링의 경우 접촉식 가속도 센서나 속도 센서를 사용한다.
2) 고속으로 운전되는 설비의 베어링이나 기어 박스의 경우 높은 주파수까지 측정이 가능한 가속도 센서를 선정해야 하며, 저속 운전 설비의 경우 저주파 특성을 감지할 수 있는 고감도의 센서를 사용해야 한다.
3) 방폭 지역의 경우 등급에 따른 방폭 센서를 사용해야 하며, 센서는 물론 케이블도 방폭 전용으로 사용해야 한다. 뿐만 아니라 온도, 습도 및 화학물질에서도 충분히 견딜 수 있는 내환경성 센서를 선정해야 한다.
4) 사람이 접근하기 어렵거나 케이블 설치가 어려운 곳에는 무선 센서를 사용하며, 통신 방식과 측정 주기 및 측정 범위를 명확히 설정해야 한다.
석유화학, 정유 플랜트 설비의 경우 화학물질들이 존재하므로 반드시 방폭 센서를 사용해야 하며, 작업자의 안전을 위해 위험 설비와 충분한 거리를 유지하며, 작업을 할 수 있도록 센서 및 데이터 수집 장치가 설치되어야 한다. 작업자가 필요에 따라 부득이 현장에 접근해야 할 경우에는 증강현실(AR : Augmented Reality) 기술을 활용하여 대상 설비 접근 전에 설비의 안전 상태를 확인하고, 위험 위치를 피하여 접근할 수 있도록 준비되어야 한다.
데이터 수집 장치는 센서로부터 수집된 물리적 데이터를 처리하여 저장 장치나 분석 및 진단 알고리즘이 탑재된 컴퓨터에 전송하는 역할을 한다. 먼저 센서로부터 전송되는 데이터가 손실이 없도록 유지되어야 한다. 특히 무선 센서를 사용하는 경우에는 통신 이상으로 전송이 차단되거나, 데이터의 일부만 전송되는 문제가 발생하지 말아야 한다. 즉, 통신의 신뢰성이 매우 중요하다. 또한 무선 센서의 경우 배터리를 사용하기 때문에 통신이 가능한 잔여 배터리의 양을 알려주고, 데이터가 전송이 되지 않을 때 이를 인지하여 경고하는 기능을 필히 갖고 있어야 한다.

2) 데이터 해석 및 결함 진단을 위한 지능형 분석시스템
설비에서 취득된 데이터를 분석하여 설비의 이상을 감지하고, 결함을 도출하여 미리 대처할 수 있게 시스템을 구축해야 한다. 시스템이 완성되기 위해서는 설비에서 발생하는 물리적 데이터를 기반으로 분석하고, 결함 특성을 추출하는 알고리즘과 고장을 예측할 수 있는 알고리즘을 통해 고장 시점을 예측하고, 대비할 수 있는 설비 예지보전 기술을 확보해야 한다.
본고의 목적이 ‘플랜트 산업 안전을 위한 지능화된 예지보전 기술’ 소개이기에, 분석 기술에 대한 구체적인 설명보다는 최근에 적용되는 대표적인 기술을 설명한다.

① 인공지능 기술을 이용한 결함 분석 및 고장 예측
 설비 예지보전 기술은 센서에서 취득된 데이터를 기반으로 운영되고 있는 설비의 결함 정도를 평가하는 방법과 설비의 결함 메커니즘을 해석하여 단계별 특성을 추출하고, 축적된 설비 데이터를 연계하고, 고장 예측 알고리즘 모델을 적용하여 고장 시점을 예측하는 방법으로 구성되어 있다. 고장 예측 모델은 물리 기반과 데이터 기반의 두 가지 방법이 있으며, 취득된 데이터에서 얼마나 좋은 특징을 뽑아 내는가에 따라 성능이 크게 좌우된다.
인공지능은 머신러닝(Machine Learning)과 딥러닝(Deep Learning)으로 구성되어 있으며, 머신러닝은 주로 물리 기반에, 딥러닝은 데이터 기반의 알고리즘을 예측 모델로 하고 있다. 최근에는 두 알고리즘을 융합한 하이브리드 알고리즘(Hybrid Algorithm)을 적용하고 있다. 여기에서는 지능형 예지보전에 적용되는 인공지능 기술에 대해서만 간단히 설명하고자 한다.    
설비 데이터에서 결함 특성을 추출하고 모델을 학습시키기 위해서 머신러닝을 사용하는데, 크게 지도 학습(Supervised-learning), 비지도 학습(Unsupervised-learn ing) 및 강화 학습(Reinforcement-learning)으로 분류되며, 그림 7은 지도 학습의 흐름도를 보여준다.
 머신러닝을 이용한 알고리즘 모델 구축은 설비의 고장을 예측하며, 가장 적합한 모델을 구성하기 위해 데이터 전처리, 모델 구축, 구축된 모델 평가 및 모델 최적화를 위한 성능 개선 등의 절차를 거친다.
간단히 기술하면 다음과 같다.
1) 데이터 전처리 : 머신러닝은 설비에서 습득된 데이터를 활용하여 모델을 학습하는 기법인 만큼, 데이터의 신뢰성과 처리 기술이 매우 중요하다. 구축된 예측 모델에 사용된 학습 데이터가 새로운 데이터의 특성을 반영하지 못한 데이터로 학습이 이루어지면, 어떠한 머신러닝 알고리즘을 사용하여도
정확한 예측을 할 수 없다.
2) 모델 구축 : 머신러닝의 목적은 데이터 속에서 상관관계와 패턴을 도출하여 새롭게 입력되는 데이터에 대해 결과를 예측하는데 있다. 고장 예측에 가장 적합한 모델을 구축하기 위한 대표적인 알고리즘에는 의사결정나무(Decision Tree), 선형판별분석(Linear Discriminant), 지지 벡터 머신(Support Vector Machine), 심층 신경망(DNN) 등이 있다.
3) 예측 모델 평가 : 평가는 데이터를 이용하여 학습된 알고리즘의 성능을 검증하는 과정으로 예측 모델의 정확도, 오류율, 특이도, 민감도, 정밀도 및 재현률 등이 있으며, 설비 고장의 분류와 정확성이 중요하므로 평가 방법 중 우선순위를 정하여 평가한다.
4) 모델 성능 개선 : 예측 모델 평가를 통해 적합한 모델이 선정되면 성능 개선을 통해 신뢰성을 향상시킨다. 머신러닝에 적용되는 알고리즘은 특정한 매개변수로 구성되며, 매개변수의 최적값은 데이터의 유형이나 구조에 따라 다르므로 매개변수의 조정에 따라 모델의 성능이 달라진다. 또한 모델에 사용되는 데이터의 정확성을 높이기 위해 불필요한 노이즈를 제거하고 전처리를 해야 되는데, 이는 모델 성능에 직접적인 영향을 미치므로 매우 중요한 과정이다.
지능형 설비 예지보전에 필요한 인공지능 기술을 적용하는 과정을 간단히 기술하였다.
본고는 설비 예지보전 기술 전반에 대한 설명이므로, 인공지능 기술에 대한 내용은 참고문헌을 참조하기 바란다.

② 증강현실 기술을 이용한 현장 분석 및 작업자 보호
앞서 기술한 내용은 설비를 대상으로 한 예지보전 관리 기법으로 설비 자체의 결함을 검출하고, 고장을 예측하는데 초점을 맞추었다. 지금부터는 예지보전 시스템의 안전한 운영과 작업자 안전을 위한 시스템 구축에 대해 기술한다.  
플랜트 설비에서 이상이 감지되면 설비의 이상인지, 혹은 센서나 계측기의 오작동에 의한 것인지를 확인하기 위해 설비관리자는 현장에 접근한다. 설비의 성능을 평가할 수 있는 시스템이 구축된 경우에는 예지보전 시스템과 연동하여 오작동인지 또는 성능 저하에 따른 결함이 발생하였는지를 확인할 수 있으나, 성능 평가 시스템이 없는 경우 설비관리자가 직접 현장에서 확인해야 한다. 이런 상황에서는 설비관리자의 안전이 최우선으로 보장되어야 한다.
설비관리자의 안전을 위해서는 IoT 기술을 기반으로 설비관리자의 위치와 주변 환경 및 설비관리자의 행동 상태 등을 모니터링함으로써 위험 상황을 신속히 인지하고, 알람 및 위치 변경 신호를 전송하여 사고를 방지해야 한다.
설비관리자의 안전을 확보하는 방법으로 작업자 스스로 위험 상황과 위치를 미리 파악하여 위험에 대비하는 경우도 있고, 설비관리자가 위험을 인지하지 못했을 때 관제 시스템에서 설비관리자의 위치와 행동을 감시하여 위험 상황을 설비관리자에게 알려주어야 한다. 설비관리자의 위치 정보와 행동 패턴 등을 실시간으로 수집하고, 이를 토대로 설비관리자의 안전을 평가하고, 위험 상황일 경우 즉시 경고를 전송하여 안전한 위치로 이동하게 지시해야 한다.
설비관리자가 스스로 위험을 인지할 수 있도록 증강현실(AR) 기술을 적용한다. 대상 설비와 동일하게 구축된 화면을 통해(문제 설비에 접근하기 전에) 설비 상태를 반드시 확인하고, 네비게이션 기능을 통해 안전한 이동 경로를 확보하고, 위험 지역에 근접했을 경우 설비관리자가 바로 인지할 수 있도록 경고가 발생되어야 한다. 또한 신속한 조치가 필요한 경우 화면에 게시된 매뉴얼대로 작업을 수행할 수 있어야 한다. 
설비관리자가 스스로 안전을 위한 행동을 하기 위해서는 증강현실 기술이 탑재된 휴대용 기기가 관제 시스템과 연동되어(실시간 설비 모니터링을 통해) 설비의 현재 상태를 평가할 수 있어야 하며, 안전 경로를 통해 이동할 수 있는 네비게이션 기능, 설비 이력이나 부품 리스트, 도면 및 설비 매뉴얼 등이 저장되어 있어야 한다. 또한 설비관리자가 관제실과 실시간으로 정보를 교환할 수 있는 통신 시스템이 구축되어 있어야 한다.
설비관리자가 스스로 위험 상황을 인지하지 못하는 경우를 대비하여 관제 시스템에서 설비관리자를 보호해야 한다. 설비관리자의 위치를 실시간으로 파악하여 위험 지역에 접근하는 경우 미리 경고를 통보해야 하며, 작업자의 이상 행동 패턴이나 주변 환경 등의 변화를 감지하여 신속히 설비관리자에게 통보할 수 있는 시스템이 구축되어야 한다.

③ 지능형 설비 예지보전 시스템의 신뢰성 검증
지능형 설비 예지보전 시스템을 구축하려면 실제 현장 플랜트에 설치하고 신뢰성 평가를 받아야 한다. 검증 방법으로는 현장 운영 중인 설비를 선정하여 설비 예지보전 시스템의 결함 진단 절차에 따라 데이터를 수집하고, 구축된 시스템에서 결함 진단을 실시하여 결함을 검출하고 확인하는 방식을 적용하였다.
다음은 화학 플랜트에 지능형 설비 예지보전 시스템을 설치하고, 결함 진단 결과를 검증한 사례이다. 대상 설비의 정보를 수집하여 진단을 위한 데이터베이스를 구축하였다. 운전 중에 설비 각 위치에서 데이터를 취득하여 설비 상태를 평가하고, 퓨처메인에서 개발한 인공지능 알고리즘인 ExRBM을 통해 설비의 결함을 실시간 자동으로 진단하고 결함을 검출하였다. 검출된 결함 결과를 검증하기 위해 설비를 분해하여 결함을 확인하였다. 대상 설비는 Recycle Gas Compressor와 Loop Reactor Circula tion Pump다.
대상 설비들은 정격 부하 및 정격 운전 속도에서 운전되었으며, 검증의 신뢰도를 높이기 위해 두 대의 설비를 선정하였다. 또 2회에 걸친 부하 변동을 통해 설비의 상태 변화를 확인하였고, 이때 발생하는 결함을 검출하여 진단 결과로 표시하였다.
시험 결과 Recycle Gas Compressor는 모든 부위에서 진동량이 낮고 결함 특성이 나타나지 않았으나, Loop Reactor Circulation Pump의 경우 두 설비 모두 진동량이 높게 발생하고 있었으며, ISO 진동 규격에 따르면 극도의 불량 상태로 나타났다. 진동량이 가장 높은 P1201 설비의 경우 Pump Inboard Vertical에서의 결함 진단 결과 베어링 결함으로 확인되었고, 가동 정지 후 진단 결과를 검증하기 위해 Pump를 분해하였다. 결함 진단 결과 베어링이 마모되어 있는 것을 확인할 수 있었다. 반부하 측 베어링의 경우 정상 상태를 유지하고 있다.
퓨처메인은 설비 상태 평가의 정확성과 결함 진단의 신뢰도를 검증 받기 위해 공인인증기관인 한국산업기술시험원에 의뢰하여 결함 진단 정확도 98.3%의 신뢰성을 인증받았으며, 예지보전 솔루션으로는 국내 유일하게 ‘K마크 인증’을 받았다.
해외 사례를 보면, 예지보전 시스템이 반드시 필요한 곳은 대형 사고의 위험이 큰 발전소이다. 미국의 최대 전력 회사인 ‘듀크에너지’는 원자력 발전소, 화력 발전소 및 복합 발전소 등 80 개 이상의 발전소를 보유하고 있으며, 50GW 이상의 전력을 공급하고 있다. 30년 이상 된 설비가 51%를 차지하고 있어 새로운 관리 기법이 도입되지 않으면 설비 고장의 위험이 높다. 이러한 사실을 인식하고, 개선 작업을 실시하였다.
우선적으로 자사의 보전 방식을 평가하였다. 그 결과 80%의 인력이 설비의 데이터 취득에 전념하고 있으며, 매달 6만 회의 순회 점검으로 노동의 강도는 증가하고 효율은 떨어졌다. 또 설비 데이터 분석보다는 공정 분석에 치우치고 있고, 작업자는 위험에 노출되고 있어 개선 조치하였다.
설비의 실시간 데이터를 수집하는 온라인 모니터링 시스템 구축을 위해 많은 노력을 기울이고 있다. 먼저 10,000대 이상의 설비에 25,000개의 데이터 수집 센서를 추가 설치함으로써 데이터 수집에 투입되었던 인원이 분석에만 전념하였고, 그 결과 분석 인원이 80% 이상을 차지하여 설비에 대한 이상 검출의 효과가 크게 증가하였다. 시스템 구성이 완료된 2013년부터 2015년까지 이상 검출이 1,283건이고, 이 중 보수나 수정을 실시한 건수가 384건에 이르렀다. 절감 비용은 $31.5 M으로 지속 증가하고 있다.   

 

4. 결 론

플랜트 산업 안전을 위한 지능화된 예지보전 시스템은 기업의 경쟁력 확보를 위해 필요하며, 석유화학·정유·발전 플랜트의 경우 국가 기반 사업이므로(기업만의 문제가 아니라 국가의 경제에 미치는 영향이 크므로) 지능화된 예지보전 시스템을 통해 철저한 시설 관리와 현장 기반의 안전 대책을 수립해야 한다.

플랜트 설비는 한정된 공간에 밀집되고 고도화되어 설비의 안전이 중요하므로 기존에 관리하던 방식을 탈피하여 지능화된 관리 기법을 적용해야 한다. 최근 전문 인력의 감소와 자동화의 의존도가 급속히 높아짐에 따라 설비 관리 시스템이 지능화되지 않으면 신속한 대처가 어렵고, 자칫 대형 사고로 이어질 수 있다.

본고에서는 설비 예지보전 시스템의 고도화를 위해 필요한 IoT 센서와 데이터 수집 장치, 결함 진단과 고장 예측을 위한 인공지능 기술, 작업자 안전을 위한 증강현실 기술 등을 소개하였다. 설비 예지보전 시스템은 장치산업의 특성상, 또 기업의 경쟁력과 작업자 안전을 위해 반드시 구축해야 할 시스템이므로 기업의 실정에 맞게 효율적인 방법을 선택하고, 경쟁 기업에 앞서 실행하기를 바란다.
 〈참고문헌〉

1. Hai Sung Jeong, Heung H. Kim, Sang K. Yun, Elsayed A. Elsayed, “A Design of Condition Monitoring System for Predictive Maintenance”, International Journal of Reliability and Applications 2(1), 2001.3, 57-71
2. 이준혁, 유승렬, 신성철 외, “기계학습 알고리즘을 활용한 베어링 고장 예측 알고리즘 개발에 관한 연구” 한국마린엔지니어링학회지, 2019,vol.43, no.6, PP.455-462
3. 김승현, 정주빈, 김동영, 한승주, “딥러닝을 활용한 진동 데이터 분석” 소음, 진동 33권, 2022
4. C. W. Lee, and B. H. Park, “A study on the optimal data learning for fault diagnosis of bearing”, Conference of The Korean Society of Mechanical Engineers, p1781-1783, (2017), (in Korean)
5. J. H. Choi, “Introduction of failure prognosis and P.H.M”, Journal of The Korean Society of Mechanical Engineers, 53(7), p24-34, (2013)
6. H. Brink, J. Richards, and M. Fetherolf, Real-World Machine Learning, Manning Publications, (2016)
7. H. H. Lee, S. H. Jung, and E. J. Choi, “A case study on machine learning applications and performance improvement in learning algorithm”, Journal of Digital Convergence, 14(2), p245-258, (2016), (in Korean)
8. https://www.nltk.org/book/ch06.html

shl@futuremain.com