기술 칼럼

예측 정비의 세 가지 잔여 수명 추정 방법

작성자: Aditya Baru 및 Rachel Johnson, MathWorks


RUL(잔여 수명)이란 기계가 수리 또는 교체해야 할 때까지 작동 가능한 시간을 가리킵니다. 엔지니어는 RUL을 추정하여 정비 일정을 정하고, 작동 효율을 최적화하고, 예기치 않은 가동 중단 시간을 방지할 수 있습니다. 이러한 이유로 RUL 추정은 예측 정비 프로그램에서 최우선 순위를 차지합니다.

RUL 추정 모델은 신뢰구간 RUL 예측을 제공합니다. 모델 입력값은 동작이 시스템 열화에 따라 예측 가능한 방식으로 변화하는 센서 데이터로부터 추출된 상태 지표(특징)입니다.

RUL(잔여 수명) 추정

가장 일반적인 RUL 추정기 모델인 유사성, 생존 및 열화에 대해 알아볼 수 있습니다.

RUL 계산에 쓰이는 방법은 가용 데이터의 종류에 따라 달라집니다.

  • 유사한 기계가 고장 나기까지 걸린 시간을 나타내는 수명 데이터
  • 유사한 기계의 RTF(Run-to-Failure) 내역
  • 고장을 감지하는 상태 지표의 알려진 임계값

Predictive Maintenance Toolbox™는 각 유형의 데이터로부터 RUL을 추정하기 위한 모델을 제공합니다.

수명 데이터

수명 데이터로부터 RUL을 추정할 때는 구성요소 고장 시간의 확률 분포와 비례 위험 모델이 사용됩니다. 간단한 예를 들자면, 배터리의 방전 시간은 과거의 방전 시간과 주변 온도 및 부하 같은 공변량을 기반으로 추정합니다.

그림 1의 생존 함수 플롯은 작동 시간을 기반으로 배터리가 고장 날 확률을 보여줍니다. 예를 들어, 이 플롯에 따르면 배터리가 75회의 사이클 동안 작동하는 경우 수명이 다할 확률은 90%입니다.

생존 함수 플롯의 x축은 사이클 수, y축은 확률이며, 이 플롯은 사이클을 거듭할수록 배터리가 계속 작동할 확률이 감소함을 보여줍니다. 75회의 사이클 후 배터리가 계속 작동할 확률은 10%입니다.

그림 1. 생존 함수 플롯. 75회의 사이클 종료 시점에 배터리가 계속 작동할 확률은 0.1(10%)입니다. (예제 보기)

RTF(Run-to-Failure) 데이터

비슷한 동작을 보이는, 유사하거나 다른 구성요소의 RTF(Run-to-Failure) 데이터를 담은 데이터베이스가 있다면 유사성 방법으로 RUL을 추정할 수 있습니다. 이 방법에서는 열화 프로파일을 캡처하고 기계로부터 수집되는 새 데이터와 비교하여 데이터가 가장 일치하는 프로파일을 판별합니다.

그림 2를 보면, 엔진으로부터 수집된 과거 RTF(Run-to-Failure) 데이터셋의 열화 프로파일은 파란색, 엔진의 현재 데이터는 빨간색으로 표시되어 있습니다. 가장 근접한 과거 프로파일의 분포를 기반으로 할 때 RUL은 약 65회의 사이클로 추정됩니다.

일련의 항공기 엔진에 대한 RTF(Run-to-Failure) 데이터를 기반으로 생성된 열화 프로파일 플롯. x축은 사이클 수, y축은 상태 지표 값입니다. 훈련 데이터와 현재 데이터의 상태 지표 값은 사이클 수에 따라 감소합니다. 현재의 엔진 프로파일이 강조 표시되어 있고, 가장 근접한 프로파일의 끝점 분포를 통해 평균 65회 사이클의 RUL이 산출됩니다.

그림 2. RTF(Run-to-Failure) 데이터에 기반한 열화 프로파일(파란색). 가장 근접한 파란색 곡선의 별표(끝점) 분포를 통해 65회 사이클의 RUL이 산출됩니다. (예제 보기)

임계값 데이터

많은 경우, 정비 일정이 보수적이라면 그만큼 기계 고장이 드물다는 뜻입니다. 이는 RTF(Run-to-Failure) 데이터나 수명 데이터가 없음을 의미할 수 있습니다. 그러나 규정된 임계값에 대한 정보는 있을 수도 있는데, 예를 들어 펌프 내의 유체 온도는 160˚F(71˚C)를 초과할 수 없으며 압력은 2,200psi(155bar) 미만이어야 한다는 식입니다. 이 임계값 정보를 사용하면, 시간에 따라 선형적 또는 지수적으로 변화하는 센서 데이터로부터 추출된 상태 지표에 열화 모델을 피팅할 수 있습니다.

이러한 열화 모델은 상태 지표가 임계값을 넘는 시기를 예측하여 RUL을 추정합니다. 또한 이 모델은 주성분 분석 같은 기법을 사용하여 둘 이상의 센서로부터 나오는 정보를 하나로 통합하는 융합 상태 지표와 함께 사용할 수도 있습니다.

그림 3은 풍력 터빈용 고속 베어링의 고장을 추적하는 지수 열화 모델을 보여줍니다. 상태 지표는 파란색으로 표시되어 있습니다. 이 열화 모델은 베어링이 약 9.5일 만에 임계값을 넘어설 것으로 예측합니다. 빨간색으로 음영 처리된 부분은 이 예측의 신뢰구간을 나타냅니다.

x축은 일수이고 y축은 상태 지표 값인 고속 베어링의 열화 모델. 여기서는 상태 지표가 신뢰구간 내에서 고장 임계값 쪽으로 증가하는 것을 볼 수 있습니다. 모델에 대한 현재 상태 피팅을 기반으로 할 때 베어링의 추정 RUL은 9.5일입니다.

그림 3. 고속 베어링의 열화 모델. 현재 상태 데이터(파란색)와 이 데이터에 대한 지수 열화 모델(빨간색) 피팅을 기반으로 할 때 베어링의 추정 RUL은 9.5일입니다. (예제 보기)

가용 데이터를 기반으로 RUL 모델을 설계한 후에는 해당 모델을 운영자가 사용하는 대시보드나 정비 팀이 모니터링하는 경보 시스템에 통합할 수 있습니다. 그러면 팀원들은 운영에 영향을 주지 않으면서 장비 상태의 변화에 신속하고 효율적으로 대응할 수 있습니다. 

2023년 기고