Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

상태 모니터링 및 예측 유지관리를 위한 알고리즘 설계하기

장비 사용자와 제조업체는 예측 유지관리를 통해 기계의 작동 상태를 평가하거나, 결함을 진단하거나, 다음번 장비 고장이 언제 발생할지 추정할 수 있습니다. 고장을 진단하거나 예측할 수 있으면 사전에 유지관리를 계획하고, 재고를 더 효율적으로 관리하고, 가동 중단 시간을 줄이며, 운영 효율을 높일 수 있습니다.

예측 유지관리 프로그램을 개발하려면 기계의 작동 상태를 평가하고 초기 결함을 적시에 검출하기 위한 전략을 잘 설계해야 합니다. 이를 위해서는 사용 가능한 센서 측정값과 시스템에 대한 사용자의 지식을 모두 효과적으로 활용해야 합니다. 다음과 같은 여러 요인을 고려해야 합니다.

  • 관측되는 결함 원인과 상대 빈도. 이러한 원인에는 기계의 핵심 구성요소(임펠러 블레이드, 펌프의 유량조절 밸브 등), 기계의 작동기(전기 모터 등) 또는 다양한 센서(가속도계, 유량계 등)일 수 있습니다.

  • 센서를 통해 공정 측정이 가능한지 여부. 센서의 개수와 유형, 센서의 위치, 센서의 신뢰성, 중복되는 센서의 사용 여부가 모두 알고리즘 개발과 비용에 영향을 줍니다.

  • 다양한 결함 원인이 특정 증상으로 관측되는 방식. 이와 같은 인과관계 분석을 수행하려면 가용 센서로부터 수집한 데이터를 대규모로 처리해야 할 수 있습니다.

  • 시스템 동특성에 대한 물리적 지식. 이러한 지식은 시스템 및 시스템 결함에 대한 수학적 모델링과 그 분야 전문가의 분석을 통해 얻을 수 있습니다. 시스템 동특성을 이해하려면 기계의 여러 신호 사이의 관계(예를 들어 작동기와 센서의 입력-출력 관계), 기계의 작동 범위, 측정값들의 특성(예를 들어 주기적인지, 일정한지, 확률적인지)에 대한 상세한 지식이 필요합니다.

  • 유지관리의 궁극적인 목표(예를 들어 결함 복구인지 또는 유지관리 일정 수립인지).

상태 모니터링 및 예지진단을 위한 알고리즘

예측 유지관리 프로그램은 상태 모니터링 및 예지진단 알고리즘을 사용하여 작동 중인 시스템에서 측정된 데이터를 분석합니다.

상태 모니터링은 기계로부터 수집된 데이터를 사용하여 기계의 현재 상태를 평가하고 결함을 검출 및 진단합니다. 기계 데이터란 온도, 압력, 전압, 잡음, 진동 측정값과 같은 데이터로, 전용 센서를 사용하여 수집됩니다. 상태 모니터링 알고리즘은 상태 지표라는 데이터로부터 메트릭을 도출합니다. 상태 지표란 성능 저하가 진행됨에 따라 동작이 예측 가능한 방식으로 변하는 시스템 데이터의 특징을 말합니다. 상태 지표는 데이터로부터 도출된 수량으로, 유사한 시스템 상태는 군집화하고 상이한 상태는 분리합니다. 따라서 상태 모니터링 알고리즘은 결함 상태를 나타내는 것으로 확립된 기존의 기준과 새로운 데이터를 비교하여 결함을 검출하거나 진단할 수 있습니다.

예지진단(prognostics)이란 기계의 현재 상태와 과거 상태를 기반으로 하여 고장이 언제 발생할지를 예측하는 것입니다. 예지진단 알고리즘은 일반적으로 기계의 현재 상태를 분석하여 기계의 잔여 수명(RUL) 또는 고장 수명(time-to-failure)을 추정합니다. 예지진단은 모델링이나 머신러닝 또는 이 둘을 함께 사용하여 상태 지표의 미래 값을 예측할 수 있습니다. 이러한 미래 값은 RUL 메트릭을 계산하는 데 사용되며, RUL 메트릭을 통해 유지관리를 수행해야 하는지 여부와 언제 수행해야 하는지를 판단할 수 있습니다. 기어박스를 예로 들면 예지진단 알고리즘을 적용해서 변동하는 피크 진동 주파수와 크기를 시계열에 피팅하여 미래의 값을 예측할 수 있습니다. 그런 다음 기어박스의 정상 작동을 정의하는 임계값을 기준으로 예측값을 비교하여 결함이 발생할지 여부와 결함이 언제 발생할지를 예측할 수 있습니다.

예측 유지관리 시스템은 예지진단 및 상태 모니터링 알고리즘을 IT 인프라에 구현하여 실제 유지관리 작업을 수행하는 최종 사용자가 이 알고리즘이 생성하는 최종 결과물을 취득하고 이를 바탕으로 조치를 취할 수 있도록 합니다. Predictive Maintenance Toolbox™는 이러한 알고리즘을 설계하는 데 도움이 되는 툴을 제공합니다.

알고리즘 개발 워크플로

다음 그림에서는 예측 유지관리 알고리즘의 개발 워크플로를 보여줍니다.

정상 상태인 시스템과 결함 상태인 시스템을 기술하는 데이터로부터 시작하여 상태 모니터링을 위한 검출 모델 또는 예지진단을 위한 예측 모델을 개발합니다. 이러한 모델을 개발하려면 적절한 상태 지표를 식별해야 하며 상태 지표를 해석하도록 모델을 훈련시켜야 합니다. 해당 응용 사례에 가장 적합한 모델을 찾을 때까지 여러 상태 지표와 모델로 시도해 봐야 하기 때문에 모델 개발은 반복적인 과정일 가능성이 큽니다. 마지막으로, 알고리즘을 배포하고 기계 모니터링 및 유지관리 시스템에 통합합니다.

데이터 수집하기

예측 유지관리 알고리즘의 설계는 데이터 모음에서부터 시작합니다. 많은 경우 대규모의 데이터 세트를 관리하고 처리해야 하며, 여기에는 다양한 작동 상태에서 다양한 시간대에 실행되는 여러 기계와 센서에서 수집하는 데이터가 포함됩니다. 이때 취득 가능한 데이터는 다음과 같은 유형 중에서 하나 이상일 수 있습니다.

  • 정상 작동하는 시스템에서 수집된 실제 데이터

  • 결함 상태에서 작동하는 시스템에서 수집된 실제 데이터

  • 시스템 고장에서 수집된 실제 데이터(run-to-failure 데이터)

예를 들어, 온도, 압력, 진동처럼 시스템 작동으로부터 수집된 센서 데이터가 있을 수 있습니다. 이러한 데이터는 일반적으로 신호 데이터 또는 시계열 데이터로 저장됩니다. 그 외에도 유지관리 기록에서 수집된 데이터 같은 텍스트 데이터나 그외 다른 형식의 데이터가 있을 수 있습니다. 이 데이터는 파일, 데이터베이스 또는 Hadoop®과 같은 분산 파일 시스템에 저장됩니다.

유지관리가 정기적으로 이루어지고 고장이 발생하는 사례가 상대적으로 적기 때문에 기계의 고장 데이터를 구할 수 없거나 한정된 수의 고장 데이터셋만 있는 경우가 많습니다. 이 경우에는 여러 결함 상태의 시스템 작동을 나타내는 Simulink® 모델로부터 고장 데이터를 생성할 수 있습니다.

Predictive Maintenance Toolbox는 디스크에 저장된 이러한 데이터를 구성하고, 레이블을 지정하고, 액세스하는 기능을 제공합니다. 또한, 예측 유지관리 알고리즘 개발을 위해 Simulink 모델로부터 데이터를 생성하는 작업을 지원하는 툴도 제공합니다. 자세한 내용은 상태 모니터링 및 예측 유지관리를 위한 데이터 앙상블 항목을 참조하십시오.

데이터 전처리하기

상태 지표를 쉽게 추출할 수 있는 형태로 데이터를 변환하려면 데이터 전처리가 필요한 경우가 많습니다. 데이터 전처리에는 이상값 및 누락값 제거와 같은 간단한 기법이 있는가 하면 단시간 푸리에 변환, 차수 영역으로의 변환과 같은 고급 신호 처리 기법도 있습니다.

기계와 데이터 종류를 제대로 이해하면 어느 전처리 방법을 사용할지 판단하는 데 도움이 될 수 있습니다. 예를 들어, 잡음이 있는 진동 데이터를 필터링하는 경우 유용한 특징이 나타날 가능성이 높은 주파수 범위를 알고 있으면 적합한 전처리 기법을 선택하는 데 도움이 됩니다. 마찬가지로, 기어박스 진동 데이터는 시간에 따라 회전 속도가 변하는 회전 기계에 사용되는 차수 영역으로 변환하는 것이 유용할 수 있습니다. 그러나 이 전처리 기법은 강체인 자동차 섀시의 진동 데이터에는 유용하지 않을 것입니다.

예측 유지관리 알고리즘을 위한 데이터 전처리에 대한 자세한 내용은 상태 모니터링 및 예측 유지관리를 위한 데이터 전처리 항목을 참조하십시오.

상태 지표 식별하기

예측 유지관리 알고리즘 개발의 핵심 단계는 상태 지표를 식별하는 것으로, 상태 지표는 성능 저하가 진행됨에 따라 동작이 예측 가능한 방식으로 변화되는 시스템 데이터에 내포된 특징입니다. 상태 지표는 정상 작동과 결함 작동을 구분하거나 잔여 수명을 예측하는 데 유용한 모든 특징이 될 수 있습니다. 유용한 상태 지표는 비슷한 시스템 상태는 군집화하고 서로 다른 상태는 구분합니다. 상태 지표의 예로 다음으로부터 도출된 수량을 들 수 있습니다.

  • 간단한 분석(예: 시간에 따른 데이터의 평균값)

  • 보다 복잡한 신호 분석(예: 신호 스펙트럼의 피크 크기의 주파수, 시간에 따른 스펙트럼의 변화를 기술하는 통계적 모멘트)

  • 데이터의 모델 기반 분석(예: 데이터를 사용하여 추정된 상태공간 모델의 최대 고유값)

  • 여러 특징을 하나의 효과적인 상태 지표로 결합(융합)

예를 들어, 기어박스의 상태는 진동 데이터를 사용하여 모니터링할 수 있습니다. 기어박스가 훼손되면 진동의 주파수와 크기가 바뀝니다. 따라서 피크 주파수와 피크 크기는 기어박스에 존재하는 진동의 종류에 대한 정보를 제공하는 유용한 상태 지표가 됩니다. 기어박스의 건전성을 모니터링하려면 주파수 영역에서 진동 데이터를 지속적으로 분석하여 이러한 상태 지표를 추출할 수 있습니다.

특정 범위의 결함 상태를 나타내는 실제 데이터 또는 시뮬레이션된 데이터가 있다 하더라도, 이 데이터를 분석하여 유용한 상태 지표를 식별하는 방법을 알지 못하는 경우가 있을 수 있습니다. 각 응용 사례에 적합한 상태 지표는 시스템의 유형, 시스템 데이터, 시스템에 대한 지식에 따라 달라집니다. 따라서 상태 지표를 식별하는 작업은 몇 번의 시행착오가 필요할 수 있으며, 알고리즘 개발 워크플로의 훈련 단계를 반복적으로 수행해야 하는 경우가 많습니다. 상태 지표 추출을 위해 일반적으로 사용되는 기법은 다음과 같습니다.

  • 차수 해석

  • 모드 해석

  • 스펙트럼 분석

  • 포락선 스펙트럼

  • 피로 해석

  • 비선형 시계열 분석

  • 모델 기반 분석(예: 잔차 계산, 상태 추정, 파라미터 추정)

Predictive Maintenance Toolbox는 측정 데이터 또는 생성된 데이터로부터 신호 기반 또는 모델 기반 상태 지표를 추출하는 함수를 제공하여 Signal Processing Toolbox™를 비롯한 여타 툴박스의 기능을 보완합니다. 자세한 내용은 상태 지표 식별하기 항목을 참조하십시오.

검출 또는 예측 모델 훈련시키기

예측 유지관리 알고리즘의 중심에는 검출 또는 예측 모델이 있습니다. 이 모델은 추출된 상태 지표를 분석하여 시스템의 현재 상태를 판단하거나(결함 검출 및 진단) 미래의 상태를 예측합니다(잔여 수명 예측).

결함 검출 및 진단

결함 검출 및 진단에서는 하나 이상의 상태 지표 값을 사용하여 정상 작동과 결함 작동을 구분하고 여러 유형의 결함을 구분합니다. 간단한 결함 검출 모델로 상태 지표의 임계값을 들 수 있는데, 임계값이 초과되면 결함 상태가 발생한 것을 알 수 있습니다. 또 다른 모델에서는 상태 지표를 지표 값의 통계 분포와 비교하여 특정 결함 상태의 가능성을 판단합니다. 보다 복잡한 결함 진단 방식으로는 하나 이상의 상태 지표의 값을 결함 상태와 연관된 값과 비교하고 특정 결함 상태가 존재할 가능성을 반환하는 분류기를 훈련시키는 것을 들 수 있습니다.

예측 유지관리 알고리즘을 설계할 때는 다양한 상태 지표를 사용하여 여러 결함 검출 및 진단 모델을 테스트할 수 있습니다. 따라서 설계 과정에서 이 단계는 여러 지표를 사용해 보거나 지표들을 다양하게 조합해 보거나 여러 결정 모델을 시험해 보면서 상태 지표를 추출하는 반복적인 과정일 경우가 많습니다. Statistics and Machine Learning Toolbox™와 그 밖의 툴박스에는 분류기, 회귀 모델과 같은 결정 모델을 훈련시키는 데 사용할 수 있는 기능이 포함되어 있습니다. 자세한 내용은 결함 검출 및 진단을 위한 결정 모델 항목을 참조하십시오.

잔여 수명 예측

다음은 예측 모델의 예입니다.

  • 상태 지표의 시간 변화를 피팅하여 상태 지표가 특정 결함 상태를 나타내는 임계값을 넘기 전까지 걸리는 시간을 예측하는 모델.

  • 상태 지표의 시간 변화를 고장이 발생한 시스템에서 측정 또는 시뮬레이션된 시계열과 비교하는 모델. 이러한 모델은 현재 시스템에 대해 가장 가능성 높은 고장 수명(time-to-failure)을 계산할 수 있습니다.

잔여 수명은 동적 시스템 모델 또는 상태 추정기의 예측을 통해 예측할 수 있습니다. Predictive Maintenance Toolbox에는 유사성, 임계값, 생존 분석 같은 기법을 기반으로 RUL 예측을 수행하도록 특화된 기능이 포함되어 있습니다. 자세한 내용은 잔여 수명 예측 모델 항목을 참조하십시오.

배포 및 통합하기

새로운 시스템 데이터를 다루고 적절히 처리하고 예측을 생성하기 위한 작업 알고리즘을 식별한 후에는 알고리즘을 시스템에 배포 및 통합합니다. 구체적인 시스템 사양에 따라 알고리즘을 클라우드에 배포하거나 임베디드 장치에 배포할 수 있습니다.

클라우드 구현은 클라우드에서 대량의 데이터를 수집하고 저장하는 경우에 유용할 수 있습니다. 예지진단 및 건전성 모니터링 알고리즘을 실행하는 로컬 컴퓨터와 클라우드 사이에서 데이터를 전송할 필요를 없애면 보다 더 효과적인 유지관리 절차를 만들 수 있습니다. 클라우드에서 계산한 결과를 트윗, 이메일 알림, 웹 앱 및 대시보드에서 사용 가능하게 할 수 있습니다.

또는 실제 장비와 더 가까이 있는 임베디드 장치에서 알고리즘을 실행할 수 있습니다. 이 방법의 주된 이점은 데이터가 필요한 경우에만 전송되므로 전송되는 정보의 양이 줄어들고, 장비 건전성에 대한 업데이트와 알림이 지연 없이 즉시 제공된다는 것입니다.

세 번째 옵션은 이 두 가지 방법을 조합하는 것입니다. 알고리즘에서 전처리 및 특징 추출 부분은 임베디드 장치에서 실행하고 예측 모델은 클라우드에서 실행하여 필요에 따라 알림을 생성할 수 있습니다. 석유 시추 및 항공기 엔진처럼 중단 없이 운영되며 대량의 데이터를 생성하는 시스템은 셀룰러 대역폭과 비용 제한으로 인해 모든 데이터를 시스템에 보관하거나 전송하는 것이 어려울 수 있습니다. 스트리밍 데이터 또는 배치 단위의 데이터에 대해 작동하는 알고리즘을 사용하면 필요한 경우에만 데이터를 저장하고 전송할 수 있습니다.

MathWorks® 코드 생성 및 배포 제품을 사용하면 워크플로의 이 단계에서 도움을 받을 수 있습니다. 자세한 내용은 예측 유지관리 알고리즘 배포하기 항목을 참조하십시오.

참고 문헌

[1] Isermann, R. Fault-Diagnosis Systems: An Introduction from Fault Detection to Fault Tolerance. Berlin: Springer Verlag, 2006.

관련 항목