선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구에서는 스마트선박 플랫폼이 탑재된 Aframaxclass tanker를 대상으로 선박 실운항 데이터를 효과적으로 취득하고 수집된 데이터 중 주기관(main engine) 관련 데이터에 시계열, 통계, 상관관계 분석을 시도하여 경제 안전 운항에유용한 결과를 도출하였다.
- 본 연구에서는 LNG(Liquefied Natural Gas)를 연료로 혼용하는 엔진을 탑재한 Aframax class tanker를 대상으로 삼성중공업 스마트선박 플랫폼을 적용하여 실운항 데이터 취득 및 관련 연구를 수행하였다. Table 1에서는 실증 대상 선박의 상세 제원을 보여주고 있다.
제안 방법
- 대표적인 양의 상관관계와 음의 상관관계를 가지는 계측 값을 산포도로 도시하고 상관계수를 계산하였다. Fig.
- 또한 주기관과 관련된 26개의 계측 값 간의 상관계수를 계산하였고 전체 계측 값 사이의 상관관계를 한눈에 볼 수 있도록 heat map으로 표현하였다.
- 본 연구에서는 데이터 수집, 선내 서비스, 육상 서비스가 하나의 시스템으로 동작을 하는 스마트선박 시스템인SVESSEL 플랫폼을 실제 선박에 적용하여 데이터 취득 및 분석을 시도하였으며, 그 결과를 요약하면 다음과 같다.
- 본 장에서는 앞서 언급한 바와 같이 SVESSEL을 통해 수집한 데이터를 기반으로 선박에서 가장 중요한 장비라고 할 수 있는 주기관의 운전 특성을 분석하였으며 그 결과는 다음과 같다.
- 선박에서 수집하여 전송되는 데이터의 품질을 비교하기 위하여 BIG을 통해 수집되는 AIS(Automation Identification System) 장비 위경도 데이터와 실제 AIS 장비에서 GPS 위성을 거쳐 위성사업자로부터 전달받는 위경도 데이터의 정밀도를 비교하였다.
- 주기관과 관련된 데이터 계측 값을 propulsion, exhaust gas,scavenge air, cooling water 그룹으로 분류하였고 각각의 계측 값들에 대한 기술 통계 값을 분석하였다.
대상 데이터
- 대상 선박은 주로 북해 지역을 운항하고 LNG를 연료로 혼용하는 선박이다. 2019년 4월 18일부터 5월 1일까지 순차적으로 총 4곳의 항구에 정박을 하였으며 정박 정보를 간략히 기술하면 아래와 같다.
- 5는 데이터가 수집된 기간 동안 대상 선박의 운항경로와 시간에 따른 계측데이터의 변화추이를 보여준다. 대상 선박은 주로 북해 지역을 운항하고 LNG를 연료로 혼용하는 선박이다. 2019년 4월 18일부터 5월 1일까지 순차적으로 총 4곳의 항구에 정박을 하였으며 정박 정보를 간략히 기술하면 아래와 같다.
- 데이터 분석을 위해 2019년 04월 18일부터 2019년 5월 1일까지 1분 간격으로 운항데이터를 취득하였으며 상세 수집과정은 다음과 같다.
- 1은 본 연구에서 실선에 적용한 삼성중공업 스마트선박 시스템의 전체 구성도이다. 선내에서 데이터를 수집하고저장하는 데이터 플랫폼(BIG, on-Board Integrated Gateway)과취득한 데이터를 선박에서 분석하여 서비스를 제공하는onboard solution 플랫폼(SVESSEL ONBOARD), 그리고 육상 모니터링 및 관리를 위한 onshore solution 플랫폼(SVESSELONSHORE)으로 구성되어 있다.
데이터처리
- 특히 두 변수의 상관관계의 크기는 상관계수로 정량화할 수 있다. 상관관계 계수는 피어슨 상관계수, 스피어만 상관계수, 켄달 상관 계수가 대표적이며 본 논문에서는 피어슨 상관계수를 사용하여 상관관계 분석을 하였다. 피어슨 상관계수는 두 변수 간의 관련성을 구하기 위해 가장 보편적으로 이용되는 방법이며 다음과 같은 식(1)로 표현된다.
성능/효과
- (1) 기존의 선박 수집 데이터에 비하여, 스마트선박 플랫폼에서 수집한 데이터가 유실률이 적고 다양한 장비로부터 데이터를 수집하기 때문에 선박의 운항 성능을 평가하고 분석하는데 더욱 적합한 것으로 확인되었다.
- (2) 수집 데이터를 기술 통계 분석한 결과, 엔진의 각 파라미터들의 정상 여부를 판단하고 기통 간의 변동성을 파악하는 근거로 활용할 수 있음을 확인하였다.
- (3) 계통별로 수집한 데이터 간의 상관관계를 분석한 결과, 엔진 파라미터들의 일반적인 상관관계와 유사한 패턴의 값이 도출되었으며, 상관계수를 계산하여 heat map으로 표현하였다. 이를 통해 엔진의 실시간 운전 상태를 직관적으로 확인할 수 있고 정상 여부를 판단하는 데에도 활용이 가능한 것으로 평가된다.
- (4) 기존의 시스템에서는 시계열 차트로 시간에 따른 데이터의 변화 양상 파악과 특정 변수에 대한 scatter 차트를 통한 분포 확인 등 현재의 데이터 수준만 확인하였으나, 데이터 가공과 통계처리 후 그 결과를 유용하게 가시화함으로써SVESSEL 시스템으로 장비 이상 여부를 판단하는 수준까지 개선하였다.
- 이를 통하여 배기가스 온도변화는 기관의 부하 변화에 기민하게 반응한다는 것을 알 수 있으며, 부하의 변화가 없음에도 불구하고 배기가스 온도의 변화가 발생할때는 이를 기관 이상의 징후로 판단하는 근거가 될 수 있다. 또한, 데이터가 충분히 많이 쌓이면 통계 분석한 값을 기준점으로 두고 새로 입력된 값이 일정 범위를 벗어날 경우 이상이 있는 것으로 경고를 줄 수 있다.
- 9는 M/E의 냉각수 온도 관련 계측데이터(Air cooler air& water temp, Each cylinder’s cooling water temp)의 기술 통계 결과이다. 소기온도와 배기온도에 비하여 적은 변동성을 가지고 있는 것으로 나타나며, air cooler로 순환하는 저온 냉각수와 cylinder jacket으로 순환하는 고온 냉각수가 확연히 구분되는 것을 확인할 수 있다. 또한, 실시간 plotting을 한다면 엔진의 냉각수 계통에 이상 여부를 쉽게 확인할 수 있다.
- 3번째 시계열 차트와 4번째 시계열 차트는 각각 주기관의 배기가스 온도변화와 소기 온도변화를 나타낸 것으로, 엔진 정지 후의 배기가스와 소기의 점진적인 온도 저하 패턴이 완벽하게 디스플레이 되었다. 이와 같이 엔진의 상태를 진단할 수 있는 주요 계측 데이터가 본 플랫폼을 통해서 정밀하게 그래프화 될 수 있음을 확인하였다.
- 10은 그 결과이다. 주기관의 부하와 배기가스 온도는 강한 양적 선형관계(r = 0.95)를 보이는 반면에 주기관 부하와 냉각수 공급 온도는 뚜렷한 음적 선형관계(r = -0.55)를 나타낸다는 것을 알 수 있다. 이를 통하여 배기가스 온도변화는 기관의 부하 변화에 기민하게 반응한다는 것을 알 수 있으며, 부하의 변화가 없음에도 불구하고 배기가스 온도의 변화가 발생할때는 이를 기관 이상의 징후로 판단하는 근거가 될 수 있다.
후속연구
- (5) 향후 통계추론 및 기계 학습 등의 기법을 데이터에 적용하여 장비의 이상을 사전에 감지하거나, 미래값을 예측할 수 있는 알고리듬을 개발하는 등의 추가적인 연구가 필요할 것으로 평가된다.
- 이를 위해서는 단순한 수치보다 한눈에 선박의 상태를 쉽게 확인할 수 있도록 도표나 그래프를 제공해 주는 것이 훨씬 효과적이다. 본 연구에서 수행한 방법과같이 여러 장비 데이터의 운전 상태와 데이터 간의 관계를 도표와 그래프로 제공한다면 선박의 운항 상황을 육상에서 효과적으로 확인할 수 있을 것이다.
- 그림을 보면 주기관의 속도, 출력 그리고 엔진의 출력에 영향을 받는 배기가스 온도 등의 표본분포는 기준선을 크게 벗어나 정규분포로 볼 수 없다는 것을 확인할 수 있다. 이러한 사실은 추후 데이터의 이 상점(outlier)을 검출하거나 노이즈 제거에 활용할 수 있다. 또한, 분석을 위해 보유하고 있는 데이터가 정규분포를 얼마나 따르는지는 QQ Plot을 통해 직관적으로 확인할 수 있으며, 이 자체로 기관사나 데이터 분석 담당자가 기관의 이상 여부를 확인하는데 사용할 수 있다.
- (3) 계통별로 수집한 데이터 간의 상관관계를 분석한 결과, 엔진 파라미터들의 일반적인 상관관계와 유사한 패턴의 값이 도출되었으며, 상관계수를 계산하여 heat map으로 표현하였다. 이를 통해 엔진의 실시간 운전 상태를 직관적으로 확인할 수 있고 정상 여부를 판단하는 데에도 활용이 가능한 것으로 평가된다.
- 하지만 cooling water는 다른 데이터 그룹과의 음의 상관관계가 있으며 흰색으로 표시되는 것을 확인할 수 있다. 차후 실시간으로 엔진의 운전 상태를 반영하여 heat map을 구현한다면 각 그룹 간의 상관관계의 변동을 쉽게 확인함으로써, 엔진 상태의 정상 여부를 판단하는 데에도 크게 활용 가능하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.