해양 운송 산업은 특성상 항공 및 철도 등의 다른 운송 산업보다 비교적 늦게 신기술이 적용되는 산업이다. 현재 대부분의 선박은 기계장치 및 시스템에 문제가 발생하거나 운용 시간 기반으로 정비를 하는 사후 정비(Corrective Maintenance, CM)와 예방 정비(Preventive Maintenance, PM)에 속하는 시간 기반 정비(TBM, Time Based Maintenance)가 적용되고 있다. 그러나 높은 유지보수 비용이 요구되고, 육상의 즉각적인 지원이 어려우며, 선박이 멈추면 즉시 위험에 노출되는 해양 환경에서 운영되는 선박에서 과도한 단순 정비로 인한 인력과 비용 낭비, 예측되지 못한 고장 및 결함으로 유발되는 사고 등으로 인해 운용 효율화 측면에서 기존 정비법에 대한 한계점이 문제시 되고 있다. 예지 정비(Predictive Maintenance, PdM)는 진보된 기술로 기계의 상태 및 성능을 모니터링하여 고장시기를 예측하여 정비하는 방법으로 핵심 기계장치가 항상 최상의 작동 상태를 효율적으로 유지할 수 있도록 한다. 본 논문은 해양 환경에서 PdM의 적용성에 중점을 둔 해양 예지 정비(MPdM, Maritime Predictive Maintenance)에 대해 고안하였으며, 제시된 MPdM은 지리적 고립과 극한 해양 상황 등 해양 운송 산업의 특수한 환경을 고려하여 설계되었다. 본 논문은 선진 미래 해양 운송을 가능하게 하는 MPdM이라는 개념과 그 필요성을 제안한다.
해양 운송 산업은 특성상 항공 및 철도 등의 다른 운송 산업보다 비교적 늦게 신기술이 적용되는 산업이다. 현재 대부분의 선박은 기계장치 및 시스템에 문제가 발생하거나 운용 시간 기반으로 정비를 하는 사후 정비(Corrective Maintenance, CM)와 예방 정비(Preventive Maintenance, PM)에 속하는 시간 기반 정비(TBM, Time Based Maintenance)가 적용되고 있다. 그러나 높은 유지보수 비용이 요구되고, 육상의 즉각적인 지원이 어려우며, 선박이 멈추면 즉시 위험에 노출되는 해양 환경에서 운영되는 선박에서 과도한 단순 정비로 인한 인력과 비용 낭비, 예측되지 못한 고장 및 결함으로 유발되는 사고 등으로 인해 운용 효율화 측면에서 기존 정비법에 대한 한계점이 문제시 되고 있다. 예지 정비(Predictive Maintenance, PdM)는 진보된 기술로 기계의 상태 및 성능을 모니터링하여 고장시기를 예측하여 정비하는 방법으로 핵심 기계장치가 항상 최상의 작동 상태를 효율적으로 유지할 수 있도록 한다. 본 논문은 해양 환경에서 PdM의 적용성에 중점을 둔 해양 예지 정비(MPdM, Maritime Predictive Maintenance)에 대해 고안하였으며, 제시된 MPdM은 지리적 고립과 극한 해양 상황 등 해양 운송 산업의 특수한 환경을 고려하여 설계되었다. 본 논문은 선진 미래 해양 운송을 가능하게 하는 MPdM이라는 개념과 그 필요성을 제안한다.
The marine transport industry generally applies new technologies later than other transport industries, such as airways and railways. Vessels require efficient operation, and their performance and lifespan depend on the level of maintenance and management. Many studies have shown that corrective mai...
The marine transport industry generally applies new technologies later than other transport industries, such as airways and railways. Vessels require efficient operation, and their performance and lifespan depend on the level of maintenance and management. Many studies have shown that corrective maintenance (CM) and time-based maintenance (TBM) have restrictions with respect to enabling efficient maintenance of workload and cost to improve operational efficiency. Predictive maintenance (PdM) is an advanced technology that allows monitoring the condition and performance of a target machine to predict its time of failure and helps maintain the key machinery in optimal working conditions at all times. This study presents the development of a marine predictive maintenance (MPdM; maritime predictive maintenance) method based on applying PdM to the marine environment. The MPdM scheme is designed by considering the special environment of the marine transport industry and the extreme marine conditions. Further, results of the study elaborates upon the concept of MPdM and its necessity to advancing marine transportation in the future.
The marine transport industry generally applies new technologies later than other transport industries, such as airways and railways. Vessels require efficient operation, and their performance and lifespan depend on the level of maintenance and management. Many studies have shown that corrective maintenance (CM) and time-based maintenance (TBM) have restrictions with respect to enabling efficient maintenance of workload and cost to improve operational efficiency. Predictive maintenance (PdM) is an advanced technology that allows monitoring the condition and performance of a target machine to predict its time of failure and helps maintain the key machinery in optimal working conditions at all times. This study presents the development of a marine predictive maintenance (MPdM; maritime predictive maintenance) method based on applying PdM to the marine environment. The MPdM scheme is designed by considering the special environment of the marine transport industry and the extreme marine conditions. Further, results of the study elaborates upon the concept of MPdM and its necessity to advancing marine transportation in the future.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
여객선의 운항 시간 및 여건 등으로 인하여 오전 항차 시 평상시보다 수심이 낮은 항로로 항해 시취득한 데이터를 반영하여 분석한 결과로 오전 항해 클러스터 영역을 벗어나 오후 항해 클러스터에 가까운 영역에 결과가 도출됨을 확인 함으로써 MPdM의 유효성을 검증하였으며, 기계 학습의 결과와 알고리즘 결과 간의 교차 검증을 통해 알고리즘의 정확성을 확보 할 수 있었다. 또한 전체 센서뿐만 아니라 각 센서의 정확도를 다양한 센서 조합과 확인을 통하여 센서의 수량을 줄일 수 있는지의 가능성을 검토하였다.
본 논문은 운송 수단에 적용되는 정비 유형에 대하여 파악 및 분석하였다. 해양에서 운용되는 장비와 시스템은 특수한 사용환경으로 고장과 결함에 취약한 경우가 존재하며, 즉각적인 육상 지원을 받을 수 없어 선제적이고 효율적 인정비 시스템이 요구되어 해양 운송 선박에 PdM을 적용하고자 필요성을 검토하였고, 해양 환경에 중점을 둔 해양 예지 정비(MPdM, Maritime Predictive Maintenance) 기반 모델을 구성하고 검증 및 개선하였다.
본 논문은 해양 환경에서 PdM의 적용성에 중점을 둔 해양 예지 정비(MPdM, Maritime Predictive Maintenance)에 대해 고안하였으며, 여객선(차도선)에 고안된 기초 MPdM을 적용하여 개선 및 사용성 검증을 통해 MPdM이라는 개념과 그 필요성을 제안한다.
본 연구는 해양 환경에서 PdM의 적용성에 중점을 둔 해양 예지 정비(MPdM, Maritime Predictive Maintenance)를 소개한다. 해양 기계의 핵심 부분의 오작동 및 고장은 선박의 운항을 중단시키거나 손상을 일으켜 항해가 지연될 뿐만 아니라 인명 피해를 일으킬 수 있다.
연안을 운항하는 300톤급 여객선(차도선)을 대상으로 선박 운항 현황 조사 및 MPdM 개선을 위한 현장 연구를 수행하였다. 연안 여객선은 입출항이 빈번하게 이루어져 선박 및 기계장치의 다양한 운용 조건에서의 데이터 취득 및 내구성 관련 검토가 가능하며, 연안의 계절에 따른 변화무쌍한 날씨 및 조류 변화 등 다변하는 해상환경에서 운용되어 다양한 외부조건에 대한 데이터 취득이 가능하여 MPdM 적용 및 검토 대상으로 연안 여객선을 선정하였다.
한국의 거친 바다와 여러 도서 지역을 항해하는 해당 여객선의 특성상 숙련되고 경험이 많은 선장과 엔지니어의 역량이 무엇보다 안전운항에 중요하게 판단됐으며, 선박의 상태 및 항로 변경에 영향을 미치는 선장과 엔지니어의 교대 또한 매우 중요한 요소로 검토가 필요할 것으로 판단된다. 이러한 현장 조사를 통해 얻은 정보는 MPdM의 활용 가능성을 높였을 뿐만 아니라 연구를 더욱 발전시킬 수 있는 현장의 의견을 파악하였다.
가설 설정
CM의 경우, 설계자가 본래 설계 수명에 도달하도록 만들기 때문에 기계장치를 유지 관리하기 위해 어떠한 조치나 노력이 필요하지 않다. 이러한 정비 개념에서 고장이나 결함은 필수적으로 나타나며, 고장이나 결함을 미리 방지하는 것은 경제적이지않다고 가정한다. CMe 일괄 사후 정비(Deferred Corrective Maintenance, DCM)와 비상 정비(Emergency Maintenance, EM) 의두 가지 유형으로 구분된다.
제안 방법
MPdMe 선박 운항 중 생성되는 항해 통신 및 기관 장비 데이터 등을 수집하여 운항 조건 별 선박 통합 데이터의 정상 상황 그룹을 설정하고 선박 운항 표준 데이터를 구축하여 anomaly detection 및 clustering 기법을 활용하여 선박 통합데이터의 이상 징후 식별 및 진단할 수 있도록 구성된다. MPdM는 핵심 기계장치와 보조 기계장치 간의 연관성, 기술적 지연, 불안정한 작동, 부식하기 쉬운 환경에 의한 인과성 등을 고려하여 고장 및 결함을 방지할 수 있는 요소를 포함하며, MPdM의 주요 특성은 Table 1과 같다.
MPdMe 주요 기계장치와 보조 기계장치 간의 연관성, 기술적 지연, 불안정한 작동, 부식하기 쉬운 환경에 의한 인과성 등을 고려하여 고장 및 결함을 방지할 수 있는 요소를 포함하도록 구성되었다.
PdM 솔루션은 정비 관련 지연과 취소에 대해 30%에서 50%까지 예측할 수 있으며, 이로써 정시성 준수율이 3~5%의 개선이 이루어진다. 다시 말해, 이러한 솔루션은 물리적 자산에서 데이터를 필터링하고 통합하여 상황에 맞게 조정한 후 현재 기술적 상황에 대한 실행 가능한 분석 결과를 제공한다. 이 솔루션은 데이터의 분석을 통해 장치 및 시스템 고장 전에 엔지니어들이 선제적으로 정비하여 고장 및 결함이 발생한 부품을 교체하거나 수리 할 수 있도록 지원한다.
여객선 제원은 Table 2와 같고 여객선은 하루 3항차를 항해하였으며, 출항과 정박 프로세스가 5~10분 정도로 일정하고 신속하였다. 여객선의 운항 시 램프, 램프 계선윈치, 조향 장치, 추진 엔진이 자주 사용되었고, TMB 방식으로 유지보수를 수행하였다. 여객선에서 운용되는 주요 기계장치 및 모니터링 장치는 Fig.
이 솔루션은 데이터의 분석을 통해 장치 및 시스템 고장 전에 엔지니어들이 선제적으로 정비하여 고장 및 결함이 발생한 부품을 교체하거나 수리 할 수 있도록 지원한다. 예측 분석을 기반으로 한 자산성능 모니터링 프로그램은 항공사의한 곳인 Delta 항공의 항공기 정시성 준수율과 같은 지표를 개선하도록 했다. 이를 통해 1, 200회의 지연과 서비스 장애 및 일정 취소를 예방할 수 있었다.
및 분석하였다. 해양에서 운용되는 장비와 시스템은 특수한 사용환경으로 고장과 결함에 취약한 경우가 존재하며, 즉각적인 육상 지원을 받을 수 없어 선제적이고 효율적 인정비 시스템이 요구되어 해양 운송 선박에 PdM을 적용하고자 필요성을 검토하였고, 해양 환경에 중점을 둔 해양 예지 정비(MPdM, Maritime Predictive Maintenance) 기반 모델을 구성하고 검증 및 개선하였다.
대상 데이터
데이터를 취득하기 위해 선박의 주요 장치 및 시스템을 파악하여 Fig. 4와 같이 데이터 취득 장치를 설치하였고 항로, 수심, 풍속, 선속, pitching 등의 항해 데이터 및 추진 엔진 데이터를 포함 총 17종의 데이터를 취득하였다.
연안 여객선은 입출항이 빈번하게 이루어져 선박 및 기계장치의 다양한 운용 조건에서의 데이터 취득 및 내구성 관련 검토가 가능하며, 연안의 계절에 따른 변화무쌍한 날씨 및 조류 변화 등 다변하는 해상환경에서 운용되어 다양한 외부조건에 대한 데이터 취득이 가능하여 MPdM 적용 및 검토 대상으로 연안 여객선을 선정하였다. 최소의 인력으로 운영되며, 일반 상선 만큼 각종 센서를 기반으로 한 상태 모니터링 및 제어 시스템이 갖추어지지 않고 많은 인명을 수송하는 차도선이 다른 어떤 선박들보다 사고 예방 및 운용 효율성 향상을 위해 MPdM의 적용이 필요할 것으로 판단된다.
성능/효과
MPdM을 검증 및 개선하고자 연안 여객선(차도선)을 대상으로 운항 특성 파악하고 주요 데이터를 취득 및 분석하여 MPdM의 활용 가능성을 높였을 뿐만 아니라 기계 학습의 결과와 알고리즘 결과 간의 교차 검증을 통해 알고리즘의 정확성을 파악할 수 있었다.
MPdM의 핵심 항목 중 항해 상태(Navigation situation)에 따른 분석 모델을 검증 및 개선하고자 PCA(Principle Component Analysis) 분석 기법으로 데이터를 분석 결과 17개의 변수가 항해의 영향성을 판단할 수 있는 2종의 주성분이 도출되었다.
RBMe 결함이 발생한 경우 가장 위험성 있는 작업을 수행하는 장치에 리스크 평가 방법론을 사용하여 일부 정비 리소스를 할당하는 정비이고, CBMe 데이터 분석, 의사결정 및 개입을 통해 고장이나 결함이 발생하기 전에 감지하여 정비하는 방법이다. 마지막으로 PdM과 CBMe 비슷한 정의를 사용할 수 있지만, 본 논문은 CBM이 PdM의 기능 중 한 가지에 해당하기 때문에 CM이 PdM의하부 범주에 속하는 것으로 판단한다. 인공지능과 산업용 사물인터넷(IoT)에 비롯된 장비센서, 머신러닝과 같은 기술은 CBM에는 명확히 누락되어 있지만 PdM에는 존재한다.
6은 여객선의 오전 항차의 비정상 항해 시 MPdM 분석 결과 그래프이다. 여객선의 운항 시간 및 여건 등으로 인하여 오전 항차 시 평상시보다 수심이 낮은 항로로 항해 시취득한 데이터를 반영하여 분석한 결과로 오전 항해 클러스터 영역을 벗어나 오후 항해 클러스터에 가까운 영역에 결과가 도출됨을 확인 함으로써 MPdM의 유효성을 검증하였으며, 기계 학습의 결과와 알고리즘 결과 간의 교차 검증을 통해 알고리즘의 정확성을 확보 할 수 있었다. 또한 전체 센서뿐만 아니라 각 센서의 정확도를 다양한 센서 조합과 확인을 통하여 센서의 수량을 줄일 수 있는지의 가능성을 검토하였다.
5와 같다. 정상 항해 기준으로 하루 3항차(오전/Morning, 정오/Noon, 오후/Afternoon) 를 항해하는 여객선의 특성과 같이 2종의 주성분을 기준으로 하여 오전 항해, 정오 항해, 오후 항해 3종의 정상 상황 클러스터가 형성되어 비정상/고장/이상 상황을 판단할 수 있는 기반 모델로 활용할 수 있음을 확인하였으며, 선박 수집데이터 및 운용 현항 조사 결과를 반영하여 MPdM을 개선할 수 있었다.
후속연구
고안된 MPdM을 선박에 적용 결과 선박의 운항 상태 기반모니터링을 통하여 선박의 이상 징후를 파악할 수 있음을 확인함으로써 지속적인 MPdM의 개발을 통해 이상 징후를 판단을 기반으로 예지 정비를 수행 기술이 구현되면 선박의 운항 효율성 향상으로 사고 예방 및 비용 절감에 기여 할 수 있을 것으로 판단된다.
본 연구를 바탕으로 해양 선박에 PdM을 적용하기 위한 다양한 연구가 진행되어 해양 선박의 운항 효율성 및 경쟁력 향상에 기여할 수 있기를 기대한다.
연안 여객선은 입출항이 빈번하게 이루어져 선박 및 기계장치의 다양한 운용 조건에서의 데이터 취득 및 내구성 관련 검토가 가능하며, 연안의 계절에 따른 변화무쌍한 날씨 및 조류 변화 등 다변하는 해상환경에서 운용되어 다양한 외부조건에 대한 데이터 취득이 가능하여 MPdM 적용 및 검토 대상으로 연안 여객선을 선정하였다. 최소의 인력으로 운영되며, 일반 상선 만큼 각종 센서를 기반으로 한 상태 모니터링 및 제어 시스템이 갖추어지지 않고 많은 인명을 수송하는 차도선이 다른 어떤 선박들보다 사고 예방 및 운용 효율성 향상을 위해 MPdM의 적용이 필요할 것으로 판단된다. 여객선 제원은 Table 2와 같고 여객선은 하루 3항차를 항해하였으며, 출항과 정박 프로세스가 5~10분 정도로 일정하고 신속하였다.
운항 경로에 상당한 양의 어망이 설치되어 있었기 때문에 항해 시 주의 깊은 당직 근무가 요구된다. 한국의 거친 바다와 여러 도서 지역을 항해하는 해당 여객선의 특성상 숙련되고 경험이 많은 선장과 엔지니어의 역량이 무엇보다 안전운항에 중요하게 판단됐으며, 선박의 상태 및 항로 변경에 영향을 미치는 선장과 엔지니어의 교대 또한 매우 중요한 요소로 검토가 필요할 것으로 판단된다. 이러한 현장 조사를 통해 얻은 정보는 MPdM의 활용 가능성을 높였을 뿐만 아니라 연구를 더욱 발전시킬 수 있는 현장의 의견을 파악하였다.
참고문헌 (6)
Akyuz, E. and E. Celik(2018), The role of human factor in maritime environment risk assessment: A practical application on Ballast Water Treatment (BWT) system in ship, Human and Ecological Risk Assessment, 24(3), pp. 653-666.
Bahr, N. J.(2018), System safety engineering and risk assessment: a practical approach. CRC press.
Diana, T.(2017), Has market concentration fostered on-time performance? A case study of seventy-two US airports, J. Air Transport Management, 58, pp. 1-8.
Favi, C., F. Campi, M. Germani, and S. Manieri(2018), Using design information to create a data framework and tool for life cycle analysis of complex maritime vessels, J. Cleaner Production, 192, pp. 887-905.
Mehairjan, R., M. Osborne, and J. Smit(2019), Substation Maintenance Strategies, Substations, 12(2), pp. 997-1009.
Sotiralis, P., N. P. Ventikos, R. Hamann, P. Golyshev, and A. P. Teixeirac(2016), Incorporation of human factors into ship collision risk models focusing on human centred design aspects, Reliability Engineering & System Safety, 156, pp. 210-227.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.