[논문]시계열 특징을 갖는 선박용 공기 압축기 전류 데이터의 이상 탐지 알고리즘 적용 실험

이정형

doi:10.7837/kosomes.2021.27.1.127

문제 정의

본 연구는 선박용 공기압축기의 상태기반보전 시스템에 필요한 이상치 탐지 알고리즘을 적용한 실험적 연구로서 고장 모사 실험을 통해 얻은 시계열 전류 센서 데이터에서 오토인코더 알고리즘을 활용한 이상탐지의 가능성을 확인하였다. 고장 유형 10종에 대해 실험실 규모의 고장 모사 실험을 수행하였으며 정상 운전데이터와 고장 데이터를 구축하였다.
본 연구의 목적은 선박의 대표적인 보조기계 중 공기압축기의 데이터 기반 고장 진단 시스템 구현에 필요한 기초적 연구를 수행하는 것이다. 본 연구에서는 상기한 기존 연구의 문제점을 해결하기 위해 실험실 규모로 구축된 공기압축기를 이용해 운전 데이터를 확보하였으며, 이를 기반으로 시계열 데이터의 이상치 탐지 알고리즘의 일종인 오토인코더(Auto encoder)를 적용하여 이상치 탐지 모델을 구축하였다.

가설 설정

1) V-belt 이탈: 기동과 동시에 운전 부하는 정상 상태에 비해 낮은 상태로 유지된다. 구동체(모터)와 피동체(압축기) 를 연결하는 벨트가 이탈된 상태로 운전되어 압축기가 구동되지 않으므로 압축공기가 충전되지 않는다.
7) V벨트의 장력 과다: 운전 패턴은 정상운전과 차이가 없으나 운전 중 부하가 정상 운전에 비해 높게 나타나고 있다.
검증 데이터의 시나리오에서는 정상 운전 중이던 공기압축기가 2020년 12월 11일 11시 05분경 고장 모드 3(압축공기의 미량누설)에 의한 고장이 발생하여 쇼트 사이클 운전을 한 후 11시 25분경 정상으로 복구되었다. 이후 공기압축기는 다시 정상 운전을 시작하였으며, 12시 25 분 경 기동과 함께 V-벨트가 이탈된 상황을 가정하였다. 이와 같이 정상운전과 2종의 고장 신호가 포함된 데이터를 구축된 모델에 주입하여 이상탐지 가능성을 검토하였다.

제안 방법

고장 모드는 사전에 진행된 결함수 분석(Fault tree analysis) 을 통해 도출하였으며 주요 고장 유형을 동력전달계통의 고장, 압축기 및 원동기 고장, 공기 누설로 구분하였다. 정상 및 고장 시나리오 모두 압축공기가 일정하게 소모되는 상황을 구현하기 위해 2분을 주기로 탱크의 압축공기가 자동으로 배출, 차단되도록 하였다.
고장 유형 10종에 대해 실험실 규모의 고장 모사 실험을 수행하였으며 정상 운전데이터와 고장 데이터를 구축하였다. 정상 운전데이터를 이용하여 비지도기반의 오토인코더를 이용해 이상탐지모델을 구축하였으며 실제 고장 데이터를 이용하여 이상 탐지 가능성을 검증하였다.
구축하였다. 구축된 이상탐지 모델은 실제 운전 및 고장 데이터를 이용해 제작한 인공 데이터 셋(Synthetic dataset) 을 통해 검증하였다. 검증 데이터의 시나리오에서는 정상 운전 중이던 공기압축기가 2020년 12월 11일 11시 05분경 고장 모드 3(압축공기의 미량누설)에 의한 고장이 발생하여 쇼트 사이클 운전을 한 후 11시 25분경 정상으로 복구되었다.
본 연구에서는 상기한 기존 연구의 문제점을 해결하기 위해 실험실 규모로 구축된 공기압축기를 이용해 운전 데이터를 확보하였으며, 이를 기반으로 시계열 데이터의 이상치 탐지 알고리즘의 일종인 오토인코더(Auto encoder)를 적용하여 이상치 탐지 모델을 구축하였다. 또한 공기압축기의 다양한 고장 유형을 구현한 고장 모사실험을 통해 고장 데이터를 수집하였으며 이를 이용하여 이상 탐지 성능을 검증하였다.
본 실험에서는 공기압축기의 정상 운전 데이터를 기반으로 오토인코더를 이용하여 입력 시퀀스의 길이(180초, 240초 - 각각 모델 A, B로 명명)를 변수로 하여 2개의 이상 탐지 모델을 구축하였다. 구축된 이상탐지 모델은 실제 운전 및 고장 데이터를 이용해 제작한 인공 데이터 셋(Synthetic dataset) 을 통해 검증하였다.
이러한 임계치 설정에 있어 기존에는 정적(Static) 기준치를 적용하였으나 상태기반보전시스템에서는 상태에 기반의 동적 (Dynamic) 기준치 설정이 필요하다. 본 연구에서는 공기압축기의 상태기반보전에 필요한 이상 판단의 기준치 설정을 위해 비지도학습 기반의 오토인코더를 적용하였다.
수행하는 것이다. 본 연구에서는 상기한 기존 연구의 문제점을 해결하기 위해 실험실 규모로 구축된 공기압축기를 이용해 운전 데이터를 확보하였으며, 이를 기반으로 시계열 데이터의 이상치 탐지 알고리즘의 일종인 오토인코더(Auto encoder)를 적용하여 이상치 탐지 모델을 구축하였다. 또한 공기압축기의 다양한 고장 유형을 구현한 고장 모사실험을 통해 고장 데이터를 수집하였으며 이를 이용하여 이상 탐지 성능을 검증하였다.
이후 공기압축기는 다시 정상 운전을 시작하였으며, 12시 25 분 경 기동과 함께 V-벨트가 이탈된 상황을 가정하였다. 이와 같이 정상운전과 2종의 고장 신호가 포함된 데이터를 구축된 모델에 주입하여 이상탐지 가능성을 검토하였다.
대해 전류데이터를 취득하였다. 전류 측정은 원동기의전원 1상에 대하여 관통형 변류기(Current transformer)를 설치하여 데이터수집장치(Data Acquisition Unit, DAQ)에서 20 Hz의 주기로 수집 및 처리 후 PC에 저장하였다. 측정된 전류 값은 공기압축기의 부하 전류로서 RMS 형태로 변환된 값이다.
전체 데이터 세트는 학습용 90%, 검증용 10%의 비율로 구분하였으며 학습을 통해 구축된 모델의 성능은 검증용 데이터 세트를 통해 검증되도록 하였다. 학습은 학습계수(Learning rate) 0.
정상 및 고장 시나리오 모두 압축공기가 일정하게 소모되는 상황을 구현하기 위해 2분을 주기로 탱크의 압축공기가 자동으로 배출, 차단되도록 하였다. 이에 따라 탱크 압력이 감소되고 공기압축기는 자동으로 운전, 정지가 반복되었다.
고장 유형 10종에 대해 실험실 규모의 고장 모사 실험을 수행하였으며 정상 운전데이터와 고장 데이터를 구축하였다. 정상 운전데이터를 이용하여 비지도기반의 오토인코더를 이용해 이상탐지모델을 구축하였으며 실제 고장 데이터를 이용하여 이상 탐지 가능성을 검증하였다. 실험 결과, 구축된 이상탐지모델은 시계열 데이터의 주기에 변화를 유발하는 고장은 잘 탐지하는 반면 미세한 부하 변동에 대한 탐지 성능은 떨어졌다.
세트를 통해 검증되도록 하였다. 학습은 학습계수(Learning rate) 0.001, 배치크기(Batch size) 128로 설정하여 총 50번의 epoch 동안 이루어졌으며, 5회 연속 오차 값의 개선이 없을경우 학습이 조기 종료되도록 하였다. 또한 Adam optimizer를 통해 최적화되도록 하였으며, 손실함수는 입력과 복원의 오차의 차에 대한 평균제곱오차(Mean Square Error, MSE)를 사용하였다.

대상 데이터

본 실험에서는 공기압축기의 정상 운전과 10종의 고장 모드에 대해 전류데이터를 취득하였다. 전류 측정은 원동기의전원 1상에 대하여 관통형 변류기(Current transformer)를 설치하여 데이터수집장치(Data Acquisition Unit, DAQ)에서 20 Hz의 주기로 수집 및 처리 후 PC에 저장하였다.
만약 공기압축기 계통에 이상이 발생하면 작동 주기의 변화가 발생하고 이는 시계열 데이터에 반영된다. 본 연구에서 취득한 데이터는 단 변량 시계열(Univariate time-series) 특징을 갖는 공기압축기의 전류 데이터이다.
실험에 사용된 공기압축기는 왕복동식으로서 압축기와 압축기를 구동하는 원동기(Motor), 압축 공기가 저장되는 저장탱크, 자동 충전을 위한 제어기로 구성된다. 본 연구에서는 실험실 규모에서 데이터 취득이 용이한 이동식 공기압축기를 사용하였으며 제원은 아래와 같다.
실험대상은 선박용 공기압축기이다. 이는 다양한 기계요소가 구비되어 있고 잦은 운전 정지로 인해 고장 발생 가능성이 높을 뿐만 아니라 정비 항목이 많아 고장 진단 실험 및 검증에 적합하다고 판단하였다.
선박에서 공기 압축기는 주기관의 시동 및 제어에 필요한 압축공기 공급에 근본적인 설치 목적이 있으며 각종 보조기기의 제어뿐만 아니라 화물유 탱크의 불활성기체 제조를 위한 질소 발생기에도 활용되는 등 중요한 보조기계 중 하나이다. 실험에 사용된 공기압축기는 왕복동식으로서 압축기와 압축기를 구동하는 원동기(Motor), 압축 공기가 저장되는 저장탱크, 자동 충전을 위한 제어기로 구성된다. 본 연구에서는 실험실 규모에서 데이터 취득이 용이한 이동식 공기압축기를 사용하였으며 제원은 아래와 같다.
이후 전처리 과정은 먼저 원시 데이터(Raw data)는 1초 단위로 재샘플링(Resampling)한 뒤 최대-최소 정규화를 통해 값의 범위를 0~1이 되도록 하였다. 전처리 후 데이터 개수는 12, 220개였다.

데이터처리

001, 배치크기(Batch size) 128로 설정하여 총 50번의 epoch 동안 이루어졌으며, 5회 연속 오차 값의 개선이 없을경우 학습이 조기 종료되도록 하였다. 또한 Adam optimizer를 통해 최적화되도록 하였으며, 손실함수는 입력과 복원의 오차의 차에 대한 평균제곱오차(Mean Square Error, MSE)를 사용하였다.

이론/모형

필요하다. 또한 원동기의 전류 데이터는 기동-정지에 반복에 따른 값의 편차가 크며 고장과 무관한 이상치가 수집되기 때문에 이들 데이터는 Z-score법을 이용해 제거하였다. 이후 전처리 과정은 먼저 원시 데이터(Raw data)는 1초 단위로 재샘플링(Resampling)한 뒤 최대-최소 정규화를 통해 값의 범위를 0~1이 되도록 하였다.
오토 인코더는 이를 구성하는 신경망 구조에 따라 적층형 (Stacked), 변이형(Variational), 잡음제거형(Denoising) 등의 다양한 구조가 제안되고 있으나, 본 연구에서는 가장 단순한 형태의 합성곱 오토인코더(Convolutional autoencoder) 모델을 적용하였다. Fig.
이상탐지를 위해 적용한 알고리즘은 시계열 데이터의 이상치 탐지에서 우수한 성능을 나타내는 오토인코더를 적용하였다. 오토인코더는 신경망을 이용해 임의의 입력값과 같은 출력값으로 재생성하도록 하는 비지도 학습(Unsupervised learning) 기반의 알고리즘이다.
2에 도시한 바와 같이 합성곱 기반 오토인코더는 인코더(Encoder) 부에 해당하는 2개의 1차원 합성곱층(Convolutional layer)과 디코더(Decoder) 부에 해당하는 2개의 합성곱 전치층(Convolution transpose)으로 구성되어 있으며 출력층을 제외한 모든 층에 적용된 활성화 함수는 Relu함수이다. 이와 같은 모델은 Keras에서 제공하는 Sequential 모델을 이용하여 구성하였다. 학습에 사용된 워크스테이션 사양과 소프트웨어 라이브러리 버전은 Table 1에 정리하였다.

성능/효과

10) 공기압축기의 윤활유 부족: 윤활유를 제거한 상태에서 운전한 것으로 운전 패턴은 정상 운전상태와 유사하나 운전 중 부하는 정상에 비해 약간 큰 값을 나타내고 있다. 이상의 관찰을 통해 고장 모드 구현에 의한 운전 중 전류 신호의 패턴을 파악할 수 있었다.
2) 압축공기의 대량 누설: 누설량이 충전량보다 많은 상태로서 압축기가 기동되어 운전되나 누설량이 과다하여 충전이 되지 않으며 압축기는 계속 운전된다(Long-run).
3) 압축공기의 미량 누설: 정상운전 상태와 운전 패턴은 유사하나 기동과 정지가 단 시간 내에 반복되는 이른바 쇼트 사이클링(short cycling)이 관찰된다.
4) 압축공기의 소량 누설: 고장모드 2에 비해 누설량이 많지는 않으나 충전량이 누설량에 미치지 못하여 운전이 계속되는 고장 형태이다. 고장모드 2에 비해 운전부하는 약간 높은 상태가 관찰된다.
5) 모터 측 베어링의 손상: 정상 운전상태와 유사한 운전패턴을 보이고 있으나 운전 중 부하가 정상 운전보다 높게 나타난다.
구축된 이상탐지 모델은 실제 운전 및 고장 데이터를 이용해 제작한 인공 데이터 셋(Synthetic dataset) 을 통해 검증하였다. 검증 데이터의 시나리오에서는 정상 운전 중이던 공기압축기가 2020년 12월 11일 11시 05분경 고장 모드 3(압축공기의 미량누설)에 의한 고장이 발생하여 쇼트 사이클 운전을 한 후 11시 25분경 정상으로 복구되었다. 이후 공기압축기는 다시 정상 운전을 시작하였으며, 12시 25 분 경 기동과 함께 V-벨트가 이탈된 상황을 가정하였다.
정상 운전데이터를 이용하여 비지도기반의 오토인코더를 이용해 이상탐지모델을 구축하였으며 실제 고장 데이터를 이용하여 이상 탐지 가능성을 검증하였다. 실험 결과, 구축된 이상탐지모델은 시계열 데이터의 주기에 변화를 유발하는 고장은 잘 탐지하는 반면 미세한 부하 변동에 대한 탐지 성능은 떨어졌다. 오토인코더를 이용한 시계열 데이터의 이상탐지 모델은 입력 시퀀스의 길이와 초모수 조정에 따라 이상 탐지 성능이 상이하므로 향후 이의 최적화를 통한 성능 향상이 중요한 과제로 남는다.
있다. 이상의 관찰을 통해 고장 모드 구현에 의한 운전 중 전류 신호의 패턴을 파악할 수 있었다. 고장 모드 별 전류 데이터는 전반적으로 정상 운전과 유사한 경향을 보이고 있지만 운전 주기와 운전 중 부하 크기에 차이를 보이고 있다.

후속연구

또한 비지도학습 기반의 이상탐지 모델 특성 상 정답 레이블이 없으므로 Accuracy, Recall, Precision, F1-score 등을 통한 성능 평가를 적용하기 어렵다는 한계가 있다. 따라서 이상탐지 모델의 성능 평가를 위해 데이터의 이상 정도를 측정할 수 있는 성능지표 개발이 필요할 것이다.
본 연구에서 취득한 전류 센서값은 단일 특징값을 갖는 시계열 데이터로서 이상 탐지에 유효한 정보이지만, 고장 모드의 식별(분류)에는 유용하지 않은 정보임에 주목할 필요가 있다. 즉, 원동기에서 얻을 수 있는 다양한 센서 데이터 중 전류의 RMS값은 단독적으로 고장 패턴 분류에 적합하지 않은 특징이라 할 수 있다.
본 연구에서는 초모수(Hyperparameter)의 최적화를 통한 모델의 성능 개선은 고려하지 않았다. 초모수는 오토인코더로학습시킨 모델의 이상 탐지 성능에 영향을 미치는 요소이므로 향후 추가적인 연구가 필요할 것으로 판단된다(Nicolau and McDermott, 2018).
실험 결과, 구축된 이상탐지모델은 시계열 데이터의 주기에 변화를 유발하는 고장은 잘 탐지하는 반면 미세한 부하 변동에 대한 탐지 성능은 떨어졌다. 오토인코더를 이용한 시계열 데이터의 이상탐지 모델은 입력 시퀀스의 길이와 초모수 조정에 따라 이상 탐지 성능이 상이하므로 향후 이의 최적화를 통한 성능 향상이 중요한 과제로 남는다.
성능 개선은 고려하지 않았다. 초모수는 오토인코더로학습시킨 모델의 이상 탐지 성능에 영향을 미치는 요소이므로 향후 추가적인 연구가 필요할 것으로 판단된다(Nicolau and McDermott, 2018). 또한 비지도학습 기반의 이상탐지 모델 특성 상 정답 레이블이 없으므로 Accuracy, Recall, Precision, F1-score 등을 통한 성능 평가를 적용하기 어렵다는 한계가 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

시계열 특징을 갖는 선박용 공기 압축기 전류 데이터의 이상 탐지 알고리즘 적용 실험
Experimental Study on Application of an Anomaly Detection Algorithm in Electric Current Datasets Generated from Marine Air Compressor with Time-series Features 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

시계열 특징을 갖는 선박용 공기 압축기 전류 데이터의 이상 탐지 알고리즘 적용 실험 Experimental Study on Application of an Anomaly Detection Algorithm in Electric Current Datasets Generated from Marine Air Compressor with Time-series Features 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

이정형 (9)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

시계열 특징을 갖는 선박용 공기 압축기 전류 데이터의 이상 탐지 알고리즘 적용 실험
Experimental Study on Application of an Anomaly Detection Algorithm in Electric Current Datasets Generated from Marine Air Compressor with Time-series Features 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper