1. 서 론

Industry 4.0이 대두됨에 따라 빅데이터 분석, IoT(Internet of Things), 머신 러닝과 같은 ICT(Information & Communication Technology) 기술을 사회와 산업 전반에 적용하려는 시도가 활발하게 진행되고 있으며, 선박에서도 운항 중 생성된 빅 데이터를 이용하려는 연구가 최근 꾸준하게 진행되고 있다. 선박의 다양한 데이터를 통합 관리하기 위한 표준화 작업과 수집방법에 관한 연구가 수행되었고(Rødseth et al., 2016), 선 박 및 물류의 이동 경로를 분석하여 최적의 경로를 생성하 는 연구가 시도 되었다(Mirovic et al., 2018). 이와 함께 위성 을 통하여 육상으로 데이터를 전달하려는 방법도 위성사업 자를 중심으로 다양하게 제안되고 있다. 특히 최근 위성통 신기술의 발달로, 과거보다 많은 양의 데이터를 육상으로 전송 가능하게 됨으로써 digital twin과 같이 운항하는 선박과 똑같은 가상의 선박의 시뮬레이터를 육상에 구축하려는 시 도도 진행되고 있다(DNV-GL, 2018). 이러한 시뮬레이터 구축 을 위해 선박에서 수집된 빅데이터를 분석하기 위한 환경을 구축하고 다양한 통계기법을 이용하여 분석한 연구도 발표 가 되었다(Perera and Mo, 2016;Wang et al., 2017).

운항선 서비스 애플리케이션의 경우 연료 절감을 목적으 로 기상데이터를 활용하여 선박의 최적 항로를 제안하는 소 프트웨어가 개발되어 탑재되고 있을 뿐만 아니라, 환경 규제 에 대응하기 위해 연료소모량과 배출가스를 기록하는 소프 트웨어가 탑재되는 경우도 있다. 빅데이터를 이용하여 선박 의 성능을 평가하는 연구가 발표가 되었고(Carlos et al., 2018), mobile App. cloud, 빅데이터를 이용하여 선박운항 중 사고위 험을 줄이기 위한 연구 결과도 발표되었다(García-Domínguez, 2015).

또한, 기존 선박의 선교 및 기관실의 유지보수관리 시스 템과 통합관리시스템에 대한 개발이 시도 되었으나(Lim et al., 2011), 수집된 데이터를 선원이 직접 기입하여 육상으로 송부하는 방법이 주가 되었으며, 데이터의 종류가 제한적이 고 실제 육상이나 선내에 데이터베이스를 구축하여 분석을 수행한 연구 사례는 거의 없다. 또한 제안하는 서비스도 기 상상태에 따른 운항경로 최적화나 현재의 연비 상황을 모니 터링 하는 것 등에 국한되어 있다.

따라서 본 연구에서는 스마트선박 플랫폼이 탑재된 Aframax class tanker를 대상으로 선박 실운항 데이터를 효과적으로 취 득하고 수집된 데이터 중 주기관(main engine) 관련 데이터에 시계열, 통계, 상관관계 분석을 시도하여 경제 안전 운항에 유용한 결과를 도출하였다.

2. 선박 실운항 데이터 취득

스마트선박 시스템은 크게 선내 데이터를 수집 및 전송, 저장하는 데이터 플랫폼과 선박 운항에 필요한 서비스를 제 공하는 onboard solution 플랫폼, 그리고 선주사 또는 메이커 등 육상 관리자가 활용할 수 있는 onshore solution 플랫폼으 로 구성된다. 또한, 선박에서 육상으로 데이터를 전달하기 위한 위성통신시스템과 이렇게 전송된 데이터를 저장하는 cloud 시스템이 부가적으로 포함될 수 있다.

Fig. 1은 본 연구에서 실선에 적용한 삼성중공업 스마트선 박 시스템의 전체 구성도이다. 선내에서 데이터를 수집하고 저장하는 데이터 플랫폼(BIG, on-Board Integrated Gateway)과 취득한 데이터를 선박에서 분석하여 서비스를 제공하는 onboard solution 플랫폼(SVESSEL ONBOARD), 그리고 육상 모 니터링 및 관리를 위한 onshore solution 플랫폼(SVESSEL ONSHORE)으로 구성되어 있다.

2.1 대상 선박

본 연구에서는 LNG(Liquefied Natural Gas)를 연료로 혼용하 는 엔진을 탑재한 Aframax class tanker를 대상으로 삼성중공 업 스마트선박 플랫폼을 적용하여 실운항 데이터 취득 및 관련 연구를 수행하였다. Table 1에서는 실증 대상 선박의 상세 제원을 보여주고 있다.

데이터 분석을 위해 2019년 04월 18일부터 2019년 5월 1일 까지 1분 간격으로 운항데이터를 취득하였으며 상세 수집 과정은 다음과 같다.

2.2 선내 데이터 수집 플랫폼

BIG(on-Board Integrated Gateway)은 스마트선박을 위한 IIoT 플랫폼으로 선박의 다양한 기계장치, 제어시스템, 센서 등으 로부터 서비스에 필요한 데이터를 수집하고, 표준화된 meta 체계로 변환하여 저장 및 전송하는 시스템이다.

BIG과 기존의 항통시스템 또는 자동화 시스템 간의 차별 점은 개별 장비의 모니터링 또는 제어를 위해 데이터를 수 집하는 것이 아니라, 데이터 분석과 KPI(Key Performance Index) 계산을 위해 여러 시스템으로부터 수집된 데이터를 하나로 통합하고 저장하거나 육상으로 전송한다는 점이다.

Fig. 2의 좌측 이미지는 BIG의 선내 인터페이스 개념도이 다. 항통장비의 경우 NMEA(The National Maritime Electronics Association) 표준 프로토콜을 사용하며, 개별 INS(Integrated Navigation System) 장비와 연결하여 데이터를 전달받거나, VDR(Voyage Data Recorder)을 통하여 데이터를 전달받는다. 기계 장비 데이터는 개별 장비와 직접 인터페이스 하거나 automation system으로 우선 수집된 데이터를 modbus 프로토 콜 방식으로 전달받는다. Fig. 2의 우측 이미지는 대상 선박 의 조타실에 BIG과 SVESSEL ONBOARD가 설치된 모습이다. 하부에 PC 및 통신 장비들을 rack으로 구성하고 책상 상단에 모니터와 입력장치를 배치하였다.

BIG으로 전달된 데이터는 표준 데이터체계인 metadata로 변환되어 선내 데이터베이스에 저장되고 이를 기반으로 선 내 서비스 플랫폼인 SVESSEL ONBOARD로 서비스를 제공하 고 또한 선박 위성통신을 통하여 cloud 서버로 전송된다.

2.3 육상 데이터 취득 플랫폼

SVESSEL ONSHORE는 육상 선박 관리자를 위한 웹 플랫 폼으로 cloud 서버와 연결되어 다수의 선박에서 수집하는 데 이터를 제공하고 다양한 형태로 분석하여 선대 모니터링 및 관리를 위한 각종 솔루션을 제공한다.

Fig. 3은 SVESSEL ONSHORE에서 실운항 데이터를 내려받 는 화면이다. 대상 선박을 선택하고 데이터 조회 기간 및 데 이터 항목을 설정한 뒤 요청을 하면 엑셀 파일로 내려받을 수 있다.

2.4 수집 데이터 품질

선박에서 수집하여 전송되는 데이터의 품질을 비교하기 위하여 BIG을 통해 수집되는 AIS(Automation Identification System) 장비 위경도 데이터와 실제 AIS 장비에서 GPS 위성 을 거쳐 위성사업자로부터 전달받는 위경도 데이터의 정밀 도를 비교하였다.

Fig. 4는 SVESSEL ONSHORE에서 대상 선박의 BIG과 위성 사업자를 통해 전달받은 AIS 자체 데이터의 위경도를 비교 한 그림으로 보이는 바와 같이 BIG에서 전달받은 데이터가 유실률이 적어 더욱 정밀하다는 것을 알 수 있다.

또한 Table 2와 같이 BIG의 경우 선박의 다양한 장비로부 터 데이터를 수집하기 때문에 대상 선박의 운항 성능을 평 가하기에 상대적으로 더 적합하다고 할 수 있다.

3. 데이터 분석 결과

본 장에서는 앞서 언급한 바와 같이 SVESSEL을 통해 수 집한 데이터를 기반으로 선박에서 가장 중요한 장비라고 할 수 있는 주기관의 운전 특성을 분석하였으며 그 결과는 다 음과 같다.

3.1 시계열 분석

Fig. 5는 데이터가 수집된 기간 동안 대상 선박의 운항경 로와 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 기술하 면 아래와 같다.

Fig. 5의 2번째 시계열 차트는 선박의 속도(SOG, Speed Over Ground)와 주기관의 출력(load)을 나타내는 차트이다. 운 항 중인 시점과 정박 중인 시점에서의 데이터 값의 차이가 계단식으로 정확하게 구분되는 것을 알 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 진 단할 수 있는 주요 계측 데이터가 본 플랫폼을 통해서 정밀 하게 그래프화 될 수 있음을 확인하였다.

3.2 통계 분석

주기관과 관련된 데이터 계측 값을 propulsion, exhaust gas, scavenge air, cooling water 그룹으로 분류하였고 각각의 계측 값들에 대한 기술 통계 값을 분석하였다.

Fig. 6은 propulsion 관련 계측 데이터(SOG, M/E Speed, M/E Load)의 기술 통계 결과이다. 먼저 box plot을 보면 SOG의 range가 가장 작고 M/E speed의 range가 가장 크다는 것을 알 수 있다.

Fig. 7은 M/E scavenge air 관련 계측 데이터(Each cylinder’s scav. air box temp, Air receiver temp)의 기술 통계 결과이다. 소기 리시버에서의 평균온도는 31℃이나 각 실린더로 공급 되는 시점에서의 소기 온도는 평균 35℃~36℃ 정도로 상승 한다는 것을 알 수 있다. 또한 box plot을 통해 기통 간의 온 도 분포 특성의 차이를 쉽게 확인할 수 있으며, 실시간 운전 점을 대입하면 기통별 소기온도의 이상 여부를 판단하는데 주요한 지표가 된다.

Fig. 8은 M/E의 배기가스 관련 계측 데이터(Each cylinder’s exh. gas temp, T/C in & out temp)의 기술 통계 결과이다. 소기 온도 결과와 마찬가지로 각 기통별 배기가스 온도의 변동성 을 쉽게 확인할 수 있으며, 실시간 운전점을 대입하여 온도 의 정상 여부 판단의 근거로 활용할 수 있다.

Fig. 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 가 지고 있는 것으로 나타나며, air cooler로 순환하는 저온 냉각 수와 cylinder jacket으로 순환하는 고온 냉각수가 확연히 구 분되는 것을 확인할 수 있다. 또한, 실시간 plotting을 한다면 엔진의 냉각수 계통에 이상 여부를 쉽게 확인할 수 있다.

3.3 상관관계 분석

상관관계 분석은 연속형 데이터에서 두 변수 간의 상호관 계를 파악하고자 할 때 사용하는 분석법이다. 특히 두 변수 의 상관관계의 크기는 상관계수로 정량화할 수 있다. 상관 관계 계수는 피어슨 상관계수, 스피어만 상관계수, 켄달 상 관 계수가 대표적이며 본 논문에서는 피어슨 상관계수를 사 용하여 상관관계 분석을 하였다. 피어슨 상관계수는 두 변 수 간의 관련성을 구하기 위해 가장 보편적으로 이용되는 방법이며 다음과 같은 식(1)로 표현된다.

피어슨 상관계수는 -1 ~ 1의 값 범위를 가지는데 다음과 같이 결과를 해석 할 수 있다.

대표적인 양의 상관관계와 음의 상관관계를 가지는 계측 값을 산포도로 도시하고 상관계수를 계산하였다. Fig. 10은 그 결과이다. 주기관의 부하와 배기가스 온도는 강한 양적 선형관계(r = 0.95)를 보이는 반면에 주기관 부하와 냉각수 공 급 온도는 뚜렷한 음적 선형관계(r = -0.55)를 나타낸다는 것 을 알 수 있다. 이를 통하여 배기가스 온도변화는 기관의 부 하 변화에 기민하게 반응한다는 것을 알 수 있으며, 부하의 변화가 없음에도 불구하고 배기가스 온도의 변화가 발생할 때는 이를 기관 이상의 징후로 판단하는 근거가 될 수 있다. 또한, 데이터가 충분히 많이 쌓이면 통계 분석한 값을 기준 점으로 두고 새로 입력된 값이 일정 범위를 벗어날 경우 이 상이 있는 것으로 경고를 줄 수 있다.

또한 주기관과 관련된 26개의 계측 값 간의 상관계수를 계산하였고 전체 계측 값 사이의 상관관계를 한눈에 볼 수 있도록 heat map으로 표현하였다.

Fig. 11을 보면 주기관의 propulsion group, exhaust gas group, scavenge air 그룹 간에는 강한 양의 상관관계가 있으며 짙은 파란색으로 표시되는 것을 확인할 수 있다. 하지만 cooling water는 다른 데이터 그룹과의 음의 상관관계가 있으며 흰색 으로 표시되는 것을 확인할 수 있다. 차후 실시간으로 엔진 의 운전 상태를 반영하여 heat map을 구현한다면 각 그룹 간 의 상관관계의 변동을 쉽게 확인함으로써, 엔진 상태의 정 상 여부를 판단하는 데에도 크게 활용 가능하다.

3.4 데이터의 확률분포

표본 데이터가 어떤 분포를 따른다면 통계적 추론을 통 해 데이터의 양상을 추측할 수 있다. 특히 정규분포(normal distribution)는 가장 널리 알려진 분포이며, 중심극한정리 (central limit theorem)에 의해 표본의 크기가 커질수록 모집단 의 분포 모양과 관계없이 독립적인 확률변수들의 평균은 정 규분포에 가까워진다. 특히 평균이 0이고 표준편차가 1인 정 규분포를 표준 정규 분포(standard normal distribution)라고 한 다. Fig. 12는 평균(mu)과 표준편차(sigma)를 다양하게 변화시 켰을 때 정규분포의 모양이 어떻게 변하는지를 나타낸다.

표본이 정규분포에 얼마나 가까운지를 시각적으로 판별 하는데 사용하는 방법으로 QQ(Quantile-Quantile) Plot이 있다. Fig. 13은 M/E 관련 50개 데이터의 QQ Plot이다. 파란색의 표 본이 빨간색의 기준선 위에 놓이면 표본분포가 정규분포에 가까운 것으로 간주할 수 있다. 그림을 보면 주기관의 속도, 출력 그리고 엔진의 출력에 영향을 받는 배기가스 온도 등 의 표본분포는 기준선을 크게 벗어나 정규분포로 볼 수 없 다는 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 얼 마나 따르는지는 QQ Plot을 통해 직관적으로 확인할 수 있 으며, 이 자체로 기관사나 데이터 분석 담당자가 기관의 이 상 여부를 확인하는데 사용할 수 있다.

4. 결 론

본 연구에서는 데이터 수집, 선내 서비스, 육상 서비스가 하나의 시스템으로 동작을 하는 스마트선박 시스템인 SVESSEL 플랫폼을 실제 선박에 적용하여 데이터 취득 및 분석을 시도하였으며, 그 결과를 요약하면 다음과 같다.

스마트선박은 완전자율운항 선박을 목표로 연구개발이 진행되고 있지만, 그 이전에 육상에서 원격운항 단계가 선 행되어야 한다. 원격운항을 위해서 먼저 해결되어야 할 조 건은 육상에서 선박의 상태를 효과적으로 확인할 수 있어야 한다는 것이다. 이를 위해서는 단순한 수치보다 한눈에 선 박의 상태를 쉽게 확인할 수 있도록 도표나 그래프를 제공 해 주는 것이 훨씬 효과적이다. 본 연구에서 수행한 방법과 같이 여러 장비 데이터의 운전 상태와 데이터 간의 관계를 도표와 그래프로 제공한다면 선박의 운항 상황을 육상에서 효과적으로 확인할 수 있을 것이다.