1. 서 론

선박은 선체의 추진을 위한 주기관과 주기관의 원활한 운 전을 위한 보조기계 그리고 운항 중 화물 관리를 위해 다양 한 기계 설비가 탑재되어 있다. 이러한 장치와 설비는 내구 연한이 있고 운전 중 기계구성품의 부식, 마모에 의해 노후 화 과정을 거치게 되므로 성능 유지를 위한 보전을 필요로 한다. 선박 운항 관점에서 설비 보전(Maintenance)은 고장으 로 인한 운항 지연이나 중단과 그로 인한 불필요한 자원 소 모 방지에 일차적인 목적이 있겠으나, 궁극적으로는 고장 예방을 통한 선박의 감항능력(Seaworthiness) 유지에 보다 근 본적인 목적이 있다. 2015년부터 2019년까지의 국내 사고유 형별 해양사고 발생 현황에 따르면 취급이나 정비 부주의로 인한 기관 손상은 전체 사고의 약 32.1 %로 가장 큰 비중을 차지하고 있다(Korean Maritime Safety Tribunal, 2019). 따라서 기관 고장 예방을 위해 수행되는 기존 정비전략의 재검토와 개선방안 도출이 필요한 시점이다.

고장예방과 성능유지를 위한 설비보전기법은 시간기반보 전(Time based maintenance, TBM)과 상태기반보전(Condition based maintenance, CBM)으로 구분할 수 있다. 시간기반보전 은 설비를 구성하는 각 부품의 수명을 과거의 고장데이터의 분석을 통해 계산하여 정비시기를 설정하고 설정한 주기에 따라 정비를 수행하는 예방적 정비방식이다. 시간기반보전 은 과잉정비로 인한 자원 낭비, 정상운전 중인 설비의 정비 로 인한 고장, 돌발고장 발생 시 대응의 어려움 등의 단점이 있다. 이에 반해 상태기반보전은 상태 감시 기술에 근거하 여 설비의 상태를 정확히 진단하므로 고장을 조기에 예측하 고 이를 기반으로 정비시기를 결정하여 정비를 시행하는 방 식이다.

전통적으로 선박은 기관 정비에 있어 계획정비제도(Planned maintenance system, PMS)라고 하는 시간기반보전 방식을 채 택해 왔다. 최근 해운산업은 선원의 수급문제과 선박 운영 비용 문제 해결을 위해 자율운항선박 기술 도입을 고려하고 있다. 자율운항선박은 운항 자율화를 위해 기관실 각종 설 비의 자동화와 유지보수의 지능화를 필수적으로 요구하고 있으며, 이에 따라 기관정비기법도 자연히 시간기반보전에 서 상태기반보전방식으로의 이행이 필요하다.

선박 기관에 대한 상태기반보전이 효과적으로 수행되기 위해서는 기관의 상태정보를 취득할 수 있는 다양한 센서와 이로 부터 얻어진 데이터의 처리, 알고리즘 적용 과정을 통 한 고장 진단 및 예측 시스템의 개발이 필요하다. 해운산업 은 조선 기자재 시장의 경직된 조달 구조와 선주의 보수성 으로 위험부담을 안고 신기술 기자재의 도입을 꺼리는 경향 이 있으며, 이로 인해 상태기반보전기술의 개발과 도입이 타 산업분야에 비해 더딘 편이다. 그럼에도 불구하고 최근 선박기관에 대한 상태기반보전정비의 실증 기술 개발이 시 도되고 있어 고무적이라 할 수 있다.

이와 관련된 연구로서 박재철 등은 선박 엔진의 상태감시 기반 고장진단 기술에 관한 연구를 수행하였으며 선박 주기 관에 대한 결함수 분석과 실운항 데이터 분석을 기반으로 한 유지보수 방법과 시점을 도출하였다(Park et al., 2019). 배 영목 등은 선박 주기관의 상태 데이터에 대해 다변량 관리 도라는 통계적 기법을 이용하여 관리 상한선을 도출하여 유 지보수 관련 의사결정을 지원하는 연구를 수행하였다(Bae et al., 2018).

또한 선박의 기계설비의 대부분을 차지하는 회전 기계장 치에 대한 연구는 진동 기반 센서 기반으로 연구가 진행되 어 오고 있으며, 최근에는 고장진단과 예측에 있어 기계학 습 알고리즘 기반 연구가 진행되었다. 이준혁 등은 연구용 으로 공개된 IMS 베어링 결함 데이터를 기반으로 기계학습 알고리즘을 구현하고 회전기계장치의 베어링 고장 예측 기 술 개발에 관한 연구를 수행하였다(Lee et al., 2019). 박지현 등은 회전기기의 진동신호를 이용하여 데이터 주도의 고장 진단 모형에 관한 연구를 진행하였으며 운전상태를 분류를 위한 기계학습 알고리즘과 잔존수명 예측 모델을 제시하였 다(Park et al., 2020).

인공지능 기술을 활용한 데이터 기반의 상태기반보전 시 스템에서 고장 진단 기능은 핵심 요소이며, 고장 진단 알고 리즘의 성능은 수집 데이터에 포함된 이상치(Anomaly)를 얼 마나 잘 탐지하느냐에 있다. 상기 선행 연구의 대부분은 현 장 데이터를 기반으로 하였다고는 하나 수집 데이터의 대부 분은 기계장치의 정상 운전 데이터이다. 따라서 정상과 고 장(이상) 데이터 간 불균형으로 인해 고장 진단 알고리즘의 성능 저하의 문제가 있으며 현장 적용을 위한 진단 성능 검 증이 어려운 문제점이 있다. 또한 기계의 상태 진단에 있어 고가의 진동 센서와 그로부터 수집되는 빅데이터의 처리, 선박 및 엔진의 고유 진동으로 인한 간섭 신호 제거 등을 위 해 복잡한 알고리즘의 적용이 필요하다는 한계점을 지니고 있다.

본 연구의 목적은 선박의 대표적인 보조기계 중 공기압축 기의 데이터 기반 고장 진단 시스템 구현에 필요한 기초적 연구를 수행하는 것이다. 본 연구에서는 상기한 기존 연구 의 문제점을 해결하기 위해 실험실 규모로 구축된 공기압축 기를 이용해 운전 데이터를 확보하였으며, 이를 기반으로 시계열 데이터의 이상치 탐지 알고리즘의 일종인 오토인코 더(Autoencoder)를 적용하여 이상치 탐지 모델을 구축하였다. 또한 공기압축기의 다양한 고장 유형을 구현한 고장 모사 실험을 통해 고장 데이터를 수집하였으며 이를 이용하여 이 상 탐지 성능을 검증하였다.

2. 실험방법

2.1 실험대상

실험대상은 선박용 공기압축기이다. 이는 다양한 기계요 소가 구비되어 있고 잦은 운전 정지로 인해 고장 발생 가능 성이 높을 뿐만 아니라 정비 항목이 많아 고장 진단 실험 및 검증에 적합하다고 판단하였다. 선박에서 공기 압축기는 주 기관의 시동 및 제어에 필요한 압축공기 공급에 근본적인 설치 목적이 있으며 각종 보조기기의 제어뿐만 아니라 화물 유 탱크의 불활성기체 제조를 위한 질소 발생기에도 활용 되는 등 중요한 보조기계 중 하나이다. 실험에 사용된 공기 압축기는 왕복동식으로서 압축기와 압축기를 구동하는 원 동기(Motor), 압축 공기가 저장되는 저장탱크, 자동 충전을 위한 제어기로 구성된다. 본 연구에서는 실험실 규모에서 데이터 취득이 용이한 이동식 공기압축기를 사용하였으며 제원은 아래와 같다.

2.2 정상 및 고장 데이터 셋 구축

접이안이나 화물의 적양하 상황을 제외한 통상적인 선박 운항 상황에서 공기압축기는 공기의 소모와 충전이 주기적 으로 이루어지는 특징이 있다. 만약 공기압축기 계통에 이 상이 발생하면 작동 주기의 변화가 발생하고 이는 시계열 데이터에 반영된다. 본 연구에서 취득한 데이터는 단변량 시계열(Univariate time-series) 특징을 갖는 공기압축기의 전류 데이터이다.

본 실험에서는 공기압축기의 정상 운전과 10종의 고장모 드에 대해 전류데이터를 취득하였다. 전류 측정은 원동기의 전원 1상에 대하여 관통형 변류기(Current transformer)를 설 치하여 데이터수집장치(Data Acquisition Unit, DAQ)에서 20 Hz의 주기로 수집 및 처리 후 PC에 저장하였다. 측정된 전 류값은 공기압축기의 부하 전류로서 RMS 형태로 변환된 값 이다.

고장 모드는 사전에 진행된 결함수 분석(Fault tree analysis) 을 통해 도출하였으며 주요 고장 유형을 동력전달계통의 고 장, 압축기 및 원동기 고장, 공기 누설로 구분하였다. 정상 및 고장 시나리오 모두 압축공기가 일정하게 소모되는 상황 을 구현하기 위해 2분을 주기로 탱크의 압축공기가 자동으 로 배출, 차단되도록 하였다. 이에 따라 탱크 압력이 감소되 고 공기압축기는 자동으로 운전, 정지가 반복되었다.

2.3 데이터 전처리

기계학습 기반 이상탐지 모델 구축을 위해 사용된 정상 운전 데이터는 단일 특징값(Single feature)을 가졌으나 그 수 가 방대하므로(244,274개), 훈련데이터로 활용되기 위해서는 전처리가 필요하다. 또한 원동기의 전류 데이터는 기동-정지 에 반복에 따른 값의 편차가 크며 고장과 무관한 이상치가 수집되기 때문에 이들 데이터는 Z-score법을 이용해 제거하 였다. 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 개수 는 12,220개였다.

2.4 학습 및 이상탐지 알고리즘 적용

이상탐지를 위해 적용한 알고리즘은 시계열 데이터의 이 상치 탐지에서 우수한 성능을 나타내는 오토인코더를 적용 하였다. 오토인코더는 신경망을 이용해 임의의 입력값과 같 은 출력값으로 재생성하도록 하는 비지도 학습(Unsupervised learning) 기반의 알고리즘이다. 오토인코더는 Fig. 1과 같이 인코더와 디코더로 구성되어 있으며 입력층으로 입력된 다 차원 데이터가 은닉층으로 전달되면서 저차원으로 축소되 며 이는 다시 출력층으로 전달되면서 입력데이터와 동일 차 원의 데이터로 복원된다. 은닉계층을 중심으로 인코더와 디 코더는 대칭구조를 이루고 있으며, 입력계층의 노드 수와 출력계층의 노드 수는 항상 동일한 특징을 가지고 있다.

오토 인코더는 이를 구성하는 신경망 구조에 따라 적층형 (Stacked), 변이형(Variational), 잡음제거형(Denoising) 등의 다 양한 구조가 제안되고 있으나, 본 연구에서는 가장 단순한 형태의 합성곱 오토인코더(Convolutional autoencoder) 모델을 적용하였다. Fig. 2에 도시한 바와 같이 합성곱 기반 오토인 코더는 인코더(Encoder) 부에 해당하는 2개의 1차원 합성곱 층(Convolutional layer)과 디코더(Decoder) 부에 해당하는 2개 의 합성곱 전치층(Convolution transpose)으로 구성되어 있으며 출력층을 제외한 모든 층에 적용된 활성화 함수는 Relu함수 이다. 이와 같은 모델은 Keras에서 제공하는 Sequential 모델 을 이용하여 구성하였다. 학습에 사용된 워크스테이션 사양 과 소프트웨어 라이브러리 버전은 Table 1에 정리하였다.

전체 데이터 세트는 학습용 90 %, 검증용 10 %의 비율로 구 분하였으며 학습을 통해 구축된 모델의 성능은 검증용 데이 터 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 없을 경우 학습이 조기 종료되도록 하였다. 또한 Adam optimizer를 통해 최적화되도록 하였으며, 손실함수는 입력과 복원의 오 차의 차에 대한 평균제곱오차(Mean Square Error, MSE)를 사 용하였다.

Fig. 3은 학습 과정 중 손실함수 값의 곡선을 나타낸 것이 다. 훈련 손실(Training loss)은 훈련 초기에 최저치에 도달하 고 있고, 검증 손실(Validation loss)은 8 epoch까지는 훈련 손 실함수 값을 상회하여 차이를 보이고 있다. 그러나 학습이 진행됨에 따라 10 epoch 이후에는 두 손실함수 값은 0에 수 렴하였다.

3. 실험 결과 및 고찰

3.1 고장모드 별 데이터 관찰

Fig. 4는 실험 대상 공기압축기의 정상 운전 중 1 사이클 에 대한 시간에 따른 전류값의 변화를 나타낸 시계열 그래 프이다. 여기서 1사이클은 압축공기가 사용처에서 소비되어 공기압축기의 기동-운전-자동정지에 이르는 기간으로 정의 하였다. ①은 공기 압축기 기동 전 대기 상태이며 0에 가까 운 값을 나타낸다. 압축공기가 소모됨에 따라 ② 시점에서 압축기의 압력스위치의 작동에 의해 자동 기동된다. 이때 전류값은 기동부하의 영향으로 피크치가 관찰된다. 기동 직 후 전류치는 순간적으로 감소하여 정상 운전 시(③)에는 약 0.65 ~ 7 A를 나타내고 있으며 탱크 압력 상승에 따라 미세하 게 우상향하는 모습을 보여주고 있다. 이후 공기압축기는 계속 운전되어 정해진 탱크 용량까지 보충된다. 탱크의 압 력이 압력스위치의 설정치 상한값에 이르면 압축기는 정지 하며 다음 기동까지 대기하게 된다(④).

공기압축기의 동력계통 이상과 공기 누설 등의 고장은 원 동기의 부하에 반영되며, 이때 부하는 전류의 크기와 주기 로 표현된다. Fig. 5는 10종의 고장 모드에 대한 고장 모사 실험으로부터 취득한 전류의 시계열 그래프를 나타낸 것이 다. x축은 시간, y축은 전류(부하)의 크기를 나타내며 화살표 는 고장 모사 실험이 중단된 시점을 나타낸다. 고장모드 1, 2, 3, 6, 9는 고장에 의해 압축기(모터)가 계속 운전되는 조건 으로 운전 중 전류값이 0을 나타낸 것은 고장 부여가 원인 이 아니며 안전 상 실험을 강제로 중단한 것이다.

고장 종류 별 그래프에 대한 관찰 결과를 정리하면 아래 와 같다.

이상의 관찰을 통해 고장 모드 구현에 의한 운전 중 전류 신호의 패턴을 파악할 수 있었다. 고장 모드 별 전류 데이터 는 전반적으로 정상 운전과 유사한 경향을 보이고 있지만 운전 주기와 운전 중 부하 크기에 차이를 보이고 있다. 따라 서 이 같은 특징을 응용한 이상 탐지 모델의 구축이 가능함 을 알 수 있다. 원동기 기동 시 발생하는 피크 값은 고장 모 드 별로 패턴을 나타내지 않아 이상 탐지에 유용하지 않은 값으로 판단되었으며 전처리 과정에서 제거하였다.

본 연구에서 취득한 전류 센서값은 단일 특징값을 갖는 시계열 데이터로서 이상 탐지에 유효한 정보이지만, 고장 모드의 식별(분류)에는 유용하지 않은 정보임에 주목할 필 요가 있다. 즉, 원동기에서 얻을 수 있는 다양한 센서 데이 터 중 전류의 RMS값은 단독적으로 고장 패턴 분류에 적합 하지 않은 특징이라 할 수 있다. 따라서 고장 패턴 분류를 위해서는 추가적인 특징값 선정이 필요할 것으로 판단된다.

3.2 이상 기준치 설정

상태기반보전시스템에서는 정비 시기 결정을 위해 이상 값 인지를 위한 기준치 선정이 중요하다. 현재 선박의 AMS(Alarm monitoring system)에 적용된 공기압축기의 경보는 압축공기의 상한값, 하한값, 공기압축기 이상으로 단순하게 구성되어 있다. 따라서 이러한 정보를 직접적으로 상태기반 보전에 적용하기에는 유용성이 떨어진다고 볼 수 있다. 또 한 경보 발생을 위한 상한, 하한의 임계치는 기관사의 경험 이나 제조사에 의해 선정되고 있어 객관성이 결여되어 있 고, 운전 당시의 상태는 전혀 고려되지 않는 실정이다. 이러 한 임계치 설정에 있어 기존에는 정적(Static) 기준치를 적용 하였으나 상태기반보전시스템에서는 상태에 기반의 동적 (Dynamic) 기준치 설정이 필요하다. 본 연구에서는 공기압축 기의 상태기반보전에 필요한 이상 판단의 기준치 설정을 위 해 비지도학습 기반의 오토인코더를 적용하였다.

오토인코더 기반의 이상탐지는 재구성 오차(Reconstruction error)의 계산과 임계치(Threshold) 설정에 의해 이상 여부를 판정하게 된다(Cook et al., 2019). 재구성 오차는 복원 오차라 고도 하며 입력과 출력 사이의 오차이며 오토인코더의 학습 은 이 재구성오차가 최소화되도록 진행된다. 재구성 오차는 이상치 점수(Anomaly score)로 작동하게 되며 임계치와의 비 교를 통해 이상여부를 결정할 수 있다. 즉, 정상 데이터로 학습시킨 모델은 정상 데이터에 대해서는 낮은 재구성 오차 를 나타내지만, 이상 데이터에 대해서는 높은 재구성 오차 를 나타낸다. 따라서 정상 데이터를 대상으로 모델을 학습 시키고 재구성 오차에 대한 임계치를 결정하게 되며 이를 기준으로 입력 데이터의 이상/정상 여부를 판정할 수 있는 것이다. Fig. 6은 상기한 오토인코더를 이용한 이상 탐지 과 정을 정리하여 나타냈다.

Fig. 7은 합성곱 기반 오토인코더 모델의 학습 후 훈련 데 이터에 대한 재구성 오차의 분포를 나타낸 것이다. 재구성 오차는 평균절대오차(Mean absolute error)를 이용하여 계산한 값으로 입출력 간 오차 분포는 그래프의 왼쪽에 치우치고 있음을 알 수 있다. 본 실험에서 이상 기준치 설정을 위한 임계치는 재구성 오차의 최대값(0.014)으로 설정하였다. 이렇 게 얻어진 임계치는 이상 데이터에 학습 모델에 주입하여 얻은 재구성 오차에서 이상 여부를 판단하는 기준치로 작동 하게 된다. Fig. 8은 180초 단위의 첫 번째 입력시퀀스에 대 해 복원된 출력을 나타낸 그래프이다. 이는 공기 압축기의 정상 운전 중의 데이터를 포함한 것으로 입력(청색)에 대해 복원된 출력(오렌지색)이 형상적으로는 근접하게 복원되었 으나 약간의 차이를 나타냄을 알 수 있다. 오토인코더의 출 력이 완벽하게 입력을 복원하였다고 해서 반드시 이상탐지 성능이 좋은 것은 아니다. 이는 반대로 말하면 주어진 데이 터의 유용한 특징을 학습한 것이 아니기 때문이다.

3.3 이상탐지 가능성 검토

본 실험에서는 공기압축기의 정상 운전 데이터를 기반으 로 오토인코더를 이용하여 입력 시퀀스의 길이(180초, 240초 - 각각 모델 A, B로 명명)를 변수로 하여 2개의 이상 탐지 모 델을 구축하였다. 구축된 이상탐지 모델은 실제 운전 및 고 장 데이터를 이용해 제작한 인공 데이터 셋(Synthetic dataset) 을 통해 검증하였다. 검증 데이터의 시나리오에서는 정상 운전 중이던 공기압축기가 2020년 12월 11일 11시 05분경 고 장모드 3(압축공기의 미량누설)에 의한 고장이 발생하여 쇼 트사이클 운전을 한 후 11시 25분경 정상으로 복구되었다. 이후 공기압축기는 다시 정상 운전을 시작하였으며, 12시 25 분 경 기동과 함께 V-벨트가 이탈된 상황을 가정하였다. 이 와 같이 정상운전과 2종의 고장 신호가 포함된 데이터를 구 축된 모델에 주입하여 이상탐지 가능성을 검토하였다.

Fig. 9는 검증시나리오에 대한 공기압축기 운전 전류의 시 계열 데이터이며 a와 b는 각각 이상탐지모델 A와 B를 적용 한 이상탐지 결과를 보여주고 있다. 음영으로 표시된 부분은 실제 고장이 발생한 부분(True anomaly)이며, 이상탐지모델에 의해 이상이 탐지된 부분은 빨간 색 점으로 표시하였다.

모델 A는 2개의 실제 고장에 대해 이상탐지가 잘 되었다 고 판단되나, 모델 B는 모델 A와 같이 실제 고장에 대한 이 상 탐지뿐만 아니라 정상 운전 데이터에 대해서도 이상이라 거짓 탐지한 부정오류(False negative) 문제를 보여주고 있다. 다른 8개의 고장 모드에 대해서도 인공 데이터셋을 검증한 결과, 공기누설과 같은 주기에 변화가 유발되는 고장 모드 는 이상 탐지가 잘 이루어지는 반면 부하의 미세한 변화가 관찰되는 베어링 고장 등의 유형은 탐지하지 못하였다.

본 연구에서는 초모수(Hyperparameter)의 최적화를 통한 모 델의 성능 개선은 고려하지 않았다. 초모수는 오토인코더로 학습시킨 모델의 이상 탐지 성능에 영향을 미치는 요소이므 로 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 있 다. 따라서 이상탐지 모델의 성능 평가를 위해 데이터의 이상 정도를 측정할 수 있는 성능지표 개발이 필요할 것이다.

4. 결 론

본 연구는 선박용 공기압축기의 상태기반보전 시스템에 필요한 이상치 탐지 알고리즘을 적용한 실험적 연구로서 고 장모사 실험을 통해 얻은 시계열 전류 센서 데이터에서 오 토인코더 알고리즘을 활용한 이상탐지의 가능성을 확인하 였다. 고장 유형 10종에 대해 실험실 규모의 고장 모사 실험 을 수행하였으며 정상 운전데이터와 고장 데이터를 구축하 였다. 정상 운전데이터를 이용하여 비지도기반의 오토인코 더를 이용해 이상탐지모델을 구축하였으며 실제 고장 데이 터를 이용하여 이상 탐지 가능성을 검증하였다. 실험 결과, 구축된 이상탐지모델은 시계열 데이터의 주기에 변화를 유 발하는 고장은 잘 탐지하는 반면 미세한 부하 변동에 대한 탐지 성능은 떨어졌다. 오토인코더를 이용한 시계열 데이터 의 이상탐지 모델은 입력 시퀀스의 길이와 초모수 조정에 따라 이상 탐지 성능이 상이하므로 향후 이의 최적화를 통 한 성능 향상이 중요한 과제로 남는다.