AI 기술을 활용한 가스터빈 이상진단 및 예측 시스템 개발
AI 기술을 활용한 가스터빈 이상진단 및 예측 시스템 개발
  • 최우성
  • 승인 2019.07.05
  • 댓글 0
이 기사를 공유합니다

최우성 한전 전력연구원 선임연구원

1. 산업시스템 고장 진단 및 예지 기술

산업현장의 설비들은 수많은 부품들이 복잡하게 구성 된 시스템으로 한 부품의 예기치 못한 고장은 시스템 전체의 성능 저하에 그치지 않고 심각한 인적, 물적, 사회적 손실을 초래한다. 최근 들어 센서를 이용하여 산업설 비의 상태를 모니터링해 고장을 진단하고 잔여유효수명을 예측하는 시스템 고장진단 및 예지기술(Prognostic and Health Management, 이하 PHM)이 모든 산업분야 에서 활발하게 적용되고 있다.

PHM기술은 데이터 취득 (Sensing), 전처리 및 특징인자 추출(Reasoning), 고장 진단(Diagnostics), 수명 예측 (Prognostics)으로 구분할 수 있다. 특정 시스템에 PHM 기술을 효과적으로 적용하기 위해서는 시스템에 대한 물리적 지식, 다차원 특징인자 분석, 수많은 고장 데이터가 요구된다. 국내ㆍ외 4차 산업혁명에 따른 기술 융복합 트렌드와 정부의 3020 에너지 정책에 의해 AI와 같은 디지털 기술은 산업 곳곳에 확대 적용되고 있다. 이에 따라 기존에 다룰 수 없었던 수많은 데이터 수집 및 분석이 가능해지고 전통적으로 전문가의 진단 및 예지 영역을 인공지능이 보완하는 PHMAI 기반 기술 개발이 시도되고 있다.

2. 가스터빈 고장 진단 및 예지 기술
친환경 에너지와 관련해 중요도가 높아지고 있는 가스터빈은 대표적으로 복잡한 시스템이다. 가스터빈의 경우 표 1과 같이 다양한 상태 기반 정비 기술과 진동 감시 기술이 사용되고 있다. \전통적으로 GPA(Gas Path Analysis)를 사용해 성능을 예측하거나 진동 데이터에 대한 주파수 분석 등을 통해 고장 이전의 초기 결함을 감지하는 등의 광범위한 연구가 있다. 베어링의 진동 수준 및 온도와 같은 매개 변수를 등록하는 데 사용되는 서로 다른 센서 조합을 사용하면 하나의 센서 측정만 사용하는 경우보다 초기 단계에서 오류 탐지 성능을 향상시킨 기술도 알려져 있다. 또한 전문가 시스템을 통해 원격으로 데이터를 분석하고 문제를 해결할 수 있다.

3. AI 기술을 활용한 가스터빈 이상진단 및 예측 기술
가스터빈의 안정적인 운전 및 운영을 위해서 가스터빈 핵심 기기인 연소기 및 가스터빈 고온부품에 대한 상태 진단 및 예측이 필요하다. 불균형 연료공급이나 연소 불안정은 연료 노즐 손상, 라이너 균열, 천이요소(Transition Piece) 손상, 과도한 진동과 같은 연소기의 이상을 야기할 수 있다.

또한 이상 상태를 사전에 감지하지 못하면 연소기 파손, 예상치 못한 고장 정지, 블레이드나 베인과 같은 고온부품의 급격한 수명저하를 일으키거나 NOx 및 CO 배출량의 증가를 예방할 수도 없다. 가스터빈의 이상 상태를 감지하기 위해서는 표 1에서 소개한 바와 같이 회전기기 진동데이터를 분석하거나 가스터빈 출구 온도의 변화 정도를 분석하는 연구가 일부 제한적으로 수행됐다.

그러나 가스터빈의 최적운전 및 고장 예방을 위해 모든 운전데이터를 통합, 분석해 서 상태 진단과 이상감지에 활용한 사례가 거의 없다.

한전 전력연구원에서는 AI 기술을 활용해 복합발전소 핵심 설비인 가스터빈의 이상상태를 진단하고 예측하는 이상 진단 및 예측 시스템인 ‘DeepThink–Gas turbine’ 를 개발했다. 기존 진단 시스템은 대부분 진동데이터를 활용해 신호처리 및 진단 전문가의 분석을 통해 이상을 판단한다.

반면에, 전력연구원이 개발한 이상 진단 및 예측 시스템은 4차 산업혁명의 핵심 키워드로 알려진 AI 기술 중 딥러닝 기법을 활용한 것으로 가스터빈 통합 운전데이터를 활용 하고 딥러닝 기술을 이용해 불시정지와 관련한 이상을 진단하고 예측한다.

먼저 복합발전 가스터빈의 통합 운전데 이터와 정비이력 데이터를 확보하고 통계적 기법으로 상관 관계를 분석한다. 이를 통해 불시정지와 상관도가 높은 이상 데이터를 추출하고 데이터 전처리 작업을 통해 이상 데 이터와 정상 데이터를 학습한다. 가스터빈 통합 운전데이 터를 활용하되 딥러닝 기법 중 시계열데이터 분석에 특화 된 순차 신경망(Recurrent Neural Networks, RNN)을 사용하지 않고 이미지 또는 영상처리기법에 특화된 합성 곱 신경망(CNN)을 사용해 가스터빈 운전시 이상 상태를 진단하고 실제 이상이 발생하기 이전에 이상을 예측한다.

CNN(Convolution Neural Network, 컨벌루션신경망)은 컴퓨터가 이미지를 이해하고 높은 수준의 추상화된 정보 를 추출하며 새로운 특성의 이미지를 만드는 등 다양한 영 상처리 및 컴퓨터 비전 분야에서 많이 연구되고 사용되는 인공신경망의 한 종류이다. 특히 AI 기술의 침체기를 지나 딥러닝이 알려지기 시작한 2012년에 Image Net 대회에서 CNN이 기존의 모든 알고리즘을 압도하는 성능으로 1등을 차지하는 최고의 성능을 보여준 이후 2014년 페이스북의 딥페이스 서비스에 적용되는 등 많은 분야에서 사용되고 있다.

복합화력발전 설비 중 핵심기기인 가스터빈은 실시간 감시, 이상 진단, 제어를 위해 설치된 수많은 센서들로부터 온도, 압력, 진동신호 등 다양한 데이터들을 초당 4,000개 이상 취득한다.

발전소에서 취득한 데이터는 감시, 이상 진단, 제어관점에서 불필요한 정보까지 포함한 대용량 빅데이터이기 때문에 실제 데이터 분석에 필요한 유의미한 데이터들만 선별하는 과정이 필요하다.

이러한 선별 과정은 전문가 지식, 데이터 상관관계 분석을 통해 가능하며 오류 데이터들을 제거하는 작업을 수행한다.

1차적으로 발전소 운전정보 시스템에서 취득된 데이터 중 전문가 지식을 활용해 1,106개 센서 데이터들을 취득했으며 머신러닝 기법인 Xgboost, Lasso를 사용한 상관관계분석을 통해 분석 대상 데이터의 개수를 183개로 차원축소했다. 이후 실시간 센서 및 DB와 연계한 시스템을 통해 발전소에서 측정한 데이터 관련 태그 리스트들 중에서 분석에 필요한 데이터들만 선별해 취득, 분석했다.

딥러닝 모델 개발을 위한 학습에는 불시정지 시점의 데이터와 정상 상태에서의 데이터를 사용했으며 전체 비율 중 90%는 학습, 10%는 테스트를 이용했다. 본 시스템 알고리즘에 사용한 파이썬은 주로 텍스트를 파 일로 저장하는 방법인 표준 입출력방식이기 때문에 썬 작 업을 수행할 수 있도록 엑셀형식의 파일을 pkl 형식으로 변 환한다. 데이터 선별과정을 거친 후 이상 운전에 대한 예측 진단을 위해 차원 축소된 183개 주요 인자들에 대해 불시정지가 일어나기 전 특정 시간 기준으로 정상운전영역과 불시정지영역을 구분해 정의한다.

CNN 기법을 이용한 딥 러닝 모델 구성은 학습할 데이터 형식을 고려해 모델 구조 를 생성한 후 데이터 형식에 알맞은 Filter를 구성한다. 마지막으로 구성한 CNN 모델과 필터를 사용해 분석할 데이터의 가중치의 비율을 정해 CNN 모델을 구성한다.

본 시스템에서는 2개의 컨볼루션층(Convolution Layer), 1개의 맥스풀링층(Maxpooling Layer)이 4번 반복되고 그 뒤에 은닉층(Hidden Layer) 2개와 전결합층(fully connected layer)로 이루어져 있다. 활성화 함수로는 ReLU를 사용하 며 전결합층에서는 소프트맥스(Softmax) 함수를 사용해 라벨링된 영역에서 불시정지가 일어날 징후를 확률로 표시 한다. CNN 모델 업데이트 과정에서는 학습을 통해 저장된 변수들을 불러오는 작업을 수행하며 학습된 모델의 파라 미터를 필요할 때 다시 가져와서 쓸 수 있도록 별도로 저장한다.

딥러닝은 여러 변수들로 이루어진 층으로 학습 및 평가가 잘 이루어지지만 각 개별 변수들이 최종적으로 어떻게 성능으로 이어지는지를 알 수 없다

또한 정의된 문제에 대한 답은 명확하게 제시하지만 각 주요 인자들이 분석 결과에 얼마만큼 기여하는지, 어떤 방식으로 분석되는지 알기 어렵다. 마찬가지로 필터를 이용한 관심 영역이 위 아래 주요 인자들을 모두 포함하는 기존의 CNN 필터 구성방식을 적용한다면 서로 다른 물리적인 의미를 가지는 인자들을 구분없이 분석하기 때문에 각 인자들의 기여도를 분석할 수 없다.  이에 대한 대안으로 본 시스템에서는 주요 인자들의 물리적인 의미를 분석하고 클러스터링하여 각각의 군집화 된 채널들에 대해 서로 다른 필터로 분석할 수 있도록 구성했다.

한편 개발 시스템의 알고리즘은 훈련에 사용하지 않은 테스트 데이터를 사용해 불시정지 특정 시간 이전 이상 징후를 확률로 잘 나타내는지를 판별하여 검증하였고 대표적인 검증 결과는 그림 4 와 같다. 한전 전력연구원은 최근 개발된 ‘AI 기반 가스터빈 이상 진단 및 예측 시스템’을 발전소에 설치하고 실제 운영환경 에서 시스템을 지속적으로 검증하고 업그레이드 할 예정이다.

4.해결과제
이미 알려진 바와 같이 인공지능 기술개발의 핵심 요소는 양질의 충분한 데이터 확보이다. AI 기술을 이용해 가스터빈의 이상을 진단하고 예측할 때 그림 4에서와 같이 뛰어난 성능을 발휘하였지만 정상과 이상 데이터량이 많지 않아 아직 100% 완벽한 성능을 갖는 시스템으로 말할 수는 없다.

단순하게 가스터빈의 이상만을 판별한다면 진짜 지폐만 으로 훈련해서 위조지폐를 판별하는 우리은행 신도섭 부부 장처럼 이상데이터 없이 정상데이터만 충분히 확보하고 학습하면 된다.

그러나 가스터빈에 대한 이상을 진단하고 나아가 예측하기 위해서는 유사 시스템에 대한 이상 또는 고장 데이터가 충분해야 하지만 동일한 시스템에서 많은 데이터를 취득하는 것이 현실적으로 쉽지 않다.

또한 실제 발전소 현장에서는 이상 진단에 그치지 않고 이상이 발생하기 이전에 상세 검 사 및 정비 계획을 미리 수립할 수 있는 고장 원인 규명이 필요하지만 이 또한 쉽지 않다. 해석 가능한 AI 기술이 개발되고 있지만 일부 제한적인 문 제에서만 좋은 결과를 보였고 이 또한 다양하고 많은 정상,  이상 데이터가 필요하기 때문에 지속적인 데이터 확보 및 새로운 알고리즘 연구가 필요하다. 최근 한전 전력연구원을 중심으로 전력설비 데이터 공유에 대한 구체적인 계획이 수립되고 우호적인 환경이 조성되고 있기 때문에 머지않아 가시적인 결과들이 나올 것으로 기대된다.

 

5. 결론

시대적 대세가 되어가고 있는 AI 기술의 진보로 인해 전통적으로 사람(전문가)의 숙련된 노하우와 경험이 중시되 었던 산업 시스템 상태 진단 분야에서의 변화가 곳곳에서 나타나고 있다. 물론 AI 기술을 활용해 가스터빈 이상 진단 및 예측과 같은 PHM 기술을 개발하는 경우 물리적 지식 없이 고장 진단 및 예측 모델을 만들어야하기 때문에 수많은 데이터가 필요하고 특히 실시간 데이터를 처리할 때에는 시스템 안정성에 대한 검증 등 많은 고려사항이  발생하게 된다.

그러나 설비의 이상을 판별하는 인자에 대한 자동 분류 및 다양한 데이터의 통합 분석이 가능하다는 확실한 장점이 있기 때문에 이전에는 불가능했던 진단 및 예측이 가능해지고 있다. 한전 전력연구원은 발전설비 대상 PHM-AI 분야의 기술 개발에 앞장서서 AI 기반 시스템 이상 진단 및 예측 솔루션 을 판매하거나 기술이전하고 이를 통한 고부가 가치 창출을 추진하고자 한다.

 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.