| |
 |
|
| ▲ 이웅재 매스웍스코리아 이사 |
데이터 과학자 입장에서 봤을 때 건전성 예측관리 시스템을 구현하면 기계의 가동 중단 시간을 줄이고, 불필요한 유지보수를 방지하는 한편, AS 시장에서 장비 공급업체가 소득원을 창출하는 등 많은 이점이 있다.
그러나 엔지니어와 과학자는 건전성 예측관리 기술을 회사의 운영에 통합하는 과정에서 프로세스 및 데이터와 관련된 난제에 직면하게 된다.
그렇다면 건전성 예측관리 시스템을 조직에 도입하려고 할 때 엔지니어와 과학자가 피해야 하는 가장 일반적인 구현 문제점에는 어떤 것들이 있을까?
첫 번째는 건전성 예측관리 수행 방법을 모르는 것이다. 새로운 기술을 사용하려면 그에 합당한 투자가 필요하며 건전성 예측관리 시스템도 예외가 아니다. 데이터 과학자는 투자의 가치를 실현하고 최대한 빠른 시일 내 정량화 가능한 결과를 생산해야 한다.
매트랩(MATLAB) 같은 소프트웨어 기능 및 툴은 작업자가 새로운 건전성 예측관리 시스템을 효율적인 방식으로 가동할 수 있도록 지원한다. 엔지니어 팀은 이러한 툴을 이용하여 건전성 예측관리 알고리즘을 기존에 구현된 운영에 신속하게 통합할 수 있다.
건전성 예측관리에 대한 체계적인 접근 방식을 마련하면 엔지니어는 최상의 위치에서 예측 모델을 사용해 실시간 시스템을 구축할 수 있다. 시작 단계에서는 <그림 1>과 같이 5단계 워크플로우가 안내 역할을 할 수 있다.
|
1) 센서 데이터 액세스 - 데이터베이스, 스프레드시트, 웹 아카이브에서 데이터를 수집하고 이러한 데이터가 올바른 형식으로 구성됐는지 확인한다.
2) 데이터 전처리 - 이상값을 제거하고, 시계열을 배치하고, 노이즈를 필터링 아웃해 데이터를 정리한다.
3) 특징 추출 - 원시 센서 데이터를 모델에 제공하는 대신, 주파수 도메인 또는 시간 - 주파수 도메인 특징 같은 고급 조건 지표를 캡처한다.
4) 모델 학습 - 장비를 정상 또는 오류로 분류해 이상 징후를 감지하거나, 구성요소의 잔여 수명을 예측할 수 있는 모델을 구축한다. <그림2>
5) 모델 배포 - 코드를 생성하고 모델을 하드웨어에 설치된 응용 프로그램 형태로 배포한다.
|
| |
 |
|
| ▲ <그림 1> 건전성 예측관리 워크플로우 기초 |
| |
 |
|
| ▲ <그림 2> 잔여 수명을 추정하고 예측과 관련된 신뢰도 구간을 제공할 수 있도록 예측 모델을 학습 |
두 번째는 적합한 건전성 예측관리 시스템을 구축할 데이터 부족이다. 건전성 예측관리는 머신러닝 알고리즘에 의존하기 때문에, 정확한 모델을 생성하기 위해서는 충분한 데이터가 있어야 한다. 이러한 데이터는 일반적으로 머신 센서에서 생성되며, 모델의 성공 여부는 데이터가 로깅된 방식에 따라 좌우된다.
컴퓨터에는 더 많은 데이터를 기록하도록 수정할 수 있는 로깅 옵션이 포함된다. 또는 시뮬레이션 툴을 사용해 시뮬레이션된 데이터를 제공되는 센서 데이터와 결합해 건전성 예측관리 알고리즘을 구축 및 검증할 수 있다.
엔지니어는 오류가 발생하기 전까지는 데이터를 수집하지 못하는 ‘기복이 심한’ 상태에서 시스템을 운용하는 상황을 방지해야 한다. 이를 방지하기 위해 기업은 더 많은 데이터를 기록하기 위한 데이터 로깅 옵션을 변경할 수 있으며, 생산 데이터가 없다면 테스트 데이터로도 가능하다.
그뿐만 아니라 <그림 3>에 나와 있는 것처럼 모니터링 후 측정된 데이터와 비교해 검증을 수행할 기계적, 전기적 또는 기타 물리적 시스템을 포괄하는 모델을 생성, 시뮬레이션 툴을 사용해 테스트 데이터를 생성하는 것도 가능하다.
| |
 |
|
| ▲ <그림 3> 시뮬링크를 사용한 송신 모델링. 오류 데이터 통합에 사용 가능. |
세 번째는 정확성을 달성하기 위해 필요한 데이터의 부족이다. 오류 데이터는 건전성 예측관리의 근본적인 요소다. 유지보수를 자주 해서 오류가 발생하지 않았을 경우 이 데이터가 없을 수 있다. 시뮬링크(Simulink) 같은 시뮬레이션 툴은 엔지니어가 이러한 필수 오류 데이터를 생성할 수 있도록 지원한다.
오류 데이터가 없는 경우에도 비지도 머신러닝 기술을 사용해 정상 및 오류 행동을 식별할 수 있다. 항공기 엔진의 여러 가지 센서에서 데이터를 수집하는 경우를 예로 들 수 있다. 그런 다음, 주성분 분석(PCA) 같은 차원 축소 기술을 사용, 센서 데이터를 시각화 및 분석을 위해 저차원 표시로 축소할 수 있다. 이 표현에서, 정상 장비 데이터는 정상 동작점 중심에 위치하는 반면, 비정상 장비는 정상 조건에서 벗어나 움직이는 것처럼 표시될 수 있다.
마지막으로 오류를 파악할 수는 있으나 예측은 불가능하다는 것이다. 오류의 원인을 식별하는 것과 이를 예측하기 위한 방법을 알고 있는 것에는 큰 차이가 있다. 이것이 바로 엔지니어가 자신의 목표(예: 사이클 증가 및 가동 중단 시간 감소)를 명확하게 정의하고 건전성 예측관리 알고리즘이 미치는 영향에 대해 숙고해야 하는 이유다.
그런 다음 엔지니어는 알고리즘을 테스트할 프레임워크를 구축하고 해당 성능을 예측해 설계를 반복하는 동안 즉각적인 피드백을 얻을 수 있도록 해야 한다. 그 후에는 이 프레임워크를 사용해 단순 모델을 테스트하고 데이터에 대한 지식을 응용하여 보다 복잡한 모델 유형을 시도해볼 수 있다. 엔지니어는 작업 규모를 작게 유지하고, 데이터와 비교하여 검증하며, 결과에 신뢰성을 갖게 될 때까지 반복해야 한다.
앞서 제시된 문제점을 해결한 데이터 과학자와 엔지니어는 툴과 지침 사이에서 최적의 균형을 찾을 수 있다면 건전성 예측관리 시스템이 달성 가능한 목표라는 것을 깨달을 수 있다. 물론 엔지니어와 데이터 과학자는 본인에게 가장 적합한 기능, 방법, 모델을 결정하고 이러한 기술을 완전히 습득할 때까지 계속 반복해야 할 것이다. |
webmaster@datanet.co.kr
KT, ‘28GHz 기업전용 5G 네트워크’ 개발 성공
