|
[전기설비 안전점검 시 화상처리 기술의 활용과 전망 ②]
발전설비의 이상진단 시 화상처리 기술의 활용
본고에서는 화상처리에 의한 얼굴인식 및 물체인식에서 사용되고 있는 기계학습(Machine Learning)을 카메라뿐만 아니라, 다른 센서 신호들에 대해서도 동등하게 적용함으로써 발전설비의 이상징후를 감지하는 방법을 소개한다. 정리 편집부 전력, 교통 등의 사회 인프라 설비에서는 고장·정지 시의 충격 여파가 크기 때문에 계획 외의 정지 사태를 방지하는 것이 중요한 과제가 된다. 따라서 고장 시에 대응하는 사후보전이 아닌, 고장 발생 전에 대처하는 예방보전이 중점적으로 실시되고 있다. 그중에서도 현재는 정기적인 부품 교체를 기본으로 하는 시간계획보전이 주류를 이루고 있는데 보수비용 절감의 차원에서 설비상태를 모니터링하고 이상조짐을 포착하여 사전대책을 세우는 상태감시보전으로의 이행이 강하게 요망되고 있다. 그 핵심이 되는 기술은 다차원 시계열 센서 신호에 기초한 이상검지기술이다. 즉, 다수의 센서 신호를 24시간 365일 모니터링함으로써 이상검지를 실시하는 방법이다. 그중 카메라로 촬영한 설비 이미지의 경우 화상처리에 의해 다양한 신호를 취득할 수 있으므로 카메라는 여러 센서 중의 하나가 될 수 있다. 예를 들면, 카메라에 의한 아날로그 미터의 자동판독값, 감시대상의 위치·치수, 색깔, 밝기 변화, 이동 및 진동속도 등의 계측치는 이상점검에 활용 가능한 신호가 된다.다차원 시계열 센서 신호에 기초한 이상검지기술에 있어서 가장 일반적인 방법은 신호치가 미리 설정된 상한 또는 하한을 초과할 때 “이상”으로 판정하는 「역치 판정법」이다. 그러나 역치는 설비의 설계자가 물리적 제약을 고려해 결정하거나 이용자가 경험법칙(어림감정)에 따라 결정을 해야 하며, 환경의 영향 등 변동요인이 다양해 적정한 수치를 설정하기가 어렵다. 여러 센서 신호들의 의존관계를 고려할 필요가 있는 경우는 더욱 어려워진다.
설비의 이상징후 감지 정상 데이터 학습 기반의 이상징후 감지 본고에서 소개하는 이상징후 감지는 정상적으로 동작하는 발전설비로부터 얻어진 센서 신호를 기계학습에 의해 정상 범위에서 센서 신호의 일탈 시 이상징후로 하여금 이용자에게 주의를 촉구하는 것을 목적으로 하고 있다. 여기서는 발전설비에 설치한 다수의 센서 또는 설비를 촬영하는 카메라에서 일정한 간격을 두고 신호를 데이터로 취득할 수 있다는 것을 상정하고 있다. [그림 1]에 이상징후 검지 시스템의 개념도를 나타냈다. 센서 또는 카메라에서 얻어진 데이터의 종류를 예로 들면 온도, 압력, 전력 등이 있다. 즉, 이러한 데이터에서부터 고장·정지에 이르기까지의 전조단계에서 이상을 검지하는 시스템을 말한다. 이상징후 감지는 복수의 센서에서 시각별로 얻어지는 특징벡터(동일한 시각의 복수 센서의 신호값을 요소로 하는 벡터)와 사전에 기록해 둔 정상 시의 특징벡터와의 거리를 측정함으로써 정상 상태에서의 일탈을 판정하는 처리로 되어 있다. 정상 상태에서의 거리 산출에는 모든 기계학습 기법을 적용할 수 있지만, 이상검지 시에서의 실적 있는 기법으로는 ▲MT(Mahalanobis Taguchi)법 ▲불변량(Invariant) 분석 ▲SBM법(Similarity Based Modeling)이 잘 알려져 있다. MT법은 정상 시에 취득한 데이터 평균의 마하라노비스의 거리, 즉 분산을 정규화하여 산출한 거리에 따라 이상측도(異常測度)를 정의하는 기법이다. 불변량 분석은 센서 간의 상관관계를 간단한 수식으로 모델화하고, 그 모델로부터 벗어나면 “이상”으로 판단하는 방법이다. 양측 모두 적은 메모리로 고속연산이 가능하다는 이점이 있고 엔지니어의 이해를 얻기 쉽지만 정규분포 혹은 선형이라는 가정이 성립해야 한다. 그런데 [그림 2]에 나타낸 예(소형 발전설비의 데이터를 주성분 분석 후 제3주성분까지를 표시)처럼 정상 데이터의 분포는 복잡하며 정규분포 및 선형의 식으로 나타낼 수 없기 때문에 가정이 성립하도록 사전에 데이터를 분할해 둘 필요가 있다. 이를 해결하기가 쉽지 않기 때문에 여기서는 데이터 분포 형상을 가정할 필요가 없는 국소부분 공간법(LSC: Local Sub-space Classifier)을 채용한 이상징후 검지 방법을 소개한다.
국소부분 공간법 LSC법의 개념을 [그림 3]에 나타냈다. 발전설비가 정상적으로 가동하고 있을 때 센서로부터 얻어진 데이터(학습 데이터: □로 표시)를 모두 기억해 둔다. 이상징후 검지 시스템 가동 시에 관측되는 데이터(관측 데이터: ○로 표시) 근방의 k개의 학습 데이터(색으로 칠해진 □로 표시)를 이용하여 작성되는 k-1차원의 부분공간(원래의 특징공간보다 낮은 차원의 공간)까지의 거리를 이상측도로 정의한다. 이 그림은 k=3의 예를 보여주고 있으며, 부분공간은 2차원 즉, 평면이지만 실제로는 더 큰 차원에서 이 같은 계산을 실시한다.부분공간까지의 거리를 측정하는 것은 학습 데이터를 보간(補間, interpolation)하여 관측 데이터에 가장 가까운 데이터(정상 데이터)를 만들고 나서 거리를 측정하는 것이기 때문에 정상 데이터까지의 거리를 정밀하게 측정할 수 있다. 또 국소적인 데이터만을 이용하기 때문에 복잡한 형상 분포에 따른 식별경계가 만들어진다. 그 결과, 오보가 적고 고감도의 이상징후 검지가 가능해진다.
가동상태별 역치 설정
이상측도와 역치를 비교하여 이상징후 검지를 실시한다. 이 역치의 설정에서는 학습 데이터의 이상측도를 교차검증에 의해 산출한 다음 모든 학습 데이터가 정상으로 판정하는 값을 선정한다. 요컨대 학습 데이터가 나타내는 이상측도의 최대치를 역치로 설정한다. 가동상태의 전환이 있는 발전설비 등의 경우, 가동(ON) 또는 정지(OFF)의 정상상태가 비교적 안정적이며 장시간 지속되는 경우가 많아 학습 데이터를 충분히 얻을 수 있으므로 이상측도가 작아지는 경향이 있다. 한편, 발전 개시 시(OFF에서 ON) 또는 반대의 전이상태는 데이터의 편차가 크고 시간이 짧기 때문에 학습 데이터가 부족하여 이상측도가 커지는 경향이 있다. 그리하여 ON 혹은 OFF의 정상상태와 ON과 OFF가 전환되는 전이상태로 분할하여 상태별로 역치를 설정하고 있다. 이러한 처리를 통해 전이상태의 기간에는 역치를 높게 하여 오보를 방지하고, 정상상태의 기간에는 역치를 낮게 하여 고감도로 이상징후를 검지할 수 있게 된다.
이상 관련 센서 특정
이상징후를 검지하는 것만으로는 대책 및 조사 등의 다음 행동을 결정할 수 없기 때문에 먼저 어느 센서에 이상이 있는지를 조사할 필요가 있다. 그때 공기성(共起性)을 고려한 즉, 복수의 센서 신호가 정상상태에서 동시에 취할 수 있는 값의 조합으로 되어 있는지를 체크할 필요가 있다. 그리하여 2차원 분포 밀도에 근거한 이상 관련 센서 특정 기술을 개발했다. 2차원 분포 밀도란 2개의 센서 신호를 축으로 한 2차원 히스토그램을 말한다. [그림 4]에 처리의 개요를 나타냈다. 학습 시에는 2개의 센서 신호의 모든 조합에서 정상 데이터의 2차원 분포 밀도를 계산하고 화상 형식으로 저장해 둔다. 이러한 화상은 데이터가 존재하지 않는 부분이 흰색, 존재하는 부분은 회색으로 표시되며, 색이 짙을수록 밀도가 높다는 것을 나타내기 때문에 분포밀도화상이라 부르기로 한다. 이상검지 시에는 이상 데이터의 분포가 정상 데이터의 분포로부터 떨어져 있는 센서를 이상(異常) 관련 센서로 간주한다. 그 때문에 검지한 이상 데이터가 분포밀도화상의 어디에 플롯되었는지에 따라서 센서의 고립도를 산출한다. 고립도가 큰 것부터 순차적으로 이상 관련 센서를 추출한다. 구체적으로는 검지한 이상 센서의 값으로부터 각 분포밀도화상에서의 좌표를 구하고 대응화소가 흰색이었던 수를 센서별로 집계한다. 이 그림의 예에서는 센서 1, 2, 3의 고립도가 각각 1, 0, 1로, 센서1과 센서3이 관련 센서로 특정된다.
소형 발전설비에 대한 적용사례
상기의 기법을 실재하는 설비에 적용하여 고장징후를 감지한 사례를 소개한다. 사용한 데이터는 소형 발전설비의 고장 발생일로부터 소급하여 수집한 원격감시데이터이다. 유효한 센서는 온도, 압력, 전류, 전압 등 17종이 있으며(등장 순으로 센서A~Q), 학습기간을 고장 발생 전의 1개월간으로 하고, 평가기간을 고장 발생까지의 기간으로 하였다. [그림 5]와 [그림 6]에 이상 및 이상징후의 감지결과를 나타냈다. 각각의 그래프에서 횡축은 날짜를 나타낸다. 이 그래프를 통해 역치가 변화하고 있으며 앞서 설명한 가동상태별 역치 설정이 유효하다는 것을 알 수 있다. 기타 그래프의 종축은 센서 신호값을 나타낸다. [그림 5]에 나타난 사례에서는 고장 발생 4일 전부터 고장징후가 감지되어 이상 관련 센서 특정에 의해 17개의 센서 중 센서O와 K가 이상으로 판명됐다. 센서 신호의 시계열 그래프로부터 센서O가 0이고 센서K가 조금 낮은 이상 현상을 확인할 수 있었다. 어느 센서의 신호값도 단독으로는 정상범위 내이기 때문에 단순한 역치 처리에서는 감지할 수 없는 이상을 감지했다는 것을 알 수 있다. [그림 6]에 나타난 사례에서는 단속적으로 다수의 이상이 검지되고 있다. 고장 발생 2일 전에 감지된 징후에 대해 관련 센서 특정을 실시한 결과, 센서 6개(센서 I, C, N, K, O, H)가 차례로 추출되었다. 각 센서 신호의 시계열 그래프에서 센서 I가 정상상태보다 높고, 나머지 센서들은 정상상태보다 낮아지는 현상을 확인할 수 있다. 상기의 기법은 이처럼 다수의 센서값이 동시에 이상이 된 경우에도 대응함으로써 복수의 센서를 이상 관련 센서로 추출할 수 있다.
 
고속 국소부분 공간법
상기의 LSC법은 정상상태의 변화에 대응한 대량의 학습 데이터를 필요로 하며 매회 모든 학습 데이터 중 관측 데이터의 근방 데이터를 탐색하기 때문에 계산시간이 길어진다는 문제점이 있다. 이 문제를 해결하기 위해 미리 학습 데이터를 클러스터링(clustering)해 두고, 이상측도 산출 시 관측 데이터에 가까운 클러스터에 속하는 데이터만을 탐색대상으로 하는 고속 국소부분 공간법(FLSC: Fast Local Sub-space Classifier)도 개발하였다. [그림 7]에 그 알고리즘을 나타냈다. 그림의 좌측에는 처리의 흐름을 나타냈으며, 일반적인 LSC법에 따른 이상감지의 흐름에 클러스터링과 클러스터 선택의 단계를 추가했다. 클러스터링은 고전적 기법으로 잘 알려진 k평균법을 기반으로 한 기법을 취했는데 고속화 및 감도 유지를 위해 2종의 처리를 추가했다. 첫 번째는 클러스터 중심의 초기 배치를 서로 멀어지게 하는 처리이다. k평균법에 있어서 클러스터 중심의 초기값을 랜덤으로 배치하면 저밀도 데이터의 영향이 작아지게 되고, 그 결과 학습 데이터의 망라성(網羅性)이 소실되어 감도 저하를 초래하기 때문이다. 두 번째는 클러스터에 속하는 데이터의 수가 이용자가 지정하는 수가 되도록 조작하는 처리이다. k평균법에서는 클러스터에 속하는 데이터 수가 매우 많은 클러스터가 생기는 경우가 있다. 이대로는 LSC법에서의 근방 탐색 대상 데이터의 수를 줄이지 못해 고속화가 불가능해진다. 그래서 이와 같은 경우는 랜덤으로 솎아냄으로써 지정한 수까지 줄이도록 했다. 밀도가 낮고 클러스터에 속하는 데이터의 수가 지정한 수보다 적은 경우는 적절한 근방 데이터를 찾아낼 가능성을 향상시키기 위해 지정한 수까지 클러스터 중심에서 가까운 순으로 데이터를 추가함으로써 탐색 범위를 넓히도록 했다. 또한, 클러스터 선택 시 복수의 클러스터를 선택하여 적절한 근방 데이터를 찾아낼 수 있도록 했다. 단, 클러스터의 선택 수를 늘리면 계산시간이 길어지기 때문에 감도와 처리속도는 트레이드 오프의 관계가 된다. 소형 발전설비 데이터 3세트를 이용하여 평가를 실시하고 감도를 기존과 동일하도록 클러스터 수 등의 파라미터를 조정했을 때 최대 10배의 고속화 효과를 얻을 수 있음을 확인했다.
<Energy News>
|
|
장바구니
주문내역
: 
