진동 센서 데이터로 설비 이상탐지(모터 예지보전)를 수행한 사례

Challenge

• 기존에는 발전 설비 모터에 진동 센서를 부착해놓고 룰 기반으로 검사를 진행함
• 진동의 등락 외에는 각 진동 요소가 결과적으로 모터 고장에 미치는 영향을 알 수 없으므로, 진동의 양이 일정 수준 이상으로 높아지면 무조건 설비를 멈추고 점검하느라 발전 효율이 떨어짐
• SPC(통계적 공정 관리) 방법도 있지만, 설비 데이터가 종종 정규분포를 따르지 않을 때 정확도가 떨어진다는 한계가 있음

Approach

• Data CAMP를 이용해 각종 모터 데이터를 일괄 수집
• LISA Anomaly Detector를 통해 정상 데이터만으로 모델 학습 후, 수집한 센서 데이터 내 특정 주파수 대역의 변화를 통해 모터의 이상을 감지
• 데이터 별 특성 중요도(Feature Importance)를 분석하고 그 결과를 시각화하여 우선 점검해야 할 대상을 직관적으로 판별할 수 있게 함

Full Story

모터가 고장 나기 전 이상을 사전 감지할 수 있는 툴 필요

수많은 기계설비에는 모터, 즉 회전체가 많이 쓰입니다. 회전 운동을 통해 전기를 만들어내는 발전소 터빈이 대표적인 사례입니다.

그런데 이런 회전체가 고장 나면 발전소를 멈추고 수리해야 합니다. 만약 전혀 예상하지 못한 갑작스러운 고장이라면 부품을 구하는 데 긴 시간이 걸릴 수도 있습니다. 전기 생산에 심각한 차질이 생기게 되는 것이죠.

만약 현재 설비의 상태가 정상 대비 어느 정도 저하돼 있는지를 미리 알 수 있다면 어떨까요? 가동 중단 없이도 이상이 생길 것으로 예상되는 부분을 미리 점검하고 유지보수 계획을 사전에 마련할 수 있을 것입니다. 이를 예지보전(Predictive Maintenance)이라고 합니다.

발전 설비에 베어링을 납품하는 P사는 아하랩스의 딥러닝 모델을 활용하여 모터의 이상을 사전에 감지할 수 있는 방법을 도입하고자 했습니다.

기존에는 발전 설비 모터에 진동 센서를 부착해놓고 룰 기반으로 검사를 진행했습니다. 진동 주파수가 일정 수치 이상으로 커지면 알람이 전송됐고, 그러면 무조건 설비를 멈추고 점검을 진행했죠.

그런데 이 방식에는 문제가 있습니다. 단순한 진동 주파수밖에 알 수 없다는 점입니다. 구체적으로 어떤 부분에 문제가 생겨서 진동이 커지는지, 또 이렇게 커진 진동이 결과적으로 모터 고장에 얼마나 심각한 영향을 미치게 될지는 알 수 없었죠. 진동 주파수가 임계값 이상으로 커졌지만, 심각한 문제가 아닌 경우도 있습니다. 잦은 점검 때문에 불필요하게 발전 효율이 낮아지는 것입니다.

데이터 별 중요도를 알기 위해 모터 데이터를 통계적으로 분석하는 ‘SPC(통계적 공정 관리) 방법’을 사용할 수 있습니다. 하지만 SPC 분석법은 설비 데이터가 종종 정규분포를 따르지 않을 때, 정확도가 급격히 떨어진다는 한계가 있었습니다.

Anomaly Detector 딥러닝 모델로 진동 센서 데이터의 이상 감지

아하랩스 팀은 이미 작동 중인 발전 설비를 해체하지 않고도 이상을 감지하기 위해 모터 외부에 센서를 부착하는 형태를 고려했습니다. 발전 설비의 구조적, 기계적 특성을 고려하여 베어링과 발전기 부하측, 기어박스 등 주요 지점에 3축 가속도 센서와 3축 자유로 센서로 이뤄진 6축 센서 여럿을 부착했죠.

그리고는 아하랩스의 빅데이터 통합 관리 플랫폼인 Data CAMP를 활용해 다양한 센서 데이터를 일괄 수집했습니다.

다양한 설비 데이터를 일괄 수집하고 시각화해주는 Data CAMP 솔루션 대시보드 예시 화면. Image Credit: AHHA Labs

아하랩스의 산업용 AIOps 플랫폼 LISA는 정상 데이터만으로 모델 학습과 예지보전이 가능한 이상 탐지(Anomaly Detector) 딥러닝 모델을 제공하는데요. Data CAMP를 통해 수집한 센서 데이터를 불러와 AI 모델을 학습시켰고, 이 AI 모델로 특정 주파수 대역의 변동을 분석해 모터의 이상을 검출해냈습니다.

특성 중요도(Feature Importance) 분석으로 우선 점검 대상 자동 판별

특히 사용자가 우선 점검해야 할 대상을 알 수 있도록 다양한 데이터 별 중요도를 분석하였습니다. 이 같은 특성 중요도(Feature Importance)란, 목표 변수를 예측하는 데 입력 데이터가 얼마나 유용한지에 따라 점수를 부여하는 머신러닝 기술입니다.

그리고 이 모든 것을 Data CAMP 대시보드를 통해 시각화 함으로써 최종 사용자가 손쉽게 모터 상태를 모니터링하고 분석 결과를 활용해 의사결정 할 수 있도록 지원하였습니다.

특성 중요도(Feature Importance)를 시각화한 예시 그래프. 머신러닝 모델이 예측을 할 때 각 특성이 얼마나 중요한 역할을 하는지 평가하는 방법입니다. Image Credit: Wikimedia commons

오알람 97% 감소

그 결과, 오알람이 97% 감소했습니다. 예컨대, 불필요한 점검이었던 것으로 밝혀진 100개 케이스 가운데 97개 케이스는 LISA의 이상 탐지 기능과 특성 중요도 분석을 통해 정상으로 분류된 것입니다. 불필요한 점검이 줄면서 발전 효율도 높아졌습니다.

요컨대, 아하랩스의 솔루션은 예측하기 어려운 고장 원인을 조기 제거함으로써 제로 다운타임을 유지하고 발전 효율을 높이는 데 기여하고 있습니다.