2.1.1 출입문 동작 개요

도시철도 전동차의 출입문은 1량 기준 편측에 4개가 있고 각각 1,300㎜ 양문형 폭으로 되어있다.

출입문은 양쪽으로 열고 닫히는 구조로 되어 있으며 열릴 때는 출입문 전체가 완전히 열리게 하여 승객의 출입을 가능하게 한다.

출입문은 기관사의 열림버튼 조작으로 개별출입문의 제어장치(이하 DCU로 표기)를 통해 모터에 전류값이 인가되어 스크류가 회전하여 열리고 닫히며, 트롤리(행거)에 의해 매달려 있으며, 트롤리의 볼트를 제거하면 출입문을 탈거할 수 있다.

Pocket Sliding 전기식 출입문시스템은 기존의 공압식 출입문시스템에 비하여 내구성 및 유지보수성이 우수한 시스템으로써 승객의 안전이 가장 우선시 되도록 설계 되어있다⁽¹²⁾.

운전실에서는 각 DCU를 통해 TCMS(Train Computer Moni- toring System)로 전송된 출입문의 상태정보를 운전실의 단말기를 통하여 파악할 수 있다.

각 차량에는 8세트의 승객용 측 출입문이 있으며, 1Set의 전기식 출입문 시스템은 크게 4부분(제어 장치부, 오퍼레이터부, 판넬부, 비상장치부)으로 구성되어 있다.

그리고 각 부분은 모듈화 되어 있어 제품의 유지 및 보수가 용이한 상태이다. 출입문의 구조는 Fig. 1을 참조하면 된다.

2.1.2 출입문 시험 방법

출입문의 정상 동작상태를 확인하기 위하여 동작 상태를 아래와 같이 6단계로 나누어 실시한다.

1) 출입문 개폐 확인

2) 출입문 동작 시간 확인

3) 출입문 저항력 확인

4) 출입문 작동 압력 확인

5) 출입문 인터록 간격 확인

6) 출입문의 통신 상태 확인 및 주파수 분석

2.2.1 일반적인 건전성 평가 및 고장 예지 방법론

현재 운영기관에서는 대부분 철도차량의 유지보수 주기는 거리 기반, 시간 기반(TBM)유지보수가 현재는 가장 보편화된 유지보수 방안으로 적용되고 있다⁽¹⁾.

신뢰성을 기반으로 고장을 예방하는 RCM(Reliability Centered Maintenance)과 RBM (Risk-Based Maintenance)연구가 진행되었지만 운영 중에 발생하는 전반적인 상황을 대처하기에는 어려움이 있어 현장 적용에는 한계가 있다⁽²⁾.

최근 ICT(Information and Communication Technology) 발전과 Industry 4.0의 개념을 바탕으로 시설과 장비에 다양한 센서들을 부착하여 실시간으로 데이터를 수집하고 분석기법을 통하여 고장을 진단하고 고장 시기와 잔존수명을 예측하는 PHM(Prognostics and Health Management) 기법이 연구되고 있다⁽⁶⁾.

PHM은 운영 중인 철도차량, 시설과 장비의 결함이나 성능 저하를 지속적으로 모니터링 하여 이상 징후를 진단하고 고장 수준이나 시기를 예지하여 예측 정비를 통해 고장으로 인해 발생하는 손실을 방지하고 유지 보수의 안전성과 가용성을 확보하여 운용 효율성을 향상하는 기술이다⁽⁹⁾.

그리고 예측 정비의 시기를 위해 PHM은 데이터를 통계적으로 분석하고 다양한 인공지능 기법을 기반으로 접근하여 고장이 발생하기 전의 유효 시간인 RUL(Remaining Useful Life)을 측정 한다.

PHM은 예방정비 보다 보전성과 경제성, 신뢰성, 가용성을 향상할 수 있어 국내에서도 연구를 진행 하고 있지만 아직은 미흡한 실정이다.

고장진단을 위해 Machine Learning과 Deep Learning을 사용하여 데이터를 분석하고 상태나 고장을 진단하는 모델과 고장율을 추정하여 고장의 시기를 예측하는 예지 모델을 개발할 필요가 있다⁽⁶⁾.

최근 철도차량 제작 요구사항에는 주요 안전장치(출입문, 제동, 신호 등)들의 상태를 진단하고 관리하여 효율적인 유지보수를 하기 위한 방안을 제시하도록 하고 있다.

이러한 시대적인 배경 및 기술 Trend에 기반하여 최근 상태기반 유지보수(CBM) 및 건전성 관리 (PHM)방안 등의 연구가 필요하다⁽³⁾.

Machine Learning은 지도학습(supervised learning), 자율학습(unsupervised learning), 강화학습 (reinforcement learning) 세 가지로 분류되는데 본 연구에서는 머신 러닝 기법 중 ‘지도학습’과 자율학습’방법으로 연구를 수행하였다^(7,8).

열차의 시험 운전 단계 등의 과거 데이터가 존재하지 않는 경우에서는 표준 모델의 각각의 이벤트가 어떤 값에 수렴할지 예상할 수 없기 때문에 자율 학습 기법을 활용하여 초기 표준 모델을 생성하여야 효율적이다.

충분한 데이터가 수집되어 신뢰할 수준의 표준 모델이 이미 생성되어 있는 경우에는 실시간 수집된 열차 시스템의 이상 징후를 판단 할 수 있다. 따라서, 표준 모델에 비해 오차범위 이상을 벗어난 이벤트 기록은 이상 징후로 판단하고 해당 데이터를 선별적으로 통계자료에서 제외하는 지도 학습 방법을 차용해야만 더욱 신뢰성 있는 표준 모델을 생성해 낼 수 있다.

2.2.2 전동차 출입문 모터 전류 값 측정

일반적인 고장 진단 절차는 수집된 데이터 전처리(Prepro- cessing)-신호처리(Signal Processing)-특징 추출(Feature Extrac- tion)-특징 선택(Feature Selection)-분류 (Classification) 등의 절차를 따른다^(4,6).

신호처리에 앞서 측정된 데이터를 검증하는 전처리(Prepro- cessing) 과정이 중요하다⁽⁵⁾.

예지모델 연구의 첫 번째 단계인 데이터 수집을 위해 아래 Fig. 2와 같이 출입문 Zig를 구비한 국내 출입문 전문 제작 회사의 도움을 받아 진행하였다.

Fig. 3은 DC 100V, 150W, 2.1A의 실물과 전류 주파수 파형 그래프를 나타낸다.

출입문 열림. 닫힘 시 시간 해상도(Time Resolution)정보는 아래와 같다.

∙시간 증가는 1msec

∙Sampling 주기는 10msec

∙출입문 관련 제어 함수 동작 주기는 8msec

∙출입문 Zig의 열림, 닫힘 동작 시간은 13.8sec

열림. 닫힘 시 전류 프로파일(Current Profile) 그래프의 파형의 해석은 다음과 같다

∙열림/닫힘 시마다 DCU에서 시간 경과에 따른 거리를 추산하여 가속 구간과 감속 구간을 구별 후, 해당 거리 구간에 모터 측으로 적절한 출력 전류를 변조 (PWM 제어)하여 속도를 제어하고, DCU에서 열림/닫힘 시 마다 평균 전류 값을 계산하고 저장할 수 있다.

∙열림시간 기준 3,000msec, 닫힘시간 기준 2,500 msec 기준이고 파형 그림은 모터에 흐르는 전류값이다.

출입문 거리 계산의 근본은 모터에 가해지는 힘과 시간이다.

∙열림 행정을 구간별로 나누면 Unlock, 가속, 감속, 정지.

∙닫힘 행정을 구간별로 나누면 가속, 감속, 정지.

∙각 행정별 전압이 다르며 출입문의 구속력이나 가속력에 따라 전류의 파형이 다르게 나타난다.

아래 Fig. 4와 5는 출입문의 열림. 닫힘시 주파수 파형이다