이경민
(Kyung-Min Lee)
1iD
박철원
(Chul-Won Park)
†iD
-
(Dept. of Electrical Engineering, Gangneung-Wonju National University, Korea)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
AI, DNN, EOCR, Fault Detection, Fault Prediction, MCC, Pump System, SVM
1. 서 론
전동기는 산업 현장에서 저렴하면서도 설치가 간편하고 유지보수가 용이하여 펌프, 콤프레셔 등 각종 회전기계의 구동부에 많이 사용되고 있다. 하지만,
전동기의 전기적, 기계적 운전상의 문제 등 다양한 요인에 의해 원치 않는 전동기 정지 또는 소손이 발생하면 복구 시간, 품질 감소 및 안전에 막대한
지장을 줄 수 있다. 이에 따라 전동기의 기동 및 정지를 할 수 있고, 이상 발생 시 비상정지 및 이상 상황에 대한 방안으로 전자식 과전류 계전기
(EOCR, Electronic Over Current Relay)가 사용되고 있다. 그런데, 기존 EOCR은 과전류, 부족 전류, 결상, 역상,
전류 불평형, 지락과 같은 전기적 고장 검출은 가능하지만, 전동기 고정자 및 회전자, 베어링 고장과 같은 기계적 고장에는 검출이 어렵다. 따라서 전기적
고장 뿐만 아니라 기계적 고장을 검출할 수 있는 기능의 보완이 필요하고, 신뢰도 높은 전동기의 운전과 효율적인 유지·보수를 위한 대책이 수립되어야
한다 (1).
국내의 관련된 연구로는 회전수, 온도, 절연저항, 카운터를 측정하여 다기능 모터 보호장치를 위한 시스템 제어기 (2)가 구현되었고, 회전기기의 상태감시 및 결함탐지를 위한 시스템 (3), 회전기기의 전동기와 펌프에서 발생하는 진동 및 전류 신호를 이용한 고장 검출 방법 (4)이 발표되었다. 근래에는 노이즈가 포함된 이상 데이터를 고려한 DT-CNN (Decision Tree Convolution Neural Network)
모델 (5), 차량용 스타트 모터의 고장상태 데이터를 기반으로 고장을 예지하는 LSTM (Long Short Term Memory) 모델 (6)이 제안되었다. 최근에는 MCSA (Motor Current Signature Analysis)를 활용한 3상 유도전동기의 고장진단과 예지보전에 관해
연구되었다 (7).
해외의 관련된 연구로는 전기 펌프 시스템의 칼만 필터 기반 센서 고장 검출 및 식별 (8), 선형 예측 기반 전류 잡음 제거를 사용한 일반화된 단일 지점 베어링 고장 감지 기법 (9), 산업용 로봇을 위한 모터 전류 신호 분석을 이용한 예측 유지보수 시스템 (10)이 제시되었다. 근래에는 전류, 진동 및 음향 신호를 이용한 유도 전동기의 예측 시스템 (11), 모델 기반 접근 방식을 사용한 원심 펌프의 비정상상태 검출 기법 (12), 최근에는 AI를 활용한 모터 상태 예측 시스템이 발표되었다 (13).
근래 국내외에서는 전동기의 기계적 고장을 검출하는 연구가 많아지고 있으며, 최근에는 전동기의 상태, 고장진단에 대해 AI (Artificial Intelligence)를
적용한 연구가 많이 수행되고 있다. 특히 설비의 사후 진단 (Diagnosis)의 성격을 갖는 기존의 설비관리 개념이 아닌 설비의 상태에 따른 예후
(Prognostics)를 기반으로 이루어지는 예측 유지보수 (Predictive Maintenance)의 개념이 주목받고 있다.
본 논문에서는 고장 예측 및 전력품질 기능을 가진 MCC (Motor Control Center)용 스마트 EOCR 기술 개선을 위하여, AI를 이용한
펌프 시스템의 고장을 검출하고 비교하고자 한다. 먼저, 스마트 EOCR을 위한 펌프 시스템을 소개하고, 펌프의 정상상태 및 비정상상태 데이터를 수집하여
데이터 셋을 구성한다. AI 기법 중에서 DNN (Deep Neural Network) 및 SVM (Support Vector Machine) 기반
고장 검출 기법을 설계하고, Python 언어를 이용하여 구현한다. 마지막으로, 두 가지 고장 검출 기법의 결과를 비교하여 성능을 평가하고자 한다.
2. 스마트 EOCR을 위한 펌프 시스템
2.1 펌프 시스템
스마트 EOCR은 산업용 사물인터넷 (IIoT, Industrial Internet of Things) 기술을 통해 각종 전동기 정보가 엣지 레벨
(Edge Level)로 전달되어 현장에서 모니터링 및 제어가 가능하다. 주요 정보는 클라우드 (Cloud)로 전달되고 축적된 데이터는 분석을 통해
전동기 보호와 운영 관리를 위해 활용할 수 있다. 그림 1은 스마트 EOCR의 개념도를 나타낸다. 그림 1과 같이, 스마트 EOCR은 엣지 컴퓨팅 (Edge Computing)을 통해서 클라우드와 연계된다. 클라우드에서는 AI 기반 전류 예지보전 등을
통하여, 실시간 전력품질 뿐만 아니라 수집되는 데이터에 의해 전력설비의 예지보전을 수행하고, 화재나 사고를 사전에 예방할 수 있다 (1).
그림. 1. 스마트 EOCR의 개념도
Fig. 1. Conceptual diagram of smart EOC
AI 기반 고장 검출 모델 구축을 위한 학습 데이터 수집에 사용된 펌프 시스템의 사양으로 펌프 시스템의 단독운전 시 출력은 2.2kW, 유량은 12.5$m^{3}/h$,
실 양정은 20m, 속도는 2900RPM 등이다
(1).
2.2 수집 데이터 개요
펌프 시스템의 데이터는 정상상태와 비정상상태로 구분하여 수집하였다. 비정상상태는 펌프의 입구를 인위적으로 조절하여 펌프의 과부하 상태를 유도하였고,
이때 펌프에 설치된 전류 센서로부터 전류를 수집하였다. 이 데이터는 64s/c의 주기로 2초 간격으로, 7,680개가 된다.
그림 2는 수집 데이터의 구조를 나타낸다. 그림 2와 같이, 펌프로부터 수집된 데이터는 7,680 × 4 크기의 CSV (Comma Separated Value) 형식으로 저장하여, 30개의 정상상태
데이터 파일과 78개의 비정상 데이터 파일 78개로 구성된다. 가로축은 각각 datatime, T, S, R상으로 구분되며, 세로축은 각각 T, S,
R상의 7,680개의 데이터가 기록되어 있다.
그림. 2. 수집 데이터의 구조
Fig. 2. Structure of collected data
그림 3은 펌프 시스템의 정상상태와 비정상상태의 전류를 나타낸다.
그림 3과 같이, T, S, R 상의 데이터를 비교 결과, 전류 크기의 변동, 주기의 늘어짐이 두 가지 상태에서 모두 확인되었다. 따라서 데이터를 통해 펌프의
상태를 육안으로 식별하는 것이 불가능함을 알 수 있었다.
그림. 3. 펌프 시스템의 정상상태와 비정상상태의 전류
Fig. 3. Current of normal and abnormal state in the pump system
3. AI 기반 고장 검출 기법
3.1 DNN 기반 고장 검출 기법
DNN 모델은 다중의 은닉층을 포함하여 다양한 비선형적 관계를 분류할 수 있는 기법이다. 먼저, 펌프 시스템의 데이터를 수집한 후, 학습 데이터 (7,680×4)
및 시험 데이터 (7,680×4) 셋으로 나누어 구축한다. DNN 모델을 생성한 후, 학습 데이터를 지도학습 시킨다. 지도학습이 완료된 최적 DNN
모델은 시험 데이터로 검증한 후, 펌프 시스템의 고장 검출을 확인한다.
DNN 모델의 입력층은 Flatten 레이어로 7,680×4인 1차원 배열로 변환, 생성하였다. 은닉층은 뉴런 수는 256개, 음의 입력값을 허용하고
학습 중에 기울기 소실 문제를 완화하는 데 도움이 되기 때문에 LeakyReLU 활성함수를 사용하였다. 출력층은 2개의 뉴런으로 구성되며, softmax
활성함수를 사용하여 각 클래스에 대한 확률을 생성하였으며, 정상과 비정상을 분류하도록 하였다. 총 반복 횟수는 50회, 학습률을 0.01, 0.05,
0.1, 0.15로, 은닉층의 수를 2, 3, 4로 가변하는 시뮬레이션을 수행하여 최적 DNN 모델을 찾았다.
3.2 SVM 기반 고장 검출 기법
SVM 모델은 분류율이 좋은 기법이다. 방사 기저 함수 (RBF, Radial Basis Function) 커널로 무한한 차원으로 변환할 수 있도록
하였고, gamma와 C값을 변경하며 최적의 SVM 모델을 찾아내어 사용하였다. 먼저, 펌프 시스템의 데이터를 수집한 후, 학습 데이터 (7,680×4)
및 시험 데이터 (7,680×4) 셋으로 나누어 구축한다. SVM 모델을 생성한 후, 학습 데이터를 지도학습 시킨다. 지도학습이 완료된 최적 SVM
모델은 시험 데이터로 검증한 후, 펌프 시스템의 고장 검출을 확인한다. gamma와 C를 0에서 10까지 1 간격으로 변경한 결과, 최적 SVM 모델은
gamma가 10, C가 10임을 알 수 있었다.
4. 시뮬레이션 및 성능평가
제안된 두 가지 AI 기법은 Python 도구를 사용하여 구현하였다. DNN은 tensorflow 라이브러리를, SVM은 scikit-learn 라이브러리를
사용하였다. 각 모델의 학습 및 시험은 i7-10700, 2.90GHz, 32GB RAM이 장착된 컴퓨터에서 수행되었다.
정밀도 (Precision), 재현율 (Recall), F1-Score를 통하여 제안된 모델의 성능을 평가하였다. 정확도는 식(1)과 같이 표현된다.
여기서, TP (true positive)는 실제로 positive인데 예측도 positive로 잘된 경우를, FN (false negative)는
실제로는 positive인데 예측은 negative로 잘못된 경우, FP (false positive)는 실제로는 negative인데 예측이 positive로
잘못된 경우, TN (true negative)는 실제로도 negative인데 예측도 negative로 잘된 경우를 각각 나타낸다.
정밀도와 재현율은 식(2), 식(3)과 같이 표현된다.
F1-Score는 정밀도와 재현율의 조화 평균값으로, 두 가지를 같이 고려하는 지표이다.
식(4)와 표현될 수 있으며, 최종 성능평가에 사용된다.
4.1 DNN 기반 고장 검출 기법의 결과
그림 4는 DNN 모델의 반복 횟수에 따른 정확도를 나타낸다. 그림 4에서 적색은 은닉층의 수가 4개, 청색은 3개, 녹색은 2개를 나타낸다. 그림 4(a)와 같이, 은닉층의 수가 3개인 경우, 반복 횟수가 23회부터 정확도가 100%이다. 은닉층의 수가 2개, 4개인 경우, 100%로 수렴하지 못하였다.
그림 4(b)와 같이, 은닉층의 수가 2개, 3개, 4개인 경우, 반복 횟수가 각각 34회, 19회, 36회부터 정확도가 100%이다. 그림 4(c)와 같이, 은닉층의 수가 2개, 3개, 4개인 경우, 반복 횟수가 각각 40회, 32회, 40회부터 정확도가 100%이다. 그림 4(d)와 같이, 은닉층의 수가 2개, 3개, 4개인 경우, 반복 횟수가 각각 41회, 35회, 44회부터 정확도가 100%이다. 이에 따라 최적 DNN
모델은 입력층은 1개, 은닉층은 3개, 출력층은 1개로, 학습률은 0.005임을 알 수 있었다.
그림. 4. DNN 모델의 반복 횟수에 따른 정확도
Fig. 4. Accuracy according to iteration count of DNN model
그림 5는 최적 DNN 모델의 Confusion matrix를 나타낸다.
그림 5와 같이, 정상상태 및 비정상상태를 정확하게 검출한 것을 알 수 있다.
그림. 5. 최적 DNN 모델의 Confusion matrix
Fig. 5. Confusion matrix of optimal DNN model
표 1은 최적 DNN 모델의 성능평가 결과를 나타낸다.
표 1과 같이, 정상상태와 비정상상태 모두 정밀도, 재현율, F1-Score가 1.00으로 잘 판별한 것을 알 수 있다.
표 1. 최적 DNN 모델의 성능평가 결과
Table 1. Performance evaluation result of optimal DNN model
|
|
Precision
|
Recall
|
F1-Score
|
|
normal
|
1.00
|
1.00
|
1.00
|
|
abnormal
|
1.00
|
1.00
|
1.00
|
|
Accuracy
|
-
|
-
|
1.00
|
|
macro avg.
|
1.00
|
1.00
|
1.00
|
|
weightes avg.
|
1.00
|
1.00
|
1.00
|
4.2 SVM 기반 고장 검출 기법의 결과
그림 6은 최적 SVM 모델의 Confusion matrix를 나타낸다. 그림 6과 같이, 정상상태는 정확하게 검출하였으나, 비정상상태의 경우를 정상상태로 오류 검출한 경우는 3회, 비정상상태로 정확하게 검출한 경우는 47회,
94%의 정확도를 알 수 있다.
그림. 6. 최적 SVM 모델의 Confusion matrix
Fig. 6. Confusion matrix of optimal SVM model
표 2는 최적 SVM 모델의 성능평가 결과를 나타낸다.
표 2와 같이, 정상상태의 정밀도, 재현율, F1-Score는 각각 0.83, 1.00, 0.91이며, 비정상상태의 정밀도, 재현율, F1-Score는
각각 1.00, 0.94, 0.97이다. 정확도는 95%이며, 정상상태에 대한 정밀도가 작은 것을 알 수 있다.
표 2. 최적 SVM 모델의 성능평가 결과
Table 2. Performance evaluation result of optimal SVM model
|
|
Precision
|
Recall
|
F1-Score
|
|
normal
|
0.83
|
1.00
|
0.91
|
|
abnormal
|
1.00
|
0.94
|
0.97
|
|
Accuracy
|
-
|
-
|
0.95
|
|
macro avg.
|
0.92
|
0.97
|
0.94
|
|
weightes avg.
|
0.96
|
0.95
|
0.96
|
4.2 비교 및 고찰
표 3은 DNN 및 SVM 모델을 비교한 결과를 나타낸다. 표 3과 같이, DNN 모델의 정밀도는 1.00, SVM 모델의 정밀도는 0.92로 DNN 모델의 정밀도가 0.08 크게 나타났다. DNN 모델의 재현율은
1.00, SVM 모델의 재현율은 0.97로 DNN 모델의 재현율이 0.03 크게 나타났다. DNN 모델은 F1-Score가 1.00, SVM 모델은
F1-Score가 0.94로 DNN 모델의 F1-Score가 0.06 크게 나타났다. 정확도의 경우, DNN 모델이 SVM 모델보다 5% 높게 나타났다.
전반적으로 DNN 모델의 성능이 더 우수한 것을 알 수 있었다.
표 3. DNN 및 SVM 모델의 비교 결과
Table 3. Comparison result of DNN and SVM model
|
모델종류
|
Precision
|
Recall
|
F1-Score
|
Accuracy
|
|
DNN
|
1.00
|
1.00
|
1.00
|
100%
|
|
SVM
|
0.92
|
0.97
|
0.94
|
95%
|
5. 결 론
최근, 설비의 사후 진단의 성격을 갖는 기존의 설비관리 개념이 아닌 설비의 상태에 따른 예후를 기반으로 이루어지는 고장 예측의 개념이 주목받고 있다.
이에 고장 예측 기능을 가진 MCC 용 스마트 EOCR을 개선하고자, 펌프 시스템으로부터 수집한 정상상태 및 비정상상태 데이터 셋를 구성하여 DNN
모델과 SVM 모델을 이용한 고장 검출을 비교하였다. 데이터 세트의 경우, DNN 모델과 SVM 모델은 동일하였다. 본 논문과 같이 오프라인 시험에서,
DNN 모델과 SVM 모델의 학습 소요 시간은 각각 약 3분, 5초로서, 속도 측면에서는 SVM 모델이 우수한 것을 알 수 있었다. 모델 시험 시,
DNN 모델과 SVM 모델의 고장 검출 시간은 각각 약 4초, 5초 이내로서, DNN 모델이 신속한 것을 알 수 있었다. 더욱이, DNN 모델과 SVM
모델의 정확도는 각각 100%, 95%로서, DNN 모델은 오동작 하지 않았다. 성능 비교 결과, DNN 모델이 SVM 모델보다 전반적으로 우수한
것을 알 수 있었다.
Acknowledgements
This research was supported by Ministry of SMEs and Startups. (Grant number: S3303416)
References
C.W. Park, 2022, Development of smart EOCR system technology with AI-based fault prediction
and improved power quality function for MCC, Ministry of SMEs and Startups, Progress
Report, Vol. , No. , pp. 1-42
J.Y. Seo, 2016, Development of the System Controller for Multi Functional Motor Protection,
2016 Korea Information and Communication Society Fall Conference, Vol. , No. , pp.
830-832
S.H. Jeong, Y.D. Lee, 2016, Condition Monitoring and Fault Diagnosis System of Rotating
Machinery, 2016 Korea Information and Communication Society Fall Conference, Vol.
, No. , pp. 819-820
Y.O. Jung, 2016, A study on fault diagnosis of motor and pump, Chonnam National University,
Master's Thesis, Vol. , No. , pp. 1-76
J.H. Han, 2020, DT-CNN based Motor Failure Prediction Considering Outlier Data, Journal
of Institute of Control, Robotics and System, Vol. 26, No. 11, pp. 932-939
D.H. Ko, 2021, Failure Prognostics of Start Motor Based on Machine Learning, Journal
of the Korean Society of Manufacturing Process Engineers, Vol. 20, No. 12, pp. 85-91
K.D. Kim, 2022, A Study on the Fault Diagnosis and Predictive Maintenance of Three-phase
Induction Motor using Electrical Signal Analysis, Seoul National University of Science
and Technology, Master's Thesis, Vol. , No. , pp. 1-116
M. Rezaee, 2017, Kalman filter based sensor fault detection and identification in
an electro-pump system, 2017 5th International Conference on Control, Instrumentation,
and Automation, Vol. , No. , pp. 12-17
F. Dalvand, 2018, Detection of Generalized-Roughness and Single-Point Bearing Faults
Using Linear Prediction-Based Current Noise Cancellation, IEEE Trans. on Industrial
Electronics, Vol. 65, No. 12, pp. 9728-9738
A. Bonci, 2019, Predictive Maintenance System using motor current signal analysis
for Industrial Robot, 2019 24th IEEE International Conference on Emerging Technologies
and Factory Automation, Vol. , No. , pp. 1453-1456
E. Babu, 2022, Predictive Analysis of Induction Motor using Current, Vibration and
Acoustic Signals, 2022 2nd International Conference on Power Electronics & IoT Applications
in Renewable Energy and Its Control, Vol. , No. , pp. 1-7
S.R. Kumar, 2022, Anomaly Detection in Centrifugal Pumps Using Model Based Approach,
2022 8th International Conference on Advanced Computing and Communication Systems,
Vol. , No. , pp. 427-433
S. Bundasak, P. Wittayasirikul, 2022, Predictive maintenance using AI for Motor health
prediction system, 2022 International Electrical Engineering Congress, Vol. , No.
, pp. 1-4
저자소개
He was born in Korea.
He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering from Gangneung-Wonju
National University, Wonju, Korea, in 2014, 2017, and 2022, respectively.
His research interests include Power IT, LVDC, Microgrid, RES, PMU, AI application
of power system, power system modeling & control, and power system protection.
He is a member of the KIEE, KIIEE, and IEEE.
Ph.D. Lee was awarded the Paper Prize of KIIEE in 2020, the Best Paper of the APAP
in 2021.
Tel : 033-760-8796
Fax : 033-760-8781
E-mail : point2529@gwnu.ac.kr
He was born in Korea.
He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering from Sungkyunkwan
University, Seoul, Korea, in 1988, 1990, and 1996, respectively.
From 1989 to 1993 he was an associate researcher at Lucky GoldStar Industrial Systems.
From 1993 to 1996, he was a senior researcher at PROCOM system and lecturer at S.K.K.
University.
At present, he is a professor in the Department of Electrical Engineering at Gangneung-Wonju
National University, since 1997.
His research interests include power IT, IED, LVDC, MVDC, Microgrid, Hybrid, RES,
PMU, AI application to power grid, power system modeling & control, and computer application
in power system.
He is a member of the KIEE, KIIEE, and IEEE. Dr. Park was awarded the Paper Prize
of KIEE in 2010, 2020, the Paper Prize of the KOFST in 2017, the Best Paper of the
APAP in 2021, and the Best Paper of KOWEPO in 2021, 2022.
Tel : 033-760-8786, 8200
Fax : 033-760-8781
E-mail : cwpark1@gwnu.ac.kr