A Study on Predictive Preservation of Equipment Management System with Integrated Intelligent IoT

지능형 IoT를 융합한 장비 운용 시스템의 예지 보전을 위한 연구

Abstract

Internet of Things technology is rapidly developing due to the recent development of information and communication technology. IoT technology utilizes various sensors to generate unique data from each sensor, enabling diagnosis of system status. However, the equipment management system currently in effect is a post-preservation concept in which administrators must deal with the problem after the problem occurs, which could mean system reliability and availability problems due to system errors, and could result in economic losses due to negative productivity disruptions. Therefore, this study confirmed that edge controller control decision algorithms for more efficient operation of rectifiers in the factory by applying intelligent IoT (AIoT) technology and domain knowledge-based modeling for each sensor data collected based on this, outputting appropriate status messages for each scenario.

최근 정보통신기술의 발전에 따라 사물인터넷 기술이 비약적으로 발전하고 있다. IoT 기술은 다양한 센서들을 활용하여 각 센서의 고유한 데이터를 발생시켜 시스템 상태의 진단을 가능하도록 한다. 하지만, 현재 적용되고 있는 장비운용 시스템은 장비에 문제가 발생한 후 관리자가 해당 문제를 처리해야하는 사후보전 방식의 개념이며, 이는 시스템의 에러로 인한 시스템의 신뢰성 및 가용성 문제점을 의미할 수 있으며, 정비를 위한 시스템 중단으로 생산성에 부정적 영향으로 인한 경제적 손실을 초래할 수 있다. 따라서, 본 연구에서는 지능형 IoT(AIoT) 기술을 적용하여 공장 내 정류기를 보다 효율적으로 운용하기 위한 엣지 컨트롤러 제어 의사 결정 알고리즘과, 정류기 부품별 고장 상황 정보에 대한 도메인 지식 기반의 모델링을 작성하여, 이를 바탕으로 수집된 각 센서 데이터에 대한 상관관계 분석을 통해 시나리오별 Abnormal 데이터에 대하여 적정 수준의 상태 메시지를 출력함을 확인할 수 있었으며, 이를 통한 기존 현장의 장비 운용 시스템의 가용성과 생산성이 향상됨을 확인하였다.

Ⅰ. 서론

최근 정보통신기술의 발전에 따라 사물인터넷(이하 IoT) 관련 기술이 지속적으로 발전하고 있다. IoT 기술은 다양한 센서들을 활용하여 센서 마다의 고유한 데이터를 발생시켜 IoT 기술이 접목된 시스템의 상태를 진단할 수 있도록 한다. 현재 적용되고 있는 장비 운용 시스템은 장비에 문제가 발생한 후 관리자가 해당 문제를 처리해야하는 사후보전 방식의 개념으로, 시스템의 에러로 인한 가동 중지는 시스템의 신뢰성 및 가용성에 영향을 끼칠 수 있다. 또한, 정비를 위해 시스템을 중단하게 되면 생산성에 많은 영향을 끼친다는 문제점이 있다. 따라서, 본 연구에서는 지능형 IoT(이하 AIoT) 기술을 적용하여 공장 내 정류기를 보다 효율적으로 운용하기 위한 예지 보전 시스템에 관한 연구를 진행하였다. 중요도 기반의 엣지 컨트롤러 제어를 위한 의사 결정 알고리즘과, 정류기 부품별 고장 상황 정보에 대한 도메인 지식 기반의 모델링을 작성하고, 수집된 각 센서 데이터에 대한 상관관계 분석을 위한 식을 작성하였다.

Ⅱ. 관련 연구

1. AIoT

Iot 도입 후 복잡해진 시스템 구조와 성능적 문제로 인해 재해, 재난 및 긴급상황 발생 시 대처가 늦어지는 문제점들이 있다. 따라서, 자동화와 지능화를 제공하는 AI 기술의 필요성이 제기되고 있다. AI와 IoT를 접목한 기술인 AIoT는 초연결성과 초지능성을 해결할 수 있는 기술로써 사물인터넷과 인공지능(머신러닝, 딥러닝)을 융합한 개념이다. 사물지능(AIoT, AI of things)로 정의하며 4차 산업혁명의 Key Drivers는 그림 1과 같다^[1].

그림 1. AIoT 개념도

Fig. 1. AIoT Conceptual Diagram

2. Edge Computing

Edge Computing은 응답 시간을 개선하고 대역폭을 절약하기 위해 필요한 곳에 연산과 데이터 스토리지를 도입하는 분산 컴퓨팅 패러다임 중 하나이다. 기존의 IoT 시스템에서는 센서와 디바이스들의 처리 능력의 부재로 대부분의 데이터를 수집하여 클라우드 서버 및 중앙 데이터 센터로 전송/전달 하는 중앙 집중 방식을 사용하였다^[2][3]. 데이터 센터로 전송/전달 된 데이터들은 서버에 의해 처리 및 분석되며 필요 여부를 판단 받게 된다. 서버에서 결정이 내려지면 이에 대한 명령을 네트워크를 통해 디바이스에게 전달되어 명령이 수행되게 된다. 엣지 컴퓨팅의 개념도는 그림 2와 같다.

그림 2. 엣지컴퓨팅 개념도

Fig. 2. Conceptual Diagram of Edge Computing

3. 예지보전

예지보전은 ‘장비 상태에 대한 전문가적 진단을 통해 수명을 미리 예지하고 고장 발생 이전에 미리 보수하여 전체 시스템의 원활한 운용을 보장하는 유지보수 방법’으로 정의된다. 예지보전은 수집되는 데이터를 기반으로 AI가 설비의 이상, 고장을 예측하고 예측한 결과에 따라 최적의 제어가 가능한 높은 신뢰도의 솔루션을 제공하고 있다^[3]. 해외의 경우 이미 설비 제조사와 플랫폼 기업 간 협업을 통해 설비 진단 및 예지보전이 가능한 솔루션을 공동개발하고 있으며, 국내 일부 기업들도 제조 데이터를 기반으로 설비 상태를 예측, 진단하여 공정 불량률 감소, 공정품질 예측 정확도 향상 등을 향상시킬 수 있는 예지보전 솔루션은 필수 요소로 대두되면서 예지보전 기술의 도입 및 자체 개발을 시도하고 있는 것으로 보고되고 있으며, 예지 보전의 단계별 정의 및 시스템 구성도는 그림 3과 같다^[5].

그림 3. 예지 보전의 단계별 정의 및 시스템 구성도

Fig. 3. Process and System Configuration Diagram of Preservation

4. 지도 학습

지도학습(Supervised Learning)은 라벨링 된 데이터를 활용하여 컴퓨터를 학습시키는 방법으로 라벨링 된 데이터란 입력 데이터에 대한 출력 데이터를 의미한다. 그렇기 때문에 지도학습에는 정확한 입력(input)과 출력(output)이 존재하며, 이러한 지도학습에는 분류(Classification)와 회귀(Regression)로 나누어진다. 분류(Classification)는 주어진 데이터를 정해진 카테고리에 따라 분류하는 문제를 말하고 회귀(Regression)는 어떠한 데이터들의 특징(Feature)을 기준으로 연속된 값을 예측하는 문제이다. 따라서 정확한 고장 예측 모델을 생성하기 위해서는 정확한 라벨링 된 데이터와 적절한 학습 알고리즘 선택이 중요한 요소이다^[6][7][8].

Ⅲ. 본론

1. 시스템 구성도

제안하는 시스템의 구성도는 장치에서 메시지가 생성이 되면 엣지 컨트롤러로 전송하여 그 상태를 의사결정하고, 상태가 Normal 상태이면 엣지 컨트롤러에서 처리하여 신호를 Device로 돌려보내 자체적으로 처리한다. Abnormal 상태인 경우 시스템에 영향을 줄 수 있는 상태라고 인정하여 매니저 서버로 전송하며, 매니저 서버는 일정시간 동안 Abnormal 데이터에 대한 해당 Attribute가 기준치 이하 수준으로 감소되지 않는 경우, System Control Data Signal을 보내 Device를 직접적으로 제어하는 구조이며 그림 4와 같다.

그림 4. 제안 시스템 구성도

Fig. 4. Proposed System Configuration Diagram

2. 이상 데이터 도출(Anomaly Detection)

엣지 컨트롤러에서 발생한 각각의 센서 데이터(내부온도, 외부온도, 전류, 전압)를 바탕으로 이상 상태 메시지를 생성한다. 상태 메시지 Y_n은 n시간대의 시스템 상태를 의미하며 Y_n을 생성하기 위한 수식은 식 (1)과 같다.

\(\begin{aligned}Y_{n}=\lim _{n \rightarrow \infty} \sum_{t=1}^{n}\left(\frac{\Delta \text { i.tem }_{t} \times \Delta \text { etem } p_{t} \times \Delta \text { current }_{t}}{n}\right)\\\end{aligned}\)       (1)

∙ Y_{n :} n 시간대의 시스템 상태

∙ i.temp_t : t 시점의 정류기 내부 온도

∙ e.temp_t : t 시점의 정류기 외부온도

∙ Δ i.temp_{t =} i.temp_t - i.temp_t+c

∙ Δ e.temp_{t =} e.temp_t - e.temp_t+c

∙ 조건

∙ Δi.temp_t ≥ 10%

∙ Δe.temp_t ≤ 5%

∙ Δcurrent_t ≻ 0 : 작업조건정전압(전류변동체크)

∙ t : 현재 시점

∙ c : 사용자가 임의로 지정한 데이터 갱신 주기

상태 메시지 Y_n은 현재 시점의 내부온도와 사용자가 임의로 지정한 갱신 주기 이전 시점의 내부온도에 대한 차 값으로 하며, 현재 시점의 기준 값은 외부온도와 전류 변동치로 한다. 외부온도가 기준치 이하일 조건을 1, 기준치를 넘어서는 경우를 0으로 하며, 정류기 전류 인가 값이 있으면 가동 상태를 나타내는 1, 인가 값이 없으면 가동하시 않음을 나타내는 0으로 한다. 내부 온도가 설정 값을 넘어서는 경우의 값과 외부온도 정상 ‘1’, 정류기 가동 ‘1’ 값을 함께 곱한 값에 가동 시간 만큼을 나눈값을 모두 더하여 수렴하는 값이다. Y_n의 값이 0~1인 데이터가 발생하는 경우 해당 데이터는 말단 단말기에서 자체적으로 처리하도록 하되, Δi.temp에 대한 평균 분포 값이 Y_n ×0.7 보다 큰 경우 해당 메시지를 시스템으로 전달하도록 하였다. Y_n의 수치에 따라 시스템에 대한 단계를 Step1, Step2, Step3으로 나눌 수 있으며, Step1은 메시지 단계로 복수 요소에 의한 문제 발생이 아닌 단일 요소에 의한 문제 발생으로 이해할 수 있다. Step2는 Step1에서 발생할 수 있는 문제들이 복수적으로 일어나는 경우로 사용자 및 관리자에게 현재 기기의 상태에 대한 알림과 함께 기존에 발생한 메시지를 전달한다. Step.3는 시스템이 정지하거나 오작동을 하는 경우를 뜻하며, 본 논문에서는 이러한 사후 보전 방식의 단점을 개선하기 위하여 다음과 같은 방식을 제안하였으며, 단계별 메시지 구성은 그림 5와 같다.

그림 5. 단계별 상태 메시지 구성 및 조치사항

Fig. 5. Status Message and Action Poins of Step-by-Step

3. 의사결정 흐름도

센서 데이터가 수집되면, 컨트롤러는 수집된 데이터에 대해 중요도를 판단한다. 중요도에 따른 상태 메시지를 생성하고 상태 메시지의 수준에 따라 엣지에서 처리할 것인지 시스템으로 상태 메시지를 전송할 것인지 판단한다. 상태 메시지의 중요도가 높음에 따라 메시지가 시스템으로 전송되면, 시스템은 상태 메시지에 따른 하위 연관 메시지를 확인한다. 이후 하위 메시지와 일치하는 관련 데이터가 기존하는 경우 관련된 체크 리스트를 관리자에게 출력함으로써 사전 예방을 할 수 있도록 한다. 만약 관련 데이터가 없는 경우 해당 케이스를 DB에 저장하고 알맞은 체크리스트를 출력하도록 하며, 의사결정 전체 흐름도는 그림 6과 같다.

그림 6. 의사결정 전체 흐름도

Fig. 6. Decision Overall Flowchart

4. 도메인 지식 기반 모델링

도메인 지식 기반 모델링은 상황정보를 수집하는 부분과 상황인지로부터 선택된 서비스를 제공하는 부분으로 모델링한다. 상황정보를 수집하는 부분에서는 IoT 말단 노드의 센서를 통해 정보를 획득하며, 미리 시스템의 기준 값을 저장한다. 이러한 기준 값은 추후 수집되는 정보들의 중요도를 판단할 때 사용되며, 정류기 도메인에 따른 고장 상황 정보는 표 1과 같다.

표 1. 도메인에 따른 고장 상황 정보

Table 1. Fault status information based on domain

Ⅳ. 시뮬레이션

1. 시뮬레이션 환경 구성

3장에서 정의한 구성도를 바탕으로 정류기 모사 시스템의 구성도를 구축하였으며, AI 학습용 데이터 수집을 위한 모사 시스템 구성도는 그림 7과 같다.

그림 7. AI 학습용 데이터 수집을 위한 모사 시스템 구성도

Fig. 7. Simulation System Configuration Diagram for Data Collection for AI learning

모사 시스템은 지도학습이 가능한 수준의 시나리오별 10,000건 이상의 Abnormal 데이터가 기록되도록 구축 하였으며, normal과 Abnormal 데이터의 기준 정의는 표 2와 같다.

표 2. 정상 및 비정상 데이터 기준 정의

Table 2. Define Normal and Abnormal Data Criteria

2. 시나리오 구성

모사 시스템 장비 선정은 범용적으로 사용되는 IGBT 정류기로 하며, 정류기 외기 온습도 시뮬레이션이 쉽도록 닫힌 공간에서 수행하였고, 부하율 계측 기록이 가능하기 위하여 저항을 설치하였으며, 시뮬레이션 조건을 별도 기록하여 데이터 레이블링을 수행하였다. 시뮬레이션은 정류기 기능 관련 Abnormal Data 추출을 위한 작업을 수행하며 생성되는 데이터는 인입전류, 인입전압, 외부온도, 외부습도, 내부온도, 노이즈 생성여부 등의 학습용 데이터를 생성 시키며 Abnormal Data 추출을 위한 각 시나리오는 그림 8과 같다.

그림 8. Abnormal Data 추출을 위한 시나리오

Fig. 8. Scenario for Abnormal Data Extraction

3. 결과 분석 및 고찰

LSTM기반 예지보전 모델은 학습 데이터 셋과 검증 데이터 셋을 측정하여 상관 계수로 검증하고 사용된 데이터 셋과 학습방법(지도, 비지도학습)의 결과 모델의 성능 및 기능 비교 실험을 통해 성능치와 기능치를 측정하였다.

도메인 지식기반의 예지보전 모델의 요용성 분석 결과는 예지보전 모델 성능 결과 비교 그림 9와 예지보전 모델 기능 결과 비교 그림 10과 같다.

그림 9. 예지보전 모델 성능 결과 비교

Fig. 9. Comparison of predictive maintenance model performance results

그림 10. 예지보전 모델 성능 결과 비교

Fig. 10. Comparison of predictive maintenance model performance results

Ⅴ. 결론

최근 정보통신기술의 발전으로 사물인터넷(이하 IoT) 관련 기술이 또한 비약적으로 발전하고 있다. IoT 기술은 다양한 센서들을 활용하여 센서마다의 고유한 데이터를 발생시켜 IoT 기술이 접목된 시스템의 상태를 진단할 수 있게 하지만, 현재 적용되고 있는 장비 운용 시스템은 장비에 문제가 발생한 후 관리자가 해당 문제를 처리해야하는 사후보전 방식의 개념으로, 시스템의 에러로 인한 가동 중지는 시스템의 신뢰성 및 가용성에 영향을 끼칠 수 있다. 또한, 정비를 위해 시스템을 중단하게 되면 생산성에 많은 영향을 끼친다는 문제점을 해결하기 위하여 본 연구에서는 중요도가 기반의 엣지 컨트롤러 제어를 위한 의사 결정 알고리즘과 정류기 부품별 고장 상황 정보에 대한 도메인 지식 기반의 모델링을 작성하였고, 수집된 각 센서 데이터에 대한 상관관계 분석을 통해 시나리오 별 Abnormal 데이터에 대하여 적정 수준의 상태 메시지를 출력함을 확인할 수 있었으며, 이를 통한 기존 현장의 장비 운용 시스템의 가용성과 생산성이 향상됨을 확인하였다. 추후 정류기 뿐 아니라 현장에서 사용되는 모든 장비들에 아울러 적용할 수 있는 플랫폼 형태의 시스템을 연구할 예정이다.