1. 서 론

제반 산업 현장의 동력이 되는 전동기는 경제성, 설치의 용이성 및 고신뢰성으로 인해 널리 사용되고 있다. 하지만 전동기는 자체의 문제나 관련 설비 운전 중에 발생하는 다양한 요인에 따라 고장이 발생할 수 있다. 전동기 고장원인 중에서, 축의 마모나 절연물의 노화 등 기계적인 원인은 어느 정도 수명을 예측하여 사전에 열화에 의한 고장이나 정전 예방이 가능하나, 결상 및 과부하 등이 불시에 발생하는 것은 예측이 불가능하여 전기화재의 주요 원인이 된다. 그러므로 이에 대한 별도의 보호 방안을 구비하여야 한다.

전동기의 상태감시 및 고장예측은 공정 과정에서 전동기의 부품 마모 및 소손으로 인하여 발생하는 예기치 못한 공정의 중단을 예방함으로써 복구비용 및 시간으로 인한 막대한 손해를 최소화할 수 있다. 특히, 최근에는 자산관리 (Asset Management)의 관점에서 전동기의 고장을 예측하고, 예방 및 유지보수를 수행하여 고장 발생으로 인한 비용 및 시간 손실을 줄이는데 관심이 증가하고 있다^[1].

국내의 관련된 연구로는 전동기의 상태를 보여주는 입력 전류 파형과 진동을 센서를 이용하여 FFT (Fast Fourier Transform) 변환을 통해 전동기의 고장을 검출하는 기법^[2], 전기신호 분석의 대표적인 기법 중 하나인 Park’s vector approach 알고리즘을 개선하여 전동기의 고정자 및 회전자 고장을 판별할 수 있는 기법^[3], 인버터 입력전류 분석을 이용한 유도전동기의 고장을 진단하고 검출하는 방법^[4]이 제시되었다. 근래에는 고장 예지 및 설비의 수명 예측을 위한 LSTM (Long Short Term Memory) 기반 예지보전 (Predictive Maintenance) 모델의 설계 변수 영향력 분석^[5], WI-FI 통신을 기반으로 한 실시간 전자식 과전류계전기 (EOCR, Electronic Over Current Relay) 모니터링 APP 구축^[6], 3상 전동기의 결상 사고 감지를 위한 회로 토폴로지 설계^[7], MCSA (Motor Current Signature Analysis)를 활용한 3상 유도전동기의 고장진단과 예지보전에 관한 논문이 발표되었다^[8].

해외의 관련된 연구로는 산업용 로봇을 위한 전동기 전류 신호 분석을 이용한 예측 유지보수 시스템^[9], Edge-Cloud Computing을 통한 IoT (Internet of Things) 기반 전동기 수명 예측 유지 관리 시스템^[10]이 제시되었다. 근래에는 전류, 진동 및 음향 신호를 이용한 유도전동기의 예측 시스템^[11], 유량 센서가 없는 배터리의 펌프 고장 감지 기법^[12]에 관한 연구가 진행되었다. 최근에는 SVM (Support Vector Machine) 알고리즘을 이용한 유도전동기 고장 식별 기법이 연구되었다^[13].

본 논문에서는 전동기 제어반 (MCC, Motor Control Center)용 스마트 EOCR (Electronic Over Current Relay)의 AI (Artificial Intelligent) 기반 예지보전 기술 개발을 위하여, AI 기법을 이용한 전동기 시스템의 상태판별기를 제안한다. 먼저, 스마트 전자식 과전류계전기에 의한 전동기 시스템에 대해 소개한다. 다음으로 전동기 시스템으로부터 데이터를 수집한 후, 5가지 상태의 학습데이터 세트를 구성한다. AI 기법 중에서 널리 알려진 심층신경망 (DNN, Deep Neural Network)을 이용하여 상태판별기를 설계하고, Python 언어를 이용하여 구현한 후, 그 효용성을 입증하고자 한다.

2.스마트 전자식 과전류계전기에 의한 전동기 시스템

2.1스마트 전자식 과전류계전기 기반 전동기 시스템의 소개

스마트 전자식 과전류계전기는 기존의 MCC보다 구조적 장치와 예속된 설비의 전력품질을 실시간 관리함으로써, 화재와 사고의 위험을 현저히 줄일 수 있고 전력의 효율적 사용, 에너지 절약 및 생산성을 증대시킬 수 있다. Fig. 1은 스마트 전자식 과전류계전기 기반 전동기 시스템의 개요도를 나타낸다. 전동기의 전류 데이터를 수집하여 전자식 과전류계전기를 통해 Edge 컴퓨팅, Cloud와 연계된다. Cloud에서는 AI 기반 상태판별기, AI 기반 전류 예지보전 및 전력품질 지수 등을 통하여, 실시간 전력품질뿐만 아니라 Cloud 환경의 유지보수 체계를 구축할 수 있다.

Fig. 1. Schematic diagram of smart electronic overcurrent relay

2.2 데이터의 수집

스마트 전자식 과전류계전기 기반 전동기 시스템의 데이터는 정상 부하와 펌프의 입구를 막아 물 유입을 제한한 비정상 부하, 역방향회전, 펌프에 물이 없어서 전동기가 공회전하는 상태 및 비정상 부하시 역방향회전으로 구분하였다. 수집된 데이터는 각각 128 sample/cycle의 주기로 1초씩 총 7,680개가 된다. Fig. 2는 전동기 시스템의 수집된 전류데이터를 나타낸다. 수집된 데이터는 7,680×4 크기의 CSV (Comma Separated Value) 형식으로 저장되며, 가로축은 dataTime, T, S, R상 전류로서 단위는 µA이다.

Fig. 2. Collected current data in motor system

Fig. 3은 전동기 시스템의 정상 부하와 비정상 부하 및 여러 가지 상태의 1주기 T상 전류를 나타낸다. 정상 부하인 경우, -0.467A에서 0.400A 범위에서 운전되며, 비정상 부하인 경우, -0.460A에서 0.396A 범위, 역방향회전인 경우, -0.488A에서 0.425A 범위, 비정상 부하의 역방향회전인 경우, -0.465A에서 0.403A 범위, 물 없는 공회전인 경우, -0.426A에서 0.360A 범위에서 운전되는 것을 각각 확인할 수 있다. 육안으로는 전동기 시스템의 여러 가지 상태를 판별하는 것이 용이하지 않음을 알 수 있다.

Fig. 3. Current data in various states

3. AI 기반 상태판별기

3.2 AI 기반 상태판별기의 구현

제안된 AI 기반 DNN에 의한 상태판별기는 Python 도구의 tensorflow 라이브러리를 사용하여 구현하였다. Fig. 4는 DNN을 사용하여 구현된 상태판별기를 나타낸다. 상태판별기의 입력층 (dense 및 dropout 레이어)은 Flatten 활성함수로 7,680×4인 1차원 배열로 변환, 생성하였다. 은닉층 (dense 및 dropout 레이어)의 뉴런 수는 256개, 음의 입력값을 허용하고 학습 중에 기울기 소실 문제를 완화하는 데 도움이 되기 때문에 LeakyReLU 활성함수를 사용하였다. 출력층 (dense 레이어)은 5개의 뉴런으로 구성되며, softmax 활성함수를 사용하여 각 클래스에 대한 확률을 생성하였으며, 전동기 시스템의 5가지 상태를 판별하도록 구현하였다. 여기서, dense 레이어는 입력 데이터에 대해 선형 연산을 수행한 다음 출력에 활성함수를 적용한다. dropout 레이어는 과적합을 방지하기 위해 학습 중에 일부 노드를 무작위로 삭제한다. gradient_tape는 학습 중에 모델의 가중치와 편향의 변화에 따른 손실 함수의 기울기를 계산하는 역할을 하며, Adam은 확률적 경사 하강법의 최적화 알고리즘으로, 모델이 시간이 지남에 따라 학습하고 개선하게 된다.

Fig. 4. Implemented state discriminator using DNN

4. 성능평가

Fig. 5는 상태판별기의 반복 횟수에 따른 정확도를 나타낸다. 적색은 학습률이 0.01, 청색은 0.05, 흑색은 0.1을 나타낸다. Fig. 5(a)와 같이, 학습률이 0.05, 0.1인 경우, 반복 횟수가 48, 30회부터 정확도가 100%가 되었다. 그러나 학습률이 0.01인 경우, 100%로 수렴하지 못하였다. Fig. 5(b)와 같이, 학습률이 0.01, 0.05인 경우, 반복 횟수가 47, 34회부터 정확도가 100%가 되었다. 그러나 학습률이 0.1인 경우, 100%로 수렴하지 못하였다.

Fig. 5. Accuracy according to iteration count of state discriminator

Fig. 6은 상태판별기의 은닉층의 수가 2개일 때, 학습률에 따른 혼동행렬 (Confusion matrix)을 나타낸다. Fig. 6(a)에서, 역방향회전, 물 없는 공회전 및 비정상 부하시 역방향회전의 경우는 정확하게 상태가 판별되었다. 그러나 정상 부하의 경우를 비정상 부하로 오류 판별한 경우는 2회, 비정상 부하의 경우를 정상 부하로 오류 판별한 경우는 3회로, 93.98%의 정확도를 알 수 있었다. Fig. 6(b)에서, 역방향회전, 물 없는 공회전 및 비정상 부하시 역방향회전의 경우는 정확하게 상태가 판별되었다. 그러나 정상 부하의 경우를 비정상 부하로 오류 판별한 경우는 2회, 비정상 부하의 경우를 정상 부하로 오류 판별한 경우는 4회로, 92.77%의 정확도를 알 수 있었다.

Fig. 6. Confusion matrix according to learning rate of state discriminator (hidden layer : 2)

Fig. 7은 상태판별기의 은닉층의 수가 3개일 때, 학습률에 따른 혼동행렬을 나타낸다. Fig. 7(a)에서, 역방향회전, 물 없는 공회전 및 비정상 부하 시 역방향회전의 경우는 정확하게 상태가 판별되었다. 그러나 정상 부하의 경우를 비정상 부하로 오류 판별한 경우는 2회, 비정상 부하의 경우를 정상 부하로 오류 판별한 경우는 1회, 물 없는 공회전으로 오류 판별한 경우는 2회로, 93.98%의 정확도를 알 수 있었다. Fig. 7(b)에서, 역방향회전, 물 없는 공회전 및 비정상 부하 시 역방향회전의 경우는 정확하게 상태가 판별되었다. 그러나 정상 부하의 경우를 비정상 부하로 오류 판별한 경우는 2회, 비정상 부하의 경우를 정상 부하로 오류 판별한 경우는 3회로, 93.98%의 정확도를 알 수 있었다.

Fig. 7. Confusion matrix according to learning rate of state discriminator (hidden layer : 3)

Table 1은 상태판별기의 성능평가 비교를 나타낸다. 여기서, Precision은 정밀도, Recall은 재현율, F1-score는 성능평가지표이다^[1]. Table 1과 같이, 은닉층의 수가 2개와 3개, 학습률이 0.05에서 정밀도가 0.96으로 가장 높게 나타났다. 은닉층의 수가 2개, 학습률 0.05, 은닉층의 수가 3개, 학습률 0.01, 0.05에서 재현율이 0.97로 가장 높게 나타났다. 은닉층의 수가 2개, 학습률 0.05, 0.1, 은닉층의 수가 3개, 학습률 0.05에서 F1-score가 0.96으로 가장 높게 나타났다. 모든 비교 결과를 종합하였을 때, 상태판별기의 최적 조건으로 은닉층의 수 3개, 학습률 0.05에서, 정확도가 높았고, 수렴 속도가 가장 빠른 것을 알 수 있었다.

Fig. 8은 제안된 상태판별기에 대한 성능평가 결과를 나타낸다. 역방향회전, 물 없는 공회전 및 비정상 부하시 역방향회전은 성능평가지표인 F1-score가 1.00으로 정확성이 높고, 정상 부하와 비정상 부하는 0.88, 0.94로 정확성이 다소 낮은 것을 알 수 있었다.

Fig. 8. Result of performance evaluation for the optimal state discriminator

5. 결 론

최근, 자산관리의 관점에서 전동기 시스템의 고장을 예측하고 예방 및 유지보수를 수행하여 고장 발생에 따른 비용 및 시간 손실을 줄이는데 관심이 높아지고 있다. 이에 스마트 전자식 과전류계전기를 위하여, 본 논문에서는 AI 기반 고장판별기를 제안하였다. 스마트 전자식 과전류계전기 기반 전동기 시스템을 구성하고, 5가지 상태에 대한 데이터를 수집하여 학습 데이터 및 시험 데이터 세트를 구축한 후, DNN 모델에 대해 지도학습을 수행하였다. 시험 데이터를 통해 학습된 DNN 모델에 대한 효용성을 입증하였다. 시뮬레이션 결과, DNN 기반 상태판별기의 은닉층은 3개, 학습률은 0.05이었으며, 정확도는 93.98%임을 알 수 있었다.

추후, 고장예측 모델 설계를 위하여, PCA 등의 기법에 의한 전처리 등을 통해 특징을 추출할 예정이다.