이성훈
(Sung-Hun Lee)
1
오병찬
(Byeong-Chan Oh)
2
김성열
(Sung-Yul Kim)
†iD
-
(Korea Water Resources Corporation, Korea.)
-
(Dept. of Electrical Engineering, Keimyung University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Reliability centered maintenance, Risk priority number, Fuzzy inference system
1. 서 론
최근 산업기기들의 발달과 신재생에너지 시스템의 도입으로 전력시스템은 더욱 복잡하고 거대해 지고 있다. 이에 따라 수요자들에게 안정적으로 전력을 공급하는
것은 전력산업에 있어 커다란 과제이다. 기존에 설비에 적용되었던 유지보수(Maintenance)는 설비 자체의 보존에 초점을 두고 설비의 구조적인
접근이 미흡한 실정에서 시간 단위의 정비계획을 수립함에 따라, 불필요한 정비업무가 포함되거나 설비 특성에 맞지 않는 부적절한 정비업무로 과도한 비용이
지출되고 효율성이 감소 되는 결과를 낳았다. 그러나 최근 유지보수의 방향은 운영자는 유지보수에 대한 비용을 감소시키면서 설비를 안정적으로 운영하는
방향으로 설비에 대한 운영계획을 수립하는 것을 목표로 하고 있으며, 이에 적용되는 유지보수 기법으로 신뢰도 기반 유지보수(RCM : Reliability
Centered Maintenance)가 연구가 활발히 진행되고 있다(1-4).
또한 최근 스마트그리드의 도입은 전력산업의 구조를 더욱 복잡한 형태로 만들고 있으며, 이러한 상황에서 안정적인 전력공급을 유지시키기 위한 스마트그리드
기술을 이용한 유지보수 활동에 관한 연구는 활발히 진행되어야 할 것이다. 특히 ICT(Information Communication Technology)
기술을 이용한 지능형 자산관리(Smart Asset Management)기술은 설비자산의 상태정보를 실시간으로 수집하고 자산간 상태정보를 공유하고
교류할 수 있게 하는 기술로서 자산의 상태를 파악하여 전문가 수준의 의사결정을 내릴 수 있는 기반기술이라고 할 수 있어 향후 복잡해져 가는 전력설비의
이용률 및 효율성을 향상하기 위하여 ICT 기술을 바탕으로 신뢰도평가기반의 유지보수 기술에 관한 연구는 지속적으로 이루어져야 할 것이다(5).
본 논문에서는 전력설비를 대상으로 ICT기술을 이용하여 실시간으로 고장자료 및 고장검출 자료를 취득하는 기술을 이용하여 신뢰도를 평가하여 유지보수
우선순위를 결정하는 방법에 관하여 다루고 있다. 취득된 고장자료 및 고장검출 자료를 바탕으로 다양한 RCM기법 중에서 위험도 우선순위(RPN : Risk
Priority Number)평가 기법을 이용하였으며, 이 기술은 시스템을 구성하고 있는 설비에 대한 Severity(S, 심각도) 지수, Occurrence(O,
고장) 지수, Detection(D, 고장검출) 지수를 평가하고, 이를 하나의 통합된 정량적인 수치로 표현함으로써 설비간의 유지보수 우선순위에 관한
정보를 제공하는 장점을 가지고 있다. 또한 전통적인 위험도 우선순위 평가가 갖는 정성적인 평가기준에 따라 발생되는 평가결과의 왜곡을 해결하기 위하여
새로운 평가기준과 Fuzzy 전문가 추론시스템으로 최종 유지보수 우선순위를 평가하였다.
2. RCM 기반의 유지보수 기술
2.1 지능형 전력설비 자산관리 기술
설비를 안정적으로 운영하면서 유지보수 비용을 절감할 수 있는 기술로써 잘 알려진 RCM은 최근 통신기술의 발달로 한층 더 발전할 것으로 예상된다.
특히 최근 전력산업에 도입되고 있는 스마트그리드 환경은 설비의 고장횟수, 고장시간, 복구시간 등의 신뢰도 데이터를 쉽게 취득할 수 있게 해줄 뿐 아니라
설비 간 비교 분석을 가능하게 함으로써 기존 RCM 기술 수준을 높여줄 수 있는 기회가 될 것이다. 기존 RCM 기술은 SCADA(Super control
and data acquisition)에서 필요한 자료를 추출하여 설비 관리자가 별도로 분석하여 결과를 도출하는 번거로운 과정을 거쳐야 하고 신뢰도에
대한 상당한 전문성이 요구되지만, ICT기술 환경에서는 SCADA에 축척된 각종 고장관련 데이터를 실시간으로 이용하고 분석하는 기능을 추가하여 신뢰도
데이터(고장율, 수리율, FMECA, RPN 등)를 제공해 줄 수 있는 기능을 갖춤으로써 설비 관리자는 별도의 전문성이 필요 없이 신뢰도 분석결과를
각종 설비 관리 의사결정에 활용할 수 있도록 지원해 줄 수 있는 장점을 가질 수 있다. 본 논문에서 제안하는 위험도 우선순위 평가 기법을 적용하기
위하여 ICT기술을 이용하여 실시간으로 취득할 수 있는 신뢰도 데이터 중 고장자료 및 고장검출 자료를 이용하여 평가하였다.
2.2 위험도 우선순위(RPN : Risk Priority Number)
RCM기법에 대한 연구는 다양하게 진행되어 왔고 여러 RCM관련 평가 기술 중에서도 본 논문에서 사용하는 위험도 우선순위(RPN : Risk Priority
Number)평가는 설비모드 또는 고장모드에 따른 위험도를 가장 정량적으로 표현해 줄 수 있는 기법으로 알려져 왔다. RPN은 FMEA(Failure
Mode and Effect Analysis)기법에서 잠재적 고장모드에 대하여 정략적으로 평가하여 설비별 우선순위를 결정하는 기법으로 시스템을 구성하고
있는 설비에 대하여 각각 Severity(S), Occurrence(O), Detection(D)을 평가하고, 이를 하나의 통합된 수치로 표현함으로써
설비간의 유지보수 우선순위에 관한 정보를 제공해 줄 수 있는 장점을 가지고 있다(6-7).
위험도 우선순위(RPN : Risk Priority Number) 평가에서 Severity는 설비 구조에 기반한 고장의 심각도 지수를 의미하고, Occurrence는
고장률과 관련한 고장 지수, Detection은 해당 고장의 검출 가능성 지수를 의미한다. 전통적인 RPN 계산 방법은 식 (1)과 같이 각각 산정된 S, O, D를 단순히 산술적으로 곱하는 것으로, 이러한 계산 방법은 종종 잘못된 결론을 도출하기도 한다.
식 (1)에 의한 RPN 계산방법은 각 평가요소 S, O, D의 평가 순위(각 평가별 1 ~ 10점)의 곱으로 계산하며, 1부터 1000까지의 정수로 표현된다.
RPN 평가결과 척도는 연속적이지 않고, 간격이 일정하지 않는 서열척도(ordinal scale)로 나타난다. 평가결과는 1부터 1000까지 범위를
가지지만 대부분의 수는 S, O, D의 곱으로 표현할 수 없으며, 1000까지의 수중에 120개정도의 조합만이 S, O, D의 곱으로 표현할 수 있다.
예를 들어 11의 배수인 11, 22, 33,..., 990는 S, O, D의 어떠한 조합으로도 표현할 수 없다. 또한 S, O, D의 조합으로 만들
수 있는 가장 큰 수는 1000이고 다음은 900, 810, 800, 729, 720으로 연속적인 수를 가지지 않는다. 예를 들어 4×4×4=64이고
다음 수는 70이다. 그 사이의 수 65, 66, 67, 68, 69는 S, O, D의 어떤 조합으로도 만들어 낼 수 없다. 따라서 전통적인 위험도
우선순위 평가 방법이 갖는 평가 기준 및 결과에 대한 불확실성이 존재하는 단점을 보완하고자 본 논문에서는 위험도 우선순위 평가를 위한 S, O, D의
개선된 평가기준과 Fuzzy 전문가 추론시스템을 이용한 새로운 위험도 우선순위 평가기법인 Fuzzy-RPN 기법을 제안하였다.
3. Fuzzy - RPN 평가
본 논문에서는 전통적인 위험도 우선순위 계산 방법에 의해 각각 산정된 S, O, D를 단순히 산술적으로 곱하여 나타나는 문제점을 해결하고자 Fuzzy
전문가 추론시스템과 새로운 위험도 우선순위 계산 방법을 접목하여 새로운 전력설비 유지보수 우선순위를 산출하는 방법인 Fuzzy-RPN 기법을 제안하였다.
Severity(심각도) 평가는 전력 시스템의 각 구성요소를 신뢰도 블록도로 나타내고, 최소절단집합(MCS : Minimal Cut Set)을 구하여
각 설비가 전체 시스템에 미치는 영향 정도를 정량적으로 평가하여 Severity 지수를 산정하였다. Occurrence(고장) 평가는 기존 전력설비는
수명이 긴 특성과 신규 전력설비의 데이터 부재로 고장 데이터 취득이 어려운 문제점이 있고, 이러한 상황에서 얻어진 고장 데이터로부터 계산한 고장률은
불확실성을 가짐에 따라 이러한 문제점을 극복하고자 Occurrenc 평가에서는 전문가 평가에 의한 전문가 지수와 실제 고장률을 바탕으로 한 고장률
지수를 동시에 고려하여 Occurrence 지수를 산정하였다. Detection(고장검출) 평가는 설비별 고장감지 현황을 파악하고 이를 바탕으로 정규분포로
나타낸 후 표준 정규분포 정규화과정을 거쳐 고장발생시 검출 가능성을 정량적으로 평가하여 Detection 지수를 산정하였다.
3.1 Severity 평가(S, 심각도)
Severity(심각도) 평가는 설비가 고장이 발생하였을 경우 시스템에 미치는 영향을 나타내는 것으로, 전통적인 방법은 전문가가 자신의 경험에 비추어
정성적인 평가를 하게 된다. 이 경우 전문가의 주관적인 의견이 반영되어 정확하고 합리적인 결과를 얻을 수 없다는 문제점이 발생하므로, 본 연구에서는
시스템 신뢰도 블록도(Reliability Diagram)를 이용하여 설비의 구조적 중요도를 분석하고 평가하여 이를 Severity 지수($S_{i}$)로
사용하였다. 전력 시스템의 각 구성요소를 신뢰도 블록도로 나타내고, 최소절단집합(MCS : Minimal Cut Set)을 구하여 각 설비가 전체
시스템에 미치는 영향을 평가하는 것이다. 식 (2)는 설비의 구조적 중요도를 계산하는 식으로 설비 $i$에 대한 Severity 지수 $S_{i}$를 계산할 수 있다.
여기서, $w$ : 고장 발생에 대한 효과 수치로 총 MCS 개수
$M.O.$: 최소절단집합의 최대 차수
$N_{ik}$: 설비 $i$의 $k$차 절단집합에 포함된 개수
$k$ : MCS 차수
3.2 Occurrence 평가(O, 고장)
Occurrence(고장) 평가는 고장데이터를 바탕을 평가할 수 있는 항목이므로, 고장데이터를 수집하는 작업이 필요하다. 그러나 고장 데이터가 충분치
않거나 데이터의 신뢰성이 부족한 경우 평가결과가 왜곡되는 결과를 초래하기도 한다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 전문가 성향을
반영한 평가 매트릭스를 구성하여 전문가 평가에 의한 전문가 지수 $X_{w}$를 산정하고, 실시간으로 취득되는 실제 고장률을 바탕으로 한 고장률 지수
$\lambda_{p}$를 산정하여 기하평균 계산법으로, 식 (3)은 설비 $i$에 대한 Occurrence 지수 $O_{i}$계산식이다.
3.2.1 전문가 평가에 의한 전문가 지수($X_{w}$) 산정
전력설비의 수명은 비교적 긴 특성을 가짐으로 데이터 관리에 어려움에 있다. 본 연구에서는 관련 전문가들을 통해 계통을 구성하고 있는 설비들이 고장
가능성에 대하여 업무경험이나 설비의 노화 상태, 설비의 동작 상태, 운영 방식, 기술 수준 등의 판단 요소를 인자로 고려하여 해당 외부 설비와의 비교
분석을 통해 평가 수치를 결정하였다. 전문가들은 타 설비 데이터로부터 취득한 고장 데이터를 참고하여 수치 5를 기준으로 1 ~ 10 사이로 값으로
전력 설비의 Occurrence를 평가하도록 하였다. 식 (4)에는 전문가 평가에 대한 매트릭스 $X$와 이들의 평가치를 차등화한 가중치 $W$를 나타내었다.
여기서, $i$ : 설비의 종류
$j$ : 전문가
$n$ : 전문가 수
$w_{n}$: 전문가 별 가중치(해당 전문가의 점수 합 / 모든 전문가들의 점수
3.2.2 고장률 평가에 의한 전문가 지수($\lambda_{p}$) 산정
앞선 언급하였듯이 전력설비 고장 데이터는 취득의 어려움이 있으며 일부 취득된 데이터에 대한 신뢰도에도 한계가 존재한다. 따라서 전문가 평가에 의한
전문가 지수 $X_{w}$ 와 실제 취득된 데이터를 바탕으로 하는 고장률 지수 $\lambda_{p}$를 동시에 고려하였다. 실제 고장률에 해당하는
순위 및 고장률 구간을 바탕으로 식 (5)의 선형보간법(Linear interpolation)을 이용하여 고장 지수 $\lambda_{p}$를 0 ~ 10의 사이 수로 출력 하였다. 선형보간법은
두 직선을 연결하는 보간법으로 $i$설비의 고장 지수($f(\lambda_{i}^{'})$) 산정을 위하여 다음과 같은 관계식이 유도될 수 있다.
식 (5)를 $f(\lambda^{'}_{i})$로 다시 정리하면 식 (6)과 같다. 따라서 구하고자 하는 고장 지수 $\lambda_{p}$는 $f(\lambda_{i})$이다.
여기서 $f(\lambda_{Rank_{i}}^{'})$: $i$설비의 실제고장률의 순위
$\lambda_{i}^{'}$: $i$설비의 실제 고장율(고장횟수/설비가동시간)
$\lambda_{Rank_{i}}^{'}$: $i$설비의 의한 고장률
$f(\lambda_{Rank_{i}+1}^{'})$: $Rank_{i}$ 다음단계 고장률 순위
3.3 Detection 평가(D, 검출)
Detection(검출) 평가는 설비고장의 검출 가능성을 정량적으로 평가하는 것으로, 고장 발생 시 검출이 이루어지기 까지 경과되는 지연시간으로 계산하였다.
이 때 얻어지는 지연시간은 설비별 또는 고장별로 다양한 지연시간이 발생하기 때문에 분석의 편리함과 분석결과의 유용성을 위해 표준화할 필요가 있다.
따라서 설비별로 지연시간 데이터는 식 (7)에 따라 0 ~ 10 사이의 값으로 표현될 수 있으며, 설비 $i$에 대한 Detection 지수 $D_{i}$ 계산식이다.
여기서, $T_{i}$ : 평가 대상 설비의 지연 시간
$m_{d}$: 평가 대상 설비의 평균 지연 시간의 산술평균
$\sigma_{d}$: 평가 대상 설비의 평균 지연 시간의 표준편차
3.4 위험도 우선순위(RPN : Risk Priority Number)
3.1 ~ 3.3까지 계산된 Severity 결과, Detection 결과 및 Occur- rence 결과를 이용하여 위험도 우선순위를 평가하였다.
위험도 우선순위 평가에서는 각 Severity, Detection 및 Occurrence의 평가 기준 및 결과의 불확실성을 보완하기 위하여 전문가
Rule Base(규칙기반) Fuzzy 전문가 추론 시스템을 이용하였다. 위험도 우선순위 평가를 위한 Fuzzy전문가 규칙은 표 1과 같다(8-9).
표 1 위험도 우선순위 평가를 위한 Fuzzy 전문가 규칙
Table 1 Fuzzy rules for RPN asessment
|
Rule Base
|
$O_{i}$
|
|
Very
low
|
Low
|
Reason- ably
Low
|
Average
|
Frequent
|
Highly
Frequent
|
|
$SD_{i}$
|
Very
Low
|
Very
Low
|
Very
Low
|
Very
Low
|
Very
Low
|
Very
Low
|
Low
|
|
Low
|
Very
Low
|
Very
Low
|
Very
Low
|
Low
|
Low
|
Middle
|
|
Middle
|
Very
Low
|
Very
Low
|
Low
|
Middle
|
Middle
|
High
|
|
High
|
Low
|
Low
|
Middle
|
Middle
|
High
|
Very
High
|
|
Very
High
|
Middle
|
Middle
|
Middle
|
High
|
Very
High
|
Very
High
|
그림 1 Fuzzy-RPN 평가 과정
Fig. 1 Fuzzy-RPN process
위험도 우선순위 평가를 위한 Fuzzy-RPN 평가 과정은, 설비 $i$에 대한 Severity 평가 결과인 $S_{i}$지수와 Detection
평가 결과인 $D_{i}$지수를 Fuzzy 전문가 추론시스템을 이용한 Fuzzy 합성으로 $SD_{i}$를 산정하고 전문가 평가에 의한 전문가 지수
$X_{w}$와 실제 고장률을 바탕으로 한 고장률 지수 $\lambda_{p}$를 평균화하여 산정한 Occurrence 지수 $O_{i}$를 $SD_{i}$와
Fuzzy 전문가 시스템을 이용한 Fuzzy 합성으로 위험도 우선순위 평가 결과로 $RPN_{i}$ 지수를 계산하며, 평가 과정은 그림 1과 같다.
4. 사례연구
본 논문에서의 사례연구는 그림 2와 같은 전력계통 설비에 적용하였고, 그 설비현황 및 설비코드는 표 2와 같다.
표 2 설비코드 표
Table 2 Codes of equipment
|
설비명
|
설비코드
|
|
단로기
|
A1, A2, A3, A4, A5, A6
|
|
B1, B2
|
|
C1, C2, C3, C4, C5, C6
|
|
차단기
|
D1, D2
|
|
E1
|
|
F1, F2, F3
|
|
변압기
|
G1, G2, G3
|
|
모선
|
H1, H2
|
그림 2 전력계통도의 신뢰도 블록도
Fig. 2 Reliability blocks of power system
그림 1의 Fuzzy-RPN 평가 과정에 따른 Severity 평가결과는 표 3과 같다.
표 3 심각도(Severity) 평가 결과
Table 3 Results of severity assessment
|
구분
|
1차
|
2차
|
3차
|
4차
|
5차
|
6차
|
합계
|
Severity
($S_{i}$)
|
|
A1
|
1
|
0
|
0
|
0
|
0
|
0
|
1
|
10
|
|
A3
|
0
|
2
|
0
|
0
|
57
|
0
|
59
|
3.2
|
|
A5
|
0
|
2
|
0
|
0
|
57
|
0
|
59
|
3.2
|
|
B1
|
0
|
0
|
0
|
0
|
38
|
0
|
38
|
2.8
|
|
B2
|
0
|
0
|
0
|
0
|
38
|
0
|
38
|
2.8
|
|
C1
|
0
|
0
|
0
|
13
|
31
|
1
|
45
|
3.1
|
|
C2
|
0
|
0
|
0
|
13
|
31
|
1
|
45
|
3.1
|
|
C3
|
0
|
0
|
0
|
13
|
31
|
1
|
45
|
3.1
|
|
C4
|
0
|
0
|
0
|
13
|
31
|
1
|
45
|
3.1
|
|
C5
|
0
|
0
|
0
|
13
|
31
|
1
|
45
|
3.1
|
|
C6
|
0
|
0
|
0
|
13
|
31
|
1
|
45
|
3.1
|
|
D1
|
1
|
0
|
0
|
0
|
0
|
0
|
1
|
10
|
|
E1
|
0
|
0
|
0
|
0
|
38
|
0
|
38
|
2.81
|
|
F1
|
0
|
0
|
4
|
14
|
31
|
0
|
49
|
3.31
|
|
F2
|
0
|
0
|
4
|
14
|
31
|
0
|
49
|
3.31
|
|
F3
|
0
|
0
|
4
|
14
|
31
|
0
|
49
|
3.31
|
|
G1
|
0
|
0
|
4
|
14
|
31
|
0
|
49
|
3.31
|
|
G2
|
0
|
0
|
4
|
14
|
31
|
0
|
49
|
3.31
|
|
G3
|
0
|
0
|
4
|
14
|
31
|
0
|
49
|
3.31
|
|
H1
|
0
|
2
|
0
|
19
|
0
|
0
|
21
|
4.61
|
|
H2
|
0
|
2
|
0
|
19
|
0
|
0
|
21
|
4.61
|
Severity 평가는 그림 2의 시스템 신뢰도 블록도에서 각 설비가 시스템 고장의 최소 절단집합에 속한 개수와 차수를 고려하는 MSC(Minimal Cut Set)을 이용하여
Severity 지수를 산정하였다. Severity 낮은 차수의 절단집합 및 많은 개수의 절단집합은 시스템의 신뢰성을 저하 시키는 원인이 되어 평가
결과도 높게 나타나는 경향이 있다. 표 3에는 Severity 평가 결과로 각 차수별 절단집한 개수와 $S_{i}$지수를 나타내었다. 평가 설비 중 단로기(A1), 차단기(D1)의 심각도가
가장 높게 계산되었다. 이는 해당설비는 154kV 한전계통에 연결되는 중요설비로써 이중화로 구성되어 있지 않아 실제 구조적으로 중요도가 높은 설비로
분류되고 있어 MCS에 의한 Severity 평가 결과가 실제와 상당히 일치함을 알 수 있다.
Occurrence 평가는 고장데이터를 바탕을 평가할 수 있는 항목으로 데이터부족에 따른 평가결과의 왜곡을 최소화하기 위하여 전문가 평가에 의한 고장
지수 $X_{w}$와 실제 고장율 평가에 의한 고장률 지수 $\lambda_{p}$를 동시에 고려하여 식 (3)을 이용하여 Occurrence를 평가하였다. 표 4에는 고장 지수 $X_{w}$, 고장률 지수 $\lambda_{p}$ 및 $O_{i}$지수를 나타내었다. 평가 설비 중 차단기(F1)의 고장이 가장
높게 계산되었다.
표 4 고장도(Occurrence) 평가 결과
Table 4 Results of occurrence assessment
|
구분
|
전문가 지수
($X_{w}$)
|
고장률 지수
($\lambda_{p}$)
|
Occurrence
($O_{i}$)
|
|
A1
|
6.80
|
7.39
|
7.09
|
|
A3
|
6.80
|
7.89
|
7.33
|
|
A5
|
6.80
|
5.85
|
6.31
|
|
B1
|
6.80
|
8.14
|
7.44
|
|
B2
|
6.80
|
7.14
|
6.97
|
|
C1
|
6.80
|
7.39
|
7.09
|
|
C2
|
6.80
|
5.85
|
6.31
|
|
C3
|
6.80
|
7.89
|
7.33
|
|
C4
|
6.80
|
6.89
|
6.85
|
|
C5
|
6.80
|
7.39
|
7.09
|
|
C6
|
6.80
|
5.65
|
6.20
|
|
D1
|
9.42
|
7.39
|
8.34
|
|
E1
|
9.42
|
5.65
|
7.30
|
|
F1
|
9.42
|
9.20
|
9.31
|
|
F2
|
9.42
|
8.14
|
8.76
|
|
F3
|
9.42
|
3.93
|
6.09
|
|
G1
|
8.19
|
7.64
|
7.91
|
|
G2
|
8.19
|
3.93
|
5.68
|
|
G3
|
8.19
|
7.39
|
7.78
|
|
H1
|
5.94
|
7.14
|
6.51
|
|
H2
|
5.94
|
3.93
|
4.83
|
Detection 평가는 설비별 특성에 따른 감시요소별로 평가하였다. 설비별 고장검출 단계에 따른 고장감시 수를 바탕으로 평가하였다. 1단계 고장의
경우는 고장검출 후 1초 후에 확인 후 복구가 가능한 고장이며, 2단계는 고장검출 후 60초 후에 확인 후 복구가 가능한 고장이고, 3단계는 고장검출
후 600초 후에 확인 후 복구가 가능한 고장으로 정의하였다. 식 (7)에 따른 Detection평가 결과로 각 단계로 고장감시 수와 $D_{i}$지수를 표 5에 나타내었다. 표 5에서 제 1열에는 설비의 종류, 제 2열에는 1단계별 고장감시 수, 제 3열에는 2단계 고장감시 수, 제 4열에는 3단계 고장감시 수, 제 5열에는
각 설비의 고장감시 총 수 이다. 표 6에는 Severity 평가 결과, Detection 평가 결과 및 Occurrence평가 결과를 종합적으로 나타내었다.
표 6의 각 평가지수 산정결과를 이용하여 최종 위험도 우선순위 결과를 도출하였다. 최종평가 과정은 Severity와 Detection는 서로 다른 평가기준과
결과를 가짐에 따라 평가결과의 불확실성을 보완하기 위해 표 1의 전문가 시스템의 Rule base를 구성하여 Fuzzy 전문가 추론시스템을 이용하여 연산하였다. 그림 3은 Severity와 Detection의 평가 결과로 나타낸 Fuzzy 소속함수이고, Severity와 Detection의 평가 결과는 표 7의 제 2열에 나타내었다.
표 5 고장 검출도(Detection) 평가 결과
Table 5 Results of detection assessment
|
구분
|
1단계
|
2단계
|
3단계
|
합계
|
Detection
($D_{i}$)
|
|
A1
|
|
4
|
4
|
3
|
6.86
|
|
A3
|
|
4
|
4
|
3
|
6.86
|
|
A5
|
|
4
|
4
|
3
|
6.86
|
|
B1
|
|
4
|
2
|
3
|
5.40
|
|
B2
|
|
4
|
2
|
3
|
5.40
|
|
C1
|
1
|
2
|
1
|
3
|
4.53
|
|
C2
|
1
|
2
|
1
|
3
|
4.53
|
|
C3
|
1
|
2
|
1
|
3
|
4.53
|
|
C4
|
1
|
2
|
1
|
3
|
4.53
|
|
C5
|
1
|
2
|
1
|
3
|
4.53
|
|
C6
|
1
|
2
|
1
|
3
|
4.53
|
|
D1
|
1
|
10
|
6
|
10
|
5.18
|
|
E1
|
1
|
8
|
6
|
10
|
5.14
|
|
F1
|
|
6
|
4
|
10
|
4.66
|
|
F2
|
|
6
|
4
|
10
|
4.66
|
|
F3
|
|
6
|
4
|
10
|
4.66
|
|
G1
|
2
|
11
|
38
|
51
|
5.33
|
|
G2
|
2
|
11
|
38
|
51
|
5.33
|
|
G3
|
1
|
10
|
33
|
44
|
5.34
|
|
H1
|
2
|
22
|
1
|
25
|
3.93
|
|
H2
|
2
|
22
|
1
|
25
|
3.93
|
표 6 심각도, 고장도, 검출도 평가 결과
Table 6 Results of severity, occurrence and detection
|
구분
|
Severity
($S_{i}$)
|
Occurrence
($O_{i}$)
|
Detection
($D_{i}$)
|
|
A1
|
10
|
7.09
|
6.86
|
|
A3
|
3.2
|
7.33
|
6.86
|
|
A5
|
3.2
|
6.31
|
6.86
|
|
B1
|
2.8
|
7.44
|
5.40
|
|
B2
|
2.8
|
6.97
|
5.40
|
|
C1
|
3.1
|
7.09
|
4.53
|
|
C2
|
3.1
|
6.31
|
4.53
|
|
C3
|
3.1
|
7.33
|
4.53
|
|
C4
|
3.1
|
6.85
|
4.53
|
|
C5
|
3.1
|
7.09
|
4.53
|
|
C6
|
3.1
|
6.20
|
4.53
|
|
D1
|
10
|
8.34
|
5.18
|
|
E1
|
2.81
|
7.30
|
5.14
|
|
F1
|
3.31
|
9.31
|
4.66
|
|
F2
|
3.31
|
8.76
|
4.66
|
|
F3
|
3.31
|
6.09
|
4.66
|
|
G1
|
3.31
|
7.91
|
5.33
|
|
G2
|
3.31
|
5.68
|
5.33
|
|
G3
|
3.31
|
7.78
|
5.34
|
|
H1
|
4.61
|
6.51
|
3.93
|
|
H2
|
4.61
|
4.83
|
3.93
|
그림 3 심각도(severity)와 검출도(detection)의 Fuzzy 소속 함수
Fig. 3 Fuzzy membership function of severity and detection
그림 4는 Occurrence 평가결과로 Fuzzy 소속함수이고, Occurrence 평가 결과는 표 4의 결과를 표 7의 제 3열에 그대로 나타내었다. 최종적으로 Fuzzy 전문가 추론시스템을 이용한 각 설비에 대한 최종 위험도 우선순위 평가 결과는 표 7의 제 4열에 $RPN_{i}$지수로 나타냈다.
그림 4 고장도(Occurrence)의 Fuzzy 소속 함수
Fig. 4 Fuzzy membership function of occurrence
그림 5 A1의 Fuzzy-RPN 결과
Fig. 5 Rusults of Fuzzy RPN for A1
그림 5에는 설비코드 A1에 관한 Fuzzy 전문가 추론시스템을 이용한 Fuzzy-RPN 최종 평가 결과 화면이다. Severity와 Detection 결과가
8.26이고 Occurrence 결과가 7.09일 때 최종 Fuzzy-RPN 최종 평가 결과는 5.90임을 알 수 있다. 표 7 제 5열에서 8열에는 최종 Fuzzy-RPN 최종 평가 결과와 유지보수 우선순위를 나타내었다. 평가결과에서 알 수 있듯이 전통적인 위험도 우선순위
평가 방법의 경우 평가 결과 값이 최대 486.4에서 최소 87.1로 차이가 339.3으로 평가점수의 분포가 넓어 평가점수 간에 구분이 쉽지 않은
문제점이 도출되었다. 또한 전통적인 위험도 우선순위 평가 방법에서는 A1(단로기), 제안하는 방법에서는 D1(차단기)가 우선순위가 높은 설비로 평가되었는데,
A1(단로기)의 경우 S=10, O=7.09, D=6.86, D1(차단기)는 S=10, O=8.34, D=5.18 평가 결과를 토대로 분석해보면,
전통적인 위험도 우선순위 평가 방법의 경우 D1(차단기)과 A1(단로기)의 Occurrence 평가 결과 값의 차이(D1이 1.25 높음)보다 Detection의
평가 결과 값이 차이(A1이 1.68 높음)가 크기 때문에 평가결과의 절대적인 크기에 좌우되는 기존 계산방법의 단점으로 인하여 A1이 우선순위가 높은
결과를 출력하였지만 제안하는 계산방법은 Occurrence 평가에 대한 결과를 더 중요하게 생각하게 만든 Fuzzy 전문가 규칙으로 인하여 D1(차단기)의
우선순위가 더 높은 결과를 출력하였다. 이러한 결과는 실제 유지보수과정에서도 고장에 대한 고려가 더 중요하게 인식하는 경향과도 일치함을 알 수가 있다.
표 7 Fuzzy-RPN 평가결과
Table 7 Results of Fuzzy-RPN
|
설비
코드
|
Severity와 Detection결과
($SD_{i}$)
|
Occurrence 결과($O_{i}$)
|
Fuzzy-RPN
결과
|
전통 RPN 결과
|
|
$RPN_{i}$
|
순위
|
점수
|
순위
|
|
A1
|
8.26
|
7.09
|
5.90
|
2
|
486.4
|
1
|
|
A3
|
6.76
|
7.33
|
5.84
|
4
|
160.9
|
3
|
|
A5
|
6.76
|
6.31
|
5.00
|
9
|
138.5
|
6
|
|
B1
|
5.50
|
7.44
|
5.90
|
2
|
112.5
|
10
|
|
B2
|
5.50
|
6.97
|
5.00
|
9
|
105.4
|
12
|
|
C1
|
4.42
|
7.09
|
4.41
|
12
|
99.6
|
15
|
|
C2
|
4.42
|
6.31
|
4.21
|
14
|
88.6
|
19
|
|
C3
|
4.42
|
7.33
|
4.01
|
19
|
102.9
|
13
|
|
C4
|
4.42
|
6.85
|
4.21
|
14
|
96.2
|
17
|
|
C5
|
4.42
|
7.09
|
4.14
|
17
|
99.6
|
15
|
|
C6
|
4.42
|
6.20
|
4.14
|
17
|
87.1
|
21
|
|
D1
|
7.51
|
8.34
|
7.50
|
1
|
432.0
|
2
|
|
E1
|
5.20
|
7.30
|
5.41
|
8
|
105.4
|
11
|
|
F1
|
4.53
|
9.31
|
5.56
|
7
|
143.6
|
4
|
|
F2
|
4.53
|
8.76
|
4.84
|
11
|
135.1
|
8
|
|
F3
|
4.53
|
6.09
|
4.29
|
13
|
93.9
|
18
|
|
G1
|
5.46
|
7.91
|
5.66
|
6
|
139.6
|
5
|
|
G2
|
5.46
|
5.68
|
4.19
|
16
|
100.2
|
14
|
|
G3
|
5.47
|
7.78
|
5.72
|
5
|
137.5
|
7
|
|
H1
|
3.89
|
6.51
|
3.80
|
20
|
117.9
|
9
|
|
H2
|
3.89
|
4.83
|
2.20
|
21
|
87.5
|
20
|
5. 결 론
본 논문에서는 전통적인 위험도 우선순위 평가 방법에 의해 각각 산정된 Severity(심각도), Occurrence(고장), Detection(고장검출)
결과 값을 단순히 산술적으로 곱하여 나타나는 문제점을 해결하고자 Fuzzy 전문가 추론시스템을 이용한 Fuzzy-RPN기법으로 새로운 전력설비 유지보수
우선순위를 산출하는 방법을 제안하였다. 또한 실시간으로 취득할 수 있는 신뢰도 데이터 중 고장자료 및 고장검출 자료를 이용하여 Severity(심각도)
평가는 평가대상 전력설비의 신뢰도 블록도에서 각 설비가 전체 시스템에 미치는 영향 정도를 정량적으로 평가하였고, Occurrence(고장) 평가는
전문가 평가와 실제 고장률을 동시에 고려하였으며, Detection(고장검출)평가는 실시간으로 설비별 고장감지 현황을 파악하고 고장발생 시 검출 가능성을
정량적으로 평가하였다.
전통적인 위험도 우선순위 평가 방법의 경우 평가 설비별 평가 결과 값의 분포가 넓어 평가점수 간에 차이를 객관적으로 설명하지 못하는 문제점이 있었으며,
제안하는 위험도 우선순위 평가 방법의 경우 고장에 대한 평가 결과를 더 중요하게 고려하는 전문가 Fuzzy 규칙으로 인하여 우선순위가 전통적인 계산방법과는
다르게 중요설비가 상향 조정되는 결과도 알 수 있었다. 이러한 결과는 실제 유지보수과정에서도 고장에 대한 평가가 더 중요하게 인식하는 경향과도 일치함을
알 수가 있다. 따라서 본 논문에서 제안하는 새로운 위험도 우선순위 평가 방법인 Fuzzy-RPN기법을 통하여 합리적인 유지보수 계획을 수립하는데
큰 도움이 될 것이다.
References
Roy Billinton, 1992, Reliability evaluation of engineering systems, Springer
M. Arshad, S. Islam, October 2006, A novel fuzzy logic technique for power transformer
asset management, Proc. 41st IAS Annual Meet. Ind. Appl. Conf.
B. Yssaad a, M. Khiat b, A. Chaker, 2014, Reliability centered maintenance optimization
for power distribution systems, International Journal of Electrical Power & Energy
Systems, Vol. 55, February, pp. 108-115
Katharina Fischer, Francois Besnard, Lina Bertling, 2011, Reliability-Centred Maintenance
for Wind Turbines Based on Statistical Analysis and Practical Experience, IEEE Transactions
on Energy Conversion, Vol. PP, No. 99, pp. 1-12
W. Gellings Clark, 2009, The smart grid, The Fairmont Press
John B. Bowles, 2003, An assessment of RPN Prioritization in a failure modes effects
and criticality analysis, Annual Reliability and Maintainability Symposium
John B. Bowles, C. Enrique Pela'ez, 1995, Fuzzy logic prioritization of failures in
a system failure mode, effects and criticality analysis, Reliability Engineering and
System Safety, Vol. 50, No. 2, pp. 203-213
Moti Schneider, 1996, Fuzzy expert system tools, Wiley
John B. Bowles, C. Enrique Pela'ez, 1995, Fuzzy logic prioritization of failures in
a system failure mode, effects and criticality analysis, Reliability Engineering and
System Safety, Vol. 50, No. 2, pp. 203-213
저자소개
2005 ~ 현재 : 한국수자원공사 근무 중.
2013년 한양대학교 전기공학과(박사).
E-mail: shlee@kwater.or.kr
2018년 계명대학교 전기에너지공학과 졸업.
2020년 동 대학원 전자전기공학과 졸업.
현재 동 대학원 전자전기공학과 박사과정.
E-mail: obchan08@gmail.com
2007년 한양대학교 전자전기컴퓨터공학부 졸업.
2012년 동 대학원 전기공학과 졸업(공박).
2012년~2013년 미국 Georgia Institute of Technology, PSCAL 연구원.
현재 계명대학교 전기에너지공학과 부교수.
E-mail: energy@kmu.ac.kr