지현욱
(Hyon Wook Ji)
1
장희라
(Heela Jang)
2
황인주
(Inju Hwang)
3
이홍철
(Hongcheol Lee)
4†
-
한국건설기술연구원 환경연구본부 박사후연구원
(Postdoctoral Researcher, Department of Environment Research, Korea Institute of Civil
Engineering and Building Technology, 283, Goyang-daero, Ilsanseo-gu, Goyang-si, Gyeonggi-do
0223, Korea)
-
한국건설기술연구원 환경연구본부 박사후연구원
(Postdoctoral Researcher, Department of Environment Research, Korea Institute of Civil
Engineering and Building Technology, 83, Goyang-daero, Ilsanseo-gu, Goyang-si, Gyeonggi-do
103, Korea)
-
한국건설기술연구원 환경연구본부 선임연구위원
(Senior Research Fellow, Department of Environment Research, Korea Institute of Civil
Engineering and Building Technology, 28, Goyang-daero, Ilsanseo-gu, Goyang-si, Gyeonggi-do
1022, Korea)
-
한국건설기술연구원 환경연구본부 수석연구원
(Senior Researcher, Department of Environment Research, Korea Institute of Civil Engineering
and Building Technology, 283, Goyang-daero, Ilsanseo-gu, Goyang-si, Gyeonggi-do 10223,
Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
키워드
가속도계, 음향방출, 이상상태 진단, 지역난방관로, 이중보온관
Key words
Accelerometer, Acoustic emission, Diagnosis of abnormal conditions, District heating pipes, Pre-insulated pipe
기호설명
$c$：
관의상태
$d_{m,\: l,\: c,\: k,\: t,\: i}$ ：
신호
$f$：
주파수
$fe$：
특징의 종류
$F_{m,\: l,\: c,\: k,\: t,\: fe}$ ：
특징값
$i$：
센서의 데이터 기록 시간(1/sr sec)
$k$：
신호 전처리 방법
$l$：
측정위치
$m$：
센서의 종류
$N$：
측정된 신호의 총 개수
$s$：
주파수 $f$의 스펙트럼
$sr$：
샘플링 레이트
$t$：
관측 시간(sec)
$x$：
측정된 신호
$z_{m,\: l,\: c,\: k,\: t,\: fe}$：
특징값의 표준점수
$zscore$：
표준점수
$\mu_{m,\: l,\: c,\: k,\: fe,\: zscore}$ ：
특징값의 표준점수의 평균
$\mu_{m,\: l,\: k,\: fe}$ ：
특징값의 평균
$\sigma_{m,\: l,\: k,\: fe}$ ：
특징값의 분산
1. 서 론
집단에너지사업법 시행규칙에 의해 열수송시설로 구분되는 열수송관은 열매체를 일정한 압력으로 수송하는 역할을 한다. 한국지역난방공사에서 제공하는 열수송관
통계에 의하면 2021년 3월 기준으로 전국에 4,778 km의 열수송관이 매설되어 있으며(1), 이 중 사용연수가 15년 이상인 관로가 약 35% 정도다. 열수송관의 설계수명은 KDS 31 90 25(2)에 의해 30년으로 되어 있지만 10년이 초과한 관에서 사고빈도가 89.2%(3)로 기하급수적으로 증가하여 설계수명에 비해 교체 주기가 빈번하다. 열수송관은 100℃ 이상의 물을 수송하는 경우도 있어 파손 사고가 수도관의 파손
사고와는 다르게 인명사고의 위험성을 갖는다. 따라서 사전에 변화를 감지하거나, 파손 혹은 누출을 탐지하는 것이 중요하다.
열수송관에 사용되는 이중보온관은 내관, 보온재, 외관으로 구성되어 있다. 내관은 최대 1.6 MPa과 120℃의 압력과 온도에서 견디도록 연강(SPPS
370S, SPPS 370E, SPW 400 등) 재질로 제작하며, 외관은 내관 및 보온재를 안전하게 보호할 수 있도록 고밀도폴리에틸렌(High Density
Polyethylene; HDPE) 재질로 제작한다. 그럼에도 열수송관은 지하에 매설되어 있기 때문에 유지관리가 힘들어 사고가 발생한다.
일반적으로 이중보온관의 파손 및 누수 진단은 자체적으로 가지고 있는 누출 감지선이나 지표투과레이더(Ground Penetrating Radar; GPR),
열화상 카메라를 이용해왔다. 최근에는 지하에 매설된 유체와 기체를 운송하는 파이프의 진단 정확도를 높이기 위해 다양한 센서를 이용하는 연구들이 수행되었다.
내부 유체에 압력이 가해지고 있는 파이프의 탄성에 의해 발생하는 음향신호는 누출에 의한 신호와 정상 작동에 의한 신호 사이에 차이가 있다(4-6). 이 음향신호는 음향방출(Acoustic emission; AE) 센서에 의해 탐지가 가능하다. Anastasopoulos et al.(7)은 네트워크 유형을 간단한 6가지 유형으로 나누어 현장에 100 m 간격으로 AE 센서를 설치하여 누출을 감지하였다. Xu et al.(8)은 센서를 최대 33 m 간격으로 설치하여 누출지점을 100%의 정밀도로 찾아내었다. 기계학습(Machine learning) 기법 중 하나인 서포트
벡터 머신(Support vector machine)은 AE 신호 해석의 정확도를 향상시키는 도구로 사용되었다.(9) Smith et al.(10)은 파이프와 토양의 상호작용에 의해 방출하는 음향신호를 측정하여 지반운동이 파이프에 미치는 영향을 연구함으로써 음향 신호 해석의 범위를 넓혔다.
파이프의 탄성운동은 파이프를 상하좌우로 진동시키고, 이 움직임은 가속도계에 의해서 탐지가 가능하다. MPU 6050과 같이 3축 가속도를 측정하는
센서와 기계학습을 이용한 해석으로 누출을 98.25% 정확도로 탐지할 수 있고(11), 두 종류 크기의 누출 구멍 크기를 식별할 수 있다.(12) AE 측정은 파손이나 균열성장과 같은 돌발적인 상황 감지에 유용하고, 가속도계는 충분히 오랜 시간 동안 안정적으로 발생하고 있는 현상의 감지에 유용해서
두 기술은 서로를 보완가능하다.(11)
앞에서 나열했던 선행연구들의 대상은 상온의 유체를 운반하는 주철관과 같이 단일 재료의 강관이었다. 100℃ 이상의 온수를 운송하는 이중보온관을 위한
연구는 진행되지 않았다. 국내 이중보온관의 더 나은 유지관리를 위해서 기존과는 다른 탐지 기술의 도입이 고려되고 있다. 본 연구는 열수송관 시험 시설을
만들고, 세계적으로 연구되고 있는 AE 센서와 가속도계의 탐지 성능을 시험하였다. 누출의 사후 탐지뿐만 아니라 사전 예방을 위한 탐지를 위해서 탐지
대상을 정상 상태 신호와 누출 신호, 감육 신호로 하였다. 정상 상태 신호를 비교대상으로 하여 누수와 감육 신호를 구분하는 것이 목표이다.
2. 연구방법
2.1 시험시설
시험시설은 Fig. 1과 같이 구성하였다. 총연장 60 m, 지름 100 mm의 이중보온관을 지상에 배관하였고, 물을 가열하는 보일러, 물을 보관하는 보관탱크, 관내 압력을
증가시키는 콤프레셔, 물을 순환시키는 펌프가 이중보온관과 연결되어 있고, 이를 관리하는 제어기 상자가 배치되었다. 이중보온관 내부에 80℃ 온수가
12 bar의 압력으로 일정하게 순환하도록 보일러와 콤프레셔를 설정하였다. 실험의 편의를 위해 지상으로부터 1 m 위에 이중보온관을 설치하였다.
측정에 관 사이 용접의 영향을 포함하기 위해 6 m 길이의 관 1개를 건너 띄고 다음 관에 센서를 설치하였고, 그 거리가 13.5 m다. Fig. 2(a)의 A와 B 지점에 AE 센서와 1축 가속도계를 모두 설치하였다. 이중보온관의 내부는 강관이고, 외부는 보온재와 HDPE로 되어 있다. 외부에만 센서를
설치할 경우 진동이 보온재에 흡수되어 밖으로 온전히 전달되지 않을 가능성이 있다. 따라서 외장재를 일부 잘라내고 내부 강관에 센서를 직접 설치하였다(Fig. 2(b)와 (c)). AE 센서를 1축 가속도계보다 결함으로부터 가까운 위치에 설치하였다.
Fig. 1 3D view of the pilot plant.
본 연구는 세 가지 관 상태를 시험하였다. 정상관은 아무런 파손이 없는 상태다. 누수관은 결험 지점에 약 지름 2 mm의 구멍을 천공하였다. Fig. 2(d)는 실험장비를 작동시킨 후 파이프의 구멍으로부터 누수가 발생하는 모습이다. 감육관은 이중보온관 내관인 강관의 외부를 원주방향으로 폭 5 cm, 깊이
1.2 mm를 갉아내었다. 3가지 경우에 대한 신호 측정은 Table 1과 같은 센서를 사용하였다. 각 관 상태에 따라 30초씩 총 5회를 측정하였다.
Fig. 2 Location of a defect and mounted sensors.
Table 1 Specification of sensors
|
Sensor
|
Sampling rate (Hz)
|
Sampling time (sec)
|
Measurement frequency band
|
|
AE sensor (CG15)
|
750,000
|
30
|
60 kHz ∼ 400 kHz
|
|
Single axis accelerometer (352c33)
|
51,200
|
30
|
1 Hz ∼ 10 kHz
|
2.2 음향 방출 및 가속도 감지 원리
AE 센서는 물체 내부에서 에너지 해방과 함께 발생하는 탄성파를 탐지하며, 가속도계는 탄성파와 함께 생성되는 물체의 진동을 측정한다. 파이프 내에
가압에 의한 유체의 흐름으로 인한 난류는 에너지 파동을 일으키고(7), 이것은 유체-파이프의 연성진동을 함께 발생시킨다.(13) 이와 달리 유체 누출 시에는 유체가 파이프의 결함부위(주로 크랙)를 빠져나가면서 결함부위와의 마찰로 인해 파이프를 진동시키는데, 이 때 발생하는
에너지 파동은 결함이 없는 파이프와 다른 양상을 보인다. 이와 같은 원리로 파이프에 감육이 발생하면 불규칙한 내면 굴곡으로 인해서 유체의 난류 흐름이
변화하고, 정상태의 파이프에서 발생하는 에너지 파동과 다른 양상을 보일 것으로 판단한다.
2.3 분석 방법
분석과정은 다음과 같다. 두 개의 센서를 이용하여 정상, 누수, 감육 상태의 관에 대한 신호를 각각 받은 후 특징 계산 시 과도한 일반화를 발생하지
않기 위해 원신호를 1초 간격으로 나누었다. 수집된 신호는 잡음을 제거하고, 원하는 신호를 선명하게 하기 위해 대역필터(Band Pass Filter;
BPF), 고역필터(High Pass Filter; HPF), 저역필터(Low Pass Filter; LPF) 중 적합한 필터를 수집된 모든 신호에
대해서 각각 적용한다.
이에 따라 신호 데이터는 $d_{m,\: l,\: c,\: k,\: t,\: i}$ 로 표기될 수 있다. d는 측정 신호이고, m은 센서의 종류로
AE 센서와 가속도계로 구분되고, l은 측정 위치로 A와 B 포인트로 구분되고, c는 관의 상태로 정상, 누수, 감육으로 구분되고, k는 전처리 방법으로
원데이터(Raw data), 첫 번째 필터, 두 번째 필터로 구분되고, BPF, HPF, LPF 증 적합한 두 개 필터를 적용하였다. t는 관측 시간으로
1∼28초로 구분되고, i는 센서의 데이터 기록 시간으로 1/sampling rate ∼ 1초 사이이며, AE 센서의 샘플링 레이트(Sampling
rate)는 750,000, 가속도계는 51,200이다.
그 후 푸리에변환을 이용하여 원신호와 필터링된 신호의 스펙트럼을 구한다. Table 2의 특징(Feature)을 신호와 스펙트럼에 적용하여 측정 센서, 관의 상태, 측정 위치에 따라 15개의 특징을 구한다. No. 1~11까지는 푸리에변환으로부터
얻어진 스펙트럼의 특징이며, No. 12~15까지는 신호의 특징이다. 특징의 값은 $F_{m,\: l,\: c,\: k,\: t,\: fe}$로 표기되며,
i 대신 특징 fe가 붙어서 특징별로 계산된 값이라는 것을 알 수 있다.
특징은 데이터 분포의 통계적 특성을 보여주는 지표다. 각 특징마다 신호에 대한 변별력이 달라 15개의 특징 중 가장 변별력이 좋은 특징을 선별해야
한다. 만약 정상, 누수, 감육 상태를 각각 대표할 수 있는 특징이 있다면 데이터를 효율적으로 분류할 수 있다. 세 가지 특징을 사용한다면 3차원
좌표위에 데이터를 표현하여 시각적으로 검증이 가능하다는 장점도 있다. 따라서 본 연구에서는 15개 특징 중 세 가지 특징을 선별하는 통계적인 방법을
도입하였고, 그 과정은 다음과 같다.
특징들 간의 비교를 위해 정상, 누수, 감육을 각각의 특징 아래 묶어서 표준화를 진행하였다.
$\mu_{m,\: l,\: k,\: fe}$는 특징의 평균, $\sigma_{m,\: l,\: k,\: fe}$ 는 특징의 표준편차, $z_{m,\:
l,\: c,\: k,\: t,\: fe}$은 $F_{m,\: l,\: c,\: k,\: t,\: fe}$가 표준화된 값이다.
$z_{m,\: l,\: c,\: k,\: t,\: fe}$ 를 다시 t에 관하여 평균을 구하면 다음과 같다.
$\mu_{m,\: l,\: c,\: k,\: fe,\: zscore}$는 $z_{m,\: l,\: c,\: k,\: t,\: fe}$의 관 상태별
평균이다. 서로 다른 세 개의 특징을 축으로 하는 3차원 좌표에 정상관, 누수관, 감육관에 대한 $\mu_{m,\: l,\: c,\: k,\: fe,\:
zscore}$를 그리면 세 점이 삼각형을 이룬다. 한 센서, 한 측정지점에서 정상관, 누수관, 감육관의 세 점이 삼각형을 이루는 경우의 수 조합
$_{n}C_{r}$로 계산할 수 있다.
이들 중 가장 변별력이 높은 조합을 찾기 위해 $\mu_{m,\: l,\: c,\: k,\: fe,\: zscore}$가 그리는 삼각형 중 가장 긴
둘레의 삼각형을 그리는 특징 조합을 찾았다. 그 후 세 개의 특징을 축으로 하는 3차원 좌표에 $F_{m,\: l,\: c,\: k,\: t,\:
fe}$를 그린다. 분산은 각 그룹간의 데이터가 겹치는지 확인하기 위한 검토용을 사용하였다.
Table 2 Equation of features(14-16)
|
Number
|
Method
|
Expression
|
|
1
|
Entropy estimation value
|
$F_{eev}=-\int_{0}^{+\infty}s(f)\ln(s(f))df$
|
|
2
|
Frequency center
|
$F_{fc}=\int_{0}^{+\infty}fs(f)df/\int_{0}^{+\infty}s(f)df$
|
|
3
|
Frequency mean
|
$F_{fm}=\dfrac{2}{sr}\int_{0}^{sr/2}s(f)df$
|
|
4
|
Mean square frequency
|
$F_{msf}=\int_{0}^{+\infty}f^{2}s(f)df/\int_{0}^{+\infty}s(f)df$
|
|
5
|
RMS frequency
|
$F_{msf}=(\int_{0}^{+\infty}f^{2}s(f)df/\int_{0}^{+\infty}s(f)df)^{2}$
|
|
6
|
Variance frequency
|
$F_{vf}=\int_{0}^{+\infty}(f-X_{fv})^{2}s(f)df/\int_{0}^{+\infty}s(f)df$
|
|
7
|
Root variance frequency
|
$F_{vf}=(\int_{0}^{+\infty}(f-X_{fv})^{2}s(f)df/\int_{0}^{+\infty}s(f)df)^{2}$
|
|
8
|
Frequency overall
|
$F_{fo}=\int_{0}^{+\infty}s(f)df$
|
|
9
|
Frequency RS overall
|
$F_{frso}=\sqrt{\int_{0}^{+\infty}s^{2}(f)df}$
|
|
10
|
Frequency kurtosis
|
$F_{fk}=\dfrac{2}{sr}\int_{0}^{sr/2}\left(\dfrac{s(f)-\overline{s}}{X_{vf}^{2}}\right)^{4}df$
|
|
11
|
Frequency skewness
|
$F_{fs}=\dfrac{2}{sr}\int_{0}^{sr/2}\left(\dfrac{s(f)-\overline{s}}{X_{vf}^{2}}\right)^{3}df$
|
|
12
|
Mean
|
$F_{mean}=\dfrac{1}{N}\sum_{i=1}^{N}\left | x_{i}\right |$
|
|
13
|
standard deviation
|
$F_{std}=\sqrt{\dfrac{1}{N}\sum_{i=1}^{N}\left(x_{i}-X_{mean}\right)^{2}}$
|
|
14
|
Root mean square
|
$F_{r ms}=\sqrt{\dfrac{1}{N}\sum_{i=1}^{N}x_{i}^{2}}$
|
|
15
|
Normal negative log-likelihood
|
$F_{NNLL}=\sum_{i=1}^{N}(-\dfrac{1}{2}(\dfrac{x_{i}-\mu}{\sigma})^{2}-\log(\sqrt{2\pi}\sigma))$
|
3. 결과
AE 센서와 가속도계를 이용하여 이중보온관의 A와 B 지점에서 정상, 누수, 감육 상태의 신호를 30초씩 5회 측정하였다. 데이터의 신뢰성을 확인하기
위해 반복 측정한 데이터간의 스펙트럼 차이를 확인한 결과, 센서 별 측정 신호 영역에서 차이가 0에 가까워 신뢰성이 높다고 판단했다. 30초의 신호
중 데이터의 안전성을 위하여 처음 1초와 끝 1초를 제외한 중간의 28초의 신호만 사용하였다. 1초씩 나누어진 신호는 멱스펙트럼(Power spectrum)
분석에 의해 정상, 누수, 감육을 잘 나타낼 수 있는 주파수를 검토하였다. Fig. 3은 가속도계에 의해 측정된 진동 신호다. 1초 동안 총 51,200개의 데이터가 기록되었다(Fig. 3(a)). 이 신호의 멱스펙트럼에서 누수가 3,000∼9,000 Hz 사이에서 높은 강도를 보였고, 6,000 Hz 이후에서는 감육의 신호가 정상관에 비해서
낮은 강도를 보여주는 것을 관찰할 수 있었다(Fig. 3(b)).
Fig. 3(c) 와 (d)는 가속도계에 의해 측정된 신호와 그 데이터에 BPF를 통과시킨 후의 멱스펙트럼 이다. 상대적으로 필터링된 3,000~9,000 Hz 사이의 신호는
그대로 있지만, 그 외의 주파주대역에서 정상, 누수, 감육의 차이를 알아볼 수 없을 만큼 신호가 줄었다. 이로 인하여 누수의 신호가 상대적으로 강해졌다고
판단된다.
Fig. 3(e)와 (f)는 가속도계에 의해 측정된 신호에 HPF를 통과시킨 후의 멱스펙트럼 이다. 감육의 신호가 누수에 비해 약해서 강한 주파수 대역을 찾는 것이 어렵다.
반대로 감육의 신호가 더욱 약해지는 주파수 대역을 관찰하고자 하였고, 6,000 Hz 이상에서 누수에 비해 확연하게 약한 감육 신호를 관찰하였다.
이처럼 정상과 감육의 차이는 원신호 혹은 HPF를 통과시킨 신호에서 찾을 수 있을 것으로 예상한다.
Fig. 4는 AE 센서를 이용하여 측정한 음향신호다. Fig. 4(a)와 (b)에서는 역시 누수 신호가 비교적 강한 신호를 발산하는 것을 확인할 수 있다. 누수 신호의 강세는 200 kHz 이하에서 더욱 두드러지기 때문에 이를
더욱 확실하게 나타내고자 200 kHz 이하에 LPF를 적용하였다(Fig. 4(c), (d)). 감육은 음향 신호 중 가장 약하고, 특별하게 강세를 보이는 주파수 대역이 보이지 않는다. 감육의 음향 신호가 가장 약한 주파수 대역이 280
kHz 이상으로 관측되며, 280 kHz 이상에 HPF를 적용하여 Fig. 4(e)와 (f)를 얻었다.
Fig. 3 Raw signal and spectrum at A point by accelerometer.
선행연구에 의하면 가스의 누출 음향 신호는 0~100 Hz 사이로 주파수가 매우 낮다.(17,18) 반면 누수 음향 신호는 0∼10 kHz(19) 혹은 150∼300 kHz 범위(19, 20)로, 가스 누출에 비해 높은 주파수 대역의 음향신호를 방출한다. 가속도계가 관측한 누수 신호의 주파수
범위는 20∼25 Hz(21) 혹은 270∼370 Hz(22)로 음향 센서에 비해 매우 낮다. 반면 감육에 대한 AE 센서와 가속도계의 관측 사례는 없다.
위에서 살펴본 스펙트럼 분석에 의하면 파이프 상태에 따라 조금씩 다른 주파수 범위의 누수 신호를 발생시키는 것을 알 수 있다. 이 실험적 경험을 바탕으로
가속도계 데이터에는 3,000∼9,000 Hz 사이의 BPF와 6,000 Hz 이상의 HPF를 적용하였고, AE 센서에는 200 kHz 이하의 LPF와
280 kHz 이상의 HPF를 적용하였다.
위의 필터를 포함하여 신호 $d_{m,\: l,\: c,\: k,\: t,\: i}$의 데이터 세트가 만들어졌고, 이 데이터의 특징을 산출하였다.
m=2, l=2, c=3, k=3, t=140 sec 로 총 75,600 개의 특징이 산출되었다. 특징은 표준화에 의하여 $z_{m,\: l,\:
c,\: k,\: t,\: fe}$ 로 변환되었다. Fig. 5은 Z-score의 결과를 보여준다. Entropy estimation value는 20∼40 사이의 값을 가지지만, 표준화를통하여 0 인근의 값으로
변환되었다. 다른 특징은 또 다른 범위의 값을 가지지만, 표준화를 통하여 0 인근의 값으로 변환됨으로써 서로간의 비교가 가능할 수 있게 되었다.
Fig. 4 Raw signal and spectrum at A point by AE sensor.
Fig. 5 Z-score of entropy estimation value of raw data at A point by accelerometer.
Fig. 6 Distribution for optimal feature combination selection at A point by accelerometer.
$z_{m,\: l,\: c,\: k,\: t,\: fe}$는 다시 평균으로 계산되어 1개의 센서에서 1개 관측위치당 135개의 $\mu_{m,\:
l,\: c,\: k,\: fe,\: zscore}$가 계산되었다. 방법론에서 제시한 바와 같이 3개의 특징을 축으로 하는 3차원 좌표를 그리기 위해
45개의 특징들 중 3개를 추출해야 한다. 45개의 특징은 원데이터와 두 개의 필터링 데이터에 적용된 15개의 특징이다. 중복을 제외하면 선택 가능한
3개 특징의 조합은 $_{45}C_{3}$이고, 경우의 수는 14,190개이다.
Fig. 6은 A지점에서 가속도계에 의해 측정된 데이터를 대상으로 모든 특징조합에 대해 선택된 세 개의 $\mu_{m,\: l,\: c,\: k,\: fe,\:
zscore}$로 이루어진 삼격형의 둘레와 $z_{m,\: l,\: c,\: k,\: t,\: fe}$의 x, y, z 방향 분산 중 최대값을 그래프에
도시했다. 최대 둘레는 8.67이고, 이때의 분산 최대값은 $e^{-6.03}$이다. 분산이 상대적으로 작다. 최대의 둘레를 갖는 조합은 최저의 분산을
갖진 않지만, 분산이 충분히 작아 데이터 간에 겹치는 부분이 없다.
위와 같은 과정에 의해서 최대의 둘레를 갖는 조합에 대해서 $F_{m,\: l,\: c,\: k,\: t,\: fe}$을 3차원 좌표상에 나타내면
Fig. 7, Fig. 8과 같다. 신호는 관과 내부 유체를 타고 전파되는데, 내부 유체의 흐름 영향으로 유입지점인 A와 유출지점인 B에서 신호 차이가 발생한다.
Fig. 7은 가속도계에 의해 측정된 신호의 특징을 보여준다. (a)는 지점 A에서 측정된 데이터의 특징이다. 가장 좋은 분류를 나타내는 특징은 원데이터를 사용하여
얻은 Standard deviation, Root variance frequency, Frequency RS overall 이다. 정상, 누수, 감육
데이터가 각각 뭉쳐있고, 서로 삼각형을 형성하며 넓게 퍼져있어 쉽게 분류된다. (b)는 지점 B 에서 측정된 데이터의 특징이다. 가장 좋은 분류를
나타내는 특징은 HPF를 거친 Frequency skewness, 원데이터를 사용한 Frequency RMS, BPF를 거친 Normal negative
log-likelihood이다. 역시 정상, 누수, 감육 데이터가 각각 뭉쳐있고, 서로 삼각형을 형성하며 넓게 퍼져있어 쉽게 분류된다.
Fig. 8은 AE 센서에 의해 측정된 신호의 특징을 보여준다. (a)는 지점 A에서 측정된 데이터의 특징이다. 가장 좋은 분류를 나타내는 특징은 HPF를 거친
Frequency skewness, LPF를 거친 Frequency center, HPF를 거친 Normal negative log-likelihood
이다. 데이터가 다소 퍼져있지만, 서로의 데이터 영역을 침범하지 않고 뭉쳐져 있다. (b)는 지점 B에서 측정된 데이터의 특징이다. 가장 좋은 분류를
나타내는 특징은 HPF를 거친 Normal negative log-likelihood, LPF를 거친 variance frequency, LPF를
거친 Standard deviation이다. 정상, 누수, 감육 데이터가 각각 뭉쳐있고, 서로 삼각형을 형성하며 넓게 퍼져있어 쉽게 분류된다.
$\mu_{m,\: l,\: c,\: k,\: fe,\: zscore}$가 그리는 삼각형의 둘레는 가속도계 A 지점에서 8.68, B 지점에서 8.68,
AE 센서 A 지점에서 8.47, B 지점에서 7.87이다. 가장 큰 값과 가장 작은 값의 차이가 10%이다. $z_{m,\: l,\: c,\: k,\:
t,\: fe}$의 분산 최대값은 가속도계 A 지점에서 0.0024, B 지점에서 0.0654, AE 센서 A 지점에서 0.60, B 지점에서 0.56이다.
가장 큰 값과 가장 작은 값의 차이가 249%이다. AE 센서를 사용하여 A 지점에서 측정한 데이터의 분류성능이 상대적으로 낮은 것으로 측정되었다.
Fig. 7 Distribution of features ($F_{s,\: l,\: c,\: k,\: t,\: f}$) measured by accelerometer (raw data: raw, high pass filter: HPF, band pass filter: BPF).
Fig. 8 Distribution of features ($F_{s,\: l,\: c,\: k,\: t,\: f}$) measured by AE sensor.
4. 결 론
본 연구는 AE센서와 가속도센서를 이용하여 80℃의 온수가 12 bar의 압력으로 일정하게 흐르는 이중보온관의 누수와 감육의 신호를 탐지하고자 하였다.
결과는 다음과 같다.
(1) 이중보온관의 내관에서 직접 측정한 음향 방출 및 가속도 신호를 1초단위로 구분하여 특징을 적용한 결과 누수와 감육이 육안으로 확인될 만큼 분명하게
구분이 되었다.
(2) 음향방출 신호는 유입부에서 Frequency skewness-Frequency center-Normal negative log-likelihood,
유출부에서 Normal negative log-likelihood-Variance frequency-Standard deviation에 의해 진단이
가능하고, 가속도 신호는 유입부에서 Standard deviation-Root variance frequency-Frequency RS overall,
유출부에서 Frequency skewness-Frequency RMS-Normal negative log-likelihood 에 의해 진단이 가능하다.
(3) 가속도계에서 측정한 신호가 AE 센서에 비하여 분산이 2.49배 이상 작아 가속도계 측정 신호의 구분이 상대적으로 용이하다.