딥러닝 기반 가중치 최적화를 이용한 양수발전 설비 Health Index 산출에 관한 연구

키워드

확장요약문

양수발전소에서 운영 중인 상태감시시스템의 경우 설비의 건전성 정도를 사람이 직관적으로 파악할 수 있도록 0~100 사이의 수치로 환산하는 Health Index(HI)를 운영 중이다. 그러나 기존 방식은 설비의 중요도 경중을 고려하지 않은 동일 가중치 부여방식 혹은 전문가 경험에 의존하여 인위적으로 가중치를 적용하는 방식을 사용하여 Health Index가 실제 설비 건전성을 정확하게 반영한다고 보기 어렵다. 이에 본 연구에서는 실제 운전·이상·고장·정비데이터를 기반으로 상태지표와 설비 중요도의 가중치를 학습하여 계층적으로 Health Index를 산출하는 딥러닝 기반 기법을 제안한다.

첫 번째는 설비 상태 및 운전데이터 수집 단계이다. 발전소 설비에서 Health Index 산출에 필요한 데이터를 수집한다. 입력데이터에는 진동 RMS 및 Peak, 주요 주파수 성분, 압력, 유량, 회전수, 출력 등의 계측정보와 상태감시 결과, 조기경보 정보 및 설비 운전상태 등이 포함될 수 있다. 두 번째는 개별 상태지표 산출 단계이다. 과거 정상운전 데이터를 이용하여 각 상태신호의 정상 기대값을 산출하고 현재 측정값과의 편차를 계산한다. 설비별 센서데이터의 단위와 범위 차이를 제거하기 위해 상태편차를 정규화한 후, 정상상태에서는 높은 값을 갖고 이상상태에 가까워질수록 낮은 값을 갖도록 개별 상태지표 Health Index로 변환한다. 세 번째는 상태지표별 가중치 학습 단계이다. 정상·이상운전 데이터와 실제 고장이력등을 이용하여 각 상태지표와 설비 이상 간의 관련성을 딥러닝으로 학습한다. 이를 통해 고장과 연관성이 높은 상태지표에는 상대적으로 높은 가중치를, 관련성이 낮은 지표에는 낮은 가중치를 부여한다. 네 번째는 설비 Health Index 산출 단계이다. 개별 상태지표와 학습된 가중치를 결합하여 설비별 Health Index를 산출한다. 다섯 번째는 설비별 중요도 가중치 학습 단계이다. 복수 설비의 Health Index를 상위 설비그룹 또는 계통 수준으로 통합하기 위해 특정 설비의 상태악화가 전체 계통에 미치는 영향을 가중치로 산출한다. 마지막 여섯 번째는 상위 계통 Health Index 산출 단계이다. 개별 설비 Health Index와 학습된 설비 중요도 가중치를 결합하여 설비그룹 또는 상위 계통의 Health Index를 산출한다. 이를 통해 상태신호에서 개별 설비, 다시 상위 계통으로 이어지는 계층적 상태평가가 가능하며, 상위 Health Index가 저하될 경우 하위 설비와 상태지표를 순차적으로 확인하여 이상 원인을 추적할 수 있다.

본 연구에서 제안한 방법은 전문가 경험에 의존하던 고정 가중치를 실제 설비데이터 기반의 학습 결과로 대체함으로써 보다 객관적인 Health Index 산출이 가능할 것으로 기대된다. 운전·고장·정비데이터가 지속적으로 축적될 경우 가중치를 주기적으로 재학습함으로써 실제 설비 특성을 보다 충실히 반영할 수 있으며, 상태기반정비 및 예지정비를 위한 점검 우선순위 선정과 유지보수 의사결정에도 활용될 것으로 기대된다.