양수발전소 상태기반정비(CBM) 플랫폼의 예지평가(PA) 및 의사결정 지원(AG) 시스템 개발 연구

키워드

확장요약문

양수발전소의 수차(Hydro Turbine), 발전기(Generator), 펌프(Pump), 밸브(Valve) 등 주요 회전설비 및 전력설비는 전력 계통 안정화를 위한 핵심 자산으로서, 지속적인 상태 모니터링과 유지보수가 필수적이다. 설비의 운전 중 발생하는 진동, 온도, 수압 등의 변동은 고장의 전조 변수로 작용할 수 있으며, 이러한 이상 징후를 조기에 감지하고 상태를 예측하는 것이 양수발전소의 안전성과 경제성 확보의 핵심 과제이다. 본 연구에서는 ISO 13734 국제 표준을 기반으로 양수발전 설비의 실시간 상태를 모니터링하고 고장 시점 및 잔여수명(RUL, Remaining Useful Life)을 예측하며, 최적의 정비 전략을 자동 도출하는 인공지능 기반의 CBM(Condition-Based Maintenance) 플랫폼을 개발하고자 한다. 이를 위해 상태감시(SD), 건전성 평가(HA), 예지평가(PA), 의사결정 지원(AG), 설비 식별의 5개 영역으로 구조화된 체계를 구축하였으며, 하이브리드 예측 모델 및 MLOps(Machine Learning Operations) 체계를 적용하여 예측 모델의 신뢰성을 향상시키고자 한다.

본 연구는 다양한 센서 데이터를 활용하여 수차 및 펌프의 진동, 베어링 온도, 캐비테이션(Cavitation) 마모 등의 상태 변화 패턴을 분석하고, 고장 발생 가능성을 조기에 탐지하는 알고리즘을 포함한다. 특히 예지평가(PA) 단계에서는 단일 수치가 아닌 90% 신뢰구간(Confidence Interval)을 적용한 확률분포 형태의 잔여수명(RUL)과 P-F Curve 시각화를 제공하여 예측 결과의 불확실성을 보완하고 투명성을 확보하였다. 또한 의사결정 지원(AG) 단계에서는 설비 상태와 잔여수명을 축으로 하는 4x4 의사결정 매트릭스(Decision Matrix)를 적용하여 즉시 조치, 정비 계획 수립 등 최적의 정비 전략을 자동 매핑하며, 즉시 정비 비용과 고장 발생 시 예상 손실 비용을 비교하는 비용·리스크 분석(Cost-Risk Analysis) 기능을 구현하고자 한다. 본 시스템은 기존의 단순 상태 모니터링 시스템 대비 정비 시점 예측 정확도가 높아 유지보수 비용 절감 및 운전 신뢰성 향상에 기여할 수 있을 것으로 기대한다.

CBM 플랫폼 내 예측진단 시스템의 성능을 향상시키기 위해, 실시간 모니터링 시스템과 연계된 데이터 융합 기법을 적용하였다. 다양한 운전 조건에서 취득된 데이터를 빅데이터 저장소에 통합하여 분석하고, 실시간 신호 처리 기법을 활용하여 이상 징후를 신속하게 감지할 수 있도록 설계하였다. 이를 통해 캐비테이션 마모, 베어링 균열 등 특정 환경에서 발생하는 고유한 고장 패턴을 학습하고, RCM(Reliability Centered Maintenance) 정보와 연동하여 작업오더(Work Order)가 자동 전송되는 기능을 추가하고자 한다.

향후 연구에서는 실시간 데이터 적응 학습(Adaptive Learning) 기능을 추가하여 예측 모델의 정확도을 향상시키고, 양수발전소 내 기타 핵심 설비에도 적용 가능한 범용적인 예측진단 시스템으로 확장하는 방안을 모색할 계획이다. 본 연구에서 개발할 예정인 CBM 플랫폼을 활용하여 양수발전 설비의 유지보수 효율성을 극대화할 뿐만 아니라, 양수발전소의 안전성과 경제성을 향상시키고자 한다.