KR 웹진 205호

1.연구배경

 

4차 산업시대에는 다양한 유형의 빅 데이터가 폭증하게 되면서 누구에게나 이를 활용한 새로운 가치창출의 도전과 그 기회가 지속적으로 주어지고 있다. 빅 데이터는 미래를 예측하고 의사결정에 대한 다각적인 

통찰력을 제공하여 데이터 분석을 통한 여러 가지 가능성을 검토함으로써 상황변화에 따른 유연한 대처가 

가능할 수 있다.

이와 같이 데이터를 활용한 새로운 가치를 창출하고자 하는 노력은 조선・해양 산업의 기술적 패러다임의 

변화의 원동력이 되었고 현재는 핵심 기술력 확보 측면에서 국부적으로 선대 또는 선박의 운항관리 및 

기관시스템 제어, 디지털 트윈, 스마트 선박 및 스마트 항만 등 전방위적 기술개발이 활발하게 진행되고 

있다. 

대표적으로 디지털 트윈 기술은 4차 산업혁명으로부터 초래된 각종 기술의 집약적 결과물로 선박 단위

에서의 핵심기술 개발부터 이를 통합/운영/관리/제어 기술까지 포괄하는 미래기술의 핵심이다. 

KR은 “디지털 트윈 핵심기술 확보 및 규칙화를 통한 원격검사 서비스”를 제공하기 위하여 상태감시 유지관리 기술, 원격 검사기술, 엔지니링 정보 가시화 기술 및 디지털 모델 및 시뮬레이션 등 선박의 디지털 트윈을 

실현하기 위한 핵심 요소기술 개발을 다년간 수행해오고 있으며 결과적으로는 선급 검사규칙화 및 인증기준을 마련하여 독자적인 기술기반을 구축하고 고유 검사업무의 보다 진보적인 디지털 서비스를 제공하고자

한다.

앞서 언급한 바와 같이, 상태감시 유지관리 기술(Condition Based Maintenance, 이하 CBM)은 그림 1에서 

나타낸 바와 같이 선박의 기존 유지관리 체계에서 미래 자율운항선박의 CBM 기반 유지관리 체계로의 

전환이 가능한 기술로써, 선박의 안정적인 운항성능을 확보하고 기관 고장에 대한 예방 및 운영관리의 

효율성 측면에서 그 필요성이 부각되고 있다. 

해당 기술의 적용은 선박관리의 효율성을 제고시킴과 동시에 실시간 정보 분석을 통한 건전성 평가 및 사고예방 등 기관고장에 따른 선박사고 발생율 감소를 기대할 수 있다. 이를 통해 선박관리자는 운항효율 및 운영비용(OPEX) 절감을 실현할 수 있는 운영과 의사결정을 지원받게 된다.

 

그림 1. 선박 유지관리 기술 체계 전환

2.기술정의 및 절차

 

CBM 기술은 기계장치의 상태를 모니터링하고 고장을 진단/예측 함으로써 기존의 calender based, 또는 running time based 개념에서 사전적으로 유지관리 방안을 최적화 하는 기술로 정의한다. KR에서는 CBM 

기술에 대한 개발 프레임워크를 그림 2와 같이 자체적으로 수립하고 엔지니어링 기반 고장분석서 개발, 

데이터 생산/취득, 데이터 전처리 및 특성분석, AI 기반 고장진단 및 예측 알고리즘 개발을 수행 중이다. 

이와 같이, 데이터의 수집/전송/저장 및 전처리 분석 과정을 통해 데이터프레임을 도출하고 이를 활용하여 

고장진단 및 예측 알고리즘을 개발한다. 알고리즘에서 도출된 진단 또는 예측결과는 사용자인 선원에게 

전달이 되고 그 결과를 바탕으로 유지관리의 방법과 상세계획을 수립하는 의사결정을 지원받을 수 있다.

 

 

 

                                    그림 2. CBM technology definition and development process

 

3.핵심 기관시스템 선정

 

선박의 기관시스템은 추진동력 및 전력공급에 필요한 핵심장비가 집약적으로 시스템화 되어 있으며 기관

운영의 신뢰성 및 운항 안전성을 확보하기 위하여 실시간 상태 감시 데이터 기반의 사전적 고장 진단 및 예측기능이 필요하다. 

기관시스템은 선박의 운항안전과 성능에 직접적인 영향을 미치는 추진엔진 시스템과 발전기 엔진 시스템의 구성요소로 해당 시스템의 고장으로 인한 사고 발생 시 선박 안전을 위협함과 동시에 심각한 해양사고까지 이어질 수 있다. 

이에 따라 CBM 시스템을 통한 사전에 징후를 탐지하고 이에 대한 유지관리 계획을 수립함으로써 선박 운항안전을 보장하고 우수한 품질관리가 필요하다. 선박 추진엔진 및 발전기 엔진 및 해당시스템 시스템을 구성하는 기기의 중요도를 고려하여 연료유 및 윤활유, 각종 냉각수 등을 공급하는 펌프, 청정기 및 시스템 공급 라인인 배관을 CBM 기술적용 대상 장비로 최종 선정하였다. 

다만, 선정된 배관 시스템은 청수, 빌지(드레인), 소화관계 배관을 제외하고 핵심 기관시스템과 직접적으로 

연관된 배관 중 손상발생 가능성 및 중요도가 높은 해수배관 및 증기배관을 대상으로 고려하였다. 해수

배관의 경우 열교환기를 통과한 후 선외로 배출되는 개방회로 시스템으로 보일러수, 청수 냉각수와 같이 

수처리를 통한 방식(corrosion protection) 조치가 불가능하므로 염소이온에 의한 부식 및 유속에 따른 

배관 내부 침식이 가속화 되어 배관손상 발생 가능성이 높다. 뿐만 아니라 증기배관은 주로 수격작용

(water hammering)에 의한 물리적 침식 형태의 손상이 발생하고 고온고압의 증기 누설 또는 파열에 의한 

방출 시 인접기기의 손상 또는 인명사고까지 이어질 수 있는 잠재적 위험성이 매우 크다.

그럼에도 불구하고 배관에 대한 검사는 정기입거 시 밸브점검 및 교체, 배관 연결부의 가스켓 교환에 국한된 정비만 수행되는 실정이므로 실시간 상태 감시기반 손상을 진단하는 CBM 시스템 도입이 필요하다. 본 연구에서는 선박 핵심기관시스템 및 이를 구성하는 보조기기와 배관을 포함하여 총 5종(추진엔진, 발전기 엔진, 펌프, 청정기, 배관)을 선정하였다. 

 

 

4.고품질 데이터의 필요성

 

CBM 기술의 도입은 선박 운영관리 차원에서 다양한 이점을 가지고 있으나 현재 기술수준에서 한계를 인식하고 이를 극복할 필요가 있다. 

우선, 데이터 계측을 위한 모니터링 시스템의 구성과 설치에 상당한 비용이 발생할 수 있다. 뿐만 아니라 CBM 시스템 또한 유지관리가 되어야 하는 하나의 시스템이므로 선원 및 선박관리자의 업무부담이 증대될 수밖에 없다. 육상 또는 항공 산업에서는 CBM 기술분야가 상당히 성숙된 수준으로 운영상의 데이터 취득 

인프라 및 통신환경 조건이 유리하기 때문에 고품질의 데이터가 풍부하고 지난 수십년 간 축적된 기술적・

경험적 노하우 및 연구결과를 보유하고 있다. 

반면, 조선・해양 산업분야는 (특히 선박의 경우) 기존 유지관리 체계의 지속 및 낮은 인프라 수준, 통신부하 제약 등 여러 가지 이유로 데이터 취득/관리/전송 및 분석 등 외적 환경요인에 한계를 가진다. 그럼에도 불구하고 CBM 기술은 기존 운항선박에 적용이 가능하고 미래 자율운항선박의 핵심기술로써 기관시스템대상의 고장 진단 및 예측 기술(H/W & S/W) 및 전 생애주기를 고려하여 선급검사 체계과 연계된 검사기준 및 규칙개발이 요구된다. 

상태 감시 시스템의 하드웨어로부터 취득된 데이터 알고리즘을 통해 최종 의사결정을 지원하는 결과물로 

도출되기 위해서는 알고리즘의 정확도와 신뢰도가 최우선적으로 보장되어야 한다. 

다시 말해 품질이 보장되지 않은 부정확한 데이터로 학습된 알고리즘은 신뢰할 만한 결과를 도출하지 못한다. 그러므로 품질이 우수한 즉, 정상상태와 비정상 상태가 명확하게 분류가 되고 비정상 상태도 어떤 종류의 고장인지에 대한 분명한 정의가 되어 있어야 우수한 알고리즘을 개발하는데 용이하다. 

결과적으로 CBM 기술 개발에 있어서 고품질 데이터의 필요성은 대단히 높다. 그럼에도 불구하고 선박 기관시스템의 고품질 데이터는 현실적으로 부족한 상황이라 할 수 있다. 이에 대한 원인을 살펴보면, 우선 수년간 기존 선박에서는 사실상 매우 체계적이고 계획적인 유지관리를 본선에서 수행해 오고 있다.

문제는 고장 발생 시 근본적인 원인에 대한 정확한 인식과 분석과정보다 선박 운항안전 확보와 손실 최소화를 위하여 즉각적인 수리조치에 목적이 있으며 기존의 기관시스템에서 취득되는 데이터 또한 성능과 효율에 초점을 맞춘 리스트로 구성되어 있으므로 이상상태에 대한 진단이 가능한 즉, 고장현상을 매우 민감하게 

반영할 수 있는 데이터가 사실상 부족할 수밖에 없다. 

반면에 육상에서 직접 데이터를 생산하는 경우를 살펴보면, 제조사의 경우 일반적으로 선박 기관시스템의 

육상 테스트 베드를 보유하고 있지만 보통은 제품 성능시험에 이를 활용하고 있으며 고장데이터 취득을 위한 정상적인 시스템을 고의로 고장을 내고 데이터를 취득하는 것인 기업 생산성에 악영향을 미칠 수밖에 없다. 

이에 KR에서는 선박 기관시스템 5종(엔진, 발전기 엔진, 펌프, 청정기 및 배관)에 대한 고품질의 정상 및 

비정상 데이터 확보를 위한 고장모드 모사실험을 시작으로 지속적으로 CBM 시스템 하드웨어 및 소프트웨어를 개발하고자 한다.

 

5.고장모드 데이터 생산연구

 

선박 핵심 기관시스템 5종에 대한 고장모드 데이터 생산연구는 우선, 고장분석 및 모사 사나리오 개발, 정상 및 비정상 상태 데이터 생산실험 및 데이터 신뢰성 평가를 위한 전처리 및 특징분석으로 구성된다. 

본 기고문에서는 핵심 기관시스템 5종 중 추진엔진 및 발전기 엔진에 대한 고장모드 데이터 생산연구만 

다루고자 한다. 데이터 생산실험은 KR TCC에서 보유중인 실제 선박용 엔진 및 발전기 엔진을 기동하여 

데이터를 취득해야 하므로 사전에 치밀한 고장분석 및 실험계획 수립이 필수적이다. 

우선, 선박 2stroke 저속엔진 및 4stroke 중속 발전기 엔진을 대상으로 어떠한 고장이 주로 발생하며 고장 

발생시 위험성 등을 검토하였다. 각각의 고장항목을 정리하고 이에 대한 원인과 현상을 분석함으로써 

고장항목과 고장원인 그리고 고장을 식별할 수 있는 현상을 구체화 하는 고장수목분석(Fault Tree Analysis, 

이하 FTA)을 완료하였다. FTA는 내연기관 시스템을 크게 기계구동 시스템, 연소 및 가스 배출 시스템, 소기 및 가스공급 시스템으로 구분하여 하위 컴포넌트별 고장항목과 원인, 고장현상을 구체화하여 연관성을 분석

하였으며 고장현상을 모니터링 할 수 있는 추가적인 계측항목을 식별하였다. 

최종적으로 도출된 FTA 결과를 바탕으로 다년간의 엔지니어링 경험을 가진 외부 전문가의 의견을 수렴하여 모사하고자 하는 고장모드를 표 1에 나타낸 바와 같이 추진엔진 10건, 발전기 엔진 5건 각각 선정하였다. 

추진엔진 및 발전기 엔진의 기존 모니터링 시스템 이외에 추가적으로 실린더 내부 연소 상태 계측 센서, 

진동특성 센서, 초고속 카메라 등 다양한 모니터링 시스템을 구축하여 각 고장모드를 실제 구현함으로써 

고품질의 대용량 데이터를 확보하였다. 

 

 

6.고장진단 알고리즘 개발

고장모드 모사실험을 통해 확보한 정상 및 비정상 상태 데이터에 대한 분석 및 전처리는 주성분 분석, 상관

계수 분석 등 다양한 탐색적 분석기법을 활용하였으며 이를 통해 대상 장비의 성능 및 효율뿐만 아니라, 

다변량 데이터 통계분석을 통한 핵심특성 데이터를 추출하였다. 엔지니어링 지식 및 수학적 근거를 기반으로 실린더 압력데이터와 진동데이터에 대한 다수의 특성인자 및 운전데이터를 계측 시간 기준으로 병합함으로써 알고리즘 개발에 필요한 데이터 프레임을 생성하였다. 

KR에서는 해당 데이터를 활용하여 Auto ML, RP+CNN, LSTM 등의 다양한 머신러닝 및 딥러닝 기법을 적용

하였으며 대상 장비의 고장모드를 95% 이상의 정확도로 분류 가능한 알고리즘을 도출하였다. 추진엔진 및 발전기 엔진 시스템의 기동은 실제 선박에서 운용하는 RPM과 Load 조건과 유사하게 구현하여 5시간 

이상 연속으로 기동하였다. 

그로 인해 다수의 데이터 변수간의 상호작용과 시계열적인 특성을 고려한 학습과 평가가 이루어져야 한다. 뿐만 아니라, 엔진 고장 시 하나의 데이터만 변화를 보이는 것이 아니라 동시다발적으로 다수의 데이터가 

변화를 나타내므로 다변량 분석이 필요하며 각 고장모드별로 다변량 데이터의 패턴변화를 구조적으로 

이해하는 것이 필수적이다. 

그러므로 추진엔진 및 발전기 엔진의 고장모드 모사실험을 통해 도출된 수백 가지의 시계열 정보가 가지는 동적이고 유기적인 상호작용을 이해할 수 있는 알고리즘을 적용하였다. 그림 3은 추진엔진 및 발전기 엔진의 고장모드 모사 데이터를 활용하여 정상상태와 비정상상태를 구분하는 이진분류에 대한 알고리즘 성능평가를 나타낸 것이다. 이는 데이터에 대한 신뢰성 검증 및 이상진단 알고리즘 적용방안에 대한 사전적 평가로써 

각각의 성능지표 중 F1 score가 98% 이상으로 우수한 진단 성능을 확보하였으며 결과적으로 추진엔진과 

발전기 엔진 고장모드 데이터의 신뢰성을 검증하였다. 

그림 4는 추진엔진 및 발전기 엔진의 각 고장모드를 대상으로 진단 알고리즘 성능평가 결과로써 실린더 

내부 압력, 진동 특성, 운전정보 등을 통합하여 구성된 데이터 프레임을 활용하였다. 각 10건, 5건의 고장모드에 대해 우수한 진단성능을 도출하였으며 F1 score 성능 지표상 추진엔진의 경우 96% 이상, 발전기 엔진의 경우는 99% 이상의 우수한 성능을 확보하였다.

해당 분석결과를 바탕으로 시계열 데이터 변수 간의 패턴변화를 구별할 수 있는 질적평가 가능성을 확인

하였으며 향후 개발될 알고리즘을 실 운항선박에 적용하여 알고리즘 자체의 신뢰성 고도화 및 적용성 평가를 수행할 계획이다. 

그림 3. 추진엔진 및 발전기 엔진 엔진 대상 정상 및 비정상 상태 이진분류 성능평가

그림 4. 추진엔진 및 발전기 엔진 엔진의 고장모드 별 진단 알고리즘 성능평가

 

7.향후 계획

 

선박 기관시스템에 대한 CBM 기술적용은 기존 유지관리 체계로부터 단계적인 전환이 필요하다. 뿐만 아니라 해당 기술의 적용성을 포괄적으로 확대하여 사용자 즉, 선원 및 선박관리자가 선택적으로 적용하고 활용할 수 있도록 다양한 수준의 기능을 제공할 수 있는 플랫폼이 요구된다. 

이에 KR은 CBM 시스템을 선사의 제반사항 및 요구사항, 그리고 선급의 검사규칙과 연계하고 기존 유지관리 체계에서 CBM 기반 유지관리 체계로 단계적인 전환을 위하여 선사에서 요구하는 고장항목과 선급 규칙간의 매칭이 필요하고 이를 통해 모니터링 하고자 하는 고장항목과 관련 데이터 리스트를 정립하고자 한다. 향후 CBM 시스템은 본선 데이터 취득 인프라 수준을 고려하여 적용이 가능하여야 하고 CBM 시스템의 적용 수준에 따라 이상검출(Detection), 고장 진단(Diagnosis), 고장예측(Prognosis) 그리고 유지관리 방안 및 비용분석 등의 기능을 제공할 수 있어야 한다. 

이로써 선사에서는 본선 데이터 취득 시스템의 인프라 구축을 개선이 없이도 CBM 시스템을 선택적으로 

적용이 가능하다. KR은 향후 선박검사 서비스와 연계하여 보다 현실적이고 합리적인 범위 내에서 기존 

수십 년간 지속된 선박관리 체계에서 CBM 기반 유지관리 체계로의 단계적 전환이 가능하도록 CBM 기술력 고도화 및 선급 검사규칙을 마련하고자 한다. 

 

그림 5. CBM 기술수준 및 기능 요구사항