(주)알에스씨(RSC)

서울시 강동구 올림픽로 651, 9층 (천호동, 예경빌딩)

 Tel: 02-2038-9269 / Fax: 02-6280-9269 

Copyright © RSC, Inc. 2019. All Rights Reserved.

1. 정비 기술의 변화

최근 철도 산업 분야에서는 경쟁력을 제고하기 위한 전략으로 사물인터넷을 이용한 데이터 수집 및 인공지능을 이용한 빅데이터 분석 등을 통해 철도 차량이나 시설물의 정비 정책을 최적화하고, 비용을 절감하고, 동시에 가용성과 안전성을 제고하기 위한 노력을 기울이고 있다. 이러한 내용의 기술적인 분야가 예지 정비(Predictive Maintenance)이다.

예지 정비를 위해 최신 기술과 함께 고장 진단 기술이 주목을 받고 있으며 전세계적으로 학계와 산업계에서 활발하게 활동을 하고 있는 기술 분야는 PHM이다. PHM 기술은 센서를 이용하여 장비나 기계시스템의 상태를 모니터링하고 고장의 징후를 진단하고, 잔여 내용수명 예측 및 효과적인 건전성 관리 기술을 일컫는다. 

PHM은 1980년대 영구 민간 항공국에서 시작되었다. 그 이후 점차 발전하여 여러 산업 분야에서 연구 활동을 수행하게 되고, 2009년부터 미국의 PHM 학회가 설립되는 등 지속적으로 발전을 거듭하고 있다. 또한, 에너지 하베스팅(Harvesting), 사물인터넷, 빅데이터, 인공지능 등의 최신 기술을 접목하고 있다.

 

[PHM은 Prognostics and Health Management의 약어로 '건전성 예측 및 관리‘라고 한다.]

2. 예지정비 수행 절차

1) 건전성 감지

첫 번째 단계에서는 예지 정비에 적합한 대상 시스템이나 기기를 선정하고, 설비의 건전성을 평가할 수 있는 데이터 종류를 결정한 후 최적의 센서 관련 제반 사항을 결정한다.

대상 설비를 선정 시 기존에 분석한 RCM 관련 결과물이나 고장 이력 자료 등을 기본 입력 자료로 사용한다. 기본적으로 처음 시도를 할 때는 대상 범위를 작고 중요한 품목 위주로 선정하는 것이 적합하며, 차후 범위를 확대해 가는 것이 경험적으로 좋은 방법에 해당된다.

우선, 고장에 대한 예측이 가능한 것을 선정해야 한다. 그렇지 않으면 결과적으로 실패할 가능성이 높으며, 이로 인해 예지 정비에 대한 솔루션 자체에 대한 신뢰가 떨어질 수 있다.

다른 방법으로 고장률 대 시간 관계를 나타내는 아래 그림의 욕조곡선에서 초기 고장기와 마모 고장기에 해당되는 품목인 전기나 기계류 계통을 선정하는 것이다. 철도 차량을 대상으로 예를 들면, 제동 시스템 또는 공압식 출입문 등이 전형적인 품목이 될 수 있다.

2) 건전성 진단

두 번째 단계에서는 수집된 데이터로부터 다양한 건전성을 정량화하고 건전성을 평가한다.

수집할 데이터에는 대상 설비의 건전성 감지와 관련된 빅데이터, 고장 이력 자료, 정비 이력 자료, 운용 자료 등이 해당된다. 철도 분야에서 빅데이터에는 생산 및 품질 정보, 운영 정보(운행시간, 운행거리, 노선, 날씨, 구배 등), 신뢰성 정보(고장빈도, 고장시간, 고장유형, 고장 원인 등), 유지보수 정보(유지보수자, 소요시간 등) 그리고 상태 정보(온도, 진동, 소음, 전류 등) 등을 들 수 있다.

또한 예지 정비에 대한 최적의 결과를 도출하기 위해 철도 분야에 적합한 알고리즘을 개발하여 적용하는 단계이다. 데이터 과학자가 알고리즘을 개발할 때 철도 분야의 경험이 있는 전문가의 의견을 반영하는 것이 알고리즘 개발 및 분석에 소요되는 시간을 절감할 수 있다.

3) 건전성 예지

세 번째 단계에서는 추론한 건전성을 바탕으로 해당 설비의 잔존 수명을 확률적으로 예측한다.

PHM 분야에서 잔존 수명을 예측하는 방법으로 크게 두 가지가 있다. 첫 번째, 데이터기반방법(data-driven approach)은 데이터를 이용하여 시스템의 신뢰성, 건전성 정보를 통계적 방법으로 추론하는 것이다. 기계학습 기법은 가장 많이 사용되는 기법으로 건전성인자와 고장 여부의 관계를 훈련하여 미래고장을 예측할 수 있다. 이 방법은 물리적 손상 모델을 구현하기 어려운 다변량 시스템에 적용이 가능하다는 장점이 있지만, 훈련을 위해 많은 양의 데이터가 필요하다. 두 번째, 모델기반방법(model based approach)은 물리적 고장 모델을 기반으로 고장을 진단 및 예지한다. 이 방법은 정확도가 높으며 적은 양의 고장 데이터로 고장 진단이 가능하다. 모델의 변수를 바꿔줌으로써 다양한 운행 환경에서도 적용 가능하다. 그러나 고장 메커니즘 파악이 어렵거나 모델 변수의 수가 매우 많은 경우 모델이 실제 고장 메커니즘을 온전히 구현하지 못하므로 적용 분야가 한정적이다.

4) 건전성 관리

마지막 단계에서는 정량화된 건전성과 잔존 수명을 이용하여 최적의 유지보수 및 관리를 수행한다.

예지 정비의 솔루션 범위가 단순히 고장만을 예측하는 것은 아니며 여러 가지 업무 상황을 식별하고 적절한 규범적 조치를 수립하는 것도 포함된다. 또한 다음과 같은 지원 사항을 통해 단기 및 장기적인 정비 목표를 달성할 수 있다.

  • 다음 정비 작업 식별

  • 대상 품목의 교체를 위한 재고 계획 수립

  • 열악한 성능이 지속될 경우 설계의 개선 사항을 제안