펄프밀 설비 건전성 진단을 위한 딥러닝 모델 기반 상태 분류 알고리즘 연구

Abstract

화학 산업 분야에서 중요한 역할을 하는 셀룰로오스 제품 생산에 사용되는 설비 중 하나인 펄프밀은 가동 상태에 의해 생산되는 제품의 품질이 직접적인 영향을 받는만큼 상태 관리 및 감시가 필수적이다. 펄프밀의 상태 이상은 경제적 손실은 물론 안전 사고로까지 이어질 수 있기 때문에 관리가 중요하며 이상 발생 시 즉시 가동을 멈춰야 한다. 또한 현재 펄프밀을 포함한 수많은 회전설비들에 대한 실시간 상태감시 및 진단을 수행하고 있지만 전문가의 노하우와 기술에 의존하는 경우가 상당하다. 이러한 한계를 극복하고자 실시간 지능적 상태 감시 시스템 구축이 필요한 상황이다. 실시간 지능적 상태 감시 시스템의 성공적인 구축을 위해서는 검증된 성능을 가진 머신러닝 혹은 딥러닝 모델의 적용이 필수적이다. 이에 펄프밀 결함 진단을 위한 딥러닝 모델 구축으로 이러한 문제를 해결하고자 하였다. 모델 구축을 위해서는 먼저 회전 설비 진단의 전체적인 프로세스에 대한 이해가 필요하다. 또한 펄프밀의 구조와 구조적인 이유로 발생할 수 있는 결함에 대한 분석도 필수적으로 수행되어야 한다. 구조적인 이해가 뒷받침이 된 상태에서, 취득된 신호 분석을 수행하며 찾아낸 특징을 바탕으로 모델 구축이 완성된다. 이를 토대로 본 논문에서는 가속도 진동 신호를 이용하여 펄프밀의 결함 진단 모델 구축을 목표로 하였다. 펄프밀의 구조 분석과 펄프밀의 실제 진동 신호 분석을 통해 결함 신호의 패턴을 찾고 이를 기반으로 모델 학습에 필요한 데이터를 선택하였다. 학습에 사용된 데이터는 총 4가지로 시간 파형, 가속도 주파수 스펙트럼, 가속도 Envelope 스펙트럼 그리고 가속도 주파수 스펙트럼+가속도 Envelope 스펙트럼이며 모두 1D 데이터이다. 가속도 주파수 스펙트럼+가속도 Envelope 스펙트럼은 두 가지의 스펙트럼을 동시에 입력으로 사용하는 것을 의미한다. 모델 생성에 사용된 모델은 1D CNN, 트랜스포머, 1D CNN+트랜스포머 총 3개의 딥러닝 모델이며 각 모델별로 입력 데이터에 따른 성능 평가를 진행하였다. 모델별로 총 10번 학습을 진행하였고 10년간의 데이터임에도 각 결함별 데이터 편중이 심하기 때문에 매번 학습 데이터셋의 구성을 다르게 하였다. 성능 비교 결과 1D CNN 모델은 Envelope 스펙트럼을 입력으로 하였을 때 평균 f1_score 87.4%, 트랜스포머 모델은 시간 파형을 입력으로 하였을 때 평균 f1_score 16.8%, 1D CNN+트랜스포머 모델은 주파수 스펙트럼+Envelope 스펙트럼을 입력으로 하였을 때 평균 f1_score 96.2%의 성능을 보였다. 1D CNN과 1D CNN+트랜스포머 모델의 CNN 레이어 수에 따른 성능 비교 결과, 1D CNN 단독 모델의 경우 레이어가 8개일 때 평균 f1_score 96.4%의 성능을 보였고 1D CNN+트랜스포머 모델의 경우 레이어가 4개일 때 평균 f1_score 97.2%의 성능을 보였다. 또한 학습 데이터셋의 구성을 같게 하여 레이어가 8개인 1D CNN 모델과 레이어가 4개인 1D CNN+트랜스포머 모델의 분류 성능을 비교한 결과, 1D CNN 모델은 평균 f1_score 95.3%, 1D CNN+트랜스포머 모델은 평균 f1_score 97.5%의 성능을 보였다. 이를 통해 대부분 실험실의 데이터로만 연구를 진행해 도출한 결과를 실제 산업현장에 적용하여도 유의미한 결과를 얻을 수 있다는 점을 시사할 것으로 예상되며 딥러닝을 활용한 지능적 자동 설비 진단 시스템의 구축에 대한 기존의 불안함과 불확실성에 상당한 확신을 부여할 것으로 기대된다.