AI융합연구팀 윤광호 연구원, 박재철 수석, 이갑헌 선임

컨테이너선, LNG 운반선 등 대형 상선의 운항과 하역을 위해 고전압배전반(CSBD: Cargo Switchboard)을 통한 전력 공급은 필수적입니다. 이러한 배전반의 운용 비용을 분석해 보면, 전체 생애 주기에서 배전반의 컨셉 개발부터 디자인, 생산까지의 비용이 28%를 차지하며, 나머지 72%는 유지보수에 사용됩니다. 이는 유지보수 단계에서의 비용 절감이 매우 중요함을 나타냅니다.

그림 1의 사고 원인별 예방 진단 고장 예방 진단 방법을 확인하였을 때, CBM(Condition Based Maintenance) 방법론을 적용하면 전체 사고의 34.4%를 예방할 수 있으며, 이는 CBM 기술을 적용함으로써 배전반 생애 주기에서 상당한 비용 절감을 이룰 수 있음을 시사합니다.

[그림 1] 고전압배전반의 생애 주기 사용 비용(왼쪽), 

고전압배전반의 사고 원인별 예방 진단 방법(오른쪽)

또한, 자율 운항 선박의 등장 및 그 외 다양한 이유로 선원 감소가 예상됨에 따라, 기존의 선원이 담당하던 고전압배전반의 상태 감시 업무 및 이상 탐지 업무를 대체할 수 있는 기술의 필요성이 더욱 커지고 있습니다. 이러한 필요성에 따라, KR에서는 고전압배전반의 고장 데이터 생산, 고장 진단 알고리즘 개발, 그리고 소프트웨어 개발 프로세스를 통해 CBM 방법론을 적용한 CSBD 고장 진단 소프트웨어를 개발하였습니다.

[그림 2] 인공지능 기반 선박 고전압배전반 고장 진단 소프트웨어 개발 개략도

고장 진단 알고리즘을 개발하기 위해서는 고장 데이터가 필수적입니다. 그러나 해운사들은 선박 배전반의 운용 데이터를 수집하고 전송, 저장하는 인프라가 충분하지 않으며, 선박에서 체계적이고 계획적인 PMS(Planned Maintenance System)를 운영하고 있기에 고장 발생 전 부품을 교체하는 방식으로 운영하고 있습니다. 또한, 배전반 제조업체들은 테스트베드를 보유하고 있지만 이를 신제품 개발이나 성능 개선 용도로 사용하고 있어 선박 배전반 시스템의 고장 데이터 확보가 어렵습니다. 

이에 KR은 고전압배전반 테스트베드에 부분 방전 징후 감지를 위한 UHF 센서와 HFCT 센서, 과열 고장 징후를 감지할 무선 온도 센서를 설치하였습니다. 이후 고전압배전반에 대해 앞선 고장 사례들과 고장 계통도 분석을 기반으로 차단기 접촉자 과열, 절연물 열화, 제어부 상태 불량 등 총 8개의 고장 모사 실험 케이스를 개발 및 수행하여 고장 데이터셋을 시계열로 생산하였습니다.

[표 1] 고장 모사 실험 케이스

생산한 두 종류의 시계열 데이터(과열 고장 데이터, 부분 방전 데이터)를 활용하여 고전압배전반 고장 진단 알고리즘을 개발하였습니다. 과열 고장 데이터는 배전반에 설치된 12개의 온도 센서에서 1초 단위로 수집된 시계열 데이터로 구성되며, 이 데이터를 인공지능 기반 분류 모델에 학습시키기 위해 전처리 과정을 수행하였습니다.

먼저, 각 센서의 온도 데이터를 K-보정을 통해 절대 온도로 변환하여 동일한 기준에서 데이터를 비교할 수 있도록 하였습니다. 이후, 고장이 발생 시 각 부의 온도 균형이 깨지는 특징에 착안하여 Phase Imbalance 특성과 Locational Imbalance 특성 추출을 통해 학습 데이터셋으로 가공하였습니다.

해당 데이터를 인공신경망 분류 모델에 학습시킨 결과, 테스트 데이터셋에 대해 Accuracy 99.57%, F1-score 99.57%의 성능을 보였습니다. 해당 모델은 그림 3의 Epoch별 Loss 그래프와 Accuracy 그래프를 통해 overfitting 및 underfitting 없이 안정적으로 학습된 것을 확인하였습니다.

[그림 5] 부분 방전 분류 알고리즘 Accuracy 그래프(왼쪽), Loss 그래프(오른쪽)

KR은 상기 개발된 고장 진단 알고리즘을 기반으로 데이터 업로드 시 고장 진단을 수행할 수 있는 선박 고전압배전반 고장 진단 소프트웨어를 그림 7과 같이 4페이지로 구성하여 개발하였습니다. 

첫 번째 페이지인 Ship List 페이지에서는 분석할 선박의 정보를 입력하고 데이터 업로드 및 분석을 시작할 수 있습니다. 선박 등록 시 선박 이름, IMO Number, CSBD 종류, 선박 종류, 국적, 총톤수, 재화중량 톤수를 입력하고, 데이터 업로드 후 분석을 수행하면 분석 결과는 CSBD Main Dashboard에서 시계열로 구성된 각 센서 데이터의 추세를 그래프 형태로 확인할 수 있으며, 진단 결과는 반원 차트와 표를 통해 확인할 수 있습니다. 

마지막으로 Overheat Malfunction Status Trend Page, Partial Discharge Status Trend Page에서는 과열 및 부분 방전 측정을 위한 각 센서의 시계열에 대한 그래프와 각 시간대의 센서 값을 상세하게 확인할 수 있습니다.

[그림 7] 고전압배전반 고장 진단 소프트웨어

하지만 개발된 SW를 선박에 탑재하여 사용하기에는 실제 선박에 탑재된 배전반 환경과 모델이 학습한 환경이 다르기 때문에 모델의 성능이 떨어지는 도메인 적응 문제가 발생하게 됩니다. 알고리즘 개발 단계에서 도메인 적응 문제 등을 해결하기 위해 일반화 성능 개선 전략이 요구되므로, 고장 데이터셋을 활용한 베이스라인이 되는 AI 모델을 개발하고, 이를 기반으로 비지도 학습 혹은 전이 학습을 통해 실제 선박에 적용했을 경우에도 성능 저하를 최소화할 수 있는 방향으로의 개선이 필요할 것으로 사료됩니다.