최 주 호 한국항공대학교 항공우주 및 기계공학부 교수 ㅣ e-mail : [email protected]
이 글에서는 최근 관심을 모으고 있는 고장예지 및 건전성관리(PHM: Prognostics and Health Management) 기술을 소개하고, 항공우주분야의 적용사례를 중심으로 PHM 기술을 어떻게 활용하고 있는지를 설명하고자 한다.
항공기, 우주탐사선 및 원자력/풍력발전기 같은 시스 템들은 극한 하중 하에서 높은 신뢰도가 요구되는 것들 이다. 이들은 그러나 운용 중 마모, 균열 결함(fault)이 나 성능저하(degradation)로 인한 손상(damage)이 어 쩔 수 없이 발생하는데, 이들을 제대로 관리하지 않으 면 한계수준을 넘어 치명적 사고나 사용중단상태를 야 기한다(그림 1). 이를 막으려면 설계단계에서 수명기간 중 고장이 발생하지 않도록 원천예방설계를 하거나, 아 니면 운용 중 검사와 정비를 자주 해야 한다.
이러한 문제를 해결하기 위해 지난 수십 년 간 수명기 간(lifecycle) 동안 고장을 예방하는 신뢰성설계(Design for reliability)에 연구가 집중되었으며, 특히 신뢰성 기 반 최 적 설 계 (RBDO: Reliability Based Design Optimization) 기술이 활발히 개발되었다.
그러나 설계에서 운용 중 발생하는 모든 상황(갑작스 런 이물 충돌 등)을 고려하는 것은 불가능하기 때문에 신뢰성 기반 설계는 현장 적용에 한계가 있었다. 게다 가 최근 추세는 설계 수명이 지난 시스템도 비용절감을 위하여 수명을 연장하여 운용하고 있다. 따라서 최선의 방안은 운용 중 정비를 철저히 하여 고장을 예방하는 수밖에 없다.
과거의 정비기술은 손상이 진행되어 고장이 발생하 면 수리하는 사후정비(Corrective Maintenance)에 의존 하였으나, 이는 고가/고안전성 시스템에는 적용할 수 없 는 방 법 이 다 . 현 재 의 정 비 기 술 은 예 방 정 비 (Preventive Maintenance), 즉 정기 유지보수에 의존하 고 있다. 그러나 이는 실제 결함수준과 관계없이 무조 건 정비를 실시하므로 잦은 중단(Down Time)과 부품
그림 1극한하중하에서 결함이 성장하여 치명적 사고를 야기한다.
교체로 높은 비용이 발생하고 있다. 예를 들어, 항공기 의 FAA 규정은 6,000회 비행마다 결함 검사 후 0.01″이 상의 균열 발생 시 무조건 수리 또는 교체를 의무화하 고 있다. 그러나 이러한 균열이 실제 운항 조건에서 다 음 검사까지 위험 크기 2″로 성장할 확률은 10
-7이며, 이 는 1개의 위험 균열을 막기 위해 9,999,999개의 위험하 지 않은 균열을 교체하는 낭비를 의미한다. 또 다른 예 로 해상풍력발전이 있는데, 높은 풍속 등 여러 장점에 도 불구, 가혹조건, 어려운 접근성 등으로 인해 높은 정 비비용이 발생하므로 기존의 예방정비 방식이 적합하 지 않다.
최근 이러한 문제를 해결하기 위해 고장예지 및 건전 성관리(PHM: Prognostics and Health Management)기 술이 연구되고 있다. PHM 기술이 개발되면 필요한 시 점에 필요한 정비만 하는 예측정비, 즉 상태기반 정비 (CBM: Condition-Based Predictive Maintenance)를 할
수 있으며, 이를 통해 고장을 최소화하므로 유지비용을 크게 절감할 수 있다. PHM은 운용 중인 시스템이나 장 치에 대해
① 건전성(결함이나 성능저하)을 지속관찰(Health Monitoring)하고
② 이상 징후를 진단(Diagnosis)하며
③ 언제 고장수준 또는 사용불능에 도달할지 미리 예 지(Prognosis)하여
④ 필요한 경우에만 정비조치를 하는 건전성관리 (Health Management) 기술이다.
PHM 단계 중 ①, ② 단계인 건전성 모니터링과 진단 기술은 지금까지 많은 연구가 진행되어 성숙한 반면 ③ 단계인 고장예지기술(Prognostics)은 최근 연구가 시작 되고 있다. 예지기술은 PHM에서 현재까지의 건전성 평가를 토대로 미래 고장을 예측하므로 가장 중요한 요 소이다.
그림 2설계 및 정비기술의 발전
PHM 개요 및 고장예지기술 종류
PHM은 1980년대 영국 민간 항공국에서 헬기 사고율 이 항공기보다 30배나 높음을 파악하고 이를 줄이기 위 한 목적으로 연구가 시작되었다. 1990년대 들어 헬기의 건 강 상 태 를 관 찰 하 는 HUMS(Health & Usage Monitoring System)를 개발하였고 실제 헬기에 장착하 여 운용한 결과 사고율을 절반 이하로 감소시킬 수 있 었던 것이 본격적인 연구의 계기가 되었다. 2000년대에 는 미국 국방고등연구국(DARPA)이 Structural Integrity Prognosis System(SIPS) 및 CBM+(Conditioned Based Maintenance Plus) 프로그램을, 차세대 통합 전투기 (JSF) 개발 컨소시엄이 PHM 프로그램을 각각 수립하여 지금까지 기술개발을 지속하고 있고, 2003년부터 국방 성(DoD)의 물류확보정책 5000.2에 PHM 시스템을 국 방장비에 의무화하도록 명시하였다. PHM의 핵심요소 인 고장예지기술은 다양한 분야에서 연구되고 있다. 가 장 많이 연구되고 있는 문제는 피로균열이며, 베어링
spall, 기어 pitting, 마모, 전자패키지 및 배터리 열화 등 도 많이 연구되고 있다. 적용분야는 헬리콥터 및 항공 기 엔진, 풍력터빈 및 원전배관, 무인항공기, 전기자동 차 전장품과 배터리가 있다. 현재 세계적으로 PHM 연 구를 선도하는 그룹은 그림 3과 같고 대표적인 기관으 로 미국 NASA Ames의 PCoE(Prognostics Center of Excellence), Maryland 대학의 CALCE(Center for Advanced Life Cycle Engineering), Cincinnati 대학의 IMS(Intelligent Maintenance System), 영국 Cranfield 대 학의 IVHM(Integrated Vehicle Health Management) 센 터를 들 수 있다. 2009년부터는 미국에 PHM society가 설립되어 매년 국제 학술발표를 진행하고 있으며, IJPHM 학술지 발간과 함께 PHM data challenge라는 이 벤트를 통해 여러 분야의 health 모니터 데이터(CNC 밀 링머신 공구마모, 기어박스 베어링 spall, 리튬-이온 전 지 열화 등)를 공개하여 가장 예측을 잘하는 팀에게 수 상하는 기회를 제공하고 있다.
고장예지기술(Prognostics)은 PHM의 가장 중요한 요
그림 3세계적 PHM 연구기관(Image courtesy of Byeng D. Youn)
● 경험기반방법(Experience based approach)
No sensors // No model
▶ 시험 또는 가동 중 발생한 고장(수명) 데이터를 이 용하여 통계처리 후 수명예측에 활용. 고장 데이터 를 와이블 같은 확률분포로 적합한 후 B10수명을 추정하고 MTBF를 결정.
▷ 장점: 간단하고 적용범위 가장 넓음.
▷ 단점: 고장 데이터가 매우 많아야 하며 동일 사용 조건과 고장에 대해서만 사용가능. 센서를 이용 한 실시간 결함 모니터링이 아니라서 진정한 PHM으로 볼 수 없음.
● 데이터기반방법(Data-driven approach)
Sensors // No model
▶ 오프라인에서 Machine Learning 기법(Neural Network, Gaussian Process Model, Relevance Vector Machine 등)을 이용하여 하중(input) 대비 손상(damage) 관계 훈련 후 온라인 모니터링에 적 용하여 미래고장을 외삽(extrapolation) 예측.
▷ 장점: 손상물리모델 없어도 사용가능하여 적용범 위 비교적 넓음.
▷ 단점: 훈련 위해 많은 데이터(massive run-to- failure data) 필요. 사용조건이 다르면 다시 훈련.
근접 예측은 가능하나 먼 미래예측은 신뢰할 수 없음.
● 모델기반방법(Model based approach)
Sensors // Model
▶ 물리적 고장 메커니즘 기반 모델(PoF based degradation model) 활용. 온라인 건전성 데이터를 활용하여 손상모델 실시간 업데이트 및 미래예측.
▷ 장점: 가장 정확한 방법. 적은 고장 데이터로 가 능. 물리적 모델에 기반 하므로 먼 미래의 고장예 지도 가능. 손상모델 변수만 알아내면 여러 조건 에도 활용가능.
▷ 단점: 확립된 고장 물리 모델이 많지 않아 적용분
야가 제한적.
소로서 크게 세 가지 방법이 있으며, 이들 의 특징과 장단점을 표에 정리하였다. 표 에서 알 수 있듯이 이 중에서 가장 우수한 방법은 물리적 고장 메커니즘을 활용하는 모델기반 방법으로서, 확립된 물리모델이 많지 않아 적용분야는 제한적임에도 불구 하고, 많은 연구가 이 방향에 모아지고 있 다. 이 방법은 손상에 관련된 물리적 해석 모델을 구축하고, 온라인으로 축적되는
건전성 데이터를 이용하여 손상정도를 실시간 추정하 며, 이를 통해 미래 고장을 예측하자는 것이다. 이는 운 용 중인 개별 시스템에 대해 실시간 CAE해석을 하는 것 과 같은 것으로, 설계 시에 대표적 성능평가를 위해 하 는 CAE해석과 대조된다.
모델기반 고장예지의 확률통계적 접근 및 프레임워크
고장예지기술을 제대로 적용하려면 시스템의 운용 중 발생하는 손상 및 물리모델과 관련한 여러 가지 불 확실성을 모델링하고 예측에 활용할 수 있어야 한다.
불확실성에는 하중, 재료, 형상 등에서 원래부터 존재 하는 내재적 불확실성(natural/inherent uncertainty), 충분하지 못한 측정데이터로 인한 데이터 불확실성 (statistical uncertainty), 그리고 모델링 오류나 단순화 로 인한 모델 불확실성(model uncertainty) 등이 존재한 다. 베이지안 접근법(Bayesian Approach)은 이러한 과 정에서 발생하는 여러 가지 불확실성을 확률적으로 표 현하고, 베이즈 정리(Bayes theorem)에 의거하여 분석, 추정 및 업데이트하는 방법론이다.
베이지안 접근법에서는 추정하고자 하는 미지 모델 변수의 불확실성 정도를 확률분포를 통해 표현하며, 변 수에 대해 알고 있던 사전(prior) 분포를 측정데이터를 통해 사후(posterior) 분포로 업데이트하는 과정으로 구 성된다. 이것이 반복되면서 변수에 대한 믿음의 정도
(degree of belief)가 점점 더 향상되는데, 이를 베이지 안 학습효과라 하며 그림 4에 이러한 프로세스를 나타 내었다.
이러한 베이지안 프로세스는 불확실성 변수 모델 구 축 및 추정을 위한 가장 탁월한 방법으로 인식되고 있 으며, 이에 기반한 PHM 연구 또한 최근 여러 분야에 걸 쳐 활발히 진행되고 있다. 고장예지 관련 베이지안 접 근법은 그림 5와 같이 항공기 동체균열에 대한 적용사 례를 통해 개념을 설명할 수 있다. 항공기 동체는 GAG(Ground-Air-Ground) 사이클을 거듭하면서 압력 변동으로 인해 균열이 성장하며, 센서를 이용하여 그 크기를 온라인으로 측정 관리하고 있다. 이때 현 시점 t1까지 측정한 손상(점 데이터)에 기반하여 손상진전모 델의 신뢰구간(분홍색 파선 커브), 현재의 손상분포(t1 선상 PDF), t2에서의 미래손상분포(t2 선상 분홍색 PDF), 고장발생(failure threshold)까지 잔여수명(RUL:
Remaining Useful Life) 분포(빨간색 수평선상 분홍색 PDF) 및 B10수명(10% 리스크 감안한 잔여수명) 등을 구할 수 있다. 운항이 계속되면서 모니터링 데이터가 추가되어 t2 시점이 되면 t1에서 예측한 PDF는 사전분 포가 되고, 추가 데이터에 의해 t2의 손상분포가 사후분 포로 업데이트(t2 선상 파란색 PDF)된다. 또한 손상모 델의 신뢰구간(파란색 파선 커브), RUL분포 (빨간색 수 평선상 파란색 PDF)도 업데이트되며, 이것이 계속 반 복되면서 고장이 임박할수록 RUL분포는 점점 더 정확 해진다.
그림 4베이지안 업데이트 프로세스
이러한 개념을 바탕으로 한 모델기반 고장예지의 프 레임워크를 소개하면 그림 6과 같으며, 크게 세 단계로 구성된다. 첫째는 사용 중인 시스템의 위험부위에 대한 건전성 모니터링으로 손상(damage) 크기를 직접 측정 하거나 특성치(feature) 측정을 통해 간접 추정하는 것 이다. 이와 함께 손상을 유발하는 사용조건(usage) 데 이터도 함께 측정한다. 다음은 모델구축 및 변수추정단 계로 현 시점까지 측정된 사용조건과 손상데이터에 기 반하여 베이지안 기법을 이용한 모델변수 추정을 하는
것이다. 이를 위해서는 해당 부위의 손상진 전모델(damage progression model)이 있 어야 한다. 마지막 단계는 이렇게 추정된 모델변수를 이용하여 미래 사용조건 하에 서의 거동을 시뮬레이션, 예측하는 것이며, 이를 통해 위험시점까지의 잔존수명을 확 률적으로 구한다.
헬리콥터 기어판 고장예지 사례
PHM 적용사례의 하나로 미국 조지아텍 Vachtsevanos 교수에 의해 2004~2008년에 수행되었던 연구를 소개한다(Intelligent Fault Diagnosis and Prognosis for Engineering Systems, Vachtsevanos, etal., 2006, John Wiley & Sons 참조). 연구의 계기는 2003년 미군 UH-60A 블랙호크 헬기 변속기어박스에서 발견된 3.25″의 균열 때문이며, 이로 인해 약 1천기의 헬기 중단을 야기, 큰 비용이 발 생하였고, 문제해결을 위한 연구가 시작되었다. 이를 위해 변속기어박스의 테스트베드를 구축, 여기에 0.25″
균열을 심어놓고 운항조건의 하중을 반복부여하면서 균열을 성장시켰고, 이를 효과적으로 모니터링 및 고장
그림 5항공기 동체균열에 대한 베이지안 기반 고장예지 프로세스
그림 6모델기반 고장예지 프레임워크
예지하는 방법을 개발하였다. 먼저 균열측정을 위해 HUMS(Health and Usage Monitoring System)를 통해 측정되는 진동시그널을 활용하였고 이로부터 균열을 잘 나타내는 상태지수(CI: Condition Indicator)를 도출 하였다. 그 결과 SBR(Sideband Ratio)이 균열크기와 거 의 비례관계(결정계수 0.98)임을 알 수 있었고, 이를 균 열 간접측정 용도로 사용하였다. 균열의 손상진전모델 을 적용하기 위해서는 실시간 유한요소 균열진전해석 이 필요한데, 여기에는 손상진전 Paris 모델의 두 변수 m, C가 필요하다. 이를 추정하기 위해 현 시점까지 측 정된 균열데이터를 활용하였으며, 이를 위해 베이지안 기법의 하나인 파티클 필터 알고리즘을 적용하였다. 그 결과 150사이클 시점에서 650사이클에서의 균열크기를 예측한 결과 95% 신뢰한 크기를 4.48″로 예측했고, 실
제 650사이클까지 진행했을 때 진짜 크기는 4.52″로 나 타났다.
PHM 적용분야 및 예상 효과
우리나라에서 PHM 기술을 적용하기 좋은 분야는 갑 작스런 failure 발생 시 치명적 손상이 예상되는 분야, 고안전성을 위해 잦은 PM 예방정비를 함으로 높은 시 간비용을 지출하고 있는 분야, 수리를 위해 접근하기 어려운 분야 등이 있으며, 이를 토대로 적용될 만한 산 업분야는 다음과 같다.
항공산업
많은 민간항공, 군용 항공기/헬기는 현재 안전을 이
(a) UH-60A 헬기 기어판 균열 (b) 진동센서로부터 도출된 SBR로 균열을 간접측정
그림 7헬리콥터 기어판 고장예지 사례
(c) 손상평가를 위한 실시간 균열진전해석 (d) 미래 균열 예측 및 실제 확인결과 비교
