데이터 특성인자 추출을 위한 PHM기술 연구 동향

국내외 고장진단분야 연구 동향 및 분석

상태기반보전 기술 동향

고장예지기술의 연구 동향 및 도전과제

PHM Society 학술대회의 특별 행사 소개

THEME 01

THEME 02

THEME 03

THEME 04

THEME 05

● 담당위원 : 최주호 교수(한국항공대)

PHM 기술의 기계항공분야 최신 기술 동향

32 ● 기계저널

오현석 광주과학기술원 기계공학부 교수 ㅣ e-mail : hsoh52@hotmail.com

윤병동 서울대학교 기계항공공학부 교수 ㅣ e-mail : bdyoun@snu.ac.kr

데이터 특성인자 추출을 위한 PHM기술 연구 동향01TH

EME

데이터 특성인자 추출의 중요성

“Garbage In, Garbage Out”이란 글귀를 한 번쯤

들어 보았을 것이다. 입력 데이터의 질이 좋지 않으

면, 출력 데이터의 질이 좋을 수 없다는 것을 의미한

다. PHM기술 개발은 ① 데이터 특성인자 추출, ② 상

태진단, ③ 고장예지의 세 단계로 이루어진다. 만약,

첫 단계인, 데이터 특성인자 추출이 제대로 설계되어

있지 않다면, 두 번째, 세 번째 단계인 상태진단, 고장

예지가 아무리 잘 설계되었다고 하더라도, PHM 최종

결과물의 신뢰성은 낮을 수 밖에 없다는 뜻이다. 이러

한 글귀는 PHM기술 개발에서 “데이터 특성인자 추

출” 과정이 얼마나 중요한 것인지 다시 한 번 일깨워

주고 있다. 본 논문은 PHM기술 개발의 “데이터 특성

인자 추출” 단계에 대해, 최근 연구 동향을 검토하였

다. 기계저널 특집 기사의 집필 의도에 맞추어, 2013

년에서 2015년까지 발표된 3권의 PHM Society 논

문집을 기본 자료로 한정하여 이 글을 작성하였음을

밝힌다. PHM Society 논문집의 총 201편 중 24편을

대상으로 하였다.

“데이터 특성인자 추출”이란, 가공되지 않은 데이

터에서 시스템 상태 및 고장과 연관된 유용한 정보를

뽑아내는 과정으로 정의한다. Jardine(2006)에 따르

면, 상태진단, 고장예지를 위한 데이터는 크게 세 가

지 타입, ① 숫자(Value): 0차원, ② 파형(Waveform)

: 1차원, ③ 다차원(Multi-dimension): 2차원 이상

으로 구분할 수 있다. 첫째, 숫자 타입은 특정 관심 시

점에서 얻은 데이터가 하나의 숫자로 표현되는 데이

터이다. 온도, 압력, 습도 등이 대표적인 예이다. 둘

째, 파형 타입은 하나의 숫자가 아니라 시간에 따른

연속된 데이터의 나열이다. 진동, 음향 방출 신호가

대표적이다. 마지막으로, 다차원 타입은 말그대로 2

차원 이상의 데이터이다. X선 이미지, 적외선 이미지

등이 대표적이다. PHM Society 논문집에서 데이터

특성 인자 추출과 관련된 24편 논문 중, 데이터 타입

에 따른 분류는 그림 1과 같다. 다수의 논문이 진동

등의 파형타입 데이터를 다루었으며(14편; 58.3%),

숫자 및 다차원 데이터는 각 4편(16.7%), 3편(12.5%)

을 차지하였다.

특성인자 추출을 위해 앞서 언급한 세 가지 타입 데

이터에 대해 다양한 방법이 연구 개발되고 있다. 대표

적으로, 파형 타입 데이터 분석에는 신호 분석(Signal

processing) 기술이, 이미지 타입 데이터 분석에는

이미지 분석(Image processing) 기술이 사용된다.

상태진단 및 고장예지의 정확도를 높이기 위해 지속

적으로 기존 특성인자 추출법이 개선되어 왔다.

이 글은 PHM기술개발의 첫 번째 단계인 데이터 특성인자 추출에 대한 소개이다. 2013~2015년 PHM

Society에 발표된 논문을 중심으로 최근 연구 동향을 검토하였고 향후전망을 제시하였다.

2016. 11., Vol. 56, No. 11 ● 33

THEME 01

아래 각 섹션에는 특성인자 추출기술들을 센서로

부터 취득한 데이터 타입별로 구분하여 최신 기술동

향 및 대표논문을 요약 정리하고자 한다. 최근, 세 가

지 타입의 데이터가 융합되어 상태진단 및 예측에 사

용되는 경우가 종종 관찰된다. 더불어, 센서취득 데이

터의 다양성 및 복잡성으로 인해 이러한 분류를 따르

기 어려운 경우도 종종 있는데, 이는 이 글에서 다루

지 않는다.

특성인자 추출

숫자 타입 데이터

숫자 타입 데이터를 입력변수로 사용하여 특성인

자 추출을 다룬 논문은 그림 1과 같이 4편이다.

Nenadic(2015)은 숫자타입 데이터 중 하나인 크랙진

전센서의 저항값을 이용하였다. Giovanni(2013)는

좀더 다양한, 즉, 다섯 종류의 숫자 타입 데이터(윤활

유 점도, 유전율, 온도, 자력 및 광학 입자 검출값)를

이용하여, 융합형 윤활유 상태감시 기술 개발을 시도

하였다. 실험실에서 데이터는 보통 일정한 주기를 가

지고 규칙적으로 기록을 하는데, 현장에서는 불규칙

하게 기록하는 경우가 빈번하

다. 이 경우 적용할 수 있는 방

법을 Cecilio(2015)가 제안하

였다. 본 섹션에서는 앞서 언

급한 4편의 논문 중, 2편을 아

래에 요약하였다.

Nenadic(2015)는 크랙진

전 센서(저항값 변화로 생기

는 전압값 변화 측정)기반 기

어 이빨 피로손상추정 기술을

이용해 획득한 데이터를 처리

및 해석하는 PHM기술을 제

안하였다. 현장 데이터에서

관찰되는 노이즈의 영향을 줄

이기 위해 ① False opening 제거, ② 전압 Jitter 제

거 알고리즘을 개발하였다. 이 알고리즘을 기어박스

스퍼기어 피로손상 데이터에 적용하였다. 향후 연구

에서는 제안한 알고리즘을 비파괴 검사 결과와 비교

검증하여, 최종적으로 스퍼기어의 상태진단 및 고장

예지를 목표로 하고 있다.

Giovanni(2013)는 윤활유 상태 파악을 위해 사용

되고 있는 인자, 즉 점도, 내부식성, 내오염성, 내산화

성을 검토하였다. 이러한 측정인자 중 내산화성이 윤

활유의 상태 진단 및 고장예지에 가장 중요하다고 파

악하였다. 이를 위해 내산화성을 직접적으로 측정하

는 방법을 검토하였지만, 이들 방법은 사용 장비가 고

가이고, 측정에 긴 시간이 걸리는 단점이 있다. 이러

한 단점을 극복하기 위해, 그 논문에서는, 첫 번째 단

계로, 복수의 저가 센서를 이용하여 짧은 시간에 잴

수 있는 인자들을 먼저 측정하고, 두 번째 단계로, 이

러한 복수의 측정인자 후보들에서 획득한 데이터와

내산화성과의 상관관계를 이용하여 윤활유 상태를

간접 추정하는 기술을 제안하였다. 결과적으로 두 개

의 상업용 저가센서(윤활유 점도, 유전율, 온도 측정

용 센서 1개, 자력 및 광학 입자 검출센서 1개)를 이

그림 1 PHM Society 논문집 논문 편수: 특성 인자 추출에 사용되는 데이터 타입에 따른 분류

34 ● 기계저널

THEME 01 데이터 특성인자 추출을 위한 PHM기술 연구 동향

용하여 데이터 융합기반 윤활유 상태 감시 PHM기술

을 제안하였다.(그림 2 참조)

파형 타입 데이터

파형 타입 데이터를 입력변수로 사용하여 특성인

자 추출을 다룬 논문은 그림 1과 같이 14편이다. 이중

8편이 진동신호에서의 특성인자 추출을 다루고 있다.

진동기반 특성인자 추출 논문 중 4편은 진동신호의

전처리(시간동기화 리샘플링, 노이즈 제거, 리제너레

이션, 시간동기화 평균)에 관한 것이다. 나머지 4편은

웨이블릿 변환, Synchro-squeezing 변환, 실험 누

적분포함수, 변조신호 감지 기술들을 다루었다. 앞서

언급한 진동신호 논문 8편을 제외한 나머지 6편의 논

문들은 근적외선 신호 2편, 음향방출, 전류, 강성, 그

리고 변형률 신호 각 1편이다.

파형 타입 데이터에 대해서는 보통 시간영역, 주파

수영역, 시간-주파수영역 분석이 이루어진다. 주파수

영역 분석의 고전적인 예는 푸리에 변환이다. 또한 시

간-주파수영역 분석의 전통적 예는 웨이블릿 변환이

다. 현장에서 수집한 파형 데이터들은 전통적인 방법

들의 가정들이 잘 맞지 않는 경우가 많은데, PHM

Society 논문집에서는 이러한 전통적인 방법들을 기

초 또는 응용하여 현장 데이터에 적용 가능한 기법 개

발을 활발하게 소개하고 있다. 2013~2015년에 PHM

Society 논문집에 수록된 특질 추출 관련 논문 14편

중 특색있는 논문 2편, 진동신호(Bechhoefer,

2013), 적외선 분광법을 이용한 고체로켓추진체 화학

성분 분석(Daoud, 2014)을 아래에 소개하였다.

Bechhoefer(2013)는 현장에서 얻은 시계열 진동

데이터가 푸리에 변환의 기본 가정(시스템의 회전속

도는 변동없이 일정)을 종종 위반해서 신호분석의 정

확도가 떨어지는 점을 지적하였다. 이를 보완하기 위

해 기본 푸리에 변환에 “시간동기 리샘플링”을 추가

하는 방법을 새롭게 제안하었다. 그림 3에서 리샘플

링 및 시간동기화 평균 데이터를 푸리에 변환한 스펙

트럼이 다른 경우에 비해 매우 날카로운 주파수 분해

성능을 보이고 있음을 알 수 있다.

Daoud(2014)는 고체 로켓 추진체의 화학적 성분

분석을 위한 실시간 비파괴 검사법 개발을 시도하였

다. 이온 및 액체 크로마토그래프 장비(IC와 HPLC)

들은 산화제, Plasticiser, 안정제, 결합제 등의 화학

물질 성분 감지에 탁월한 성능을 발휘하지만, 실제 현

장에서 사용하기에는 크고 무거워서 실용적이지 않

다. 새로 개발된 실시간 비파괴 검사법은 휴대용 분석

기를 활용한다. 실시간으로 화학 성분 분석이 가능하

고 사용이 편리하다. 개발된 방법의 유효성을 IC 및

HPLC 장비를 이용하여 검증하였다.

그림 2 저가 센서 이용 윤활유 PHM 기법(Giovanni, 2013)

그림 3 진동데이터 신호 처리 기술 비교: 원래 데이터(Raw Spec),

리샘플링 데이터(Res. Spec), 시간동기화평균 데이터(TSA

Spec.)(Bechhoefer, 2013)

2016. 11., Vol. 56, No. 11 ● 35

THEME 01

다차원 타입 데이터

앞서 소개한 숫자 및 파형 타입 데이터에 비해 다차

원 타입 데이터는 그림 1의 발표 논문 편수에서도 확

인되듯이 상대적으로 주목을 덜 받아 왔다. 그 이유는

데이터 수집, 저장 및 계산 비용이 높고, 효율적인 이

미지 처리 기술이 개발되지 못했기 때문이다. 하지만,

데이터 수집, 저장, 계산 비용이 저렴해지고, 효율적

인 이미지 처리 기술이 개발됨에 따라 앞으로 잠재적

가능성은 매우 높다고 할 수 있다. 아래에는 주목할만

한 논문 2편을 소개한다.

Li(2014)는 알루미늄 판재에서 피팅부식된 곳을 찾

기 위해 3차원 표면 측정기에서 이미지를 얻고, 처리

하는 기술을 제안하였다. 이 기술은 이미지 전처리,

특질인자 추출 및 선택, 결함감지의 세 단계로 이루어

진다. 첫번째로, 3차원 표면 측정 이미지의 질을 높이

기 위해 전처리(노이즈 제거, 정규화)한다. 두번째로,

주요 특질인자 추출을 위해 다양한 후보인자(부식 영

역 비율, 질감특질, 형태특질)를 고려하였다. 마지막

으로, 후보인자와 실제 특정한 조도값의 상관관계를

조사하여 주요 특질인자를 선택하고, 이를 바탕으로

부식으로 인한 결함을 감지하게 된다. 이 논

문에서 제안한 기술은 가속수명에서 결함이

진전됨에 따라 신뢰도 있는 진단 결과를 얻

었다는 점이 그 특징이다.

Sarkar(2015)는 가스터빈엔진 화염의 고

속촬영 이미지로부터 연소불안정성을 탐지

하기 위해 딥러닝과 기호이용 시계열분석법

을 사용하였다. 그림 4에서 보는 것과 같이,

대량의 고속촬영 이미지를 데이터베이스에

서 연소불안정성과 관련된 특질을 뽑기 위

해 인공지능 기반 깊은 학습(D e e p

learning) 기술을 이용하였다. 또한 깊은 신

경망(Deep neural networks)을 훈련할 때

발생하는 오버피팅 문제를 완화하기 위해,

기호이용 시계열분석법을 결합했다. 이러

한 딥러닝 이용 이미지분석 기술을 활용하여 찾은 이

미지 특성인자들은 인간 전문가의 사전지식과 결합

가능하다는 점에서 의의가 있다.

맺음말 및 향후 전망

본 논문에서는 데이터의 종류를 세 가지, 즉 숫자,

파형, 이미지로 분류하고, 2013년에서 2015년까지

PHM Society 논문집에 수록된 논문 24편을 대상으

로 특질 추출기술 동향을 소개하였다. 다양한 타입의

데이터를 대상으로 일련의 기술들을 유기적으로 접

목함으로써, 상태진단 및 고장예지의 정확도를 높이

고자 하는 시도가 최근 활발하게 일어나고 있다. 또한

기존에 데이터 수집, 저장, 처리비용으로 인해 PHM

에 활용이 어려웠던 이미지 데이터가 계산능력 향상

으로 인해 연구되기 시작하고 있다. 하지만, 현재까지

개발된 대부분의 특질 추출기법들은 전문가 지식 및

경험에 크게 의존하고 개별시스템 수준에서 선별적

으로 적용 가능하다는 한계점도 분명히 존재한다. 그

럼에도 불구하고, 다양한 데이터 특질 추출기법은

그림 4 이미지에서 특질 추출: 깊은 학습법과 기호이용 시계열 분석법의

결합(Sarkar, 2015)

36 ● 기계저널

PHM기술 개발에 큰 기여를 해왔고, PHM기술 개발

의 첫 번째 단계로서, 그 중요성을 아무리 강조해도

지나치지 않다. 인공지능 기술의 성장 및 계산비용의

지속적 감소로 인해, 앞으로 데이터 특질 추출기술의

비약적인 도약이 있을 것이라 기대한다.

참고문헌

Bechhoefer et al. (2013), “Processing for

Improved Spectral Analysis”, in Proceedings of

2013 Annual Conference on Prognostics and

Health Management, pp. 33-38.

Cecilio et al. (2015), “Adapting Nearest

Neighbors-Based Monitoring Methods to

Irregularly Sampled Measurements”, in

Proceedings of 2015 Annual Conference on

Prognostics and Health Management, pp. 448-

454.

Daoud et al. (2014), “Novel Real-Time

Nondestructive Technology for Chemical and

Structural Health Management of Solid Rocket

Propellants”, in Proceedings of 2014 Annual

Conference on Prognost ics and Health

Management, pp. 402-414.

Giovanni et al. (2013), “Lubricants Health

Monitoring”, in Proceedings of 2013 Annual

Conference on Prognost ics and Health

Management, pp. 39-48.

Jardine et al. (2006), “A Review on Machinery

Diagnostics and Prognostics Implementing

Condition-based Maintenance”, Mechanical

Systems and Signal Processing, Vol. 20, 1483-

1510.

Li et al. (2014), “Imaging and Information

Processing of Pitting-Corroded Aluminum Alloy

Panels with Surface Metrology Methods”, in

Proceedings of 2014 Annual Conference on

Prognostics and Health Management, pp. 287-

297.

Nenadic et al. (2015), “Processing and

Interpretation of Crack-Propagation Sensors” in

Proceedings of 2015 Annual Conference on

Prognostics and Health Management, pp. 560-

568.

Sarkar et al. (2015), “Early Detection of

Combustion Instability from Hi-speed Flame

Images via Deep Learning and Symbolic Time

Series Analysis”, in Proceedings of 2015 Annual

Conference on Prognost ics and Health

Management, pp. 353-362.

THEME 01 데이터 특성인자 추출을 위한 PHM기술 연구 동향

2016. 11., Vol. 56, No. 11 ● 37

THEME 02

이진우 울산과학기술원 제어설계공학과 연구원 ㅣe-mail : jlee93@unist.ac.kr

전휘수 울산과학기술원 제어설계공학과 연구원 ㅣe-mail : jhs8891@unist.ac.kr

권대일 울산과학기술원 제어설계공학과 교수 ㅣe-mail : dkwon@unist.ac.kr

제품 및 시스템의 안정적인 운용과 높은 신뢰성 확보를 위해 건전성 관리가 요구된다. 최근 기술의 발전과 함께

실용적인 고장 진단기술이 주목을 받으며, 고장 진단을 통한 건전성 관리 연구가 다양한 분야에서 활발히

진행되고 있다. 이 글에서는 고장 진단 관련 연구 동향 분석 및 고장 진단 기술 적용 사례들을 소개하고자 한다.

부품, 모듈, 제품, 시스템을 막론하고 이들이 일반적

인 운용조건에서 주어진 기능을 수행하지 못할 때 우리

는 고장(failure)이 발생하였다고 표현을 한다. 고장의

원인은 다양하지만 크게 과응력(overstress) 고장과 마

모(wear-out) 고장으로 분류하는 것이 일반적이다. 과

응력 고장은 대상이 가진 강도(strength)대비 큰 응력

(stress)의 발생으로 생기는 우발적 고장인 반면, 마모

고장은 시간에 따른 열화, 마모 등으로 사용기간에 따

라 서서히 발생하는 고장이다. 고장 발생은 대상 본래

의 기능저하를 유발하여 사용자의 물질적, 시간적 손해

및 불편을 야기하며, 특히 의료기기와 같은 사람의 생

명과 직결된 시스템의 고장은 사용자의 안전을 위협할

수 있는 심각한 영향을 미칠 수 있다.

마모고장 발생이 일어나기 전에 열화와 마모 같은 현

상이 진행 중인지, 이로 인해 고장이 발생할 가능성이

있는지를 판단하는 고장진단 연구가 국내외로 활발하

다. 이는 마치 사람이 아플 때 스스로 아픈 것을 인지하

고 병원을 가는 판단을 내리 것처럼, 시스템의 건강상

태(건전성)를 감지하고 정상 혹은 아픈 상태인지를 판

단하는 연구이다. 최근 센싱 기술의 발달, IoT기술의 발

전, 그리고 이들 센서로부터 나오는 빅데이터들을 빠르

게 처리할 수 있는 컴퓨팅 파워의 향상으로 시스템의

실시간 진단이 가능하게 되었으며, 관련 연구개발이 빠

르게, 그리고 다양한 분야에서 이루어지고 있다.

고장진단 연구는 대상의 남은 수명을 예측하는 고

장예측 연구와 많은 부분을 공유한다. 학계와 산업계

에서는 PHM(Prognostics and Health Manage-

ment)이라는 이름으로 널리 알려져 있다. 이 분야의

연구자들이 모여 2000년도 중반에 학회를 결성하였

고 2009년부터 매년 북미에서 학술대회를 개최하고

있다. 이 글에서는 2013년도에서 2015년도까지 3년

간 PHM 학술대회에서 발표된 연구 논문들 중 진단 관

련 연구 논문들을 대상으로 고장진단분야의 연구동향

파악 및 분석을 실시하고 진단 기술의 적용 사례를 소

개하려 한다.

PHM 연구는 크게 센싱, 진단, 예측, 관리의 총 4단

계로 나뉜다. 연구를 나누는 기준을 명확하게 정의하

는 것은 어렵지만 앞서 정의한 시스템 건전성에 대한

판단을 포함하는 연구를 고장진단 연구로 정의하였

다. 2013년도에서 2015년도까지 PHM학술대회에는

총 201개의 연구논문이 발표되었으며, 고장진단 관련

연구는 2013년도 17편, 2014년도 28편, 2015년도 26

국내외 고장진단분야 연구 동향 및 분석02TH

EME

38 ● 기계저널

THEME 02 국내외 고장진단분야 연구 동향 및 분석

편으로 총 71편의 연구가 발

표되었다. 이는 전체 논문

중, 약 35%에 해당하는 수

치로 PHM 연구분야 중 가

장 많은 부분을 차지하며 실

제로 가장 활발한 연구가 이

루어지고 있음을 알 수 있

다.

그림 1은 1저자 기준으로

판단한 국가(대륙)별 고장진

단 논문 출판 현황이다. 학술

대회가 열리고 실제 많은 고

장진단 관련 연구가 수행되고 있는 미국을 포함한 북미

지역에서 과반수가 넘는 논문이 발표되었다. PHM학술

대회의 자매 학술대회(PHM-Europe)가 열리는 유럽에

서도 독일과 프랑스를 중심으로 많은 고장진단 연구가

이루어지고 있다. 우리나라, 중국, 호주를 포함한 아시아

에도 적지 않은 연구논문이 발표되고 있으며 PHM

Society에서는 2017년에 또다른 자매 학술대회인 PHM-

Asia Pacific을 한국에서 개최할 예정이기도 하다.

그림 2는 발표 논문의 연구 성격별 분류를 보여준

다. 연구 성격을 분류할 때는 크게 방법론과 응용 논문

으로 분류하였다. 방법론 논문은 새로운 진단 방법 및

기술을 개발하고 이를 사례 연구 등을 통한 특정 대상

에 적용 및 검증하는 연구로 정의하였다. 이러한 연구

는 주로 개발한 진단 기술의 검증을 위해 테스트베드

를 구축하고 실험을 진행한 경우, 시뮬레이션을 이용

한 경우, 그리고 기존 수집한 데이터를 활용하여 검증

한 경우가 많았다. 응용 논문은 실제 현장에서 발생한

문제를 진단 기술을 이용하여 해결하는 연구로 정의

하였다. 이러한 연구는 실제 제품 및 시스템으로부터

데이터를 취득하고 진단 기술을 적용하여 건전성을

판단하는 경우가 대부분이었다. 총 71개의 연구 중에

서 방법론 논문은 44편, 응용 논문은 27편으로 방법론

논문이 전체 연구의 약 62% 정도로 집중되어 있었다.

그러나 연도별 동향을 살펴보면 전체 대비 응용 논문

의 비율이 꾸준히 증가하고 있음을 알 수 있다. 이는

다양한 진단 기술이 개발되고 기술 성숙도가 높아짐

에 따라 현장에 진단 기술을 적용하는 연구가 계속 활

성화 되고 있기 때문으로 판단된다.

그림 3은 발표 논문에서 다룬 적용 대상의 학문별

분류를 나타낸다. 진단 기술의 연구 적용 분야로는 크

게 기계공학, 산업공학, 재료공학, 전기전자공학으로

구분하였다. 기계공학 분야는 기계 부품, 모듈 등의 기

계 요소가 적용 대상인 경우로 정의하였다. 산업공학

분야는 각 요소 부품으로 이루어진 전체 시스템 내부

의 상호 관계를 진단 대상으로 정의한 경우를 가리킨

다. 전기전자공학 분야는 전자 제품 및 시스템에 고장

진단기술을 적용한 연구, 그리고 재료공학 분야는 재

료 자체의 부식과 같은 손상을 진단한 연구로 정의하

였다. 많은 연구가 기계 및 산업공학 분야에서 활발히

진행되고 있으며, 기계공학 내에 베어링, 기어박스, 발

전기 등의 항공, 에너지 산업의 요소부품 및 설비의 진

단 연구들이 다수 발표되었음을 확인할 수 있었다. 다

른 분야에 비해 상대적으로 규모가 큰 기계 및 산업공

학 분야 대상들은 고장으로 인한 피해 또한 일반적으

로 크기 때문에 더 큰 피해가 생기기 이전에 고장을 진

단하고자 하는 노력이 활발하기 때문이라 판단된다.

그림 2 연구성격별 분류그림 1 1저자 기준 대륙별 분류

2016. 11., Vol. 56, No. 11 ● 39

THEME 02

그림 4는 진단 기술별 분류를 나타낸다. 고장 진단

기술은 크게 두 가지로 나눌 수 있다. 고장 메커니즘을

파악한 후 관련된 고장물리 모델을 이용하여 정상 혹

은 이상상태를 파악하는 모델기반 진단기술과 주기적

인 모니터링을 통해 건전성 인자들을 수집한 후, 패턴

인식, 머신러닝 등의 데이터 처리 기법을 활용하여 정

상 혹은 이상상태를 파악하는 데이터 기반 진단기술

이 두 가지 분류이다. 지난 3년간 PHM학술대회에 발

표된 논문들을 분석한 결과 데이터 기반 진단기술의

비율이 상대적으로 증가하고 있음을 확인할 수 있다.

이는 대상 시스템의 복잡도가 증가하여 고장물리 모

델을 찾기가 어려운 상황과 센싱 및 IoT기술의 발전으

로 다양한 그리고 다수의 데이터 확보가 가능하며 향

상된 컴퓨팅 파워를 통해 이들 데이터를 빠른 시간 안

에 분석할 수 있는 상황에 기반한 결과로 보인다.

그림 5는 고장진단을 위한 방법별 분류를 보여준다.

대상의 건전성을 나타내는 데이터를 수집할 때 대상

의 상태정보를 아는 경우와 모르는 경우 다른 고장 진

단방법을 이용하게 된다. 대상이 정상상태인지 이상

상태인지에 대한 상태정보를 모르는 경우 일반적으로

비지도학습기반 데이터의 군집화를 통한 고장진단을

시행하게 된다. 반면, 상태정보를 아는 경우 지도학습

기반 데이터의 분류를 통한 고장진단을 시행하게 된

다. 지난 3년간 PHM학술대회에서 발표된 논문들을

분석해본 결과 주로 지도학습에 기반한 고장진단 연

구가 많이 발표 되었음을 알 수 있다. 이는 많은 경우

고장을 인지한 이후 후속 조치로 고장진단 연구를 수

행한다는 것을 보여준다.

일반적으로 고장 정보가 없는 비지도학습을 활용한

고장진단은 먼저 건전성 인자의 특성을 이용하여 대

상 시스템의 상태를 구분하기 위해 취득한 데이터들

을 군집화 하는 클러스터링 방법이 주로 활용된다. 군

집화 된 상태 데이터들은 추후에 대상 시스템의 고장

분석 등을 통해 정상 혹은 이상 상태를 정의할 수 있

다. 비지도학습 진단 방법 중 대표적인 것은 데이터 간

의 유클리디안 거리를 기반으로 k개의 군집으로 나누

는 k-means clustering 등이 있다.

그림 3 학문별 분류

그림 4 진단 기술별 분류

그림 5 진단 방법별 분류

40 ● 기계저널

고장 정보가 있는 지도학습의 방법으로는 대표적으

로 SVM(Support Vector Machine)이 있다. SVM은

취득한 데이터들을 정상 혹은 이상상태로 먼저 분류

및 학습을 하고, 이를 기반으로 정상상태와 이상상태

사이의 역치 값과 같은 초평면(hyperplane)을 정의한

다. 초평면을 기준으로 이후 취득한 데이터가 어느 상

태에 속하는지를 바탕으로 고장진단이 가능하다.

최근 딥러닝(Deep Learning)을 이용한 인공신경망

(Neural Network)이 활발히 연구되면서 진단 기술에서도

인공신경망을 활용한 사례가 보고되고 있다. 영국의

Strathclyde 대학에서 발표한 연구는 조력 터빈 발전기의

고장을 딥러닝을 활용하여 진단하였다. 조력 터빈 발전기

는 고장 진행에 따라 발전기의 진동이 비정상적으로 증가

하는 특성을 갖는다. 정상상태에서 조력 터빈 발전기의 진

동을 모니터링한 결과를 단시간 푸리에 변환(Short Time

Fourier Transform) 후 스펙트로그램(spectrogram)을 이용

하여 표현하고 정상과 이상상태를 학습하였으며, 이후 모

니터링에서 얻는 진동 데이터를 인공신경망 알고리즘을

적용하여 이상상태를 진단하였다. 전체 샘플 수 대비 바르

게 진단한 샘플의 수를 정확도라고 정의하였을 때 특성 기

반 분류 알고리즘들은 SVM이 최고 96.86%의 정확도를 보

여준 반면, 5개의 히든 레이어를 가진 딥러닝 기반 인공신

경망은 100%의 정확성을 보여주었다. 이 연구는 물리 모

델의 도움 없이 오직 진동 데이터와 딥러닝을 활용하여 진

단한 결과로 더 복잡한 시스템에도 딥러닝을 활용한 고장

진단이 가능할 것으로 기대된다.

모델기반 진단 기술 역시 꾸준히 연구 되고 있다. 고

장 메커니즘과 연관된 고장물리 모델을 정의하고 관

련된 건전성 인자의 실시간 모니터링을 통해 모델 인

자들을 업데이트 하며 대상의 정상 혹은 이상상태를

파악하는 기술이다. 미국 MIT에서 발표한 연구는 조

종 가능한 자동 낙하산인 패러포일의 고장을 동적 모

델과 건전성 인자의 모니터링을 통해 진단하였다. 실

시간으로 전달되는 GPS 데이터와 확장 칼만필터

(Extended Kalman Filter)를 이용하여 패러포일 시

스템의 동적 모델을 보정한 후, 모델에서 얻은 건전성

인자와 실제 관측된 건전성 인자의 차이를 통계적으

로 정의된 역치값과 비교하여 고장을 진단하였다. 모

델 보정에 사용된 확장 칼만필터는 물리 모델을 통한

산출 값과 실제 측정된 데이터 간의 차이에 따라 칼만

이득이라 불리는 가중치 값을 모델에 추가하게 되는

필터이다. 계산 시간도 비교적 짧은 편이기에 복합 진

단 방법에 널리 쓰이고 있다.

이 글에서는 PHM학술대회에서 발표된 연구 논문

들 중 진단 관련 연구 논문들을 기반으로 고장 진단분

야의 연구동향 파악하고 진단기술의 적용 사례를 소

개하였다. 고장 진단기술은 단품뿐만 아니라 장비, 설

비와 같이 고장으로 인한 손해 및 파급효과가 큰 복잡

한 시스템을 대상으로 전세계에서 활발히 연구되고

있다. 해마다 진단 기술 및 방법 또한 다양화 되어가며

최근 인공지능에 기반한 진단 방법도 활발히 연구되

고 있음을 확인하였다.

우리나라에서도 고장진단을 비롯한 데이터 처리,

특징신호 추출, 고장예측 등의 PHM 관련 연구가 국

내 대학들뿐만 아니라 연구소 및 산업체에서 활발하

게 이루어지고 있다. 정부차원의 관심과 지원 또한 시

작되어 최근 각처에 흩어져 있는 고장 진단기술과 방

법을 정리하고 통합하는 고장진단 데이터베이스 구축

연구가 진행되고 있다. 또한, 2017년에 제주도에서 열

리는 PHM-Asia Pacific을 통해 우리나라를 비롯한

중국, 일본, 싱가폴, 호주의 PHM 연구자들과 교류를

가질 예정이기도 하다.

IoT기술의 발전과 더불어 PHM기술 간의 융합은 제

조업, 중공업, 에너지 등 여러 산업분야에 걸쳐 시스템

의 효율성, 지속가능성, 생산성 향상을 이루는 사회 경

제적 가치창출에 기여한다. 이는 비단 우리나라뿐만

이 아닌 전세계적인 관심임을 생각해 볼 때 고장 진단

기술은 기존 산업의 고도화, 고부가가치화를 이루는

방향으로 더욱 활발한 연구가 진행되고 그 방법 또한

지속적으로 발전할 것이라 예상된다.

THEME 02 국내외 고장진단분야 연구 동향 및 분석

2016. 11., Vol. 56, No. 11 ● 41

THEME 03상태기반보전 기술 동향03TH

EME

문병민 한양대학교 산업공학과 박사과정 ㅣe-mail : stat@psm.hanyang.ac.kr

이진욱 한양대학교 산업공학과 박사과정 ㅣe-mail : culee@psm.hanyang.ac.kr

배석주 한양대학교 산업공학과 부교수 ㅣe-mail : sjbae@hanyang.ac.kr

항공기, 우주탐사선 및 발전소와 같은 복합 시스템

은 수 천 혹은 수 만개 이상의 부품으로 구성되어 있

으며, 다양한 고장을 야기하는 고장모드로 인해 시스

템 장애가 발생한다. 이러한 시스템의 성능은 사용 시

간이 경과함에 따라 열화하며, 성능 저하가 특정 임계

값을 초과할 경우 고장이 발생하는 것으로 알려져 있

다. 특히, 항공기나 원자력 발전소와 같은 시스템이

가동 중 시스템의 고장이 발생할 경우 큰 인명피해 및

국가적인 재앙으로 발전할 수 있다. 대표적인 사례로

2011년 후쿠시마 원전사고는 제1원자력 발전소의 냉

각 시스템 고장으로 야기되어, 국제 원자력 사고 등급

의 최고 단계인 7등급으로 체르노빌 원자력 발전소

사고와 비교되고 있다. 자연재해로 인한 사고라고는

하지만, 극단적 사건을 고려한 위험관리 및 보전성 설

계의 필요성을 방증하는 사례라고 볼 수 있다. 또한

2011년 230명이 넘는 사상자를 초래한 중국 고속열

그림 1 상태기반보전에 대한 프로세스 및 내용

이 글에서는 대규모 시스템의 상태기반보전(CBM: condition-based maintenance)에 대한 최근 기술 동향을

소개하고자 한다.

42 ● 기계저널

차의 추돌사고는 당초 ‘벼락‘이라

는 자연재해 탓으로 중국정부에서

해명하였으나, 선행열차와의 간격

을 유지하는 자동제어 시스템 고

장 및 관제시스템의 부실에 기인

한 참사라는 것이 일반적인 견해

이다.

이러한 사고사례에서 방증하듯

최근 이런 대규모 시스템의 고장

을 사전에 방지하거나 고장 발생

시 빠른 시간 내에 고장을 정비할

수 있는 상태기반보전에 대한 기

술이 널리 연구되고 있다. 상태기

반보전은 시스템의 운용 및 열화

상태에 따라 고장발생 시점을 사

전에 예측하고 선행보전활동을 수

행함으로써 사후보전비용을 최소

화할 수 있다.

상태기반보전에 대한 프로세스는 그림 1과 같으며,

크게 신호추출 및 신호 전처리, 특징추출, 진단 및 예

측 단계로 구분된다. 이 글에서는 그림 1과 같은 프로

세스에 따라 상태기반보전에 대한 최근 기술동향을

소개하고자 한다.

신호 전처리(Signal Preprocessing)

일반적인 데이터 전처리 과정은 결측값을 채우거

나 잡음값 완화, 이상점를 발견하여 제거하여 불일치

를 해결하는 등의 데이터 정제작업을 포함하며, 이외

에도, 데이터를 합쳐서 표현하는 데이터 통합, 분석

결과를 동일하게 유지하면서 데이터 사이즈를 줄이

는 데이터 정리 및 데이터 마이닝 알고리즘 효율성 극

대화를 위한 데이터 변환이 이에 해당된다. 일반적인

데이터 전처리와는 달리, 시스템에서 추출되는 신호

데이터는 잡음을 포함하는 경우가 대부분이며, 원 신

호만으로 시스템의 이상여부를 판단할 수 없다. 신호

데이터로부터 잡음을 제거하고 유의미한 특성을 추

출하기 위하여 사용되는 방법으로 대표적인 것이 푸

리에 변환(Fourier transform) 및 웨이블릿 변환

(wavelet transform) 등이 있다. 푸리에 변환에 대하

여 독자들은 많은 지식을 보유하고 있다고 판단되어

본 원고에서는 웨이블릿 변환의 특성에 대하여 설명

하고자 한다. 웨이블릿 변환은 몇 개의 유의한 웨이블

릿 계수로서 전체 신호를 나타낼 수 있는 sparseness

특성을 가지고 있기 때문에 데이터 축소 및 잡음제거

기법으로 최근 각광을 받고 있다. 웨이블릿 변환은 사

인 및 코사인 함수를 기본함수로 하는 푸리에 변환과

유사하지만 신호 데이터를 다른 주파수 성분들로 분

해하고, 각 스케일에 해당하는 해상도 성분들을 파악

할 수 있도록 하는 비선형 변환으로써 선형 변환인 푸

리에 변환과는 차이가 있다.

웨이블릿 변환은 유한한 길이의 기저함수를 사용

하여 원래 신호를 표현하는 방법으로, 웨이블릿의 기

그림 2 신호 데이터에 웨이블릿 변환 실시 예(4수준)

THEME 03 상태기반보전 기술 동향

2016. 11., Vol. 56, No. 11 ● 43

THEME 03저함수는 스케일 변수로 대변되는 father 웨이블릿과

디테일 변수로 대변되는 mother 웨이블릿으로 구분

되며, 변환수준 별 스케일 계수와 디테일 계수를 통해

신호 데이터를 분석할 수 있기 때문에 다중 해상도 분

석이 가능하다. 그림 2는 신호 데이터에 4수준까지

웨이블릿 변환을 실시한 결과이다. 좌측의 스케일 계

수는 신호 데이터의 전반적인 변화를 표현하며, 우측

의 디테일 계수는 신호 데이터의 세부 변화를 자세하

게 표현한다.

특징추출(Feature Extraction)

한편으로 시스템의 이상여부를 감지하기 위해서는

다수의 주요 구성요소에 센서를 장착하여 다양한 특

성치(온도, 가속도, 진동 등)를 측정한다. 이에 따라

측정된 신호 데이터는 다차원 신호 데이터이며, 차원

이 커짐에 따라 복잡한 상관관계를 가지게 되어 시스

템의 상태를 대변하는 특징추출이 어려워진다.

이러한 다차원 데이터로부터 차원을 축소하고 특

성을 추출하기 위한 대표적인 방법으로는 주성분분

석(PCA: Principal Component Analysis)이 있으며,

주성분분석은 변수의 공분산행렬을 직교분해함으로

써 주성분이라 불리는 새로운 변수로 변환한다. p차

원의 신호 데이터에서 공분산행렬의 고유치(eigen

value)를 λ≥1λ2≥…λp≥0이라 한다면 주성분은 선

형조합으로 표현할 수 있다. 주성분분석은 잡음 데이

터에 강건하며, 변수 간에 상관관계를 가지는 문제를

해결할 수 있다. 또한 데이터의 차원을 축소하고, 상

위 몇 개의 주성분만으로 원 변수의 변동을 80∼90%

이상 설명할 수 있는 장점이 있어 특징추출 방법으로

널리 사용되고 있다.

또한 유의한 변수를 선택하기 위해 다양한 변수선

택 방법을 사용할 수 있다. 변수선택방법이란 다수의

독립변수 중에서 통계적으로 의미있는 변수를 찾는

기법으로 변수선택 방법에는 후진제거법, 전진선택

법 및 단계별방법 등이 있다. 후진제거법은 모든 예측

변수를 포함한 완전모형으로부터 시작해서 매번 하

나씩 예측변수를 제거시켜 나가는 형식을 취한다. 이

경우 어느 한 예측변수는 그의 제거로 인한 오차제곱

합의 감소에 대한 공헌도를 기준으로 그의 제거여부

가 결정된다. 전진선택법은 예측변수 없이 상수항만

을 가진 회귀방정식으로부터 시작하여, 제1단계에 회

귀방정식에 포함되는 첫 예측변수는 반응변수와 가

장 큰 상관계수를 가지는 것이 선택되고, 2단계에서

는 방정식에 도입되는 예측변수는, 일단 첫 예측변수

가 반응변수에 대해 가지는 선형효과를 조정한 후, 이

조정된 반응변수와 최대상관을 가지는 것이 고려대

상이 되는 방식으로 변수를 선택하여 공헌도를 평가

하게 된다. 단계별방법은 기본적으로 전진적선택 절

차라고 할 수 있으나, 추가적인 조건으로서 매 단계에

서 후진적 제거 절차에서와 같이 이미 모형에 선택되

어 있는 한 예측변수의 제거 가능성을 배제하지 않는

다는 점이 다르다고 할 수 있다.

진단 및 예지(Diagnostics and Prognostics)

시스템의 고장을 사전에 방지하거나 고장 발생 시

빠른 시간 내에 고장을 정비하기 위해서는 사전에 고

장 진단 및 예지를 실시하여야 한다. 신호 데이터로부

터 웨이블릿 변환 후 주성분 분석 및 변수선택 방법을

통하여 유의미한 특징을 추출하고, 추출된 특징에 대

하여 다양한 통계적 방법을 사용하여 고장 진단 및 예

지를 실시할 수 있다. 대표적인 고장 진단 및 예지 방

법으로는 다변량 관리도(multivariate control

chart), 인공신경망(artificial neural network,

ANN) 및 서포트벡터머신(support vector machine,

SVM) 등이 있다.

다변량 관리도는 제조공정에서 이상을 사전에 감

지하기 위해 많이 사용되는 모니터링 기법이며, 제조

공정에서 이상원인이 발생할 경우 원인 추적 및 조치

44 ● 기계저널

를 통하여 제품의 불량을 사전에 억제할 수 있다. 다

변량 관리도는 변수 간의 상관관계를 고려할 수 있고,

다수의 변수의 변화를 동시에 탐지할 수 있기 때문에

많이 사용된다. 다변량 관리도 중 가장 많이 사용되는

관리도로서 hotelling’s T2 관리도가 있으며, 신호 데

이터로부터 추정된 T 2 통계량이 관리상한선(upper

control limit, UCL)을 초과할 경우 이상이 발생하였

다고 판단할 수 있다. 그림 4는 특정 시스템에 센서를

장착하여 신호 데이터를 추출하고, 신호 데이터에 대

하여 웨이블릿 변환을 실시 후 유의미한 특징을 추출,

이를 기반으로 hotelling’s T2 관리도를 적용한 예이

다. 정상 상태의 신호 데이터에 대하여 관리상한선을

설정하고, ‘고장 전’, ‘고장’ 및 ‘고장 후’에 대하여 T2

통계량을 추정하였다. ‘고장 전’ 및 ‘고장’ 시점에서는

T 2 통계량이 관리상한선을 초과하였으며, 반면에

‘고장 후’ 시점에서는 T2 통계량이 관리상한선을 초과

하지 않았다. 특히 고장 전의 T2 통계량이 관리상한

선을 초과하였기 때문에 고장이 발생하기 전 시스템

에 이상이 발생하였다고 판단하여 고장을 사전에 방

지할 수 있을 것이다.

최근에 시스템의 고장 감지 및 진단 방법으로 이상

신호의 분류 및 예측을 하기 위하여 인공신경망 및 서

포트벡터머신과 같은 데이터마이닝 기법이 많이 사

용되고 있다. 인공신경망은 뇌의 정보 처리방법을 모

방한 방법으로 뛰어난 일반화 능력 및 병렬 처리 등으

로 현실적인 문제에서 우수한 성능을 보이기 때문에

널리 사용되고 있다. 인공신경망의 기본단위인 퍼셉

트론(perceptron)은 데이터를 입력하는 입력층

(input layer), 가중치 ω0, ω1, …, ωd, 속성집합 x0,

x1, …, xd 및 출력층(output layer)을 포함한다. 퍼셉

트론은 분류를 하기 위하여 예측오차가 최소가 되는

가중치 ω0, ω1, …, ωd를 산출하고, 의사결정 경계를

설정한다. 다계층 퍼셉트론은 입력층과 출력층 사이

에 은닉층(hidden layer)을 포함하며, 사인함수 대신

다른 유형의 다양한 활성함수를 사용하여 이상 신호

의 분류 및 예측 문제에 널리 사용되고 있다. 그림 5

는 신호 데이터에 대하여 은닉층을 10개로 구성하여

다계층 퍼셉트론을 구축한 예이다.

서포트벡터머신은 훈련오류를 최소화한다는 점에

서 인공신경망과 동일하지만 일반화 오류를 최소화

한다는 점에서 차이가 있다. 서포트벡터머신은 일반

화 오류를 최소화하기 위하여 두 초평면의 마진을 최

대화하는 의사결정 경계를 산출한다. 여기서 지지도

벡터는 초평면과 가장 가까이 있는 벡터를 의미하며,

마진은 두 초평면 사이의 거리를 의미한다. 서포트벡

터머신은 다음과 같은 최적화 문제로 정의할 수 있으

며, 라그랑제승수(Lagrange multiplier)를 통하여 효

율적으로 최적해를 산출할 수 있다.

THEME 03 상태기반보전 기술 동향

그림 4 ‘고장 전’, ‘고장’ 및 ‘고장 후’ 신호 데이터에 대하여 다변량 관리도 적용 예

2016. 11., Vol. 56, No. 11 ● 45

THEME 03

minimize ‖w‖2

2

subject to yi(w·xi+b)≥1

비선형 서포트벡터머신일 경우 벡터 내적의 곱 xixj

대신 RBF 커널(radial basis function kernel), 다항

식 커널(polynomial kernel) 및 하이퍼볼릭 탄젠트

커널(hyperbolic tangent kernel) 등을 사용하여 최

적해를 산출할 수 있다. 그림 5는 신호 데이터에 대하

여 비선형 서포트벡터머신을 적용한 예이다.

이 글에서는 상태기반보전에 대하여 통계적 방법

론에 대한 최근 기술 동향을 소개하였다. 시스템으로

부터 추출되는 신호 데이터를 전처리하기 위한 방법

으로 웨이블릿 변환을 소개하였으며, 특징 추출 방법

으로 허스트 지수 및 주성분분석을 소개하였다. 마지

막으로 고장 진단 및 예지 방법으로 다변량 관리도를

소개하였으며, 인공신경망 및 서포트벡터머신과 같

은 데이터마이닝 기법을 소개하였다. 이 글은 시스템

의 고장을 사전에 방지하거나 고장 발생 시 빠른 시간

내에 고장을 정비하기 위한 상태기반보전의 발전방

향을 모색할 수 있는 좋은 기회를 제공할 것으로 기대

한다.

<다계층 퍼셉트론> <서포트벡터머신>

그림 4 신호 데이터에 인공신경망 및 서포트벡터머신 적용 예

46 ● 기계저널

안다운 한국생산기술연구원 대경지역본부/항공시스템기술그룹 선임연구원 ㅣe-mail : dawnan@kitech.re.kr

최주호 한국항공대학교 항공우주 및 기계공학부 교수 ㅣe-mail : jhchoi@kau.ac.kr

고장예지

고장예지 혹은 건전성 예측(prognostics)은 시스템

의 열화 상태 및 잔존유효수명(remaining useful life,

RUL)을 예측하는 것으로, 상태기반정비를 위한 PHM

기술에서 결함/열화특성 추출, 상태진단에 이어지는

마지막 단계에 해당한다. 고장예지 결과에 영향을 미

치는 요인으로는 크게 데이터, 모델, 알고리즘으로 나

눌 수 있다. 사실상 데이터와 관련된 연구는 열화특성

추출 및 상태진단 단계와 별개로 생각할 수 없고, 최근

PHM의 통합 프레임워크에 대한 연구가 수행되고 있

지만, 본 글에서는 열화특성이 있는 데이터를 고려하

는 것으로 범위를 제한한다. 상태모니터링 데이터가

얻어지면, 물리모델이나 수학적모델을 이용하여 미래

열화거동과 잔존유효수명을 예측할 수 있다. 이때 모

델의 정확도에 따라 예측의 결과가 달라지게 된다. 마

지막으로, 데이터와 모델을 결합하여 예측을 하기 위

해서는 여러 가지 알고리즘이 사용되는데, 대표적인

것으로는 파티클 필터(particle filter)와 인공신경망

(ANN: Artificial Neural Networks)이 있다. 2013년

에서 2015년까지 3년간 PHM society conference 에

서 발표된 201편 중에 고장예지에 관한 논문을 분석

한 결과, 데이터 기반이 23편, 모델기반이 33편으로

확인되었다. 이를 다시 응용분야로 구별하면 알고리

즘 10건, 배터리 열화 14건, 밸브 및 actuator 8건, 베

어링, 기어 및 균열 8건, 전기전자 4건, 기타로 확인되

었다. 본 글에서는 이 중에서 앞서 언급한 세 가지(데

이터, 모델, 알고리즘) 요인에 대해 연구한 논문들을

중심으로, 고장예지 연구 동향 및 도전과제에 대해 논

의해 보도록 한다.

데이터 부족 해결 방안

정확한 건전성 예측에는 데이터의 질(수량, 노이즈

수준 등)이 중요한 요소로 작용한다. 하지만, 열화상

태 데이터를 얻는 데에는 많은 시간과 비용이 들기 때

문에 예측에 필요한 충분한 수의 데이터를 얻기가 어

려운 문제점이 있다. 반면, 실제보다 가혹한 환경에서

수행되는 가속수명시험은 제품의 제작시 항상 수행되

고 있다. An et al.(2013)에서는 가속수명시험에서 얻

어진 데이터를 실하중 조건에서의 데이터로 변환시켜

고장예지에 활용하는 방안을 제시하였다. 그 결과, 부

족한 실운용 데이터를 보충하여 예측의 정확도를 향

상시킬 수 있었지만, 가상의 균열성장 데이터를 사용

했다는 한계점이 있다. 데이터의 질에 따라 예측 결과

가 크게 달라질 수 있는 만큼, 부족한 데이터 및 노이

이 글에서는 최근 3년간(2013-2015) PHM society 학회에서 발표된 논문에 기반하여 분석된 고장예지기술의

연구 동향 및 도전과제에 대해 소개하고자 한다.

고장예지기술의 연구 동향 및 도전과제04TH

EME

2016. 11., Vol. 56, No. 11 ● 47

THEME 04즈 문제에 대한 활발한 연구가 필요하다.

모델 개발 및 불확실성

열화거동의 표현은 물리적 특성이 반영된 물리모델

과 데이터에만 의존하는 수학적 모델로 구분된다. 물

리적 특성 없이 데이터에 기반하여 일반화된 경험식

을 물리모델로 구분하는 경우도 있지만, 엄밀히 말해

물리모델은 하중조건 등 운용조건에 관한 항을 포함

해야 한다. 이러한 정의 하에서 물리적 열화 모델은 균

열과 마모의 거동을 나타내는 것들로 극히 제한적이

다. 최근에는 전기 자동차, 무인기, 항공기 등 다양한

시스템에서 전력원으로 사용되고 있는 배터리의 수명

예측에 대한 연구가 활발히 진행되면서, 배터리의 수

명예측 모델을 개발하고자 하는 연구들이 증가하고

있다.

대표적으로 Daigle과 Kulkarni(2013)는 전기화학

에 기반한 리튬이온 배터리 열화 모델을 제시하고, 방

전시점(end of discharge, EOD)을 예측하였다. 제시

된 모델이 논문에서 사용된 예제에서는 높은 정확도

를 보였지만, 이 모델은 배터리 성능과 밀접한 관계가

있는 내부온도와의 관계가 배제된 것이기 때문에 범

용적으로 적용되기 위해서는 추가 연구가 필요한 실

정이라고 한계점을 제시하였다.

열화거동에 대한 모델형태가 주어지면, 결과적으로

는 모델변수와 미래 하중조건에 의해 예측의 정확도

가 결정된다. 이에 대한 일반적인 연구는 모델변수는

불확실성을 고려하여 추정하고, 미래 하중조건은 주

어졌다고 가정하는 것이었다. 하지만, 미래 하중조건

역시 불확실하다는 점을 간과해서는 안 될 것이다.

Sankararaman과 Goebel(2013)은 무인항공기 배터

리의 잔존유효수명 예측을 다양한 미래 하중조건하에

서 실시하였고, 후에 미션 및 궤적 조건들에 기반하여

미래 하중의 불확실성 속성을 특징짓는 연구가 이어

질 것이라 하였다.

모델 개발에 대한 연구가 배터리를 중심으로 활발

히 진행되고 있는데, 모델은 일반적으로 많은 가정과

단순화를 통해 만들어지기 때문에 불확실성이 항상

존재한다. 복잡도가 높은 모델은 정확도가 높지만, 계

산비용이 높아 실시간 진단에 부적합하고, 단순화된

모델은 계산효율은 높지만 정확도가 떨어지는 문제가

있다. Xi et al.(2013)에서는 배터리의 충전상태(state

of charge, SOC)를 단순화된 모델을 사용하여 효율

적으로 추정하기 위한 방법을 제시하였고, 그 방법은

다음과 같이 요약된다. ‘초기 단순화된 모델을 설정하

고, 변수의 불확실성을 정량화 한다. 변수의 불확실성

과 다양한 운용조건에 따른 모델 불확실성을 계산하

고, 이를 초기 모델에 더하여 모델을 수정한다’. 이러

한 단순화된 모델 개발을 위한 노력은 복잡한 모델 개

발에 소요되는 비용 또한 줄일 수 있을 것이다.

알고리즘 개선 및 검증

데이터와 모델 등 주어진 정보를 사용하여 잔존유

효수명을 예측하는 수단이 되는 알고리즘을 개선, 선

택, 비교하는 연구도 많이 이루어지고 있다. Oliva와

Bertram(2014), Wang와 Gao(2014) 등은 파티클필

터의 개선에 대한 연구를 진행하였고, Aizpurua와

Catterson(2015)은 알고리즘 선택에 대한 기본적인

가이드라인을 제시하였다. Sharp(2013)은 서로 다른

알고리즘 비교를 위해 일반적으로 적용가능한

metrics를 제안하였다. 일반적인 예측 알고리즘의 검

증은 얼마나 실제 잔존유효수명과 가깝게 예측하는가

에 초점이 맞추어져 있다. 하지만 고장전에 수명의 참

값을 안다는 것이 불가능하기 때문에 이런 방법은 사

실상 적용 불가능하다. 최근에는 이러한 문제점을 해

결하기 위한 연구에 관심이 생기고 있다. Clements와

Bodden(2013)은 유효한 건전성 예측 알고리즘이 되

기 위한 정의를 내리고, 이에 기반하여 알고리즘 검증

을 진행하였다. 그 정의된 내용은 다음과 같다. ‘90%

48 ● 기계저널

신뢰수준에서 적어도 95%의 요소파괴를 피할 수 있

도록 하기 위해, 정비시점에서 최소 20시간 전에 예측

가능해야 한다’. 이러한 정의가 절대적인 것은 아니지

만, 실효성 있는 검증방법의 필요성을 시사하고 있다.

기타 노력

기존의 일반적인 방법과는 조금 다른 시각으로 고

장예지에 접근하는 연구들도 있다. 잔존유효수명은

다양한 불확실성을 고려하여 분포로 예측되는데, 이

과정에서 노이즈의 확률분포가 가정되는 것이 일반적

이다. Chen(2013)은 보다 단순하고 현실적인 예측을

위해 노이즈의 확률분포에 대한 지식 없이 잔존유효

수명을 구간으로 예측하는 방법을 제시하였고, 이 방

법을 리튬이온 배터리 모델에 적용하였다. 분포로 예

측된 잔존유효수명의 활용 역시 예측구간의 하한을

사용한다는 점에서 볼 때 구간만을 예측하는 것이 효

과적일 수 있지만, 이에 대한 유효성 입증이 더 필요한

상태이다. Imanian과 Modarres(2014)는 시스템의

성능에 영향을 미치는 모든 요소를 고려하기 위해 열

역학적 엔트로피를 결함특성으로 사용하였다. 아직

알루미늄 시편에 대해서만 적용해본 상태이긴 하지

만, 균열, 마모 등 결함의 종류에 따라 잔존유효수명을

예측하던 기존 방법과 비교가 된다.

맺음말

PHM Society에서 2013년부터 2015

년까지 발표된 논문으로 살펴본 고장예

지의 도전과제와 연구방향이 그림 1에

요약되어 있다. 고장예지는 더 이상 다

른 PHM기술 단계와 별개의 것으로 여

겨지지 않고, 상태기반정비를 위해 하나

의 프레임워크에서 통합 고려하는 방향

으로 나아가고 있다. 모델개발은 배터리

를 대상으로 하는 연구가 현저하게 많으

며, 복잡하고 어려운 모델을 효과적이고 효율적으로

대신할 수 있는 단순화된 모델기반 연구가 진행되고

있다. 또한, 모델 변수의 불확실성을 넘어 미래 하중의

불확실성까지 고려하려는 노력이 이어지고 있다. 알

고리즘의 검증 또한 실제 잔존유효수명에 의존하지

않는 현실적인 방법에 대한 연구의 필요성이 인식되

고 있다. 고장예지에 대한 연구는 PHM의 다른 단계

에 비해 비교적 최근에 시작된 만큼, 일반적인 기술로

자리잡기 위해서는 해결해야 할 많은 도전과제들이

남아 있고, 또 그 만큼의 비약적인 발전을 기대해 볼

수 있을 것이다.

참고문헌

An et al.(2013)Practical Use of Accelerated Test

Data for the Prognostics Methods.

Aizpurua and Catterson (2015) Towards a

Methodology for Design of Prognostic Systems.

Chen (2013) Distribution Free Prediction

Interval for Uncertainty Quantification in

Remaining Useful Life Prediction.

Clements and Bodden (2013) Prognostic

Algorithm Verification.

Daigle and Kulkarni (2013)Electrochemistry-

THEME 04 고장예지기술의 연구 동향 및 도전과제

그림 1 고장예지의 연구 동향 및 방향

2016. 11., Vol. 56, No. 11 ● 49

THEME 04based Battery Modeling for Prognostics.

Imanian and Modarres (2014) A Thermo-

dynamic Entropy Based Approach for Prognosis

and Health Management.

Oliva and Bertram (2014) On the Use of

Particle Flow to Enhance the Computational

Per formance of Part icle-Filtering-based

Prognostics.

Sankararaman and Goebel (2013) A Novel

Computational Methodology for Uncertainty

Quantification in Prognostics Using The Most

Probable Point Concept.

Sharp (2013) Simple Metrics for Evaluating and

Conveying Prognostic Model Performance To

Users With Varied Backgrounds.

Wang and Gao (2014) Particle Filtering-Based

System Degradation Prediction Applied to Jet

Engines.

Xi et al. (2013) State of Charge Estimation of

Lithium-ion Batteries Considering Model and

Parameter Uncertainties.

50 ● 기계저널

허균영 경희대학교 원자력 공학과 부교수 ㅣe-mail : gheo@khu.ac.kr

박규해 전남대학교 기계공학부 교수 ㅣe-mail : gppark@jnu.ac.kr

김주형 인하대학교 기계공학과 부교수 ㅣe-mail : joohyung.kim@inha.ac.kr

PHM기술은 특정 학문이나 산업분야에 국한되지

않는 다학제적 학문이다. PHM기술의 성공적 개발을

위해서는 고장모드 열화에 관련된 도메인 지식을 바

탕으로 신뢰성공학, 신호처리, 기계학습, 불확실성 모

델링은 물론 빅데이터, 사물인터넷, 사이버물리시스

템에 이르기까지 많은 학문의 지식습득이 요구된다.

이를 반영하듯 PHM 학술대회에서는 참가자에게 다

양한 형태의 교육기회를 제공하고 있는데, 대표적으

로 학술대회 기간 전후에 별도로 1-2일간 실시하는

단기강좌와 학술대회 기간 중에 실시하는 튜토리얼이

있다. 또한 PHM의 목표가 고장을 정확히 예측하는

것이므로, 여러 전문기관이나 산업체에서 제공한 실

제 고장 데이터를 이용하여 가장 정확히 고장을 예지

한 팀을 시상하는 Data Challenge 대회도 진행하고

있다. 본 원고에서는 지금까지 PHM Society에서 진

행했던 이들 세 행사에 대해 간략히 소개하고자 한다.

PHM 단기강좌

PHM 단기강좌(PHM Short Course 이하 단기강

좌)는 PHM Society의 부속 프로그램이면서도 독립적

으로 운영되는 특징을 가지고 있다. 단기강좌는 소수

의 산학연 전문가가 팀을 이뤄 1-2일 정도의 커리큘

럼으로 PHM에 대한 기본부터 중급 정도에 이르는 이

론과 실무를 설명하는 방법으로 진행된다. 주로 산학

연 기술전문가에게 활용도가 높은 강좌이지만, 시스

템 운영 부서에서도 비즈니스 측면의 다양한 아이디

어를 얻을 수 있다. 단기강좌는 PHM Society 부속 프

로그램으로는 비교적 최근에 시작하였으며, 2014년

에 미국 텍사스에서 개최된 PHM Society에서 처음

도입되고 그 이후로 내용이 한층 세련되고 체계적으

로 변화하고 있다. 2015년부터는 PHM Society 유럽

학회에서도 단기강좌를 시작하여 호평을 받았다. 전

체적으로 단기강좌의 구성은 기초적인 개념 소개, 방

법론, 기술 현안, 워크숍, 사례 연구 등으로 구성되어

있다. 한편 미국에서는 PHM 단기강좌를 기술사 계속

교육(Continuing Professional Development)으로

서 인정해 주고 있다. 지난 3년간 진행되었던 단기강

좌 내용을 요약하여 훑어보고, 2017년 우리나라에서

열릴 PHM Asia Pacific에서 진행될 단기강좌의 내용

도 소개하고자 한다.

◦ 2014년 프로그램(강의자: G. Vachtsevanos, K.

Reichard, J. R. Celaya, M. Orchard, M. A.

이 글에서는 최근 3년간(2013-2015) PHM Society에서 발표된 논문에 기반하여 분석된 고장예지기술의 연구

동향 및 도전과제에 대해 소개하고자 한다.

PHM Society 학술대회의 특별 행사 소개05TH

EME

2016. 11., Vol. 56, No. 11 ● 51

THEME 05Powell, A. Saxena 등)

- PHM 패러다임

- FMECA 등 주요 방법에 대한 설명을 포함한

CBM+ 소개

- PHM에 사용되는 센서의 원리와 응용

- 데이터마이닝

- 데이터기반 및 물리모델기반의 고장 진단

- PHM을 위한 수치해석 모델

- 성능지표

- PHM 사례 연구

◦ 2015년 프로그램(강의자: G. Vachtsevanos, K.

Reichard, P. Sandborn)

- PHM 용어(Taxonomy) 설명

- CBM+ 기술

- PHM 적용을 위한 요건, 기술기준

- PHM 방법론: 진단, 예지 등

- PHM에 사용되는 센서의 원리와 응용

- 비용편익 분석

- 성능지표

- 기술 현안 및 교훈

◦ 2016년 프로그램(강의자: G. Vachtsevanos, N.

Eklund)

- PHM 소개: 용어, 범위, 기초 내용 등

- CBM+ 기술

- PHM 적용을 위한 요건, 기술기준

- PHM 방법론: 진단, 예지 등

- 데이터 어낼리틱스

- 비용편익 분석

- 성능지표

- 그룹별 PHM 연습

- 기술 현안 및 교훈

- PHM 사례 연구: 실제 산업체 사례를 중심으로

내년부터는 PHM의 Asia Pacific 지역학술대회가

격년으로 개최될 예정이며 첫 대회가 7월에 제주도에

서 개최된다. 이 대회에서도 유사한 단기강좌를 준비

하고 있는데, 호주 The University of New South

Wales의 Robert B. Randall 명예교수가 강의를 맡을

예정이다. 이번 강좌에서는 Randall 교수의 저작인

Vibration-based Condition Monitoring: Indu-

strial, Aerospace and Automotive Applications를

참고 교재로 하여 ① 기본적인 신호처리, ② 진동 감시

및 진단, ③ 고장 시뮬레이션, ④ 설비 및 부품에 특화

된 PHM 등으로 진행된다. 이는 미국이 진행하는 강

좌와 달리 고장예지보다는 신호처리 및 고장진단에

관한 것으로 PHM 첫단계에 해당되는데, 아직 PHM

개발이 본격화되지 않은 국내 산업체 입장에서는 오

히려 더 중요한 주제라고 생각한다. PHM 단기강좌에

대한 상세한 사항은 진행을 맡고 있는 경희대 허균영

교수(gheo@khu.ac.kr)에게 문의하면 되겠다.

PHM 튜토리얼

매년 PHM conference에서는 학계 및 업계 전문가

들의 참여를 통해 상태진단의 다양한 연구 및 현장적

용에 관한 무료 기술 튜토리얼 교육을 제공한다. 튜토

리얼은 학회 참가자를 위한 교육 행사로서, 학회가 진

행되는 동안 매년 PHM 관련 3-4개의 주제를 선정,

관련 강의가 제공되고 있다. 최근 튜토리얼에서는, 상

태진단의 기본 주제인 Diagnostics, Prognostics,

Health management, Uncertainty Management뿐

만 아니라 Big data for PHM, Cybersecurity, Cost-

Benefit analysis, Data-Minning, Electronics PHM,

Bayesian Filtering for Prognosis 등 PHM 관련 전문

주제와 PHM 최신 기술을 종합적으로 다루고 있다.

튜토리얼은 상태진단 초보자, 학생, 연구자 및 실무자

를 위해 제공되며, 이론 및 관련분야의 현장 적용 강의

를 통해 관련분야 최신 연구 성과를 소개하고 미래

52 ● 기계저널

PHM기술 개발의 발전 방향을 소개하는 방식으로 진

행된다. 지난 3년간 진행되었던 튜토리얼 내용을 아래

와 같이 요약 정리했으며, 이를 토대로 2017년 제주도

에서 개최되는 PHM Asia Pacific 학술대회의 튜토리

얼을 준비하고 있다. 아시아의 첫 대회인 만큼 되도록

초보자들의 이해를 돕기 위해 진단, 예지 기본적 내용

으로 각각 한 세션, 그리고 두 개의 전문가 세션으로

구성할 예정이다.

2014 튜토리얼

- Diagnostics (Eric Bechhoefer, GPMS)

- Model-based Prognostics (Matthew Daigle,

NASA Ames)

- PHM for Electronics (Patrick Kalgren, Impact

Technologies)

- Open Systems Architecture for Condition

Based Maintenance (Karl Reichard, Penn.

State University)

- Data Mining (Nikunj Oza, NASA Ames)

- Perspectives on Creating Cost-Benefit

Analyses for PHM Systems (Chris Pomfret,

MFPT)

2015 튜토리얼

- Dynamic Model-Based PHM Design and

Model-Based Diagnostics (Matt J. Smith,

Impact Technologies)

- Prognostics (강의자: Kai Goebel, NASA)

- Feature Engineering for PHM applications (강

의자: Weizhong Yan, GE global research)

- Cost/Benefit Tradeoffs for the Inclusion of

Prognostics and Health Management (PHM)

in Systems (Peter Sandborn, University of

Maryland)

2016 튜토리얼

- Diagnostics(강의자: Matthew Daigle, NASA

Ames)

- Data-driven Prognostics of Engineered

Systems(강의자: Jamie Coble, U. of Tennessee)

- Security Prognostics(강의자: Scott Evans, GE

Global Research)

- Big Data Analytics(강의자: John Patanian, GE

Power)

PHM Data Challenge

Data Challenge는 산업계에서 흔히 발생하는 고장

의 발견과 그에 대한 예지진단을 포함하여 문제해결

을 할 수 있는 능력을 포함하고 있다. 참가자는 주어진

시간 내에서 공장의 문제점을 파악하고 그 위치를 알

아내는 능력과 향후 발생할 수 있는 문제가 혼합되어

있는 상황 하에서 정확하게 문제를 파악하고 예측을

얻어내는 능력을 평가받는 것이다.

이미 미국과 독일을 중심으로 한 PHM Society에서

는 문제해결능력을 위해 매 Conference마다 이러한

Data Challenge를 열고 있으며 해마다 많은 수의 참

가자가 팀을 이루어 주어진 문제해결능력을 검증받고

있다.

지난 3년간 진행된 Data Challenge 내용을 요약하

여 설명하고자 한다.

2014년도 Data Challenge

기차시스템에서의 문제점을 찾아내고 예측하는

Data Challenge가 진행되어 5개의 data set를 제공하

고 이중에 각각의 상황에 따라 주어진 data를 기반으

로 예측을 하고 이를 통해 얻어진 결과를 e-mail로 제

출하도록 진행되었다.

다음의 조건하에서 발생되는 여러 가지 상황에 대

해서 각각 주어진 data set을 이해하고 문제를 찾아내

THEME 05 PHM Society 학술대회의 특별 행사 소개

2016. 11., Vol. 56, No. 11 ● 53

THEME 05고 예측하는 것으로 진행되었다.

① 기차-부품사용 ② 기차-사용중 ③ 기차-고장

발생 ④ 테스트-사용중 ⑤ 테스트-간이

우승은 팀 Diligent가 차지했고, 우수한 성적을 낸

팀들은 그 결과를 기반으로 하여 International

Journal of Prognostics and Health Manage-

ment(ijPHM)에 논문이 발표되도록 기회 또한 부여되

었다.

관련정보: https://www.phmsociety.org/

events/conference/phm/14/data-challenge

2015년도 Data Challenge:

공장기반의 고장발생에 대한 가능성을 측정하는 것

을 기반으로 한 문제가 출제되었으며, 주어진 데이터

는 ① 공장제어에 필요한 부품에서 시간에 따라 측정

된 센서값과 기준값이 되는 신호 ② 공장에서 고정된

숫자만큼의 측정값을 기반으로 주어지는 추가적인 대

표적 데이터를 기반으로 공장의 고장발생을 예측하고

찾아내는 것으로 Data Challenge가 진행되었다.

관련정보: https://www.phmsociety.org/

events/conference/phm/15/data-challenge

2016년도 Data Challenge(2016년 10월 4일-7일):

물리기반의 모델링과 통계기반의 접근방법을 이용

해서 예측을 하는 것에 관련한 문제가 출제되었다. 특

히 반도체 공정에서 사용되는 Chemical-Mechanical

Planarization(CMP) 기반의 웨이퍼 공정을 진행하는

시스템에 관련하여 다양한 부품의 건강상태를 예측하

는 것에 대한 내용이 제시되었다.

관련정보 : https://www.phmsociety.org/

events/conference/phm/16/data-challenge

2017년 7월 12일부터 제주도에서 개최될 PHM

Asia Pacific(PHMAP-17)에서 한국기반의 공공시설

및 발전소, 공장 등에서 발생하는 문제점을 기반으로

Data Challenge가 준비되고 있다. Data Challenge

Competition에 있어서 전제조건은 협력을 통한 주어

진 문제의 예측진단이다. Data Challenge팀은 학생,

연구자 및 기술분야의 전문가로 구성된 어떠한 조합

도 가능하며, 결과는 Data Challenge Committee에

의해 평가를 받아 순위가 결정되어 가장 우수한 점수

를 획득한 팀은 학회에서 특별세션 및 시상을 누리는

영광을 얻게 된다.

그림 1 2015년 PHM Data challenge에서 제시된 공장진단에

대한 문제

그림 2 2016년 PHM Data challenge에서 제시된 반도체 공정

CMP시스템