이경민
(Kyung-Min Lee)
1iD
박철원
(Chul-Won Park)
†iD
-
(Dept. of Electrical Engineering, Gangneung-Wonju National University, Republic of
Korea.)
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
Data mining, LSTM, MCC, Motor, Smart EOCR, State determination method, SVM
1. 서 론
전동기는 가격이 저렴하고 간단한 구조와 보수의 용이성 등의 장점이 많아 산업 전반에 널리 사용되고 있다. 그러나, 전기적 및 기계적 문제로 인하여
원치 않는 전동기의 정지 또는 소손이 발생하면 그의 수명 단축, 생산성 저하, 막대한 복구 시간 및 비용이 소요된다. 따라서 별도의 보호 방안을 구축하여야
한다[1].
전동기제어반(MCC, Motor Control Center)의 전자식 과전류계전기(EOCR, Electronic Over Current Relay)는
전동기가 연결된 회로에서 구동 중에 과전류에 의해서 소손이 발생할 경우, 과전류를 차단하는 보호기기이다. 그런데, 최근에는 설비 상태에 따른 예후
기반 예지보전 개념(prognosis-based predictive maintenance concept)이 주목받고 있는바, 인공지능기법(AI, Artificial
Intelligence)을 이용한 전력품질 및 고장예측에 관심이 증대되고 있다[2-4].
관련된 국내 연구에서는, 전기신호 분석의 대표적인 기법 중 하나인 Park의 벡터 접근방식(Park’s vector approach) 알고리즘을 개선하여
전동기의 고정자 및 회전자 고장을 판별할 수 있는 기법[5], 다기능 전동기 보호를 위한 시스템 컨트롤러 개발[6]이 수행되었다. 근래에는 전기신호 분석을 이용한 3상 유도전동기의 고장진단(fault diagnosis) 및 예지보전기법이 발표되었다[7].
관련된 해외 연구에서는, 전기 펌프 시스템의 칼만 필터 기반 센서 고장 감지 및 식별(fault detection and identification)
기법[8], AI를 활용한 전동기 상태 예측하는 시스템[9]이 개발되었다. 최근에는 D-S 증거 이론(evidence theory) 정보 융합 알고리즘(information fusion algorithm)
기반의 전동기 고장진단[10], 지원 벡터 머신(SVM, Support Vector Machine)을 사용한 유도전동기 고장 식별[11], 제한된 열 이미지 데이터 세트를 사용한 유도전동기 고장진단을 위한 Few-Shot 경량 SqueezeNet 아키텍처에 관한 연구가 수행되었다[12].
본 논문에서는 MCC의 스마트 EOCR을 위한 AI 기반 예지보전기술 개발 과제의 일환으로서, 데이터 마이닝(Data Mining)을 이용한 상태
판별 기법을 제안한다. 먼저, 실제 펌프를 이용한 전동기 시스템으로부터 데이터를 수집한 후, 비정상 부하, 역방향회전, 펌프에 물이 없어서 전동기가
공회전하는 상태 및 비정상 부하 시 역방향회전 등의 4가지 상태 판별을 위한 학습데이터 및 시험데이터 세트를 구성한다. 데이터 마이닝 중에서 SVM과
장단기 메모리(LSTM, Long Short Term Memory) 모델을 이용하여 상태 판별 기법을 설계하고, Python 언어를 이용하여 구현한다.
끝으로 제안된 두 가지 AI 모델의 혼동행렬(Confusion matrix)과 정밀도(Precision), 재현율(Recall) 및 F1-score
등의 평가 지표를 비교하여 성능을 평가한다.
2. MCC의 스마트 EOCR 기반 전동기 시스템
2.1 스마트 EOCR
스마트 EOCR은 7,680Hz의 빠른 측정 주기로 데이터를 계측하고, 기존 MCC의 일반적인 기능 이외의 실시간 전력품질 감시, 실시간 설비 예지보전
기능, 설비 이상 감지 알람 및 설비 이력 관리 시스템을 추가하여 설비의 효율성 및 안정성을 강화할 수 있다. 즉, 스마트 EOCR을 사용하면 화재와
사고의 위험을 현저히 줄일 수 있고 전력의 효율적 사용, 에너지 절약 및 생산성을 증대시킬 수 있다.
그림 1은 스마트 EOCR 시스템의 구성도를 나타낸다. 그림 1과 같이, 전동기의 전류 데이터를 수집하여 전자식 과전류계전기를 통해 Edge 컴퓨팅, Cloud와 연계된다. Cloud에서는 AI 기반 상태판별기,
AI 기반 전류 예지보전 및 전력품질 지수 등을 통하여, 실시간 전력품질뿐만 아니라 Cloud 환경의 유지보수 체계를 구축할 수 있다[1-3].
그림 1. 스마트 EOCR 시스템의 개념도
Fig. 1. Conceptual diagram of the smart EOCR system
2.2 수집 데이터
스마트 EOCR 시스템의 수집 데이터는 정상 부하와 펌프의 입구를 막아 물 유입을 제한한 비정상 부하, 역방향회전, 펌프에 물이 없어서 전동기가 공회전하는
상태 및 비정상 부하 시 역방향회전으로 구분될 수 있다. 수집된 데이터는 각각 128 sample/cycle의 샘플링 주기로 1초에 총 7,680개가
된다. 그림 2는 실 계통에서 수집된 3상 전류 데이터를 나타낸다. 이 수집된 데이터는 7,680×4 크기의 CSV(Comma Separated Value) 형식으로
저장되는데, 가로축은 dataTime, 3상의 T, S, R상 전류로서 단위는 µA이다[1-3].
그림 3은 전동기의 정상 부하, 비정상 부하 및 여러 가지 상태의 1주기 T상 전류 파형을 나타낸다. 그림 3과 같이, 정상 부하인 경우는 -0.467A에서 0.400A 범위로, 비정상 부하인 경우는 -0.460A에서 0.396A 범위로, 역방향회전인 경우는
-0.488A에서 0.425A 범위로, 비정상 부하의 역방향회전인 경우는 -0.465A에서 0.403A 범위로, 물 없는 공회전인 경우는 -0.426A에서
0.360A 범위로 각각 운전되는 것을 각각 확인할 수 있었다.
그림 2. 실 계통에서 수집된 3상 전류 데이터
Fig. 2. Three phase current data from real system
그림 3. 다양한 상태의 T상 전류 파형
Fig. 3. T phase current waveforms in various states
3. 스마트 EOCR을 위한 데이터 마이닝 기반 상태 판별 기법
3.1 데이터 마이닝 기반 상태 판별 기법의 설계
본 논문에서는, 데이터 마이닝 기법 중에서 널리 알려진 SVM과 LSTM을 이용하여 상태 판별 기법을 설계하였다. 그림 4는 데이터 마이닝 기반 상태 판별 기법의 흐름도를 나타낸다. 그림 4와 같이, 먼저, 제시한 기법의 초기화를 한 후, 실 계통 펌프 시스템의 데이터를 입력, 수집한다. 학습데이터 및 학습되지 않은 시험데이터로 나누어
구축한다. SVM 및 LSTM 모델을 생성하고, 생성된 모델을 학습데이터를 이용하여 지도학습 시킨다. 최적의 SVM 및 LSTM 모델을 생성한 후,
시험데이터를 이용하여 두 가지 데이터 마이닝 모델을 검증한다. 최종적으로 데이터 마이닝 기반 상태 판별 기법을 수행한다.
그림 4. 데이터 마이닝 기반 상태 판별 기법의 흐름도
Fig. 4. Flowchart of the data mining-based state determination technique.
3.1.1 SVM 모델
SVM 모델은 데이터를 분석하고 패턴을 인식하는 지도학습 방법으로 분류 및 회귀 분석에 사용된다. SVM의 목적은 주어진 입력으로부터 출력값을 정확하게
예측하는 함수를 찾는 것으로, 한 클래스를 다른 클래스와 구분하는 초평면 또는 결정 경계를 찾는 방식이다. 그림 5는 SVM 모델의 구조를 나타낸다. 그림 5와 같이, SVM은 최적의 결정 경계, 양의 결정 경계, 음의 결정 경계, 마진으로 나뉘는데, 스케일링에 따라 데이터들이 찍히는 위치가 달라지고,
그에 따라서 결정 경계가 달라지기 때문에 스케일링을 잘해주는 것이 중요하다. 본 논문에서는 필요한 분류는 선형으로 분리할 수 없으므로, 커널 함수로는
방사 기저 함수(RBF, Radial Basis Function) 커널로서 무한한 차원으로 변환할 수 있으며 gamma와 C값을 변경하며 최적의 커널을
찾아내어 사용하였다[1,3].
그림 5. SVM 모델의 구조
Fig. 5. Structure of SVM model
3.1.2 LSTM 모델
LSTM 모델은 순환 신경망(RNN, Recurrent Neural Network) 기법의 하나로 셀, 입력 게이트, 출력 게이트, 망각 게이트를
이용해 기존 RNN의 문제인 기울기 소멸 문제를 방지할 수 있다.
그림 6. LSTM 모델의 구조
Fig. 6. Structure of LSTM model
시계열 데이터의 예측, 자연어 처리, 음성 인식, 이미지 분류 등에서 중요한 역할을 하는 모델 중 하나로서 긴 의존 기간을 필요로 하는 학습을 수행할
능력을 갖고 있다. 그림 6은 LSTM 모델의 구조를 나타낸다. 그림 6과 같이, LSTM은 망각 게이트, 입력 게이트, 출력 게이트의 세 가지 종류의 게이트로 나뉜다. 입력 게이트는 다음 셀에 어떤 정보가 들어갈지 결정하고,
망각 게이트는 잊어야 할 정보를 제어하며, 출력 게이트는 최종적으로 이전 정보를 다음 셀에 출력한다[1,3].
3.2 데이터 마이닝 기반 상태 판별 기법의 구현
두 가지 데이터 마이닝 기반의 상태 판별 기법은 Python 언어를 사용하여 구현하였으며, SVM 모델은 scikit-learn 라이브러리를, LSTM
모델은 tensorflow 라이브러리를 각각 활용하였다. 각 모델의 학습 및 시험은 i7-10700, 2.90GHz, 32GB RAM이 장착된 컴퓨터에서
수행되었다.
3.2.1 SVM 기반 상태 판별
그림 7은 SVM 모델 기반 상태 판별 기법의 Python 코드 일부를 나타낸다. 그림 7과 같이, scikit-learn 라이브러리를 활용하여 구현되었다. 커널 함수는 RBF로서 하이퍼 파라미터인 gamma와 C값을 변경할 수 있도록
설정하였다. 또한, 출력으로 4가지 클래스를 지정하여, 상태를 판별하도록 하였다.
그림 7. SVM 모델 기반 상태 판별 기법의 Python 코드 일부
Fig. 7. Part of Python code for SVM model-based state determination technique
3.2.2 LSTM
그림 8은 LSTM 모델 기반 상태 판별 기법의 Python 코드 일부를 나타낸다. 그림 8과 같이, 이는 Tensorflow 라이브러리 를 활용하여 구현되었다. LSTM 층과 Dense 층 2개의 은닉층을 갖는 구조로서 입력층의 뉴런 수는
시간, 3상 전류 등의 총 4개이고, 출력층은 분류에 주로 사용되는 Softmax 활성 함수를 사용하여 상태를 판별하도록 하였다.
그림 8. LSTM 모델 기반 상태 판별 기법의 Python 코드 일부
Fig. 8. Part of Python code for LSTM model-based state determination technique
4. 성능평가 및 결과
제안된 AI 모델 기반 두 판별 기법의 성능은 Precision, Recall, F1-Score 및 정확도(Accuracy)의 평가 지표를 이용하였다.
정확도는 식 (1)과 같이 표현된다.
여기서, TP(true positive)는 실제로 positive인데 예측도 positive로 잘된 경우를, FN(false negative)는 실제로는
positive인데 예측은 negative로 잘못된 경우, FP(false positive)는 실제로는 negative인데 예측이 positive로
잘못된 경우, TN(true negative)는 실제로도 negative인데 예측도 negative로 잘된 경우를 각각 나타낸다.
Precision, Recall 및 F1-Score는 식 (2), 식 (3) 및 식 (4)와 같이 표현된다.
4.1 SVM 모델의 상태 판별 기법의 결과
혼동행렬은 어떤 개인이나 모델, 검사도구, 알고리즘의 진단·분류·판별·예측 능력을 평가하기 위하여 고안되었는데, 오류행렬(Error matrix)이라고도
한다[1,9,11].
그림 9는 SVM 모델 기반 상태 판별 기법의 혼동행렬 결과를 나타낸다. 그림 9와 같이, 비정상 부하의 경우를 비정상 부하로 정확하게 예측한 경우는 12번, 비정상 부하 시 역방향 회전으로 잘못 예측한 경우는 6번, 비정상 부하
시 역방향 회전의 경우를 비정상 부하 시 역방향 회전으로 정확하게 예측한 경우는 21번이었다. 또한, 물 없는 공회전의 경우를 비정상 부하 시 역방향
회전으로 잘못 예측한 경우는 6번, 역방향 회전을 비정상 부하 시 역방향 회전으로 잘못 예측한 경우는 7번이었다. 최종적으로 SVM 모델 기법은 72.06%의
상태 판별을 위한 예측의 정확도를 나타내었다.
그림 9. SVM 모델 기반 상태 기법의 혼동행렬
Fig. 9. Confusion matrix of SVM model-based state determination technique
표 1은 상태 판별을 위한 SVM 모델의 평가 지표에 의한 성능 결과를 나타낸다. 표 1과 같이, 비정상 부하, 비정상 부하 시 역방향 회전, 물없는 공회전 및 역방향 회전의 성능평가 지표인 F1-score는 각각 0.80, 0.69,
0.70 및 0.72로 평균은 0.73임을 알 수 있었다. 또한, Precision 및 Recall의 평균은 0.88, 0.69임을 알 수 있었다.
표 1 상태 판별을 위한 SVM 모델의 평가 지표를 통한 성능 결과
Table 1 Performance results through evaluation metrics of SVM model for state determination
|
Case
|
Precision
|
Recall
|
F1-Score
|
|
Abnormal
|
1.00
|
0.67
|
0.80
|
|
Abnormal_reverse
|
0.53
|
1.00
|
0.69
|
|
Nowater
|
1.00
|
0.54
|
0.70
|
|
Reverse
|
1.00
|
0.56
|
0.72
|
|
Average of 4 states
|
0.88
|
0.69
|
0.73
|
4.2 LSTM 모델의 상태 판별 기법의 결과
그림 10은 LSTM 모델 기반 상태 판별 기법의 혼동행렬 결과를 나타낸다. 그림 10과 같이, 비정상 부하의 경우를 비정상 부하로 정확하게 예측한 경우는 18번, 비정상 부하 시 역방향 회전의 경우를 비정상 부하 시 역방향 회전으로
정확하게 예측한 경우는 21번, 물 없는 공회전의 경우를 물 없는 공회전으로 정확하게 예측한 경우는 12번, 비정상 부하 시 역방향 회전으로 잘못
예측한 경우는 1번, 역방향 회전의 경우를 역방향 회전으로 정확하게 예측한 경우는 14번, 비정상 부하로 잘못 예측한 경우는 2번이었다. 최종적으로
95.59%의 정확도를 알 수 있었다.
그림 10. LSTM 모델 기반 상태 기법의 혼동행렬
Fig. 10. Confusion matrix of LSTM model-based state determination technique
표 2는 상태 판별을 위한 LSTM 모델의 평가 지표에 의한성능 결과를 나타낸다. 표 2와 같이, 비정상 부하, 비정상 부하 시 역방향 회전, 물없는 공회전 및 역방향 회전의 성능평가 지표인 F1-score는 각각 0.95, 0.98,
0.96 및 0.93으로 평균은 0.96임을 알 수 있었다. 또한, Precision 및 Recall의 평균은 0.96, 0.95임을 알 수 있었다.
표 2 상태 판별을 위한 LSTM 모델의 평가 지표를 통한 성능 결과
Table 2 Performance results through evaluation metrics of LSTM model for state determination
|
Case
|
Precision
|
Recall
|
F1-Score
|
|
Abnormal
|
0.90
|
1.00
|
0.95
|
|
Abnormal_reverse
|
0.95
|
1.00
|
0.98
|
|
Nowater
|
1.00
|
0.92
|
0.96
|
|
Reverse
|
1.00
|
0.88
|
0.93
|
|
Average of 4 states
|
0.96
|
0.95
|
0.95
|
4.3 결과 및 고찰
표 3은 SVM 및 LSTM 모델의 평가 지표에 따른 상태 판별의 성능 비교를 나타낸다. 표 3과 같이, LSTM 모델 기반 상태 판별의 Precision은 0.96, SVM 모델 기반의 상태 판별의 Precision은 0.88으로서, LSTM
모델의 Precision이 0.08 크게 나타났다. LSTM 상태 판별의 Recall은 0.95, SVM 상태 판별의 Recall은 0.69로서,
LSTM 모델의 Recall이 0.26 크게 나타났다. LSTM 상태 판별의 F1-Score는 0.95, SVM 상태 판별이 F1-Score는 0.73으로서,
LSTM 모델의 F1-Score가 0.22 크게 나타났다. 특히, 정확도의 경우에는, LSTM 모델이 SVM 모델보다 상태 판별의 성능이 23.53%
높게 나타났다. 따라서 본 데이터 마이닝 기반 상태 판별 기법에서는, 다양한 성능 지수의 비교 결과를 통하여 LSTM 모델의 성능이 더 우수한 것을
알 수 있었다.
표 3 SVM 및 LSTM 모델의 상태 판별의 성능 비교
Table 3 Performance comparison of state determination by evaluation metrics between
SVM and LSTM models
|
Model Type
|
Precision
|
Recall
|
F1-Score
|
Accuracy
|
|
SVM
|
0.88
|
0.69
|
0.73
|
72.06%
|
|
LSTM
|
0.96
|
0.95
|
0.95
|
95.59%
|
5. 결 론
전동기에서 사고가 발생할 경우, 수명 단축, 막대한 복구 시간 및 비용이 소요되기 때문에, 보호 방안이 모색되어야 한다. 최근 설비 상태의 예지 보전의
활용성 확대를 위하여 AI 기법의 적용이 주목을 받고 있다. 본 논문에서는 EOCR 기반 MCC를 위한 AI를 응용한 예지보전 기술 개발과정에서,
데이터 마이닝 기법의 SVM 및 LSTM 모델을 이용한 상태 판별 기법을 제안하였다. 실 계통 펌프 시스템에서 수집한 데이터를 활용하여 데이터 셋을
구성하였으며, SVM 모델과 LSTM 모델을 이용한 상태 판별 기법을 구현하여 성능을 비교하였다. SVM 모델의 경우, 학습에 걸리는 시간은 약 10초,
LSTM 모델의 경우, 학습에 걸리는 시간은 약 1시간으로 학습 속도 측면에서는 SVM 모델이 우수한 것을 알 수 있었다. 그러나, 두 모델 시험
시, SVM 모델과 LSTM 모델의 상태 판별 시간은 약 0.1초 이내로서, 동일하게 나타났다. 두 모델의 혼동행렬, Precision, Recall
및 F1-score의 평가 지표를 비교한 결과, LSTM 모델이 SVM 모델보다 전반적으로 더 우수하게 상태를 판별할 수 있는 것을 알 수 있었다.
향후, 신뢰성을 개선하기 위하여 많은 데이터를 수집, 검증할 예정이다.
References
C. W. Park, Y. G. Lee, et al., “Development of smart EOCR system technology with AI-based
fault prediction and improved power quality function for MCC,” Ministry of SMEs and
Startups, Final Report, pp. 1∼91, 2024. 6.
C. W. Park, K. M. Lee, “Test Report,” GWNU, pp. 1-14, 2024. 6.
C. W. Park, Y. K. Lee, et al., “Comparison of Status Classification Technique for
Smart EOCR using Data Mining,” 2024 KIEE Summer Conf., KO022, 2024. 7.
S. H. Lee, “‘Equipment predictive maintenance technology’, the core of smart factories,”
Instrumentation Technology, pp. 124-129, 2017. 11.
Y. J. Go, “A Study on Electrical Faults Verification and Diagnosis of Three-phase
Induction motor,” Chonnam National University, Ph.D's Thesis, pp. 1-165, 2016. 8.
J. Y. Seo, et al., “Development of the System Controller for Multi Functional Motor
Protection,” 2016 Korea Information and Communication Society Fall Conference, pp.
830-832, 2016. 10.
K. D. Kim, “A Study on the Fault Diagnosis and Predictive Maintenance of Three-phase
Induction Motor using Electrical Signal Analysis,” Seoul National University of Science
and Technology, Master's Thesis, pp. 1-116, 2022. 2.
M. Rezaee, et al., “Kalman filter based sensor fault detection and identification
in an electro-pump system,” 2017 5th International Conference on Control, Instrumentation,
and Automation, pp. 12-17, 2017.
S. Bundasak, P. Wittayasirikul, “Predictive maintenance using AI for Motor health
prediction system,” 2022 International Electrical Engineering Congress, pp. 1-4, 2022,
5.
L. Zhao, H. Sun, “Motor Fault Diagnosis Based on D-S Evidence Theory Information Fusion
Algorithm,” 2024 ICICACS, pp. 1-7, 2024.
P. Zitha, B. A. Thango, “On the Study of Induction Motor Fault Identification using
Support Vector Machine Algorithms,” 2023 SAUPEC Conference, Johannesburg, South Africa,
January 2023.
F. M. Siraj, J. Uddin, K. Choi, et al., “Few-Shot Lightweight SqueezeNet Architecture
for Induction Motor Fault Diagnosis Using Limited Thermal Image Dataset,” IEEE Access,
vol. 12, pp. 50986-50997, April 2024.
저자소개
He was born in Korea. He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering
from Gangneung-Wonju National University, Wonju, Korea, in 2014, 2017, and 2023, respectively.
He is a post-doctor at Gangneung-Wonju National University, since 2023. He is a lecturer
at Myongji College, since 2024. His research interests include Smartgrid, LVDC, Microgrid,
RES, PMU, AI application of power system, power system modeling & control, and power
system protection. He is a member of the KIEE, KIIEE, and IEEE. Dr. Lee was awarded
the Paper Prize of KIIEE in 2020, the Best Paper of the APAP in 2021, and the Best
Paper of KOWEPO in 2021, 2022, and the Best Paper of KHNP in 2023, and the Best Paper
of KERI in 2024.
Tel : 033-760-8796, Fax : 033-760-8781
E-mail : point2529@gwnu.ac.kr
He was born in Korea. He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering
from Sungkyunkwan University, Seoul, Korea, in 1988, 1990, and 1996, respectively.
From 1989 to 1993 he was an associate researcher at Lucky GoldStar Industrial Systems.
From 1993 to 1996, he was a senior researcher at PROCOM system and lecturer at S.K.K.
University. At present, he is a professor in the Department of Electrical Engineering
at Gangneung-Wonju National University, since 1997. His research interests include
power IT, IED, LVDC, MVDC, Microgrid, Hybrid, RES, PMU, AI application to power grid,
power system modeling & control, and computer application in power system. He is a
member of the KIEE, KIIEE, and IEEE. Dr. Park was awarded the Paper Prize of KIEE
in 2010, 2020, the Paper Prize of the KOFST in 2017, the Best Paper of the APAP in
2021, the Best Paper of KOWEPO in 2021, 2022, and the Best Paper of KHNP in 2023,
and the Best Paper of KERI in 2024.
Tel : 033-760-8786
Fax : 033-760-8781
E-mail : cwpark1@gwnu.ac.kr