Semi-physical Gamma-Process Degradation Modeling and Performance-Driven Opportunistic Maintenance Optimization for LED Lighting Systems

기술 요약: LED 조명 시스템을 위한 반물리적 감마 프로세스 열화 모델링 및 성능 기반 기회적 유지보수 최적화

1. 문제 정의

대규모 LED 조명 시스템은 두 가지 상충하는 메커니즘을 통해 퇴화한다: LED 패키지 열화로 인한 점진적인 광출력 감소와 드라이버 고장으로 인한 갑작스러운 정지이다. 기존의 유지보수 전략은 대개 부품 단위의 신뢰성이나 정적인 시운전 지수(예: 초기 평균 조도 및 균제도)에 의존하지만, 이러한 접근 방식은 장기적인 운영 기간 동안 발생하는 시스템 성능의 시공간적 진화를 포착하지 못한다.

본 연구가 다루는 핵심 과제는 다음과 같은 프레임워크의 부재이다:

1. 확률적 부품 열화 및 고장 모델을 물리 기반 공간 조명 시뮬레이션과 통합하는 것.
2. 시스템 수준의 "고장"을 단순히 부품의 파손이 아니라, 시간이 경과함에 따라 작업면 조도 요구사항(평균 조도 및 균제도)을 위반하는 것으로 정의하는 것.
3. 임의의 비용 가정을 배제하고, 성능 준수와 유지보수 자원 제약(현장 방문 및 교체) 사이의 균형을 맞추며 불확실성 하에서 기회적 유지보수(OM) 정책을 최적화하는 것.

2. 방법론

본 논문은 네 가지 주요 구성 요소로 이루어진 성능 중심의 시뮬레이션 인 더 루프(simulation-in-the-loop) 프레임워크를 제안한다:

A. 부품 단위 모델링 및 보정

• LED 패키지 열화: **반물리적 비균질 감마 프로세스(semi-physical non-homogeneous Gamma process)**를 사용하여 모델링된다. 평균 궤적은 지수적 루멘 유지 트렌드(IES TM-21과 일치)를 따르며, 확률적 특성은 경로의 불확실성을 포착한다. 형상 함수는 시간 종속적이다($\alpha(t) = A \exp(bt)$).
• 드라이버 고장: 와이불(Weibull) 수명 분포를 따르는 급격한 고장으로 모델링된다.
• 경합 고장 통합: 루미네어(조명기구)는 드라이버가 고장 나거나(상태 = 1) 패키지 열화가 $L_{70}$ 임계값을 초계할 때(상태 = 1) 고장된 것으로 간주된다.
• 베이지안 보정: 감마 프로세스 및 와이불 분포의 매개변수는 여러 응력 온도에서의 LM-80 가속 열화 테스트(ADT) 데이터로부터 추론된다. 선형 가속 모델(아레니우스 관계식)을 통해 이 매개변수들을 운전 조건으로 외삽하며, 베이지안 추론을 통해 인식론적 불확실성을 정량화하여 시스템 시뮬레이션으로 전파한다.

B. 시스템 수준 성능 매핑

• 물리 기반 시뮬레이션: Radiance 광선 추적 엔진은 루미네어의 상태(열화 수준 및 정지 상태)를 방의 기하학적 구조, 표면 반사율 및 광도 데이터를 고려하여 작업면 조도 분포로 매핑한다.
• 동적 결핍 지표: 정적 지표(평균 조도 $E_{avg}$ 및 균제도 $U$)는 장기적인 **결핍 비율(Deficiency Ratio, DR)**로 변환된다. 이 지표는 이벤트 간격 사이의 위반 지속 시간을 기반으로, 시스템이 적어도 하나의 표준 요구사항($E_{avg} < S_E$ 또는 $U < S_U$)을 위반하는 운영 기간의 비율을 계산한다.

C. 대리 모델 기반 가속화

• 몬테카를로 정책 평가를 위해 수천 번의 Radiance 시뮬레이션을 실행해야 하는 계산적 난해함을 극복하기 위해, **선형 대리 모델(linear surrogate model)**을 개발한다.
• 빛의 중첩 원리에 기초하여, 조도는 루미네어 출력 스케일링 벡터의 아핀 함수(affine function)로 모델링된다.
• 대리 모델은 제한된 수의 Radiance 실행(Sobol 시퀀스를 사용한 샘플링)으로 생성된 데이터셋을 통해 학습되며, 매우 높은 충실도($R^2 = 0.9999$)를 달면서도 평가 시간을 스냅샷당 몇 분에서 밀리초 단위로 단축한다.

D. 최적화 프레임워크

• 정책 수립: 기회적 유지보수 정책은 예방적 유지보수(PM) 간격($T_{PM}$)과 OM 임계값($H_{OM}$)이라는 두 가지 결정 변수에 의해 정의된다. 유지보수 이벤트(PM 또는 교정 유지보수)가 발생하면, 다음 예정된 PM까지의 잔여 시간이 $H_{OM}$ 창 내에 있는 다른 루미네어들도 함께 교체된다.
• 다목적 최적화: 프레임워크는 다음 세 가지 목적 함수에 대해 파레토 최적(Pareto-optimal) 해를 찾는다:
  1. 장기 결핍 비율($R_{DR}$) 최소화.
  2. 총 현장 방문 횟수($N_{tv}$) 최소화.
  3. 총 교체 횟수($N_{tr}$) 최소화.
• 평가: 이산 사건 몬테카를로 시뮬레이터는 확률적 열화 궤적과 대리 모델 기반 성능 매핑을 포함하여 50년의 기간 동안 후보 정책들을 평가한다.

3. 주요 기여

본 논문은 다음과 같은 구체적인 기여를 주장한다:

• 동적 시스템 수준 지표: 정적 시운전 지수를 장기적 동적 결핍 지표로 확장하여, 요구사항 위반 지속 시간을 정량화함으로써 시스템 수준의 성능 실패를 명시적으로 정량화한다.
• 프로그래밍 가능한 파이프라인: 확률적 루미네어 상태 궤적을 물리 기반 조명 모델을 통해 몬테카를로 평가로 전달하는 자동화된 열화-시뮬레이션-지표 워크플로우를 구축한다.
• 불확실성 인지 모델링: 패키지를 위한 반물리적 비균질 감마 프로세스와 드라이버를 위한 와이불 모델을 통합하고, 이를 ADT 데이터로부터 베이지안 추론을 통해 보정하여 매개변수 불확실성을 하위 시뮬레이션으로 전달한다.
• 확장 가능한 정책 평가: 반복적인 광선 추적을 대체하는 대리 모델 기반 성능 매핑을 도입하여, 충실도 손실을 거의 없이 대규모 몬테카를로 정책 탐색을 가능하게 한다.
• 다목적 트레이드오프 분석: 특정 비용 데이터 없이도 성능 결핍과 자원 프록시(방문 및 교체) 사이의 균형을 맞추는 파레토 최적 유지보수 정책을 식별하는 시뮬레이션 인 더 루프 최적화를 입증한다.

4. 결과

본 프레임워크는 76개의 LED 루미네어를 갖춘 퀸즐랜드 공과대학교의 대형 사무 구역(Zone 1) 사례 연구에 적용되었다.

• 보정: 베이지안 추론은 55°C, 85°C, 105°C에서의 LM-80 데이터를 감마 프로세스 매개변수에 성공적으로 피팅하였으며, 사후 예측 궤적은 관측된 데이터와 일치하였다. 모델은 45°C 운전 조건으로 외삽되었다.
• 파레토 프런트 분석: 최적화는 36개의 통계적으로 견고한 비지배(non-dominated) 정책을 식형하였다.
  • 트레이드오프: 교체 횟수와 현장 방문 횟수 사이에 명확한 트레이드오프가 존재한다. 공격적인 기회적 정책(낮은 $T_{OM}$)은 교체 횟수를 줄이지만, 적절히 조정되지 않을 경우 현장 방문을 증가시킬 수 있다. 반면, 보수적인 정책(높은 $T_{OM}$)은 교체 횟수를 줄이지만, 교정 조치의 지연으로 인해 결핍 비율과 현장 방문 횟수를 크게 증가시킨다.
  • 정책 유형: 분석을 통해 "PM 주도형" 정책(예정된 유지보수가 지배적인 경우)과 "CM 주도형" 정책(고장 발생에 의한 유지보수가 지배적인 경우)을 구분하였다.
• 민감도 분석: 드라이버 신뢰성의 변화(드라이버가 패키지보다 일찍 혹은 늦게 고장 나는 시나리오)는 파레토 프런트를 크게 이동시켰다. 조기 드라이버 고장(시나리오 S3)은 총 교체 횟수와 현장 방문 횟수의 급격한 증가를 초래하여, 유지보수 계획에 있어 부품 신뢰성 가정의 결정적 영향을 강조하였다.
• 계산 성능: 대리 모델은 10,000번의 시뮬레이션에 소요되는 계산 시간을 직접 Radiance를 사용할 때 예상되는 약 700일에서 약 20초로 단축하여 최적화를 가능하게 하였다.

5. 의의 및 주장

본 논문은 자신의 주요 의의가 조명 시스템 유지보수의 패러다임을 부품 중심 또는 정적 시운전 중심 접근 방식에서 성능 중심의 동적 프레임워크로 전환하는 데 있다고 주장한다.

• 의사결정 지원: 파레토 최적해를 제공함으로써, 본 프레임워크는 시설 관리자가 자신의 우선순위에 따라 조명 품질(결핍 비율)과 운영 노력(방문 및 교체) 사이의 균형을 맞출 수 있는 다양한 옵션을 제공한다.
• 불확실성 전파: 베이지안 보정을 통한 매개변수 불확실성의 명시적 처리는 열화 및 고장 과정의 내재적 가변성에 대해 유지보수 결정이 견고함을 보장한다.
• 확장성: 대리 모델 기반 가속화는 물리 기반 조명 시뮬레이션의 높은 비용으로 인해 어려웠던 대규모 시스템의 장기 최적화를 계산적으로 가능하게 한다.
• 실용성: 구체적인 화폐적 비용 대신 자원 프록시(방문 및 교체)를 사용함으로써, 상세한 비용 데이터가 없는 경우에도 이 프레임워크를 유지보수 계획의 필수적인 트레이드오프를 포착하며 적용할 수 있다.

저자들은 현재 프레임워크가 자원 프록시를 사용하고 있으나, 향-후 연구에서 더 풍부한 비용 모델과 공간적 이질성(위치별 중요도)을 통합하여 현장 적용성을 더욱 높일 수 있다고 결론짓는다.