Failure Detection in Chemical Processes using Symbolic Machine Learning: A Case Study on Ethylene Oxidation

이 논문은 안전이 중요한 화학 공정 분야에서 설명 가능성과 해석 가능성이 부족하며 실제 고장 데이터가 희소한 기존 AI 의 한계를 극복하기 위해, 에틸렌 산화 공정을 사례로 상징적 기계 학습을 활용하여 고장을 예측하고 해석 가능한 규칙 기반 모델을 생성하는 방법을 제안합니다.

핵심

🏭 1. 문제: "화학 공장은 왜 위험할까요?"

화학 공장은 고온, 고압의 위험한 물질을 다루는 곳입니다. 마치 거대한 압력밥솥을 계속 켜놓고 있는 것과 비슷하죠. 만약 이 압력밥솥의 안전장치가 고장 나면, 폭발이나 유독 가스 누출 같은 끔찍한 사고가 날 수 있습니다. (실제로 과거에 보팔이나 세베소 같은 큰 사고가 있었죠.)

지금까지 공장 안전을 지키는 방법은 두 가지였습니다:

1. 사람의 눈: 숙련된 작업자가 계기판을 보고 "아, 온도가 좀 이상하네?"라고 판단합니다.
2. 기존 AI (신경망): 컴퓨터가 방대한 데이터를 보고 "이상하다"고 알려줍니다. 하지만 이 AI 는 "왜 이상한지" 설명을 못 합니다. (블랙박스 문제). 또한, 실제 사고 데이터가 거의 없어서 AI 가 제대로 배우기 어렵습니다.

🕵️ 2. 해결책: "기억력이 좋은 형사 AI"

이 논문은 "상징적 기계 학습 (Symbolic Machine Learning)" 이라는 새로운 방법을 제안합니다.

• 기존 AI (신경망): "이 숫자 조합이 위험해!"라고만 외칩니다. 이유를 모릅니다.
• 이 논문의 AI (상징적 학습): "A 가 낮아지면 B 가 올라가고, 그래서 C 가 폭발할 수 있어!" 라는 규칙 (법칙) 을 찾아냅니다. 마치 형사가 단서를 모아 범인의 동기와 방법을 추리하는 것과 같습니다.

이 시스템의 이름은 DisPLAS입니다. 이 AI 는 데이터에서 이해하기 쉬운 규칙 (If-Then 문장) 을 찾아냅니다.

🎮 3. 실험: "가상 현실 (시뮬레이션) 에서의 훈련"

실제 화학 공장에서는 사고 데이터를 구하기 어렵습니다. 사고가 나기 전에 데이터를 모으는 건 불가능하니까요. 그래서 연구팀은 가상의 공장 (시뮬레이션) 을 만들었습니다.

• 상황: 에틸렌이라는 가스를 산소와 섞어 에틸렌 옥사이드를 만드는 공장입니다.
• 훈련 방법: 컴퓨터 시뮬레이션에서 고의로 고장 (예: 밸브가 막힘, 압력 감소) 을 일으켜보며 데이터를 모았습니다. 마치 비행기 조종사 훈련용 시뮬레이터에서 다양한 비상 상황을 연습하는 것과 같습니다.
• 목표: 이 가상의 데이터를 바탕으로 AI 가 "어떤 증상이 나타나면 어떤 고장이 일어날 것이다"라는 규칙을 찾아내게 했습니다.

📊 4. 결과: "이해할 수 있는 예측"

연구팀은 이 AI 를 기존에 쓰던 다른 AI 들 (랜덤 포레스트, 신경망 등) 과 비교했습니다.

• 성적: 이 AI 는 다른 AI 들보다 정확도도 더 높았습니다.
• 장점: 가장 큰 차이는 설명 가능성입니다.
  • 다른 AI: "위험합니다 (99%)." (왜? 모름)
  • 이 논문의 AI: "압력계 (P1) 가 39 bar 이상으로 올라가고, 냉각수 온도가 295 도 이하로 떨어졌다면, '냉각수 밸브가 잠긴 상태' 일 확률이 높습니다."

이렇게 규칙 (Rule) 형태로 결과를 내놓기 때문에, 공장 작업자는 AI 가 왜 그렇게 판단했는지 바로 이해할 수 있습니다.

🤖 5. 미래: "AI 와 사람이 손잡는 시대 (Industry 5.0)"

이 논문은 이 기술을 어떻게 실제 공장에 적용할지 제안합니다.

• 팀워크: 하나의 AI 가 모든 걸 하는 게 아니라, 여러 개의 작은 AI 에이전트들이 팀을 이뤄 일합니다.
  • 에이전트 A: "전체 공장의 흐름을 보고 큰 그림을 파악합니다."
  • 에이전트 B, C: "각각 특정 부분 (예: 압력계, 온도계) 의 이상을 감시합니다."
• 협력: 여러 에이전트가 "여기 문제가 있다"고 입을 모아 말하면, 작업자는 그 정보를 믿고 조치를 취할 수 있습니다.
• 학습: 실제 사고가 나면, 그 데이터를 다시 AI 에게 주면 AI 는 더 똑똑해집니다.

💡 핵심 요약 (한 줄 정리)

"이 논문은 화학 공장의 사고를 막기 위해, '왜' 위험한지 설명할 수 있는 규칙을 스스로 찾아내는 똑똑한 AI 를 개발했습니다. 이는 복잡한 블랙박스 AI 대신, 작업자가 이해하고 신뢰할 수 있는 '디지털 형사'를 도입하는 것입니다."

이 기술이 발전하면, 화학 공장뿐만 아니라 원자력 발전소나 대형 선박 등 안전이 생명인 모든 산업에서 AI 와 사람이 협력하여 더 안전한 세상을 만들 수 있을 것입니다.

기술 요약

이 논문은 화학 공정 산업에서 안전성 확보를 위해 **상징적 기계 학습 (Symbolic Machine Learning)**을 활용하여 공정 고장을 탐지하는 새로운 방법론을 제시하고, 이를 에틸렌 산화 (Ethylene Oxidation, EO) 공정을 사례 연구로 검증합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem)

화학 공정 산업은 고압, 고온, 독성 및 폭발성 물질을 다루기 때문에 안전이 최우선입니다. 그러나 최근 AI 기술의 발전에도 불구하고, 화학 공정 분야에서는 다음과 같은 이유로 대규모 신경망 기반 접근법 (딥러닝) 의 적용이 제한적입니다.

• 설명 불가능성 (Lack of Explainability): 신경망은 '블랙박스' 성향이 강해, 왜 특정 고장이 발생했는지 인간 운영자가 이해하기 어렵습니다. 안전이 중요한 환경에서는 의사결정의 근거를 명확히 해야 합니다.
• 데이터 부족: 실제 산업 현장에서 발생한 고장 데이터는 드물며, 데이터가 존재하더라도 희소성 (Sparsity) 이 심합니다.
• 신뢰성: 신경망 모델은 노이즈에 취약하고 (brittle), 예측 결과에 대한 신뢰를 얻기 어렵습니다.

2. 방법론 (Methodology)

이 연구는 **DisPLAS (Discretized Probabilistic Learning from Answer Sets)**라는 상징적 기계 학습 시스템을 기반으로 한 프레임워크를 제안합니다.

• 핵심 기술 (DisPLAS):

  • 기반: FastLAS 시스템의 확률적 확장 버전으로, 노이즈가 포함된 데이터에서 확률적 규칙 (Probabilistic Rules) 을 학습합니다.
  • 학습 방식: 논리 프로그래밍 (Answer Set Programming, ASP) 을 사용하여, 공정 변수와 고장 간의 인과 관계를 '규칙' 형태로 추출합니다.
  • 데이터 생성: 실제 고장 데이터가 부족하므로, 산업용 공정 시뮬레이터인 **AVEVA Process Simulation (APS)**을 사용하여 에틸렌 산화 공정을 모델링하고, 다양한 고장 시나리오 (압력 저하, 유량 이상, 밸브 고장 등) 를 인위적으로 생성하여 데이터를 확보했습니다.

• 학습 태스크 (Learning Tasks):

  1. 정적 태스크 ($T_{static}$): 공정 내 일반적인 인과 관계 (Cause-Effect Relations) 를 학습합니다. 예를 들어, "압력 저하가 발생하면 하류의 온도가 어떻게 변하는가"와 같은 장기적인 추세를 파악합니다.
  2. 동적 태스크 ($T_{dynamic}$): 고장 발생 직후의 관측 데이터를 기반으로 **고장 분류 (Failure Classification)**를 수행합니다. 특정 시간 ($t_{short\_term}$) 내의 공정 변수 변화 패턴을 분석하여 어떤 고장이 발생했는지 확률적으로 예측합니다.

• 데이터 전처리:

  • 연속적인 공정 변수 (압력, 온도 등) 를 이산적인 '버킷 (Bucket)'으로 변환하여 논리 규칙 학습에 적합하게 만듭니다.
  • 실제 센서 데이터 (온도, 압력, 유량 등) 와 시뮬레이션 데이터를 결합하여 학습합니다.

3. 주요 기여 (Key Contributions)

1. 상징적 기계 학습의 화학 공정 적용: 화학 공정 안전 분야에서 데이터 기반 논리 학습 기법을 고장 분류에 적용한 최초의 사례 중 하나입니다.
2. 해석 가능한 고장 탐지 모델: 신경망 기반 모델과 달리, 컴팩트한 규칙 기반 (Rule-based) 모델을 생성하여 고장 원인을 인간이 이해할 수 있는 형태로 제공합니다.
3. 성능 비교 및 검증: 랜덤 포레스트 (Random Forest), 다층 퍼셉트론 (MLP), SVM 등 기존 머신러닝 기법 (Baseline) 과 비교하여, 해석성을 유지하면서도 동등하거나 더 높은 정확도를 달성함을 입증했습니다.
4. 에이전트 기반 협업 프레임워크 제안: 학습된 규칙을 기반으로 한 AI 에이전트들이 실시간 공정 데이터를 모니터링하고, 운영자의 의사결정을 지원하는 'Human-in-the-loop' (Industry 5.0) 솔루션을 구상했습니다.

4. 실험 결과 (Results)

• 성능: DisPLAS 기반 모델은 다양한 학습 파라미터 설정에서 랜덤 포레스트, MLP 등 기존 Baseline 모델들보다 높은 AUC (Area Under Curve) 값을 기록했습니다. 특히, 비자명한 (Non-trivial) 고장 (직관적으로 파악하기 어려운 고장) 을 탐지하는 데 효과적이었습니다.
• 해석성: 생성된 규칙은 공정 물리 법칙과 일치했습니다.
  • 예: "압축기 전의 누출 (Leak) $\rightarrow$ 유량 감소 $\rightarrow$ 반응 열 감소 $\rightarrow$ 온도 하락"과 같은 인과 관계를 명확한 논리 규칙으로 도출했습니다.
  • 규칙의 길이가 짧고 명확하여 운영자가 신뢰할 수 있었습니다.
• 학습 파라미터 영향:
  • 학습 데이터의 양 (실행 횟수) 이 증가해도 정확도는 크게 변하지 않았으나, 규칙의 신뢰도는 일정 수준 유지되었습니다.
  • 관측 시간 ($t_{short\_term}$) 이 길어질수록 고장의 영향이 뚜렷해져 탐지 정확도가 향상되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 안전성과 신뢰성 확보: 화학 공장 운영자에게 "왜" 고장이 발생했는지 설명 가능한 AI 를 제공함으로써, 안전 규정 준수와 위기 대응 능력을 향상시킵니다.
• Industry 5.0 부합: 인간의 전문성과 AI 의 데이터 분석 능력을 결합한 협업 시스템을 제안하여, 지속 가능하고 안전한 산업 환경을 조성합니다.
• 향후 과제: 현재는 단일 고장만 가정했으나, 실제 공정은 여러 고장이 동시에 발생할 수 있습니다. 향후 신경 - 상징적 (Neuro-symbolic) 접근법이나 문제 분해 기법을 통해 확장성을 높이고, 동시 다발적 고장 탐지 능력을 강화할 필요가 있습니다.

요약하자면, 이 논문은 데이터 부족과 설명 가능성의 문제를 해결하기 위해 **상징적 AI (DisPLAS)**를 화학 공정 고장 탐지에 성공적으로 적용하였으며, 높은 정확도와 뛰어난 해석성을 동시에 달성한 실용적인 프레임워크를 제시했습니다.