Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence

기술 요약: 풍력 터빈 유지보수 로그를 위한 LLM 기반 데이터 교정 및 강화

문제 정의
풍력 터빈 함대의 노후화에 따라, 서비스 수명을 연장하고 균등화 발전 비용(LCOE)을 절감하기 위해 운영 및 유지보수(O&M)를 최적화하는 것이 매우 중요해지고 있습니다. 그러나 신뢰성 공학 분야에는 심각한 병목 현상이 존재합니다. 즉, 가치 있는 고장 정보가 과거 유지보수 로그 내의 비구조화된 자연어 항목 속에 갇혀 있다는 점입니다. 컴퓨터화 유지보수 관리 시스템(CMMS)에 저장된 이러한 기록들은 계층적 시스템 코드의 누락 또는 오류, 의미론적 모호성, 일반적이거나 부정확한 유지보수 유형 라벨링과 같은 체계적인 데이터 품질 문제를 겪고 있습니다.

FMEA(고장 형태 및 영향 분석)와 같은 전통적인 신뢰성 방법론은 실증적 진실이 비구조화된 텍스트 속에 잠겨 있기 때문에, 고장 형태를 선별하고 위험 매개변수를 할당하는 과정에서 전문가의 주관적인 판단에 크게 의존합니다. 또한, 기존의 전통적인 자연어 처리(NLP) 및 머신러닝(ML)을 이용한 자동화 접근 방식은 방대한 양의 수동 라벨링 학습 데이터가 필요하며, 하위 신뢰성 계산을 왜곡하는 알고리즘 오분류를 초래하는 경우가 많습니다. 현재 업계에는 이러한 정성적인 현장 관찰 기록을 정량적인 기계 판독 가능 신뢰성 지표로 변환할 수 있는 확장 가능하고 자동화된 파이프라인이 부족한 실정입니다.

방법론
본 논문은 대규모 언어 모델(LLM)을 활용하여 유지보수 로그를 자율적으로 교정, 구조화 및 강화하는 새로운 모델 불가지론적(model-agnostic) 프레임워크를 제시합니다. 이 방법론은 2017년부터 2026년까지 9년 동안 32개의 육상 농장, 280대의 풍력 터빈에서 수집된 16,316개의 유지보수 로그 데이터셋을 대상으로 작동합니다.

자동화된 파이프라인은 다음과 같은 순차적인 다단계 프로세스를 실행합니다:

1. 데이터베이스 통합 및 전처리: 시스템은 WORKORDER, WORKLOG, FAILURECODE 테이블을 병합하여 각 개입(intervention)에 대한 통합된 연대기적 설명을 생성하고, 구문적 노이즈와 민감한 식별자를 제거합니다.
2. 분류 체계 정렬 및 시스템 코드 교정: 전력 발전용 참조 지정 시스템(RDS-PP)을 기준으로 삼아, LLM은 3단계 감사를 수행합니다. 여기에는 피치 시스템(pitch system)의 오분류 교정(종종 로터 블레이드 아래에 잘못 중첩됨), 누락된 시스템 코드 복구, 그리고 할당된 코드와 텍스트 설명 간의 의미론적 불일치 감사가 포함됩니다.
3. 경험적 분류 체계의 의미론적 추출: 로그는 교정된 시스템 코드 및 특정 구성 요소 토폴로지(예: 전기식 vs 유압식 피치 시스템)별로 배치(batch) 처리됩니다. LLM은 이 배치들을 분석하여 유지보수 작업과 고장 형태에 대한 근거 기반 사전(dictionary)을 구축하며, 고장 형태를 이름, 주요 메커니즘, 관찰된 증상 및 후보 원인으로 정의합니다.
4. 세밀한 라벨링: LLM은 유도된 분류 체계를 적용하기 위해 개별 로그를 처리합니다. 이는 유지보수 유형(예: 교정 수리, 점검, 리셋의 구분)을 재분류하고 특정 작업 라벨을 할당합니다. 결정적으로, 시스템은 사고의 흐름(Chain-of-Thought, CoT) 추론 프레임워크를 채택하여, 모델이 최종 라벨을 확정하기 전에 근거(rationale)를 생성하고 스스로 신뢰 점수를 할당하도록 합니다.
5. 안전 장치 및 검증: 파이프라인은 비고장 이벤트(예: 정기 점검)를 처리하기 위한 결정론적 규칙과 정보가 없는 데이터를 위한 "탈출 카테고리(escape categories)"를 포함합니다. 300개의 로그를 무작위 샘플링하여 수동 검토를 실시한 결과, LLM 출력값과 전문가 판단 사이에서 80~90%의 일치율을 보였습니다.

주요 기여

• 자율적 데이터 구조화: 본 프레임워크는 수동으로 라벨링된 학습 데이터 없이도 계층적 시스템 코드를 자율적으로 교정하고 세밀한 고장 형태 프로파일을 추출함으로써 전체 데이터셋의 70% 이상을 성공적으로 구조화했습니다.
• 체계적 오분류 해결: 피치 시스템 결함이 더 넓은 범위의 로터 블레이드 범주로 오분류되거나, 점검 작업이 교정 수리로 잘못 라벨링되는 것과 같은 만연한 오류를 식별하고 해결했습니다.
• 근거 기반 분류 체계 생성: 주관적인 전문가 패널에 의존하는 전통적인 FMEA와 달리, 이 방법은 집계된 이력 증거로부터 직접 고장 형태 사전을 도출하여 특정 하드웨어 토폴로지에 특화된 주요 퇴화 메커니즘과 후보 원인을 포착합니다.
• 확장 가능하고 비용 효율적인 파이프라인: 이 접근 방식은 LLM이 수동 전문가 검토에 소요되는 시간과 비용의 극히 일부만 사용하여 복잡한 산업 데이터를 처리할 수 있음을 입증했습니다. 전체 데이터셋에 대한 총 처리 비용은 약 $370(로그당 약$0.0226)입니다.

결과
파이프라인 적용 결과, 데이터에서 유의미한 정량적 및 정성적 변화가 나타났습니다:

• 시스템 코드 복구: 계층적 결함이 있는 로그의 73.0%가 성공적으로 재라벨링되었습니다. 특히 피치 시스템 추출은 99.1%의 성공률을 달성하여, 일반적인 코드로 숨겨져 있던 결함을 분리해 냈습니다.
• 유지보수 유형 교정: 전체 데이터셋의 24.50%가 유지보수 유형이 교정되었습니다. 주요 발견 사항은 많은 "교정(corrective)" 로그가 "예방(preventive)" 또는 "점검(inspection)" 범주로 재분류되었다는 것이며, 이는 정확한 고장률 계산에 필수적입니다.
• 작업 세분화: 파이프라인은 이전에 비어 있던 로그의 8.27%에 대해 특정 작업 라벨을 복구했으며, 기존의 "수리(repair)" 대 "교체(replacement)" 비율을 역전시켜 교체가 일반적인 "수리" 라벨이 시사했던 것보다 훨씬 더 빈번했음을 밝혀냈습니다.
• 고장 형태 추출: 데이터의 71.5%가 종합적인 고장 형태 프로파일을 할당받았습니다. 도출된 경험적 사전은 블레이드 코팅 손상 및 진동 센서 탈거와 같은 구체적인 취약성을 강조했으며, 전기식 및 유압식 피치 시스템 간의 뚜렷한 퇴화 프로파일을 드러냈습니다.
• 분석적 영향: 구조화된 데이터는 주요 시스템의 인지된 고장률 순위를 변화시켰습니다. 예를 들어, 피치 시스템은 별도의 범주(데이터의 9.67%)로 부상했으며, 비고장 이벤트를 제거하고 오분류를 교정한 후 로터 블레이드 및 유압 시스템의 인지된 고장률은 크게 감소했습니다.

의의
본 논문은 이 방법론이 정성적인 현장 관찰을 정량적인 신뢰성 지표로 변환하는 매우 확장 가능하고 비용 효율적인 청사진을 제공한다고 주장합니다. 단순한 텍스트 분류를 넘어 깊은 의미론적 추론으로 나아감으로써, 이 프레임워크는 전통적인 FMEA의 내재된 주관성과 기존 ML 접근 방식의 데이터 병목 현상을 해결합니다.

그 의의는 다음과 같습니다:

1. 역사적 데이터의 활용: 수십 년간의 비구조화된 유지보수 로그를 고급 신뢰성 분석 및 근본 원인 분석(RCA)이 가능하도록 만듭니다.
2. 산업 표준화: 정적인 이론적 분류 체계에서 실제 운영 데이터로부터 도출된 동적이고 근거 기반인 유지보수 분류 체계로 전환하는 경로를 제시합니다.
3. 고급 분석 지원: 재생 에너지 분야 전반에 걸쳐 통합된 근본 원인 분석, 엄격하게 정량화된 위험 매개변수(발생 빈도, 심각도, 검출도)를 갖춘 개선된 FMEA, 그리고 고급 예지 보전 전략을 위한 토대를 마련합니다.

저자들은 본 연구가 풍력 터빈에 집중하고 있으나, 도메인 특화 분류 체계가 제공된다면 이 모듈형 아키텍처가 CMMS를 사용하는 다른 중공업 분야에도 적용 가능하다고 강조합니다. 본 연구는 이 접근 방식이 주관적인 전문가 추정에 대한 의존도를 낮추고, 근거 기반 자산 관리를 향한 체계적인 변화를 나타낸다고 결론짓습니다.