An Integrated IoT-Based Predictive Maintenance Framework for Industrial Electrical Assets: A Hybrid Deep Learning Approach

기술 요약: 산업용 전기 자산을 위한 통합 IoT 기반 예지 보전 프레임워크

문제 정의
산업 생산의 연속성과 에너지 효율은 유도 전동기 및 배전 변압기와 같은 전기 자산의 신뢰할 수 있는 운영에 크게 의존합니다. 예지 보전(Predictive Maintenance, PdM)의 발전에도 불구하고, 기존 방식은 종종 파편화된 의사 결정 과정과 고립된 센싱 모달리티에 대한 의존성으로 인해 어려움을 겪습니다. 전통적인 방법은 진동 및 열 모니터링에 의존하는 경우가 많은데, 이는 침습적인 센서 설치를 요구하며 확장성 문제를 야기합니다. 또한, 현재의 많은 연구는 결함 탐지, 이상 징후 식별, 유지보수 예측을 별개의 과제로 취급하여, 초기 이상 탐지를 실행 가능한 유지보수 권고 및 에너지 성능 최적화와 단일 프레임워크 내에서 통합하는 데 실패하고 있습니다. 또한, 전기적 및 전기기계적 초기 결함을 감지하기 위해 고해상도 전기 및 고조파 다변량 시그니처를 주요 센싱 모달리티로 활용하는 데 있어서도 격차가 존재합니다.

방법론
본 논문은 전기 시그니처 분석과 실행 가능한 유지보수 전략 사이의 간극을 메우기 위해 설계된 통합 IoT 기반 PdM 어시스턴트를 제안합니다. 방법론은 네 가지 핵심 구성 요소로 구조화됩니다:

1. 하드웨어 및 센싱 아키텍처: 시스템은 ADE9000 집적 회로와 ESP32 마이크로컨트롤러를 기반으로 한 분석기급(analyzer-grade) IoT 센싱 플랫폼을 사용합니다. 이 설정은 IEC 61000-4-30 Class S 측정 정확도를 목표로 하는 8 kHz 샘플링 속도를 통해 고해상도 전기 모니터링을 가능하게 합니다. 하드웨어는 기존 패널로부터 전압, 전류, 전력 및 고조파 지표를 비침습적으로 캡처합니다. 데이터는 탄력적이고 저지연인 MQTT 기반 텔레메트리 스택을 통해 클라우드 인프라로 전송됩니다.
2. 특징 공학(Feature Engineering): 다층 특징 공학 프레임워크는 약 67개의 기본 전기 측정값(RMS 값, 전력 성분, 고조파 크기 포함)을 328차원의 파생 특징 공간으로 확장합니다. 이러한 확장은 복잡한 결함 패턴에 대한 진단 분리성을 높이기 위해 고조파 거동, 위상 불균형, 효율 지표 및 시간적 역학을 포착합니다.
3. 하이브리드 이상 탐지 파이프라인: 핵심 예측 엔진은 두 단계의 하이브리드 시계열 모델링 접근 방식을 채택합니다:
   • Prophet: 시계열 데이터를 추세(trend), 계절성(seasonality), 이벤트 성분으로 분해하는 첫 번째 단계로 사용됩니다. 이를 통해 생산 교대 근무 및 부하 사이클과 같은 거시적 패턴을 격리하여 "정상 동작" 베이스라인을 구축합니다.
   • LSTM (Long Short-Term Memory): 두 번째 단계에서는 Prophet에 의해 생성된 잔차(residual) 시퀀스를 분석하기 위해 LSTM 네트워크를 활용합니다. LSTM은 이 잔차들의 단기 및 중기 시간적 의존성을 학습하여 이상 징후의 강도를 정량화합니다.
   • 퓨전 및 의사 결정: 시스템은 LSTM의 순차적 오차 기반 점수와 다변량 편차 점수(예: 마할라노비스 거리)를 결합하여 통합 이상 지표를 생성합니다. 이 지표는 우선순위가 지정된 유지보수 조치(즉시, 계획됨 또는 모니터링)로 매핑되며 특정 전력 품질 저하와 연결됩니다.
4. 설명 가능성(Explainability): 프레임워크에는 이상 징후 지표를 설명 가능한 보고서로 변환하는 의사 결정 레이어가 포함되어 있으며, 어떤 특징(예: 특정 고조파 대역 또는 불균형 지표)이 탐지된 편차에 가장 크게 기여했는지 식별합니다.

주요 기여
본 연구는 산업용 PdM 분야에 네 가지 주요 기여를 합니다:

• 고해상도 센싱: 8 kHz 샘플링 및 Class S 정확도를 갖춘 IoT 플랫폼을 배치하여 미세한 전기적 및 전기기계적 이상 징후 탐지를 가능하게 합니다.
• 고급 특징 공간: 고조파 및 효율 역학을 포착하도록 특별히 설계된, 67개의 기본 측정값에서 파생된 328차원의 특징 공간을 생성합니다.
• 하이브리드 모델링: 분해적 예측의 해석 가능성과 딥러닝의 잔차 분석 능력을 결리한 Prophet-LSTM 하이브리드 파이프라인을 도입합니다.
• 통합 의사 결정 지원: 결함을 예측할 뿐만 아니라 에너지 비효율성과 탄소 배출량을 정량화하여 기술적 이상을 경제적 및 환경적 영향과 연결하는 설명 가능한 레이어를 개발했습니다.

실험 결과
프레임워크는 산업 시설의 핵심 냉각 그룹 모터에 4개월간 배치되어 검증되었습니다. 주요 결과는 다음과 같습니다:

• 결함 탐지: 시스템은 5차 및 11차 고조파(역상 고조파)의 상승 추세를 기계적 베어링 마모 및 저널 슬라이딩과 성공적으로 상관 관계를 맺었습니다. 또한 위상 불균형 분석을 통해 느슨한 연결 및 권선 저항 문제를 식별하였으며, 이를 그리드 유발 문제와 구별하였습니다.
• 성능 지표: 하이브리드 Prophet-LSTM 모델은 전통적인 규칙 기반 알람보다 성능이 월등히 뛰어났습니다. 이상 탐지 측면에서 하이브리드 모델은 정확도 0.94, 정밀도 0.92, 재현율 0.90, F1-스코어 0.91을 달성한 반면, 규칙 기반 시스템은 각각 0.78, 0.69, 0.65, 0.67을 기록했습니다.
• 에너지 및 환경적 영향: 시스템은 에너지 손실을 정량화하여, 한 모터의 높은 고조파 왜곡이 연간 27~28톤에 해당하는 CO2 배출을 초래함을 추정했습니다. 위상 불균형이 발생한 또 다른 모터는 연간 약 12톤의 CO2를 기여했습니다. 분석 결과, 수동 필터를 적용하거나 연결을 수정함으로써 각각 5% 이상 및 약 3.5%의 효율을 회복할 수 있음을 시사했습니다.
• 절제 연구(Ablation Study): 비교 연구를 통해 하이브리드 접근 방식이 단독 Prophet 및 LSTM 모델보다 우수함을 확인하여, 디트렌딩(detrending)을 위한 Prophet과 잔차 이상 탐지를 위한 LSTM 사용의 시너지를 입증했습니다.

의의 및 주장
본 논문은 제안된 프레임워크가 산업용 PdM을 위한 포괄적이고 확장 가능하며 설명 가능한 솔루션을 제공한다고 주장합니다. 고해상도 전기 시그니처를 활용함으로써, 시스템은 보조 진동 센서에 대한 의존도를 줄이는 동시에 전기적 및 기계적 결함을 모두 탐지합니다. 에너지 효율 분석을 유지보수 의사 결정 루프에 직접 통합하는 것은 에너지 최적화가 종종 부차적인 목표로 취급되는 기존 문헌의 중요한 격차를 해소합니다. 저자들은 이 접근 방식이 유지보수 최적화를 위한 실행 가능한 통찰력을 제공하며, 전기적 비효율성의 탄소 발자국을 정량화함으로써 산업 탈탄소화에 기여한다고 주장합니다. 본 연구는 하이브리드 딥러닝 접근 방식이 복잡한 전기 데이터와 실질적인 유지보수 전략 사이의 간극을 효과적으로 메우며, 정적인 규칙 기반 전문가 시스템에 대한 강력한 대안을 제공한다고 결론짓습니다.