Adaptive unsupervised anomaly detection with dynamic recalibration for scalable industrial asset reliability monitoring

거대한 펌프들이 화학 물질을 순환시키며 공장을 가동하는 현대 산업의 거대하고 웅웅거리는 세계에서, 침묵은 종종 가장 위험한 소리가 되곤 합니다. 펌프와 같은 핵심 장비가 고장 나기 시작할 때, 그것은 대개 크고 명백한 경고를 보내지 않습니다. 대신, 장비는 정상적인 행동으로부터 서서히 멀어지며, 눈치채기 어려운 미세한 방식으로 그 리듬을 바꿉니다. 이러한 미세한 변화는 파괴적인 고장이 발생하기 전까지는 놓치기 쉽습니다. 수십 년 동안 엔지니어들은 온도, 압력 또는 진동에 대한 엄격한 한계치를 설정하는 고정된 알람을 사용하여 이러한 초기 징후를 포착하려고 노력해 왔습니다. 측정값이 특정 선을 넘으면 알람이 울립니다. 하지만 이 방식에는 근본적인 결함이 있습니다. 산업용 기계는 정적인 상태가 아니라는 점입니다. 기계는 노후화되고, 수리되며, 서로 다른 재료를 다루고, 변화하는 환경 속에서 작동합니다. 새 기계에는 완벽한 설정이 오래된 기계에서는 끊임없이 쓸데없는 알람을 발생시킬 수 있으며, 더 나쁜 경우에는 "정상" 범위가 조용히 이동했기 때문에 기계가 위험한 상태로 서서히 변해가고 있음에도 불구하고 알람이 울리지 않을 수도 있습니다. 따라서 과제는 특정 기계가 무엇이 "정상"인지를 학습하고, 편차를 감시하며, 과거의 고장 기록 라이브러리를 통해 배우지 않고도 기계가 변화함에 따라 스스로의 정상에 대한 이해를 업데이트할 수 있는 시스템을 구축하는 것입니다.

이것이 바로 인도의 석유 및 에너지 대학교(University of Petroleum and Energy Studies) 연구진이 해결하고자 했던 문제입니다. 그들은 고밀도 폴리에틸렌 생산 공정의 일부인 P-101 A/B로 알려진 중요한 펌프에 집중했습니다. 이 펌프는 매우 중요합니다. 반응기에서 열을 제거하기 위해 화학 슬러리를 순환시키기 때문입니다. 만약 이 펌프가 고장 나면 공정이 과열되거나, 슬러리가 굳어 임펠러를 막아버려 공장 전체를 가동 중단시킬 수 있습니다. 연구진은 고장 난 펌프의 사례를 단 하나도 보여주지 않고도 그러한 고장의 초기 징후를 포착할 수 있는 디지털 감시자를 만들 수 있는지 확인하고 싶었습니다. 컴퓨터에게 무엇이 고장인지 가르치는 대신, 그들은 무엇이 건강한 펌프인지를 가르쳤고, 그 후 건강한 패턴에서 너무 멀어지는 모든 것을 표시하도록 요청했습니다.

그들이 개발한 방법은 몇 가지 핵심 단계를 통해 원시 데이터를 명확한 경고로 바꾸는 놀라도록 간단한 방식에 의존합니다. 먼저, 시스템은 진동, 유량, 압력, 온도 등 펌프에 부착된 10개의 서로 다른 센서로부터 데이터를 수집합니다. 이 센서들은 서로 다른 단위를 측정하므로, 시스템은 먼저 데이터를 정규화하여 컴퓨터가 공정하게 비교할 수 있도록 공통 척도 위에 올려놓습니다. 그런 다음 시스템은 통계적 기법을 사용하여 이 복잡한 정보의 망을 단순화하고, 펌프가 정상적으로 작동할 때 어떻게 행동하는지를 설명하는 주요 패턴을 찾아냅니다. 이러한 핵심 패턴에 집중함으로써, 시스템은 "건강한" 작동에 대한 정신적 지도를 생성합니다. 시스템은 이 건강한 상태의 평균 위치를 계산한 다음, 현재의 행동이 그 중심점에서 얼마나 떨어져 있는지 측정합니다. 펌프가 정상적으로 작동하고 있다면 거리는 작습니다. 무언가 잘못되었다면 거리는 커집니다.

이 시스템을 장기적으로 유용하게 만들기 위해 연구진은 결정적인 기능인 동적 재보정(dynamic recalibration)을 추가했습니다. 과거에는 2017년에 학습된 모델은 2020년이 되면 기계가 노후화되었거나 변화했기 때문에 쓸모가 없게 되었습니다. 그러나 이 새로운 시스템은 지속적으로 안정적이고 건강한 작동 기간을 확인합니다. 시스템이 펌프가 매끄럽게 작동하는 긴 시간을 발견하면, 스스로의 "정상"에 대한 정의를 조용히 업데이트하여 중심점을 이동시키고 현재 기계의 상태에 맞춰 민감도를 조정합니다. 이는 공장의 운영 조건이 바뀌거나 유지보수 작업이 끝날 때마다 시스템을 수동으로 재프로그래밍할 필요가 없음을 의미합니다. 시스템은 스스로 적응하며, 기계의 수명 주기와 함께 오는 자연스럽고 해롭지 않은 변화는 무시하면서 새로운 문제에는 여전히 민감함을 유지합니다.

연구진은 이 펌프의 3년 치 역사적 데이터를 사용하여 이 접근 방식을 테스트했는데, 이 기간에는 안정적인 작동, 가동 시작 시퀀스, 유지보수 전환, 그리고 가장 중요한 44건의 기록된 기능적 고장이 포함되었습니다. 그들은 모델을 훈련시키기 위해 고장 데이터를 사용하지 않았습니다. 시스템은 오직 건강한 데이터만을 보았습니다. 3년의 타임라인에 걸쳐 모델을 실행했을 때 결과는 놀라웠습니다. 시스템은 44건의 고장을 모두 성공적으로 식별하여 완벽한 탐지 기록을 달성했습니다. 더욱 중요한 것은 평균 72시간의 경고 선행 시간을 제공했다는 점입니다. 이는 운영자들에게 치명적인 가동 중단이 발생하기 전, 장비를 점검하거나 부하를 조절하거나 수리 일정을 잡을 수 있는 3일간의 충분한 시간을 주는 유의미한 창구입니다. 또한 시스템은 오경보를 비교적 낮게 유지했으며, 문제가 고장으로 이어지지 않았던 사례는 단 8건뿐이었습니다.

이 발견이 특히 가치 있는 이유는 높은 정확도뿐만 아니라 진단의 명확성 때문입니다. 시스템이 문제를 제기했을 때, 단순히 "무언가 잘못되었다"라고 말하는 데 그치지 않았습니다. 시스템은 어떤 특정 센서가 편차에 가장 많이 기여하고 있는지를 분석했습니다. 실제 고장이 발생한 경우, 시스템은 펌프가 유량 감소와 토출 압력의 변화로 인해 어려움을 겪고 있음을 정확히 식별했는데, 이는 물리적으로 슬러리가 두꺼워지고 임펠러를 막는 현상과 일치합니다. 오경보가 발생했던 몇몇 사례에서도 시스템은 고장으로 이어지지 않은 일시적인 온도 급증을 정확히 지목했습니다. 운영자에게 원인이 될 법한 곳을 가리키는 이러한 능력은 이 도구를 단순한 알람에서 진단 보조 도구로 탈바꿈시켜, 엔지니어가 단순히 기계가 고장 나고 있다는 사실뿐만 아니라 왜 고장이 나는지까지 이해할 수 있도록 돕습니다.

연구진은 이 접근 방식이 산업적 신뢰성을 위한 실질적인 경로를 제시한다고 주장합니다. 방대한 양의 레이블이 지정된 고장 데이터와 엄청난 컴퓨팅 능력을 요구하는 복잡한 인공지능 모델과 달리, 이 방법은 가볍고 해석 가능합니다. 이 모델은 배우기 위해 고장 난 기계의 이력이 필요하지 않으며, 오직 건강한 기계의 이력만을 필요로 합니다. 스스로 계속 재보정함으로써, 기계가 노후화되고 프로세스가 진화함에 따라 계속 유효성을 유지합니다. 비록 이 연구가 특정 화학 공정의 단일 펌프를 대상으로 수행되었지만, 그 논리는 범용적입니다. 연구진은 센서가 신중하게 선택된다면 이와 동일한 프레임워크가 압축기나 열교환기와 같은 다른 유형의 회전 장비에도 적용될 수 있다고 제안합니다. 이 작업은 단순하고 스스로 업데이트되는 모델이 훨씬 더 복잡한 시스템만큼 효과적일 수 있음을 입증하며, 오랫동안 핵심 산업 자산의 유지보수를 괴롭혀온 문제에 대한 확장 가능한 솔루션을 제공합니다. 이 결과는 예측 유지보수의 미래가 점점 더 복잡한 알고리즘에 있는 것이 아니라, 자신들이 감시하는 기계의 변화하는 현실에 맞춰 배우고 적응할 수 있는 스마트한 시스템에 있다는 것을 시사합니다.