Low-Complexity Recursive NARX for Discriminating Incipient Stator Inter-Turn Short Circuits from Load Variations in Three-Phase Induction Motors

산업 현장에서 3상 유도 전동기는 소리 없는 일꾼입니다. 공장의 펌프에서부터 환풍 팬에 이르기까지 모든 곳에서 발견되는 이 기계들은 생산 라인이 계속 돌아가도록 유지합니다. 하지만 모든 기계적 시스템과 마찬가지로, 이들도 마모와 손상에 취തി될 수 있습니다. 가장 위험한 결함 중 하나는 자기장을 생성하는 고정된 부분인 스테이터 내부의 아주 작은 구리 권선 사이에서 발생하는 단락(합선)입니다. 단 몇 번의 권선이 서로 맞닿기만 해도 작은 국부적인 전류가 순환하기 시작합니다. 이를 방치하면 절연체가 과열되어 기계 전체를 멈추게 하는 치명적인 고장으로 이어질 수 있습니다. 엔지니어들의 과제는 단순히 고장 난 모터를 찾는 것이 아니라, 문제가 작고 관리 가능한 수준일 때 이를 포착하는 것입니다. 이는 모터가 단순히 더 열심히 작동하거나 더 무거운 부하를 견딜 때도 결함을 드러내는 전기 신호가 변하기 때문에 매우 어려운 작업입니다. 결함의 발달과 정상적인 작업량 변화를 구분하는 것은 오랫동안 신뢰할 수 있는 자동 모니터링의 걸림돌이었습니다.

브라질 상주아우델레이(Federal University of São João del-Rei)의 연구팀은 이 특정 문제를 해결할 수 있는 새로운 방법을 개발했습니다. 그들은 모터가 단순히 열심히 일하고 있는 것인지, 아니면 초기 단계의 미세한 단락이 발생한 것인지를 구별할 수 있는 간단하고 저렴한 디지털 도구를 만들었습니다. 연구진은 모든 물리적 세부 사항을 모방하는 완벽하고 정밀한 디지털 복제본을 만들려고 노력하는 대신, 다른 접근 방식을 취했습니다. 그들은 민감한 탐지기 역할을 할 매우 작고 단순화된 수학적 모델을 구축했습니다. 이 모델은 구조가 고정되어 있어 형태나 복잡성이 변하지 않도록 설계되었습니다. 대신, 결함으로 인해 모터의 동작이 변할 때, 모델 내부의 숫자들은 이를 따라잡기 위해 강제로 변하게 됩니다. 이 숫자들의 변화를 관찰함으로써, 시스템은 모터가 큰 부하 변화를 겪고 있는 중에도 결함을 식서낼 수 있습니다.

이 아이디어를 테스트하기 위해 연구진은 표준 3상 유도 전동기를 사용하여 실험실 실험을 설정했습니다. 그들은 모터 권선의 적은 수의 턴을 단락시켜 제어된 결함을 정밀하게 만들어냈습니다. 한 시나리오에서는 단일 상의 권선을 약 1.5% 단락시켰고, 다른 시나리오에서는 약 3%를 단락시켰습니다. 이들은 큰 피해를 입히기 전에 감지하기 매우 어려운 아주 작은 결함들입니다. 실험을 현실적으로 만들기 위해, 연구진은 또한 모터에 거의 49%에 달하는 전기 전류 증가를 가하여 큰 폭의 정상적인 부하 변화를 주었습니다. 목표는 시스템이 이 거대한 부하 변화는 무시하면서도 미세한 단락에 대해서는 경보를 울릴 수 있는지 확인하는 것이었습니다.

그들이 구축한 시스템은 재귀적 파라미터 추정(recursive parameter estimation)이라는 방법에 의존합니다. 쉽게 말해, 이 시스템은 가장 최근의 전압 및 전류 측정값만을 사용하여 모터의 동작에 대한 이해를 매 순간 업데이트합니다. 방대한 양의 과거 데이터를 저장하거나 강력한 컴퓨터를 필요로 하는 복잡한 계산을 수행할 필요가 없습니다. 이 모델은 모터로 들어가는 전압과 나오는 전류 사이의 관계를 설명하기 위해 단 4개의 조정 가능한 숫자를 사용합니다. 모터가 건강할 때는 이 숫자들은 비교적 일정하게 유지됩니다. 결함이 발생하면 모터의 물리적 특성이 변하며, 시스템은 이 새로운 현실에 맞추기 위해 이 4개의 숫자를 조정해야 합니다. 연구진은 모델의 구조를 고정하고 이 숫자들만 움직이게 함으로써, 부하 변화와 결함을 명확하게 구분할 수 있다는 것을 발견했습니다.

그들의 성공에서 결정적인 부분은 정적 이득 적응(static-gain adaptation)이라 불리는 기술이었습니다. 이 기능이 없다면, 시스템은 무거운 부하와 결함을 모두 전기 신호의 변화로 인식하여 부하를 결함으로 오해할 것입니다. 이 적응 기술은 현재 작동 수준에 맞춰 모델의 민감도를 자동으로 조절하는 볼륨 조절 노브와 같은 역할을 합니다. 이를 통해 시스템은 부하로 인한 정상적이고 예상된 성능 변화는 무시하면서도, 단락으로 인한 특이하고 불규칙한 변화에는 높은 민감도를 유지할 수 있습니다. 연구진이 이 적응 기술 없이 시스템을 테스트했을 때는, 작은 결함을 감지하지 못했고 큰 결함조차 정상적인 부하 변화와 구분하는 데 어려움을 겪었습니다. 적응 기술을 적용했을 때, 시스템은 결함 신호를 부하 신호로부터 성공적으로 분리해 냈습니다.

결과에 따르면, 그들이 선택한 비선형 모델이 모터의 동작을 추적하는 데 있어 전통적인 선형 모델보다 훨씬 뛰어난 성능을 보였습니다. 테스트 결과, 비선형 방식은 선형 방식에 비해 모터 출력 예측 오차를 약 22% 줄였습니다. 더 중요한 것은, 부하가 거의 절반 가까이 변하는 상황에서도 시스템이 정상 모터, 1.5% 단락 모터, 3% 단락 모터를 명확하게 구분할 수 있었다는 점입니다. 연구진은 모델 내의 서로 다른 숫자들이 각기 다른 방식으로 반응한다는 것을 관찰했습니다. 입력 전압이 약간의 지연 후에 전류에 미치는 영향과 관련된 특정 숫자가 결함을 나타내는 가장 신뢰할 수 있는 지표임이 증명되었습니다. 또 다른 숫자는 부하 변화에 매우 민감했는데, 이는 시스템이 작동 맥락을 이해하는 데 도움을 주었습니다.

시스템은 초당 1,000개의 샘플을 처리하는 속도로 작동하며, 이는 문제의 초기 징후를 포착하기에 충분히 빠른 속도입니다. 그러나 경보를 울리기까지 걸리는 시간은 컴퓨터의 계산 속도에 의해 제한되지 않습니다. 대신, 약 1.2초의 지연 시간이 발생하는데, 이는 시스템이 숫자의 변화가 단순한 노이즈나 일시적인 변동이 아닌 실제 결함이라는 확신을 갖기 위해 충분한 증거를 수집하는 데 필요한 시간입니다. 이 지연 시간은 즉각적으로 회로 차단기를 작동시키는 전통적인 안전 장치와 달리, 고장이 발생하기 전에 운영자에게 경고를 주는 예지 보전 시스템의 목적에 비추어 볼 때 허용 가능한 수준입니다.

또한 이 연구는 시스템이 모터의 전력 공급 세 가지 상(phase)을 모두 모니터링해야 한다는 점을 강조했습니다. 한 상에서 결함이 발생하면 해당 상의 모델 숫자들이 명확한 편차를 보입니다. 영향을 받지 않는 나머지 상들은 훨씬 작은 변화를 보입니다. 이는 실제 설치 환경에서 시스템이 각 상에 대해 세 개의 병렬 모니터를 실행하고, 가장 큰 편차를 보이는 상을 찾아내어 표시하게 됨을 의미합니다. 이 방식은 어떤 상이 고장 날지 미리 알 필요가 없습니다.

연구진은 이 방법이 임베디드 시스템을 위해 설계되었음을 강조하며, 이는 많은 산업용 드라이브와 보호 계전기에 이미 들어있는 작고 저렴한 마이크로컨트롤러에서 실행될 수 있음을 뜻합니다. 이 방식은 복잡한 머신 러닝 알고리즘에 필요한 막대한 계산 능력이나 디지털 트윈 시뮬레이션에 필요한 방대한 데이터 저장 공간을 요구하지 않습니다. 전체 과정은 매우 적은 메모리로도 수행할 수 있는 간단한 산술 연산으로 이루어집니다. 이는 기존 기계에 이 기술을 적용하여, 하드웨어를 교체하지 않고도 오래된 모터에 현대적이고 지능적인 진단 기능을 갖출 수 있게 해주는 실용적인 방안입니다.

비록 이번 테스트는 통제된 실험실 환경의 단일 모터를 대상으로 수행되었지만, 이 결과는 산업적 신뢰성을 위한 유망한 길을 제시합니다. 본 연구는 단순하고 해석 가능한 모델이 스마트한 적응 기술과 결합될 때, 특정 작업(초기 결함과 정상적인 운영 변화를 분리하는 작업)에서 더 복잡한 접근 방식보다 뛰어난 성능을 발휘할 수 있음을 보여줍니다. 이 연구는 모터 모니터링의 미래가 점점 더 복잡해지는 인공지능에 있는 것이 아니라, 실제 환경에서 견고하고 빠르며 구현하기 쉬운 단순하고 물리 기반적인 도구를 정교화하는 데 있을 수 있음을 시사합니다. 연구진은 향후 가변 속도 드라이브로 구동되는 모터와 더 넓은 범위의 결함 조건에서도 이 방식을 검증할 계획이지만, 초기 결과는 산업용 기계를 안전하게 가동하기 위한 새로운 저비용 전략의 강력한 토대를 제공합니다.