Remaining useful life prediction using a nonlinear state-space model under random stress

바람을 전기로 바꾸는 거대한 기계들은 무거운 부품들을 제자리에 고정하기 위해 슬루잉 베어링(slewing bearings)이라 불리는 거대한 회전 관절에 의존합니다. 이 베어링은 풍력 산업의 소리 없는 일꾼으로서, 터빈의 무게를 지탱하고 터빈이 바람을 향해 회전할 수 있도록 해줍니다. 하지만 이들은 끊임없이 예측 불가능한 힘에 의해 타격을 받는 가혹한 환경에서 작동합니다. 바람은 일정하게 불지 않습니다. 돌풍이 불고, 방향이 바뀌고, 잦아들기도 하며, 베어링 내부의 금속 궤도와 구동 요소들에 스트레스를 주는 혼란스러운 하중의 조합을 만들어냅니다. 시간이 흐름에 따라, 이러한 끊임 없고 무작위적인 충격은 금속을 마모시키고 피로를 누적시켜 결국 고장을 일으킵니다. 베어링이 정확히 언제 파손될지 예측하는 것은 엔지니어들에게 매우 중요한 과제입니다. 너무 일찍 예측하면 아직 쓸만한 부품을 교체하는 데 비용을 낭비하게 됩니다. 반대로 너무 늦게 예측하면 베어링이 예기치 않게 고장 나 막대한 비용이 드는 가동 중단과 잠재적인 안전 문제를 초래합니다. 목표는 마모의 징후를 살펴보고, 적절한 시기에 유지보수를 계획할 수 있도록 잔여 유효 수명을 충분히 정밀하게 계산하는 것입니다.

수십 년 동안 과학자들은 두 가지 주요 접근 방식을 사용하여 이 수수께끼를 풀기 위해 노력해 왔습니다. 한 가지 방법은 물리학 법칙에 의존하여 금속이 균열되고 마모되는 방식에 대한 복잡한 수학적 모델을 구축하는 것입니다. 이론적으로는 타당하지만, 이러한 모델은 회전하는 베어링 내부의 정확한 조건을 완벽하게 측정하는 것이 불가능하기 때문에 실제 기계에 적용하기에는 너무 어렵습니다. 다른 접근 방식은 컴퓨터가 과거의 고장에서 학습하여 미래의 고장을 예측하는 데이터 기반 방식입니다. 이 방법들은 방대한 양의 과거 데이터를 보유하고 있을 때는 잘 작동하지만, 현실 세계에서는 그러한 데이터가 부족하거나 불완전한 경우가 많습니다. 두 방식의 요소를 결합한 세 번째 경로는 통계 모델을 사용하여 기계가 시간이 지남에 따라 어떻게 퇴화하는지 추적합니다. 이 모델들은 마모를 하나의 무작위적인 여정으로 취급하며, 실패로 가는 경로가 결코 직선이 아님을 인정합니다. 그러나 기존의 대부분의 모델에는 사각지대가 있습니다. 즉, 기계에 가해지는 스트레스가 일정하거나 예측 가능하다고 가정하여, 바람과 그로 인해 발생하는 하중의 혼란스럽고 무작위적인 특성을 반영하지 못한다는 점입니다.

최근 한 연구에서 연구진은 풍력 터빈 슬루잉 베어링의 수명을 예측하는 새로운 방법을 개발함으로써 이 사각지대를 해결하고자 했습니다. 그들은 바람의 돌풍과 불균일한 하중으로 인한 무작위적인 스트레스가 표준 모델이 놓치는 방식으로 퇴화 과정을 가속화한다는 점을 인식했습니다. 이러한 현실을 포착하기 위해, 그들은 베어링의 마모를 끊임없이 변화하는 환경의 영향을 받는 여정으로 취급하는 정교한 예측 프레임워크를 만들었습니다. 일정한 경로를 가정하는 대신, 그들의 모델은 베어링을 때리는 힘이 매 순간 격렬하게 변한다는 점을 인정하며 "무작위 스트레스" 구성 요소를 포함합니다. 또한 그들은 진동, 온도, 블레이드를 돌리는 데 필요한 토크를 측정하는 기계의 서로 다른 센서들이 각기 다른 이야기를 들려준다는 점을 깨달았습니다. 어떤 센서는 갑작스러운 충격에 빠르게 반응할 수 있는 반면, 어떤 센서는 열의 느리고 꾸준한 상승을 보여줄 수 있습니다. 연구진은 이 모든 신호들을 동시에 듣고, 이 신호들이 서로 어떻게 상호작용하는지, 그리고 베어링의 숨겨진 내부 상태와 어떻게 상호작용하는지를 이해하는 시스템을 구축했습니다.

이 복잡하고 노이즈가 많은 데이터를 이해하기 위해 연구팀은 '파티클 필터(particle filter)'라고 알려진 강력한 계산 기법을 채택했습니다. 이는 마치 안개가 자욱한 방에서 움직이는 물체를 추적하기 위해 당신이 생각하는 위치로 수천 개의 작고 투명한 화살을 던지는 것과 같습니다. 표준적인 방법은 모든 화살을 한 지점에 집중시키는데, 만약 그 지점이 틀렸다면 전체 예측이 실패하게 됩니다. 연구진은 스스로의 추측을 끊임없이 점검하는 "적응형 강화(adaptive enhanced)" 알고리즘을 통해 이 과정을 개선했습니다. 이 더 똑똑한 버전은 만약 화살들이 잘못된 곳에 너무 빽빽하게 모여 있다고 판단되면, 다른 가능성을 탐색하기 위해 자동으로 화살을 다시 흩뿌립니다. 이는 시스템이 잘못된 추측에 갇히는 것을 방지하고, 다양한 잠재적 결과들을 계속 염두에 둘 수 있도록 보장합니다. 이 스마트한 추적 방식과 무작위 스트레스를 이해하는 모델, 그리고 다중 센서 간의 상호작용을 결합함으로써, 그들은 이전 방식보다 베어링의 상태를 더 명확하게 볼 수 있는 도구를 만들어냈습니다.

연구진은 진동, 온도, 토크 측정을 포함하여 실제 풍력 터빈 슬루잉 베어링에서 수집된 데이터를 사용하여 이 새로운 프레임워크를 테스트했습니다. 그들은 무작위 스트레스를 무시하거나 서로 다른 센서 신호 간의 상호작용을 고려하지 않는 더 단순한 모델들을 포함하여 여러 가지 예측 전략과 자신들의 방법을 비교했습니다. 결과는 명확했습니다. 바람의 혼란스러운 특성과 센서 신호 사이의 복잡한 관계를 고려한 새로운 접근 방식이 가장 정확한 예측을 제공했습니다. 시간이 지나 데이터가 더 많이 수집됨에 따라 예측의 불확실성은 줄어들었고, 고장까지 남은 예상 시간은 점점 더 정밀해졌습니다. 실제로 그들의 모델은 동일한 데이터로 훈련된 정교한 인공지능 시스템보다도 뛰어난 성능을 보였으며, 베어링이 수명의 끝에 도달할 시점에 대해 더 신뢰할 수 있는 추정치를 제공했습니다.

이 연구는 또한 특정한 트레이드오프(trade-off)를 강조했습니다. 새 모델은 매우 정확하지만, 더 단순한 방법들에 비해 실행하기에 더 복잡합니다. 무작위 스트레스 변수와 다중 센서 간의 상호작용을 처리하기 위해 더 많은 컴퓨팅 능력을 요구합니다. 하지만 고장이 발생하면 비용이 많이 들고 위험할 수 있는 풍력 터로빈과 같은 핵심 인프라의 경우, 이러한 추가적인 복잡성은 가치 있는 투자입니다. 연구진은 현실의 무작위성을 완만하게 다듬으려 하기보다 그 자체를 인정함으로써, 엔지니어들이 장비를 유지보수할 시기에 대해 더 나은 결정을 내릴 수 있음을 입증했습니다. 이 작업은 기계 건강 모니터링의 미래가 단순히 더 많은 데이터를 수집하는 것이 아니라, 기계가 매일 직면하는 혼란스럽고 예측 불가능한 힘을 진정으로 이해하는 모델을 구축하는 데 있다는 것을 시사합니다.