Introduction to Dissolved Gas Analysis based Hybrid Confidence Fusion Model for improvement of Maintenance of Insulating Oil based Power Equipment

우리의 전등을 밝히고 휴대폰을 충전하게 해주는 거대하고 웅웅거리는 변압기들을 상상해 보십시오. 이 거인들의 내부에는 절연유라고 불리는 특수한 액체가 들어있어, 장비를 냉각시키고 전기가 있어서는 안 될 곳으로 튀는 것을 막아주는 침묵의 수호자 역할을 합니다. 하지만 기계 내부에서 문제가 발생하면(예를 들어 아주 작은 스파크가 튀거나 핫스팟이 형성되는 경우), 기름은 분해되기 시작하며 수소나 메탄과 같은 보이지 않는 가스를 방출합니다. 이 가스들을 아직 눈에 보이지 않는 불길에서 나오는 '연기'라고 생각하십시오. 수십 년 동안 엔지니어들은 이러한 가스를 냄새 맡아 무엇이 잘못되었는지 추측하기 위해 용존 가스 분석(DGA)이라는 기술을 사용해 왔습니다. 이것은 마치 의사가 심장 박동 소리를 듣는 것과 비슷합니다. 가스의 패턴은 기계의 건강 상태에 대한 이야기를 들려줍니다. 그러나 이 이야기를 읽어내는 것은 항상 까다로웠습니다. 어떤 방법들은 숫자가 작을 때 혼란을 겪는 경직된 체크리스트와 같고, 다른 방법들은 서로 겹쳐져서 길을 잃게 만드는 복잡한 지도와 같습니다. 또한 똑똑한 컴퓨터 프로그램(인공지능)은 패턴을 찾아내는 법을 배울 수는 있지만, 때때로 왜 그런 추측을 했는지 설명하지 못하는 '블랙박스'처럼 행동하거나, 본 적 없는 정확한 문제 유형을 마주했을 때 혼란에 빠지기도 합니다.

이 논문은 이러한 혼란을 해결하기 위한 새로운 방법인 "하이브리드 신뢰도 융합 모델(Hybrid Confidence Fusion Model)"을 소개합니다. 단 한 명의 탐정에게 의존하는 대신, 저자들은 하나의 팀을 구성하여 협력할 것을 제안합니다. 그들은 기존의 규칙 기반 체크리스트, 시각적 지도(듀발 삼각형과 같은), 그리고 똑똑한 AI 컴퓨터의 장점들을 가져와서 무엇이 문제인지 투표하게 만듭니다. 하지만 여기서 영리한 점은 모든 탐정이 똑같은 표를 갖는 것은 아니라는 것입니다. 모델은 특정 상황에서 각 방법이 얼마나 신뢰할 수 있는지에 따라 '신뢰도 점수'를 부여합니다. 만약 AI가 전기적 스파크에 대해서는 보통 잘 맞히지만 열 문제에는 약하고, 기존의 체크리스트는 열 문제에는 뛰어나지만 스파크에는 약하다면, 모델은 그들의 의견을 그에 맞춰 가중치를 두어 반영합니다. 결과는 개별적인 강점을 결합한 더 신뢰할 수 있는 단일 진단입니다. 테스트에서 이 팀워크 접근 방식은 89%의 정확도에 도달하여, 단독으로 작동하는 대부분의 개별 방법들을 능가했습니다. 저자들은 이 방식이 특히 장비가 이상하게 작동하거나 결함이 여러 가지 문제가 섞여 있을 때 유지보수를 더 안전하고 신뢰할 수 있게 만든다고 제言합니다.

침묵의 수호자 이야기

전력망 깊숙한 곳에서 변압기와 같은 중장비들은 절연유 목욕을 하고 있습니다. 이 기름은 장비의 생명수와 같아서, 장비를 냉각시키고 전기가 엉뚱한 곳으로 아크(arc)를 일으키는 것을 방지합니다. 하지만 기계가 병들기 시작하면(예를 들어 느슨한 전선이 스파크를 일으키거나 코일이 과열되는 경우), 기름은 분해되기 시작합니다. 이는 토스트가 타는 것과 같습니다. 열이나 전기가 기름의 화학 결합을 끊어 수소, 메탄, 에틸렌과 같은 가스를 방출하는 것입니다. 이 가스들은 기름 속에 녹아들어 발견되기를 기다립니다.

오랫동안 엔지니어들은 이러한 가스를 찾기 위해 용존 가스 분석(DGA)을 사용해 왔습니다. 이것은 마치 의사가 혈액 샘량을 채취하는 것과 비슷합니다. 각 가스가 얼마나 존재하는지 측정함으로써, 그들은 기계에 열적 결함(과열)이 있는지 또는 전기적 결함(스파크)이 있는지 알 수 있습니다. 논문은 이러한 가스들이 특정 화학 반응을 통해 형성된다고 설명합니다. 예를 들어, 기름이 분해될 때 메탄(CH4)이나 아세틸렌(C2H2)을 생성할 수 있으며, 가스의 종류는 결함의 "온도"나 "에너지"를 알려줍니다.

탐정의 딜레마

문제는 정확히 무엇이 잘못되었는지 파악하는 것이 항상 쉽지만은 않다는 점입니다. 논문은 엔지니어들이 이 수수께끼를 풀기 위해 시도했던 세 가지 주요 방법을 강조하며, 각각의 결함을 설명합니다.

첫째, **규칙 기반 방법(Rule-Based Methods)**이 있습니다. 이것들은 엄격한 지침서와 같습니다. 이들은 고정된 비율(한 가스의 양을 다른 가스와 비교)을 사용하거나 차트를 보고 결함을 결정합니다. 논문은 IEC 60599 및 IEEE C57.104와 같은 표준을 언급하는데, 이는 공식적인 규칙 책입니다. 이것들은 단순하고 표준화되어 있지만, 경직될 수 있습니다. 가스 수치가 매우 낮거나 숫자가 카테고리의 경계에 걸쳐 있는 경우, 이 방법들은 상충하는 답을 내놓거나 결함을 완전히 놓칠 수 있습니다. 이는 마치 "작음"과 "큼"이라는 표시만 있는 자를 사용하여 구슬의 크기를 분류하려는 것과 같아서, 중간 크기의 구슬들은 혼란스러운 회색 지대에 남겨지게 됩니다.

둘째, **그래픽 방법(Graphical Methods)**이 있습니다. 유명한 듀발 삼각형(Duval Triangle)이나 듀발 오각형(Duval Pentagon) 같은 것들입니다. 가스 수치를 구역이 나뉜 화려한 지도 위에 점을 찍는다고 상상해 보십시오. 각 구역은 서로 다른 유형의 결함을 나타냅니다. 이는 훨씬 더 시각적이며 낮은 가스 농도에서도 도움이 되지만, 논문은 이 지도들이 고정된 경계를 가지고 있다고 지적합니다. 실제 결함은 항상 삼각형 안에 깔끔하게 들어맞지 않습니다. 그것들은 지저도, 겹치거나 비선형적일 수 있습니다 구름 주위에 완벽한 원을 그리려고 노력하는 것과 같습니다. 모양이 딱 맞지 않기 때문입니다.

셋째, 인공지능(AI) 방법이 있습니다. 이것들은 수천 개의 과거 사례로부터 패턴을 인식하도록 학습된 똑똑한 컴퓨터들입니다. 이들은 규칙 책이 해결할 수 없는 복잡하고 지저분한 데이터를 처리하는 데 탁월합니다. 그러나 논문은 AI에도 문제가 있다고 지적합니다. AI는 훈련된 데이터에 크게 의존합니다. 만약 학습하지 못한 새로운 유형의 결함을 보게 되면 잘못된 추측을 할 수 있습니다. 또한 AI는 '블랙박스'가 될 수 있는데, 이는 답은 주지만 물리적인 이유를 설명하지 못한다는 뜻이며, 이 때문에 엔지니어들이 맹목적으로 신뢰하기를 주저하게 만듭 most.

팀 결성 솔루션

여기서 저자들인 조이딥 다르(Joydip Dhar), 소반 달라이(Sovan Dalai), 사이발 채터지(Saibal Chatterjee)가 그들의 **하이브리드 신뢰도 융합 모델(Hybrid Confidence Fusion Model)**로 등장합니다. 단 한 명의 탐정을 선택하는 대신, 그들은 모든 탐정이 함께 일하며 투표하는 시스템을 구축했습니다.

이 "융합"이 작동하는 방식은 다음과 같습니다:

1. 투표소: 모델은 가장 좋은 규칙 기반 방법(듀발 삼각형과 같은)과 가장 좋은 AI 방법으로부터 결과를 가져옵니다.
2. 신뢰도 점수: 모든 표가 똑같이 계산되지는 않습니다. 훈련 단계 동안 모델은 각 방법이 얼마나 정확한지 살펴봅니다. 만약 특정 AI 모델이 전기적 결함은 잘 찾아내지만 열적 결함에는 약하다면, 그 모델은 전기적 결함에 대해서는 높은 "신뢰도 점수"를 받고 열적 결함에 대해서는 낮은 점수를 받게 됩니다.
3. 가중치 결정: 새로운 샘플이 들어오면, 모델은 각 가능한 결함에 대해 가중치 점수를 계산합니다. 모델은 수학적 공식을 사용하여 이 점수들을 결합하며, 해당 상황에서 가장 신뢰할 수 있는 방법을 우선시합니다.

이것을 친구들이 상식 퀴즈의 정답을 맞히려고 노력하는 상황에 비유해 보십시오. 한 친구는 역사 전문가이고, 다른 친구는 과학 천재이며, 세 번째 친구는 운 좋게 맞히는 데 능숙합니다. 질문이 역사에 관한 것이라면 역사 전문가의 추측이 더 큰 비중을 차지합니다. 질문이 과학에 관한 것이라면 과학 천재의 목소리가 더 커집니다. 하이브리드 신뢰도 융합 모델은 바로 이 작업을 수행하며, 다만 변압기 결함에 대해 수행할 뿐입니다. 이 모델은 누가도서 더 잘 맞히는지에 따라 역동적으로 발언권을 조정합니다.

연구 결과

저자들은 실제 데이터를 사용하여 기존 방법들과 이 새로운 모델을 테스트했습니다. 그들은 개별적인 방법들인 머신러닝 모델(ML1, ML2), 특성 가스 앙상블(CGE), 그리고 듀발 삼각형 1(DT1)과 자신들의 "하이브리드 신뢰도 융합(HCF)" 모델의 정확도를 비교했습니다.

결과는 유망했습니다. 개별 방법들은 다양한 성공 수준을 보였습니다:

• 듀발 삼각형 1(대중적인 그래픽 방법)은 약 72%의 정확도를 보였습니다.
• 머신러닝 모델들(ML1 및 ML2)은 76%에서 80% 사이의 정확도를 보였습니다.
• 하이브리드 신뢰도 융합 모델은 **89%**의 정확도를 달성했습니다.

논문은 또한 모델이 얼마나 자주 "결함"이라고 말했을 때 실제로 맞는지(정밀도, Precision)와 얼마나 많은 실제 결함을 잡아냈는지(재현율, Recall)와 같은 다른 지표들도 살펴보았습니다. HCF 모델은 정밀도 0.78, 재현율 0.78, F1-Score 0.77을 기록했습니다. 이는 방법들을 결합함으로써, 특히 기계에 열과 전기 문제가 동시에 발생하는 "혼합 결함 시나리오"를 다룰 때 모델이 더 견고해졌음을 시사합니다.

이것이 중요한 이유

논문은 규칙 기반 방법은 이해하기 쉽다는 장점이 있고, AI는 복잡한 패턴을 찾는 데 뛰어나지만, 둘 다 단독으로는 완벽하지 않다고 결론짓습니다. 하이브리드 신뢰도 융합 모델은 그 중간 경로를 제시합니다. 이 모델은 기존의 신뢰받는 규칙들을 버리지도 않고, 새로운 AI를 맹목적으로 믿지도 않습니다. 대신, 그들이 서로 보완할 수 있는 시스템을 만듭니다.

저자들은 이 접근 방식이 서로 다른 답을 내놓을 때 발생하는 갈등을 해결하는 데 도움이 된다고 강조합니다. "적응형 신뢰도 점수"를 사용함으로써, 모델은 고립된 기술들보다 희소한 데이터(측정할 가스가 많지 않을 때)와 혼합 결함을 더 잘 처리할 수 있습니다. 논문은 이것이 시뮬레이션이며 특정 데이터 세트를 대상으로 테스트되었다는 점을 언급하지만, 89%의 정확도는 이 "팀 결성" 전략이 전력 장비를 유지 관리하는 미래를 위한 강력한 방향임을 보여줍니다. 이는 문제를 더 일찍 감지하고 더 큰 확신을 가지고 불을 밝힐 수 있는 미래를 약속합니다.