【브레이크뉴스 포항】박영재 기자=산업 현장에서 흔히 사용되고 있는 회전기기의 결함을 스스로 탐지하고 추적하는 인공 지능 기술이 개발돼 스마트 팩토리에 활용할 수 있을 것으로 보인다.

▲ POSTECH 이승철 교수 연구팀, 회전기기 결함 진단하는 인공지능 기술 개발(관련 그림)  © 포스텍

POSTECH(포항공과대학교, 총장 김무환)은 기계공학과 이승철 교수·통합과정 김태완 씨 연구팀이 회전기기의 결함을 다양한 운전 조건에서도 스스로 탐지하고 추적하는 인공지능 기술을 개발했다고 22일 밝혔다.

이 연구 성과는 컴퓨터과학·산업공학 분야권위지인 ‘국제전기전자기술자협회 산업정보학학회 논문지(IEEE Transactions on Industrial Informatics)’에 게재됐다.

회전기기는 다양한 산업에서 꼭 필요한 핵심적인 장치로 제조 공장, 발전소뿐만 아니라 자동차, 항공기 등 수많은 산업 분야에 사용되고 있다. 회전기기의 결함은 치명적인 비용 손실과 안전 문제로 나타나며, 이를 사전에 방지하기 위해 회전기기의 결함을 진단하는 연구들이 많이 진행됐다.

지금까지 다양한 결함 종류에 대한 물리적인 이해와 실험을 통해 회전기기의 결함 특성을 찾아, 이를 결함 탐지에 활용해 왔으며, 최근에는 인공지능 기술이 결함 탐지에 활용되어 우수한 결과들을 보여 왔다. 그러나 이런 방법들은 실제 고장 데이터 확보가 필요하며 지속해서 변화하는 운전 환경을 잘 반영하지 못한다는 한계가 있다.

연구팀이 개발한 결함 탐지 및 추적 인공지능 모델은 기존 회전기기 진단의 한계점을 비지도 학습을 통해 극복했다. 오토인코더(Autoencoder) 기반의 인공지능 모델을 통해 회전기기로부터 측정되는 신호를 압축하고, 압축된 신호 간 유사도를 계산하는 방식을 통해 서로 다른 유형의 결함을 식별하고 추적할 수 있도록 하였다.

이 기술은 작동 조건이 다른 환경에서도 회전기기의 결함 유무 및 결함 종류를 정확하게 탐지하고, 특히 회전기기의 회전 속도가 50% 이상 차이가 날 때에 대해서도 효과적으로 결함을 탐지할 수 있다.

이승철 교수는 “이번 연구 결과는 최근 산업계에서 주목받는 ‘스마트 팩토리’에 적용될 수 있는 기술로, 공장에서 쏟아져 나오는 수많은 데이터를 인간의 개입 없이 비지도 학습을 통해 처리할 수 있으며, 장비, 시스템의 상태를 감시하고 건강 상태를 추적하고, 이를 바탕으로 최적의 유지·보수 전략을 결정하는 데 사용할 수 있다”고 말했다

한편, 이 연구는 민군기술협력사업, 한국에너지기술평가원, 그리고 케이-클라우드(K-CLOUD) 사업의 지원으로 이뤄졌다.

<구글번역으로 번역한 영문 기사의 전문 입니다. 번역에 오류가 있을 수 있음을 밝힙니다.>

 POSTECH Professor Lee Seung-chul's research team develops artificial intelligence technology to diagnose rotating machine defects

An artificial intelligence technology that detects and tracks defects of rotating machines commonly used in industrial sites has been developed and is expected to be used in smart factories.

POSTECH (Pohang University of Science and Technology, President Moo-Hwan Kim) announced on the 22nd that Professor Lee Seung-cheol of the Department of Mechanical Engineering and integrated course Kim Tae-wan's research team developed artificial intelligence technology that detects and tracks defects in rotating machines under various operating conditions.

The results of this research were published in the IEEE Transactions on Industrial Informatics, a prestigious journal in the field of computer science and industrial engineering.

Rotating machinery is a key device that is essential in various industries and is used in numerous industries such as automobiles and aircraft as well as manufacturing plants and power plants. Defects in rotating machines appear as fatal cost losses and safety issues, and in order to prevent them in advance, many studies have been conducted to diagnose faults in rotating machines.

So far, through physical understanding and experiments on various types of defects, the defect characteristics of rotating machines have been found and used for defect detection. Recently, artificial intelligence technology has been used for defect detection and has shown excellent results. However, these methods have limitations in that they require actual failure data and do not reflect the constantly changing driving environment.

The defect detection and tracking artificial intelligence model developed by the research team overcomes the limitations of conventional rotating machine diagnosis through unsupervised learning. Autoencoder-based artificial intelligence model compresses signals measured from rotating machines and calculates similarity between compressed signals to identify and track different types of defects.

  This technology accurately detects the presence and type of defects in rotating machines even under different operating conditions, and can effectively detect defects even when the rotation speed of rotating machines differs by more than 50%.

Professor Lee Seung-chul said, “The results of this study are technologies that can be applied to 'smart factories' that have recently attracted attention in the industry. Numerous data pouring out of factories can be processed through unsupervised learning without human intervention, and the state of equipment and systems It can be used to monitor and track health status and, based on this, determine the optimal maintenance strategy.”

Meanwhile, this research was conducted with the support of the civil-military technology cooperation project, the Korea Institute of Energy Technology Evaluation and Planning, and the K-CLOUD project.