Abstract
PHM 기술은 시스템 유지보수 비용을 낮추는데 효과적이다. PHM 기술과 발전에 대한 여러 이론과 연구들에 기반하여 본 연구에서는 object 레이어, data 레이어, information 레이어, decision 레이어들을 토대로 PHM 기술 프레임워크를 제안한다. 동시에 본 연구에서는 핵심 기술인 예측 디자인, 센서 적용 기술, 데이터 전처리 기술, 건강 상태 평가, RUL 예측, 의사결정 등을 summarize 및 분석하고 UAV PHM 시스템을 분석한다.
I.INTRODUCTION
Remaining life prediction
컨디션 기반의 유지보수는 불필요한 다운타임을 줄일 수 있으며, 유지보수 비용을 줄이고, failure 리스크를 줄인다. 또한 task 의 신뢰도를 높이고 부족하거나 과한 maintenace를 없앤다. PHM은 컨디션 기반의 maintenance를 실현하는 방법론이다. 이러한 방법론은 센서 기술을 통해 다양한 온라인과 오프라인 데이터를 수집한다. 최신의 데이터 프로세싱 기술과 함께 설비의 건강 상태와 fault 예측을 통해 의사결정에 필요한 정보를 얻게 된다.
II.DEVELOPMENT AND APPLICATION OF PHM
A.Development of PHM Technology
PHM은 최근 새로운 방법론으로 다른 기술과는 다르게 설비 진단과 평가, 예측 정보를 통해 유지보수에 대한 계획을 수립하고 의사결정을 한다. 1970년대에서 복잡한 시스템이 발전하면서 faulure 매커니즘에 대한 깊은 연구와 fault 예측 연구가 수행되었다. 1980년대에는 설비 유지보수 비용의 상승으로 문제가 발생하여 "health management" 컨셉이 나타나서 비용을 낮추게 되었다. 1990년대 컨디션 모니터링이 발전하면서 PHM 시스템이 시스템 레벨 엔지니어링 단계에서 적용되었다. 21세기 들어와서 PHM은 설비와 서포트 시스템 간의 연결 고리가 되었다. 이 기술은 멀티 센서 모니터링을 통해 설비 시스템에 대해 조기 탐지를 수행한다. PHM을 통해 다음과 같이 다양한 이점을 얻을 수 있다.
PHM 시스템은 key technology로써 군사용 장비와 민간 장비의 유지보수를 통해 장비의 안정성, 신뢰도, 정비성, 호환성, 경제성, Testability를 모두 만족하게 된다.
Application of PHM Technology
미국과 영국같은 나라에서는 PHM 기술은 군사, 민간 장비 및 무기 시스템을 제작할 때 사용된다. 군사 영역에서 미국은 다양한 연구를 진행하였는데, "health and use monitoring system" (HUMS) 은 헬리콥터에 사용되는 PHM 시스템이다. 이는 이 시스템을 AH-64 아파치 헬기에 탑재하였는데, 통계에 따르면 헬리콥터 미션 성공률을 10% 향상시켰다. 이 PHM 시스템은 컨디션 모니터링을 디자인하고, 수명 예측, 유지보수 의사결정, 회귀 서포트, 비용 컨트롤 등등의 기능이 있었다. NASA는 PHM 시스템을 민간에서 적용하였는데, reusable space vehicles에 aircraft failuire를 막기위해 사용했다. Domestic PHM 을 적용한 사례는 엔진, 전자기기, 기계기기, 전기 파워, 전자물리기기, 네트워크 등이 있다.
본 연구는 PHM 관련 연구들을 분석하며, PHM 프레임워크를 오브젝트 레이어, 데이터 레이어, 정보 레이어, 의사결정 레이어로 나누어 계층적으로 구분한다.
(1) Object Layer
오브젝트 레이어는 물리 레이어로 PHM 특정 장비의 디자인과 스펙에 대한 자세한 적용을 포함한다. PHM 적용은 오브젝트 디자인의 시작과 동시에 이루어져야 하는데, 데이터 수집과 예측가능성 디자인 그리고 검증이 디자인 과정 중간에 이루어져야한다. 또한 오브젝트의 디자인 이후, fault 매커니즘과 파라미터가 분석되어야 하며, PHM 적용이 가능한 적절한 파라미터가 선택되어야 한다.
(2) Data Layer
데이터 레이어는 컨디션 모니터링을 통해 데이터 수집과 데이터 처리를 진행한다. 센서 선택, 센서의 최적 배치, 컨디션 모니터링 시스템 설계와 같은 방법이 포함된다. 데이터 프로세스 flow는 데이터 노이즈 제거, 표준화와 같은 전처리 기술 및 데이터 분류, 저장, 관리 기술을 포함하며 이를 통해 다음 정보 레이어에서 필요한 데이터 형식을 만든다.
(3) Information Layer
정보 레이어는 데이터 레이어를 지능형 알고리즘, 추론 기술을 사용하여 처리한다. 건강 상태 평가, 잔여 수명 예측, 누적 손상 분석, 고장 진단 등의 요구 사항을 통해 의사 결정 레이어에 필요한 정보를 제공한다.
(4) Decision Makers
이 레이어는 유지보수 결정, 스페어 파츠 준비 및 자원 최적화를 수행한다. 또한 작업 plan 및 리소스 비용에 따라 유지보수를 수행한다.
IV. OVERVIEW OF PHM KEY TECHNOLOGIES
A. Design for predictability and sensor application technology
장비 개발 초기에 PHM 적용에 필요한 요구사항을 고려하여 예측 가능성 설계를 수행해야 한다. 이를 통해 데이터 수집 및 전처리를 포괄적, 합리적, 편리하게 수행할 수 있다. 또한 장비의 성능을 예측 및 평가할 수 있다. 예를 들어, 디바이스의 빌트인 조기 경보등의 기술이 예측 가능성 설계의 예시이다. 또한 센서는 데이터 수집의 수단이기 때문에 데이터가 포괄적, 신뢰가능하도록 합리적인 센서를 선택해야 한다.
B. Data preprocessing technology
1) 노이즈 제거 방법에는 box method, regression method and clustering method 가 있다.
2) 특질 추출 방법에는 푸리에 변환, 웨이블릿 변환, FIR 디지털 필터링, HHT 변환등, AI 알고리즘을 포함한다.
3) 데이터를 정규화하는 방법에는 min-max 정규화, z-score 정규화가 있다.
C. Classification of health status
현재 장비의 건강 상태를 결정하기 위해, 여러 세분화된 건강 상태를 양적으로 표현하여 현재 상태 및 이후 상태에서의 운영 기준을 제공한다.
1) 양적 준류 방법은 두 가지가 있는데, 건강상태 함수를 설정하여 분리하거나 임계값을 결정하여 상태를 나누는 것이 있다. 건강상태 함수를 설정하는 것이 구체적이며 general 하지가 않다는 문제가 있으며, 임계값을 결정하는 것은 관련 지식이 풍부해야 한다.
2) 질적 분류 방법은 지식 및 경험, 클러스터링 모델에 의존해여 건강 상태를 몇 가지 범주로 나누게 된다. 지식 및 경험 방법은 주관성이 강하기 때문에 전문가 지식에 의존하고 클러스터링 모델은 비지도 학습 기반으로 수학적 모델을 사용하여 데이터를 그룹화 한다.
D. Health assessment
건강 상태 평가는 현재 장비의 건강 상태를 평가하고 요구 사항을 충족하지 못하는 장비를 분석하고 미래 상태를 예측하는 것이다. 이를 통해 다운스트림 태스크에 대해 의사 결정 정보를 제공하고 유지보수를 위한 정보를 제공한다. 이는 지식 및 경험에 기반한 방법, 상태 모델에 기반한 방법, 데이터 기반 방법으로 구분된다.
(1) 지식 및 경험에 기반한 방법은 전문가 시스템으로 계층 분석 프로세스 및 fuzzy 평가 방법이다. 이 방법은 주관적이며 경험 축적이 필요하고 매우 specific하기 때문에 장비의 상태를 정확하게 측정 가능하다.
(2) 상태 모델에 기반한 방법은 장비의 매커니즘 분석을 기반으로 물리적 또는 수학적 모델을 구축하여 상태를 예측한다. 그러나 모델링에는 강력한 전문 지식이 필요하고 모델링이 복잡하고 검증이 어렵다. 또한 일반화 능력이 부족하다.
(3) 데이터 기반 방법은 모니터랑 데이터를 사용하여 장비의 건강 정보를 얻기 위한 다양한 머신러닝, 딥러닝 알고리즘을 활용한다. 데이터 분석 이론의 발전으로 최근 매우 중요한 건강 상태 평가 방법이다.
E.Remaining life prediction
RUL 방법론은 physical 모델 기반, 지식 기반, 데이터 기반 예측 모델로 나뉜다.
1. 물리 모델 기반 방법론
이 방법론은 물리 failure 매카니즘을 통해 예측RUL을 예측한다. 이는 데미지의 축적을 통해 디바이스의 조기 경보를 알리게 되며, 특정 설비에 대한 모델을 개별로 구축해야한다는 특징이 있다. 따라서, 각 모델 파라미터에 매우 민감하다는 특징이 있다. 하지만 이것은 매우 큰 설명가능성을 가지고 있고 또한 실시간 모니터링에도 많은 이점이 있다. 그러나 설비의 fault에 대해서 매커니즘이 정확하게 규명이 되어있어야 하며, 아주 복잡한 모델의 예측에는 맞지 않고, nonlinear한 경우에는 예측이 어렵다.
-
지식 표현 방법론
이 방법론은 설비에 대해서 아주 깊게 이해할 필요는 없고, 이것의 주된 목적은 도메인 전문가의 지식을 표현하는 것이다. 이러한 벙법론은 fuzzy logic 과 전문 시스템기반이다. 그러나 이러한 방법의 RUL 예측 방법론은 정성적 추론에 적합하고, 정량적 계산에는 적합하지 않다. -
데이터 기반 방법론
설비의 과거 데이터 또는 현재 데이터를 사용하여 데이터와 수명간의 매핑 매커니즘을 근사하는 모델을 만드는 것이다. 이 방법론은 통계 회귀, similarity, 확률 기반 방법을 포함한다. 이러한 방법은 설비의 결함 매커니즘과 경험 지식을 이해할 필요가 없고, 숨겨진 정보를 데이터 처리 및 분석 방법을 사용하여 찾아낸다.
F. Condition based maintenance decision
장비의 유지 보수는 1. 사건에 기반한 사후 유지보수 2. 시간에 기반한 계획 유지 보수 3. 상태에 기반한 상태 기반 유지보수 로 나뉜다. 상태 기반 유지보수 의사 결정은 정확한 부분을 정확한 시간에 유지보수할 수 있다는 장점이 있다. 이를 통해 부족한 유지보수, 과도한 유지보수를 없앨 수 있다.
(1) 비례 위험 모델 : 시스템 수명 주기와 관련된 내부 관련성을 설명하고, 시스템 위험에 미치는 영향을 결정한다.
(2) 영향 모델 : 물리적 손상 매커니즘의 배경을 기반으로 영향을 받는 장비의 수명, 신뢰성, 고장 등의 특성을 연구한다.
(3) 지연 시간 모델 : 결함을 초기 결함 시간과 결함 지연 시간으로 나누어 장비의 degradation 과정을 더 잘 반영할 수 있다는 장점이 있지만, 수학적 분석 기반은 부족하다.
(4) 확률 기반 모델 : 복잡한 장비 감쇠 과정의 무작위성으로 인한 확률을 고려한 상태기반 유지보수 의사 결정 모델이 최근 많이 연구되고 있다.
G. Case: PHM architecture design of UAV
UAV PHM 시스템은 주로 기체 내 PHM 시스템과 지상 PHM 시스템으로 구성된다. 전자는 UAV 온라인 데이터 수집 및 저장, 실시간 상태 평가 및 조기 경고 기능을 수행하며, 후자는 UVA 지상 원격 제어 시스템에 장착되어 장비 오프라인 데이터 관리, 상태 평가, 고장 장비감지 및 유지보수 등의 기능을 수행한다.
V. CONCLUSION
PHM 기술의 분석을 통해 PHM과 관련된 이론과 기술이 다양한 필드에서 활용되었지만 많은 문제점이 있었다.
(1) 응용 분야가 더 확장되어야 한다. 현재는 PHM 기술이 엔진과 기계기기 등에만 적용이 되고 있다. 적용 스코프와 깊이가 더 확장되어야 한다.
(2) 시스템적인 연구가 부족하다. 현재로 PHM이 특정 장비의 특정 문제에 한해서만 수행되고 있다. 몇몇 연구들만 PHM 기술 프레임워크의 각 단계에서의 핵심 기술을 시스템적 관점에서 수행하고 있다.
(3) 부족한 데이터가 문제이다. 현재 연구 과정은 건강 상태 분리, 건강 상태 평가 및 RUL 예측 순으로 이루어지는데 불확실성과 랜덤성, 그룹과 개별적인 특성, 멀티모달과 적은 샘플 데이터, 아주 적은 타겟 방법론 선택과 같은 특성이 데이터 특성에 따라 해결해야 할 문제로 남았다.
