4차 산업혁명의 기술적 변화가 조선 산업분야에도 요구됨에 따라 미래 고부가가치 선박의 핵심으로 자율운항선박이 주목받고 있다. 자율운항선박은 운항과 관리에 대한 정보를 디지털화함으로써, 핵심장비에 대한 실측 데이터를 기반으로 스스로 판단하여 고장여부에 대한 의사결정을 수행하는 자가 진단 선박(self diagnosis ship)기술을 기반으로 개발하고자 한다. 자가 진단 선박 기술은 기존 선원의 경험적 판단에 의해 의존하였던 업무를 인공지능 기반의 자율적 의사결정으로 전환하여 선박의 안전과 효율을 향상시킬 수 있을 것으로 기대되고 있다 (Korean register, 2020).

과거의 선박 정비기술은 고장이 발생하면 수리하는 사후정비(corrective maintenance), 고장 유무에 관계없이 일정 기간 동안 사용 후 교체하는 방법인 정기유지보수(planned maintenance system)예방정비 기법에 의존하였다 (Choi, 2013). 하지만 실제 결함수준과 관계없이 정비를 실시하므로 잦은 중단(down time)과 부품 교체로 높은 비용이 발생한다. 이와 같은 문제점은 많은 산업체에서도 발생하고 있으며, 이를 해결하기 위해 상태기반정비(Condition Based Maintenance, CBM) 기술을 개발 및 도입하고 있다. 이는 필요한 시점에 예측 정비를 수행하여 건전성 관리기술 향상 및 부품 교체 최소화에 따른 유지비용을 절감할 수 있을 것으로 예상한다 (Lee and Youn, 2015).

현재 국내·외 대부분 선박의 고장진단 시스템은 엔진 제작사에 의해 자사 엔진의 모니터링 및 고장진단을 수행하도록 개발되고 있다 (Lee et al., 2009). 자율운항선박은 국제해사기구에서 정의한 자율화 등급 4단계의 완전자율운항 선박을 목표로 개발되고 있으며, 이를 위해서는 엔진뿐만 아니라 선박 기관 시스템 대부분의 장비에서 고장진단이 이루어져야 한다 (Korean register, 2020). 선박 기관시스템 보조기기는 선박 운항의 안전과 정시 입출항에 핵심이 되는 장비로 이에 대한 CBM 기술은 자율운항선박 구현에 가장 필요한 기술개발 항목임이 자명하다.

이와 같이 선박 기관시스템 보조기기의 고장진단 기술을 개발하기 위해서는 대상 장비의 대량의 실측데이터가 필요하다 (Lee and Youn, 2015). 하지만 기존 선박들은 사후정비 및 정기유지보수를 수행해 왔기에 실측데이터 구축 현황은 매우 미비한 상황이다. 또한, 실제 선박의 데이터 수집은 오랜 시간이 소요되기에 기술 개발에 어려움이 있다. 이를 위한 최선의 방안은 육상 및 실증선 시험을 바탕으로 상태 기반 데이터베이스를 구축하는 것이다.

본 논문에서는 선박 기관시스템 보조기기의 상태 기반 데이터베이스를 구축하기 위해 실험적인 연구를 수행하였다. 선박 기관시스템 보조기기로 사용되고 있는 펌프 및 청정기의 고장 사례분석 및 신뢰성 분석을 수행하여 고착, 마모, 누유, 균열, 피로파괴와 같은 고장 모드 5종을 선정하였다. 고장 모사 시험 방법론에 대한 여러 연구들을 수행하여 고장 모사 시나리오를 도출하였다. 고장 모사 시험을 위해 육상 시험용 테스트베드를 구축하였다. 또한, 성능 모니터링 시스템을 활용하여 실시간 상태 모니터링 및 실측 데이터를 취득하였고, 진동데이터를 활용하여 시간 및 주파수 영역의 데이터 특성 변화를 관찰하였다. 진동, 소음, 운전환경 데이터는 태그 넘버를 부여하여 csv 파일 형태의 데이터베이스로 구성하였다.

회전기기의 고장원인은 대부분 진동에 의해 발생한다. 이를 감지하기 위해 많이 사용되고 있는 진단방법은 진동신호 측정이다. 진동신호를 측정함으로써 회전주파수에 따른 진동 크기를 분석하여 고장 원인 도출 및 고장 진단을 수행함에 따라 결함을 조기에 발견할 수 있다 (Lim et al., 2010). 또한, 사전 예측을 효과적으로 수행하기 위해서는 상태에 따른 진동데이터를 수집하는 것이 중요하다. 하지만, 보다 양질의 데이터를 수집하기 위해 진동데이터의 특성 사용이 가능한 분석방법을 고려하여 측정하여야 한다 (Her et al., 2004). 따라서, 본 장에서는 진동 데이터를 활용하여 고장 원인에 따른 특성 변화를 분석하였다.

Fig. 3에서 확인할 수 있듯이 시간영역의 신호만으로는 정상과 고장을 해석하기 어렵기에, Fast Fourier Transform (FFT) 및 Short Time Fourier Transform (STFT)를 이용하여 시간 영역 및 주파수영역 따른 특성 변화를 관찰하였다 (Kim et al., 2021).

Fig. 3 
Pump and Purifier Time domain Vibration data

Fig. 4(a),(b)는 펌프의 정상 및 고장상태 진동 데이터를 FFT를 이용해 나타내었다. x축은 주파수, y축은 진폭의 크기를 가속도 값으로 나타낸다. 정상상태 신호는 2.3 k Hz 영역에서 1 m/s² 수준의 진폭이 발생하였으며, 고장상태 신호는 1 k, 2 k, 4 k Hz 영역에서 최대 8 m/s² 수준의 진폭 변화가 발생함을 관찰하였다.

Fig. 4 
Pump and Purifier Vibration data Fast Fourier

Fig. 4(c),(d)는 청정기의 정상상태 및 고장상태 진동 데이터를 FFT를 이용해 나타내었다. 정상상태 신호는 보울의 고유주파수인 155Hz 영역에서 0.5 m/s² 수준의 진폭이 발생하였고, 고장상태 신호는 1.8 m/s² 수준의 진폭 변화가 발생함을 관찰하였다.

Fig. 5(a),(b)는 펌프의 정상 및 고장상태 데이터를 STFT를 이용해 30초간 분석하여 나타내는 그래프이다. x축은 시간영역, y축은 주파수영역으로 시간에 따른 주파수 영역의 진폭 변화를 나타낸다. 정상상태 신호는 30초 동안 2.3 kHz에서 1 m/s² 수준의 진폭 변화가 발생하였고, 고장상태 신호는 30초 동안 1 k, 2 k, 4 kHz 영역에서 높은 수준의 진폭 변화가 발생함을 관찰하였다.

Fig. 5 
Pump and Purifier Vibration data Short Time Fourier Transform

Fig. 5(c),(d)는 청정기의 정상 및 고장상태 데이터를 STFT를 이용하여 30초간 분석한 그래프를 나타내었다. 정상상태 신호는 30초 동안 155 Hz 영역에서 진폭 변화가 발생함을 관찰하였고, 고장상태 신호는 30초 동안 155 Hz 영역에서 정상상태 신호보다 높은 수준의 진폭 변화가 발생함을 관찰하였다.

고장 모사 시험 시간은 장비 구동 조건에 따라 펌프 10분, 청정기 30분 동안 수행하였다. 고장 모사 시험을 수행하여 취득한데이터는 고장모드, 열화단계, 시편번호, 반복횟수 등의 시험정보를 포함한 태그를 넘버화하여 csv 파일형태로 저장하였다.

Table 5는 펌프 데이터베이스 현황을 나타낸다. 고장모드 별 최소 4세트 이상 취득하였으며, 정상상태 데이터는 총 5세트 취득하였다. 모터 및 펌프 베어링 고착 고장모드에 대한 데이터는윤활불량, 이물질 주입 시험을 통해 각 5세트로 총 20세트 취득하였다. 오정렬 불량의 경우 오프셋 변화에 대한 설계사양 기준 최대 변위 변화가 4 mm이므로 1, 2, 3, 4 mm 변화 데이터를 각 5세트로 총 20세트 취득하였다. 또한, 각도, 좌우 변위 변화에 대한 데이터는 각 6세트로 총 32세트 취득하였다. 또한, 커플링 탄성체 마모 18세트, 메커니컬 씰 열화 5세트, 캐비테이션 변화 4세트, 베어링 가속수명 및 복합고장 25세트 취득하여 총 109세트, 500 GB 용량의 데이터베이스를 구축하였다.

Table 6은 청정기 데이터베이스 현황을 나타낸다. 고장모드 별 최소 3세트 이상 취득하였으며, 정상상태 데이터는 총 15세트 취득하였다. 씰 열화 고장모드에 대한 데이터는 열에 의한 노화단계 별 시험을 수행하였고, 총 21세트의 데이터를 구축하였다. 커플링 마찰제 마모 시험은 마찰제의 질량 변화에 따른 고장 모사 시험을 수행하여 총 19세트의 데이터를 취득하였다. 또한, 모터 베어링 윤활불량 및 이물질 주입 시험 8세트, 탑 베어링 윤활불량 3세트, 오정렬 불량 10세트를 취득하여 총 85세트, 1TB 용량의 데이터베이스를 구축하였다.

본 논문에서는 선박 기관 시스템 보조기기 펌프 및 청정기에 대한 고장 모사 데이터베이스를 구축하는 실험적인 방법에 대해 연구하였다. 이를 위해 고장 사례 분석 및 신뢰성 분석을 수행하여 베어링, 커플링, 씰, 샤프트, 벨트와 같은 내부 구성품의 고장모드를 선정하였다. 시험 상세 계획을 정의한 고장 모사 시나리오를 도출하였고, 육상 시험용 테스트 베드를 구축하여 고장 모사 시험을 수행하였다. 진동데이터를 활용하여 고장 모드에 따른 신호 특성 분석을 수행하였다.

• 1) 펌프 및 청정기에 대한 고장 사례 분석 및 신뢰성 분석을 수행하여 베어링 고착, 커플링 마모, 씰 누유, 샤프트 균열, 벨트 피로파괴의 고장 모드 5종을 선정할 수 있었다.
• 2) 고장 모사 시험을 위해 육상 시험용 테스트 베드를 구축하였다. 실시간 상태 진단 모니터링을 위해 C# 및 Amadeus S/W를 활용한 성능 모니터링 시스템을 구축하였다.
• 3) 고장 모사 시험 계획 및 고장 모사 다이어그램으로 구성된 고장 모사 시나리오를 도출하여 고장 모사 시험을 수행할 수 있었다. 고장 모사 시험은 베어링 윤활불량 및 이물질 주입, 커플링 탄성체 및 마찰제 열화에 의한 질량 변화, 축 오정렬 불량, 씰 열화, 벨트 장력 변화와 같은 선정된 고장 모드 5종에 대한 시험을 수행하였다.
• 4) 진동데이터를 활용하여 고장 특성 변화를 분석하였고, 이에 따른 결과는 펌프데이터의 경우 1 k, 2 k, 4 kHz 영역에서 최대 8 m/s²의 진폭변화가 발생하였고, 청정기는 보울의 고유주파수인 155 Hz 영역에서 최대 1.8 m/s²의 진폭의 변화가 발생함을 확인 할 수 있었다.
• 5) 고장 모사 데이터베이스는 펌프 정상상태 5세트, 모터 및 펌프 베어링 고착 20세트, 커플링 탄성체 마모 18세트, 오정렬 불량 32세트, 메커니컬 씰 열화 5세트, 캐비테이션 4세트, 베어링 수명 및 복합 고장 상태 25세트로 총 109세트(500 GB)로 구축하였다. 청정기는 정상상태 15세트, 모터 베어링 고장 8세트, 마찰커플링 마모 19세트, 씰 열화 21세트, 벨트 장력불균형 9세트, 보울 탑베어링 고장 3세트, 오정렬 불량 10세트로 총 85세트(1 TB)로 구축하였다.

따라서 본 연구를 통해 구축된 데이터베이스는 향후 특성 인자 도출의 타당성 분석 및 고장 모드 재현 적합성 분석을 통해 신뢰성 입증을 수행할 것이다. 이를 통해 검증된 데이터베이스는 선박의 건전성 관리 기술 향상을 위한 고장 진단 및 예측 알고리즘 모델 개발의 기반이 될 것으로 기대한다.