한국PHM학회 바로가기

조선해운 산업 패러다임 전환에 따른 자율운항선박의 등장과

기관 시스템 상태 모니터링 기반 고장진단/예측기술 개발현황 

 

저자 : 박재철 책임연구원, 장화섭 수석연구원(팀장)

사단법인 한국선급 연구본부 디지털기술원 디지털라이제이션팀 (jchpark@krs.co.kr)

 

본 고에서는 조선 및 해운 산업분야의 신성장동력으로서 주목받고 있는 자율운항선박의 등장과 그 배경, 그리고 사단법인 한국선급이 주관하는 자율운항선박의 핵심기술 중 상태 모니터링 기반 고장 진단 및 예측 기술 (CBM, Condition Based Maintenance)의 개발현황에 대해 소개하고자 한다.

1. 조선해운 산업의 자율운항선박의 등장

조선해운 산업은 2008년 이후 글로벌 해운시장 침체가 장기간 지속되어 왔고 이는 국내 선사들의 경영악화, 선박 발주량 감소에 따른 조선소 수주 감소로 이어져왔다. 단계적으로 조선해운 산업에서 종사하는 기술인력, 물적 자산 등이 순차적으로 빠져나가게 되었고 결과적으로 글로벌 위기와 맞물려 기술력 또한 침체되는 위기를 겪어왔다. 그로부터 10년 후, 조선해운 산업에서 Shipping 4.0과 같은 산업 패러다임 전환이 선박 지능화 시스템 구축이라는 새로운 시장의 생존전략을 수립하였고 기업-산업 간 상생협력 기반 위기극복과 재도약의 발판이 됨으로써 조선해운 산업이 지속적인 협력관계를 유지하면서 경쟁하는 전략적 구조를 형성해 나가고 있다. 이는 매우 고무적인 현상으로 선박을 건조하는 조선소는 고부가가치 선박개발을 통한 상생형 응용기술을 확보 가능하고 선복량* 과잉으로 극심한 침체상태에 놓인 해운사는 지능형 선박 도입을 통한 운영비용 절감 및 환경규제 대응, 선박-항만 간의 물류서비스 개선 등의 긍정적인 효과를 기대할 수 있다. 이에 따라 과거 조선산업의 장기호황으로 유지된 단순 조립형 중심 생산구조에서 성장가능성이 높은 고부가가치 선박 기술, 제품 및 서비스로의 전환을 위한 정부 및 민간에서의 상당한 투자와 노력을 기울이고 있다.

* 선복량 : 배에 실을 수 있는 화물의 총량을 말하는 것으로 적재능력을 의미함

 

그림 1 조선해운 산업 패러다임 전환에 따른 자율운항선박의 등장

 

물론 선진 경쟁국인 유럽, 일본, 중국 등의 조선해운 산업에서도 이미 자율운항선박 기술 기반의 무인화 선박 기술 개발에 박차를 가하고 있으며 사실상 아국 기술력과 비교하여 상대적으로 일부 선도해 나가고 있는 실정이다. 이와 같이 선박에 ICT 기술을 집약한 자율운항선박은 인공지능(AI), 사물인터넷(IoT), 빅데이터, 센서 등을 융합하여 지능화/자율화된 체계로 운용되고 기존의 선원역할을 대체함과 동시에 의사결정을 지원할 수 있는 차세대 고부가가치 선박으로 세계적으로 많은 주목을 받고 있다.

 

 

2. 자율운항선박의 정의 및 핵심기술

국제해사기구(IMO, International Maritime Organization)에서는 자율운항선박(MASS, Maritime Autonomous Surface Ship)을 아래와 같이 정의하고 있다.

또한, 자율운항선박의 자율화 등급(Degree of Autonomy)은 인지(Detection), 판단(Judgement), 조치(Action)의 수행 주체(Seafarers or AI)에 따라 구분되며 단계가 고도화 될수록 승선인원의 수, 역할 대체수준, 시스템의 신뢰도에 따라 4단계로 구분한다.

 

자율운항선박의 상용화를 위해서는 운항안전성을 보장할 수 있는 핵심 지능형 시스템의 신뢰성이 확보되야 한다. 다음에 제시된 자율운항선박의 핵심기술은 Connected ship기술, Self-diagnosis 기술, Digital twin 기술, Greener 기술, Autonomous 기술, Safer 기술로 구성된다. 본 고에서 다루는 선박 기관시스템 고장 진단 및 예지보전 기술은 Self-diagnosis 기술 및 Digital twin 기술에 공동으로 연계되어 있다.

 

표 1 자율운항선박 핵심 기술

 

우리 정부에서는 2020년부터 바다의 미래를 주도할 자율운항선박 개발 프로젝트를 본격 착수하여 개발을 진행하고 있다. 이는 산업통상자원부와 해양수산부가 범부처 사업으로 발족하여 약 6년간 1600억원 규모의 정부지원금을 투입함으로써 자율운항선박의 상용화 및 사업화 기반을 마련함과 동시에 선도적으로 국제표준 대응을 위한 연구개발 및 실증형태 사업이다. 해당 프로젝트는 국제해사기구(IMO)에서 정의하는 자율운항선박의 자율화 등급(Degree of Autonomy)을 기준으로 3수준(Level 3), 연안 항해의 경우 2수준(Level 2)을 확보한 자율운항선박 개발을 목표로 한다. 프로젝트의 구성은 자율운항기술, 기관 자동화 기술, 선박-육상 간의 통신 기술, 선박 운용기술 및 국제표준화 및 상용화 기반의 실증연구로 이루어져 있으며 최종 실증선박은 2025년까지 국제항해에 종사하는 대형 상선 규모의 자율운항선박으로 건조 할 예정이다.

 

그림 2 자율운항선박 프로젝트의 목표 및 구성

 

그림 2 자율운항선박 프로젝트의 목표 및 구성에서 제시된 바와 같이 미래 글로벌 자율운항선박 시장의 점유율을 확보하기 위해서는 자율운항선박 핵심기술을 개발하고 체계적인 실증연구와 검증과정을 거쳐 글로벌 수준의 신뢰성 확보 및 국제표준화를 선도해야 한다. 최근의 신조선 시장에서는 점차 선박의 초대형화에 따른 선가경쟁보다는 친환경 및 고효율을 중시한 고부가가치 경쟁력이 우선시 되고 있다. 즉, 스마트화와 연계된 최적 운항솔루션과 스마트 자율운항에 의한 운항비 절감 등이 월등하게 경제적 이득을 가져올 것으로 예상된다. 이에 사단법인 한국선급은 자율운항선박 기술개발 항목 중에서 기관 자동화 시스템, 육상제어 및 사이버 안전 기술, 운영 및 표준화 기술 등 다양한 기술개발에 주도적으로 참여하고 있다. 본사에서 추구하는 궁극적인 목표는 “디지털 트윈 핵심기술 확보 및 규칙화” 통해서 원격검사 서비스를 제공가능한 디지털 선급으로의 전환이며 이를 위해 디지털 검사규칙 및 인증기준을 마련하고 독자적인 기술기반을 구축함으로써 고유 검사업무의 진보적인 디지털 서비스를 제공하고자 한다.

 

3. 상태 모니터링 기반 고장 진단 및 예지보전 기술 개발

 

3.1 개요

자율운항선박 프로젝트는 선박 운영관점에서 기술분야를 분류하여 자율운항기술, 기관시스템 자동화기술, 선박 및 육상 간 통신/제어 기술, 선박 운용기술 및 표준화 그리고 상용화 기반 실증연구로 구성되어 있다. 그 중에서 기관시스템 자동화기술은 선박의 추진 및 전력 생산을 담당하는 주 추진엔진(Main Engine), 발전기 엔진(Generator Engine), 펌프(Pump), 청정기(Purifier) 및 배관라인(Seawater & Steam piping)을 실시간 모니터링하여 데이터를 취득하고 고장을 조기에 진단/예측하는 기술(CBM, Condition Based Maintenance)이다. CBM 기술은 기계장치의 사용시간에 따라 정비를 수행하던 기존과 달리, 지속적으로 기계장치의 상태를 모니터링하고 고장을 진단 및 예측함으로써 유지관리 방안을 최적화 하는 기술로 정의한다. 사단법인 한국선급에서는 CBM 기술개발에 대한 절차를 수립하고 엔지니어링 기반 고장 분석서 개발, 데이터 생산 및 취득, 데이터 전처리 및 특성 분석을 통한 데이터 프레임을 도출하고 이를 활용하여 고장 진단 및 예측 알고리즘을 개발한다. 이로써 CBM 알고리즘의 추론결과는 본선 선원 및 선박관리자에게 전달되고, 이를 기반으로 유지관리 방법과 상세계획을 수립하는 의사결정을 지원받게 되므로 알고리즘의 정확도와 신뢰도가 최우선적으로 보장되야 한다.

 

그림 3 CBM 개발 절차 및 모니터링 시스템 구성도                                                                                   그림 4 선박기관장치 CBM 시스템 구성도

 

특히, 대규모의 복잡 다양한 기계장치가 통합적으로 시스템화 되어 있는 선박 기관시스템은 상태 모니터링 기반 고장진단 및 예지보전 기술이 자율운항선박에 있어서는 필수기술이다. 이는 기존선박의 기관시스템 운영관리 체계와 연관된 것으로 자율운항선박과 같이 지능화된 시스템이 선원의 업무를 대체한다면 자연스럽게 본선 승선인원은 감소될 것이며 이로 인해 각종 기관장치에 대한 직접적인 검사 및 정비 등도 축소될 수 밖에 없을 것으로 예상된다. 실제 선박에서는 계획정비시스템(PMS, Planned Management System)이라는 유지관리 시스템을 채택하여 운영 중이다. 계획정비시스템은 기관장치의 운전시간 또는 주기적인 검사 계획에 맞춰서 자체 정비계획을 수립하고 Redundancy Equipment 로 전환하거나 혹은 정선 시 운전정지 상태에서 Open-up 검사를 실시하는 등 사실상 매우 체계적이고 안전한 운영관리 시스템인 것이다. 다만, 그 목적이 고장 발생 시, 상태 모니터링을 기반으로 근본적인 원인 분석을 위함이 아니라 선박의 운항 안전성 확보와 손실 최소화 그리고 사고 발생 시 즉각적인 대응 이라는 점에서 주목하여야 한다. 또한 선박 기관시스템의 운전데이터 는 기관장치의 성능과 효율에 초점을 맞춘 리스트로 구성되어 있기 때문에 운전 이후 고장발생 시점 까지의 전 주기 고품질 데이터 확보가 현실적으로 대단히 어렵다. 이와 같은 이유로 선박 기관시스템의 고장현상을 민감하게 반영하여 진단 및 예측이 가능한 수준의 고품질 데이터 확보가 사실상 어려울 수밖에 없는 것이다. 게다가 육상과 달리 해상에서 운항하는 선박은 데이터 수집을 위한 인프라의 제품승인, onboard 설치 등이 매우 까다롭고 해상의 통신부하 제약 등 여러가지 외적요인을 이유로 데이터 취득, 관리, 전송 및 분석 등에 한계를 가진다. 그럼에도 불구하고 상태 모니터링 기반 고장 진단 및 예측 기술(CBM)은 자율운항선박의 핵심기술로써 필요성을 인정받고 있으며 조선해운 산업에서의 제품화 및 상용화를 위한 연구개발이 꾸준히 진행되고 있다. 본 고에서는 PHM 기술과 유사한 선박 기관시스템에 대한 상태 모니터링 기반 고장 진단 및 예측 기술(CBM)에 대해 사단법인 한국선급에서 수행중인 연구를 간략히 소개하고자 한다.

 

3.2 고장모드 데이터 생산 연구

본 연구에서 선정한 선박 핵심 기관시스템은 5종으로 주 추진엔진(M/E, Main Engine), 발전기 엔진(G/E, Generator Engine), 펌프(Pump), 청정기(Purifier) 및 배관라인(Seawater & Steam piping)이며 그 중 사단법인 한국선급은 M/E과 G/E에 대한 CBM 기술을 개발 중이다. 선박의 기관시스템은 추진동력 및 전력공급에 필요한 핵심장비가 집약적으로 시스템화 되어 있으므로 주요기기 및 보조기기 그리고 연료, 냉각수, 가스 등을 공급/이송하는 배관라인에서 기능적 문제가 발생하면 선박 운항안전을 위협받음과 동시에 심각한 해양사고로 이어질 가능성이 있다. 이에 따라 CBM 시스템을 통해 사전에 사고 징후를 탐지하고 선원 혹은 선박 관리자들이 인식할 수 있도록 함으로써 선박 운항안전을 보장하고 우수한 품질관리가 가능할 것으로 기대된다. 사단법인 한국선급은 선박용 M/E과 G/E을 대상으로 육상 테스트 베드에서 실제 고장모드를 모사하여 각종 모니터링 시스템을 구축하여 고장모드 데이터를 직접 생산하는 연구를 수행하였다. 고장모드 데이터 생산 연구는 고장분석 및 모사 시나리오 작성, 정상 및 비정상 상태의 데이터 생산을 위한 실제 육상 모사실험, 고장 모사 데이터 특징분석 및 신뢰성 평가, 데이터 특징 추출 및 전처리 등 총 4단계로 구성된다. 그림 5와 6에 나타낸 바와 같이 데이터 생산실험은 사단법인 한국선급 그린쉽기자재 시험인증센터(KR TCC, Test & Certification Center of Korean Register)에서 보유중인 선박용 M/E(Low Speed 2stroke Engine) 및 G/E(Middle Speed 4stroke Engine)을 활용하였다.

 

 

본 실험은 실제 엔진을 기동하여 데이터를 취득해야 하므로 사전에 치밀한 고장 분석 및 실험계획법 수립이 요구된다. 우선, 고장분석 및 모사 시나리오 작성을 위하여 M/E과 G/E을 대상으로 주로 어떠한 고장이 발생하는지, 어떤 원인과 현상이 나타나는지 그리고 해당 고장발생 시 선박이 처하게 될 위험성 등을 검토하였다. 또한, 각 고장항목을 정리하고 이에 대한 원인과 현상을 분석함으로써 고장항목과 고장원인 그리고 고장을 식별할 수 있는 현상을 구체화 하였다. 본 연구에서는 고장수목분석(FTA, Fault Tree Analysis)을 통해 내연기관 시스템을 기계 구동시스템, 연소 및 가스 배출 시스템, 소기 및 가스공급 시스템으로 구분하여 하위 컴포넌트별 고장항목, 고장원인, 고장현상 간의 연관성을 분석하였다. 또한, 상태 모니터링 시스템을 구성하기 위해 고장현상을 민감하게 반영 가능한 추가 계측데이터 항목을 식별하였다. 이와 같이 FTA 결과를 바탕으로 엔지니어링 지식과 경험을 보유한 외부 전문가 의견을 수렴하여 최종 고장모드 모사항목을 다음 표2에 제시된 바와 같이 M/E 10건, G/E 5건으로 각각 선정하였다.

 

                                                                                                              표 2 M/E 및 G/E의 고장모드 선정항목

 

표 2에 제시된 M/E 및 G/E의 고장모드를 육상 테스트 베드에서 구현하기 위하여 구체적인 고장모드 모사 시나리오를 수립하였다. 각 고장항목의 원인과 현상을 동일하게 모사하기 위해서는 실제 엔진을 대상으로 고장부품 제작, 엔진분해 및 비정상 부품교체, 엔진기동 및 정지, 재복구 순으로 고장모사 엔지니어링을 모든 시나리오 별로 수행하였으며 고장모드 시나리오를 구현하기 위한 실제 모사기법의 예를 그림 7에 제시하였다. 고장 시나리오 기반 모사실험은 엔진 RPM과 Load를 실제 운항선박과 유사한 조건의 환경에서 실시하였으며 매 실험 시 Idle operation(0% Load), Load-up & Stable operation(25%, 50%, 75%, 80%, 100%), Load-down & Stop 과 같은 일정한 패턴으로 5시간 이상 연속기동 운전을 통해 데이터를 취득하였다. 대상 엔진 시스템의 모사실험 데이터의 일반화를 위해서는 가능한 내연기관의 공통적인 고장특성을 반영해야 한다. 이를 위해 본 연구에서는 각 계통별 주요 고장항목의 카테고리를 Fuel Injection System, Scavenge Air Supply System, Exhaust Gas System, Cylinder Condition으로 분류하고 결과론적으로 표출되는 Mechanical Failure 및 Fuel & Gas Supply Failure 에 해당하는 주요 고장항목만을 구현함으로써 내연기관의 Command & Control System에 의한 연소성능 보상작용으로부터 자유로울 수 있도록 하였다. 결과적으로 본 실험의 결과물은 내연기관의 Common한 고장모드를 중심으로 생산/계측된 데이터이며 다양한 내연기관 모델에 적용할 수 있는 일반화 성능을 보유한 알고리즘 개발에 적합한 것으로 사료된다.

 

그림 7 고장모드(Broken Piston Rings) - 예시

 

기존에 엔진에 탑재되어 있는 모니터링 시스템 이외에 별도의 내부 연소상태 계측 센서, 진동계측 센서, 초고속 카메라 등 다양한 모니터링 시스템을 추가로 구축하여 고장 시나리오별 데이터 변화추이를 모니터링 하였다. 상태 모니터링 시스템은 3종으로 엔진 운전 상태를 모니터링하는 AMS (Alarm Monitoring System), 연소실 압력 및 성능을 모니터링 하는 PMI (Performance Measurement Indicator) 시스템, 진동 특성을 계측하는 VMS (Vibration Measurement System)로 구성되어 있다. 데이터 계측주기는 각 데이터 종류의 특성을 고려하여 최적화하고 실험단계에서는 최대한 많은 데이터를 확보하고자 PMI 연소실 압력데이터는 50KHz, VMS 진동 데이터는 32KHz, AMS 의 운전데이터는 60Hz로 각각 선정하였다.

3.3 고장 진단 알고리즘 개발

고장모드 모사실험을 통해 확보한 정상 및 비정상 데이터에 대한 분석은 주성분 분석, 상관계수 분석 등 탐색적 분석기법을 적용하여 특성을 파악하였으며 이를 통해 대상 장비의 성능 및 효율분석 뿐만 아니라, 다변량 데이터 통계분석이 가능한 핵심 특징인자를 추출하였다. Feature Engineering을 통해서 엔지니어링 지식 및 수학적 근거를 기반한 실린더 압력데이터와 진동 데이터에 대한 다수의 특성인자 및 운전 데이터를 병합하고 알고리즘 개발에 필요한 데이터 프레임을 생성하였다. 본 연구에서는 Auto ML, RP-CNN, LSTM 등의 다양한 Machine Learning 및 Deep Learning method를 활용하여 모델성능을 비교하였으며 M/E과 G/E의 각 고장모드에 대해서 우수한 성능의 분류 알고리즘을 도출하였다. 앞서 언급한 바와 같이, 고장모사 실험 데이터는 실제 선박에서 운용하는 RPM과 Load 조건과 유사하게 구현하여 5시간 이상 연속으로 기동한 결과이다. 그러므로 다수의 데이터 변수 간 상호작용과 데이터의 시계열 특성을 고려한 학습이 이루어져야 한다. 실제로 엔진의 고장이 발생하면 일반적으로 다수의 데이터가 동시 다발적으로 변화를 나타낸다. 이에 따라 각 고장모드에 대한 다변량 데이터의 고장패턴을 구조적으로 이해하는 것이 필요하다. 본 연구에서는 M/E 및 G/E의 고장모드 모사실험을 통해 도출된 수백가지 시계열 정보를 동적/유기적 상호작용을 이해할 수 있는 알고리즘을 도출하고자 하였다. Feature Engineering을 통해 추출된 데이터 프레임의 신뢰성을 검증하고자 정상과 비정상 상태의 데이터 통계분석 및 이진분류 알고리즘 성능을 평가하였으며 각각의 F1-Score 성능지표는 98% 이상으로 분류가 가능하였다. 그림 8과 9에 나타낸 바와 같이,  각 고장모드 및 데이터 종류별로 분리하여 분류 알고리즘의 성능을 평가한 결과, M/E의 경우 F1-Score가 96% 이상, G/E의 경우는 99% 이상의 우수한 분류성능을 확보하였다. 해당 분석 결과를 바탕으로 시계열 데이터 변수 간의 패턴 변화를 구별할 수 있는 질적 평가 가능성을 우선적으로 확인하였으며 향후 고장 진단 및 예측 알고리즘 자체의 신뢰성을 확보하여 실 운항선박에 적용성 연구를 추진할 계획이다.  

앞서 언급한 바와 같이, 사단법인 한국선급은 실 운항선박을 대상으로 CBM 시스템의 하드웨어 및 소프트웨어에 대한 실선 검증/평가를 준비하고 있다. 해당 실선검증은 현재까지 개발된 상태 모니터링 시스템의 내구성 및 성능평가를 목적으로 수행되며 실 해역에서의 수 개월 간 데이터를 취득하고 사용자 피드백을 수렴하여 개선 및 보완하고자 한다. 해당 실 해역 검증은 실 운항선박 2척을 대상으로 ‘22년도 내에 설치완료 예정이며 이후 수년간의 데이터 축적 및 다양한 측면에서의 CBM 시스템 성능검증을 수행하고자 한다.

3.4 시사점

선박 기관시스템에 적용하고자 하는 CBM 기술은 기존의 유지관리 체계로부터 단계적인 전환이 필요한 시점이다. 선박 및 선대의 운영 및 필수적인 선급검사 수행의 측면에서는 CBM 기술과 선급의 검사규칙과의 연계가 필요하며 선박 정기검사 시 선급규칙에서 요구하는 대상장비의 검사항목과 CBM 시스템의 데이터 리스트를 정립한다면 CBM 시스템 기반 유지관리 체계로 전환이 가능할 것으로 사료된다. 사단법인 한국선급에서는 CBM 기술수준의 개념을 그림 8과 같이 제시하고자 한다. 이는 CBM 기술수준에 따라 이상 검출(Detection), 고장 진단(Diagnosis), 고장 예지(Prognosis) 그리고 유지관리 방안 및 비용 분석 등의 기능을 제공하고 있다. 결과적으로 CBM 시스템을 적용하는 선사에서도 본선 데이터 취득 시스템 등의 추가적인 인프라 구축 및 개선이 없이도 선택적으로 적용할 수 있으며 선급 검사체계와 연계하여 디지털 서비스의 혜택을 받을 수 있을 것으로 기대된다.

 

그림 8 선박 기관시스템 대상 CBM 기술수준 개념(안)