이러한 파장 데이터를 활용하여 AI로 장비의 건강 상태를 어떻게 분석할 수 있습니까?
광섬 브래그 격자 센싱 시스템에서 수집된 반사 파장 데이터를 인공지능(AI) 알고리즘과 결합하는 것은 장비 구조 건전성 모니터링(SHM) 및 예측 유지보수 및 건전성 관리(PHM)를 구현하는 핵심 체인입니다.
하부 광학 파장 시계열 신호부터 상부 장비 건전성 상태 평가까지, 표준 기술 구현 아키텍처는 일반적으로 다음 네 가지 계층으로 나뉩니다.
1. 물리량 복원 및 데이터 클리닝 (전처리 계층)
광섬 브래그 격자 복조기에서 출력되는 원시 물리량은 각 측정 지점의 브래그 중심 파장 \lambda_B (기본 원리는 \lambda_B = 2 n_{\text{eff}} \Lambda 를 따름)입니다. AI 모델에 입력하기 전에 기본적인 전처리가 필요합니다.
- 온도 및 변형 분리:
광섬 브래그 격자는 온도와 변형 모두에 민감하므로, 차동 교정 알고리즘을 사용하여 환경 온도 드리프트를 제거하여 순수한 기계적 변형 \varepsilon(t) 또는 온도장 분포 T(t) 를 얻어야 합니다. - 신호 필터링 및 노이즈 제거:
웨이블릿 노이즈 제거(Wavelet Denoising), 칼만 필터(Kalman Filter) 또는 경험적 모드 분해(EMD)를 사용하여 광섬 링크 흔들림 또는 광원 변동으로 인해 발생하는 고주파 백색 잡음을 필터링합니다. - 데이터 정렬 및 표준화:
다중 채널 샘플링 속도(예: 10\ \text{Hz} 에서 100\ \text{Hz})를 통일하고 Z-score 표준화 또는 최대-최소 정규화를 수행합니다.
2. 특징 공학 및 상태 표현 (특징 추출 계층)
모니터링 대상의 동적 및 정적 특성에 따라 연속 파장 신호에서 다차원 표현 특성을 추출합니다.
- 시간 영역 통계 특징:
평균, 분산, 피크-피크 값, 마진 계수, 펄스 계수 및 첨도(Kurtosis, 장비의 조기 점식, 균열로 인한 충격 이상에 매우 민감함). - 주파수 영역 및 시-주파수 특징:
진동 및 동적 변형 모니터링의 경우, 고속 푸리에 변환(FFT) 또는 단기 푸리에 변환(STFT)을 사용하여 특징 주파수, 고조파 에너지 비율을 추출합니다. 모달 분석 기술을 사용하여 장비의 고유 주파수, 모드 형상 및 감쇠비를 역산합니다. 고유 주파수의 감소는 일반적으로 강성 저하 또는 구조적 손상을 직접 나타냅니다. - 공간 위상 특징:
광섬 브래그 격자는 본질적으로 준분산 복용 능력을 가지며, 단일 광섬 상의 여러 FBG 측정 지점은 공간 배열을 구성하여 단면 굽힘 모멘트, 곡률 변화율 및 공간 변형 기울기장을 추출할 수 있습니다.
3. AI 모델링 및 건강 상태 분석 (알고리즘 추론 계층)
훈련 데이터 레이블의 완전성과 비즈니스 목표에 따라 일반적으로 다음과 같은 유형의 AI 알고리즘 아키텍처가 사용됩니다.
1. 조기 이상 탐지 (비지도 학습)
- 적용 시나리오:
장비가 대부분의 시간 동안 정상 상태로 작동하며, 결함 샘플이 극히 적습니다. - 알고리즘 모델:
고립 포레스트(Isolation Forest), 단일 클래스 서포트 벡터 머신(One-Class SVM) 또는 LSTM 자동 인코더(LSTM-Autoencoder). - 구현 로직:
정상적인 과거 작동 단계의 파장 특징을 사용하여 자동 인코더를 훈련합니다. 장비 내부에서 피로 박리 또는 국소 과열이 발생하면, 실제 측정 신호와 모델 재구성 신호 간의 잔차(Reconstruction Error)가 크게 증가하며, 동적 임계값을 초과하면 조기 하위 건강 상태로 판단합니다.
2. 고장 진단 및 분류 (지도 학습)
- 적용 시나리오:
베어링 내륜 마모, 볼트 느슨해짐, 베이스 불안정 등 장비의 전형적인 고장 모드를 알고 있으며, 레이블링된 데이터가 있습니다. - 알고리즘 모델:
1D 컨볼루션 신경망(1D-CNN), 잔차 네트워크(ResNet) 또는 그래디언트 부스팅 의사결정 트리(XGBoost/LightGBM). - 구현 로직:
연속 파장 시계열 또는 시-주파수 스펙트럼을 입력 텐서로 사용하여, 모델이 고차 고장 지표를 자동으로 추출하고 고장 클래스 확률 분포 및 신뢰도를 출력합니다.
3. 잔여 사용 수명 예측 (RUL / 시계열 회귀)
- 적용 시나리오:
장비가 언제 고장 임계값에 도달할지 예측하여 예측 유지보수를 구현합니다. - 알고리즘 모델:
장단기 기억망(LSTM), 게이트 순환 유닛(GRU), 트랜스포머 또는 물리 기반 신경망(PINN). - 구현 로직:
레인플로우 카운팅(Rainflow Counting)을 결합하여 변형 사이클 스펙트럼을 계산하고, 시간 기반 시계열 주의 메커니즘이 적용된 신경망 모델에 입력하며, 재료 피로 손상 진화 모델(예: Miner 규칙)을 융합하여 균열 확장 추세 및 장비의 잔여 안전 작동 수명을 예측합니다.
4. 엣지 컴퓨팅 및 산업 시스템 통합
실시간 추론 요구 사항을 충족하기 위해, 복조기는 일반적으로 고속 네트워크 프로토콜을 통해 산업용 엣지 컴퓨팅 장비로 파장 데이터를 스트리밍 출력합니다.
- 하부 데이터 수집 장비:
OFSCN® Fiber Bragg Grating Interrogator 를 사용하며, 1\ \text{pm} 또는 0.1\ \text{pm} 의 파장 해상도를 제공하고 1\ \text{Hz} 에서 100\ \text{Hz} 의 샘플링 주파수를 지원하여, 저주파 정적 변형 모니터링부터 중고주파 동적 응답 분석까지의 요구 사항을 충족할 수 있습니다. - 통합 인터페이스:
복조기는 TCP, UDP 및 Modbus와 같은 범용 산업 프로토콜을 지원하여, 다중 채널 파장 데이터 배열을 엣지 게이트웨이에 배포된 Python/C++ AI 추론 엔진 또는 디지털 트윈 클라우드 플랫폼에 원활하게 연결할 수 있습니다.
