윤병동 교수님 연구실: 시스템 건전성 및 리스크 관리 연구실

연구실 대표 윤병동 교수

Q1. 연구실의 주된 연구 분야는 무엇이고, 구체적인 예시로는 무엇이 있나요?
 크게 보면 세 가지가 있습니다. 가장 활발하게 하는 분야는 PHM(Prognostics & Health Management)입니다. 사람들이 몸의 증상에 맞춰 대처하며 건강을 유지하듯이, 산업 설비의 증상을 미리 측정하여 고장을 방지하는 분야입니다. 진동, 전류, 온도 등의 여러 가지 신호를 센싱하고 분석하면 설비의 건전성과 관련된 정보인 피처를 얻을 수 있습니다. 피처를 관찰하면 설비의 건강을 측정하고 대처를 할 수 있습니다. 자동 설비 로봇, 증기 터빈, 가스 터빈, 송전 설비들에 적용이 되고 있고, 산업 설비를 넘어 자동차, 가전 등의 제품에도 적용할 수 있습니다.
 다음은 엔지니어링 제품 설계의 불확실성을 통계 기반으로 모델링하고 성능을 측정하는 V&V(Statistical Model Verification & Validation)입니다. 예를 들어 산업 설비의 하중 조건이 실제로 어떠한 분포를 갖고 있을지, 재료의 물성이 어떻게 될지 불확실합니다. 이러한 불확실한 요인들을 통계 기반으로 신뢰성 있게 설계하고 성능을 예측합니다.
마지막은 EH(Energy Harvesting) 분야입니다. 자연계에 존재하는 많은 버려지는 진동 에너지나 열 에너지 등을 전기 에너지로 변환하는 기술입니다. 이 중 진동/파동과 같은 기계적 에너지를 활용하는 압전 EH에 초점을 두고 있습니다.

Q2. 연구실에서 보유하고 있는 특별한 장치 또는 설비가 있나요? 없다면 외부에서 자주 사용하는 장비가 있나요?
저희 연구실은 산업 인공지능 인력 양성 산업단을 운영하고 있습니다. 기계공학부 내의 여러 연구실의 석사 학생들에게 산업현장 수요맞춤형 교육을 진행하고 해당 인력을 산업체로 배출시키고 있습니다.
또 다른 장점은 테스트 베드들이 많다는 것입니다. 산업 설비의 건전성을 측정하기 위해서는 고장 데이터를 이용해야 합니다. 하지만, 실제 산업 설비의 고장 데이터를 측정하는 것은 거의 불가능에 가까워 이를 스케일을 줄인 테스트 베드들을 통해 매우 좋은 양질의 데이터를 얻어낼 수 있습니다. 특정 운영 조건을 주어 그 조건에서 설비가 작동할 때의 데이터를 취득할 수 있게 테스트 베드를 제작했습니다. 로봇, 모터, 베어링, 터빈 관련된 여러 테스트 베드들을 보유하고 있고 이를 통해 얻은 영구적인 데이터들은 다른 연구실에 비해 연구를 진행하기에 좋은 환경을 만들어 주었습니다. 또한 연구실이 많은 회사들과 산학 협력이 되어있어 실제 데이터들도 다룰 기회가 많습니다.

Q3. 연구실의 기술이 산업적으로 적용된 사례들에 대해서 알려주세요.
삼성전자의 반도체 공장의 OHT(Overhead Hoist Transport)의 건전성을 측정하여 고장을 방지하는 기술을 만들었습니다. 반도체 공장에서 웨이퍼를 한 공정에서 다른 공정으로 옮기는 로봇이 천장에서 운송을 합니다. 천장에 길이 굉장히 복잡하게 있고 로봇도 수천대가 존재합니다. 복잡한 운송 과정에서 로봇 한 대가 고장이 나면 뒤 따라오던 모든 로봇이 멈추게 됩니다. 반도체 공장에서 다운 타임이 생기면 큰 손실이 생기기 때문에 이를 미리 방지하는 기술을 연구했습니다. 로봇의 건전성을 계속 모니터링하다 문제가 생길 것이라 판단하면 로봇을 따로 빼내 다운 타임이 생기지 않게 하였습니다. 저희는 로봇의 전류 데이터를 측정하여 건전성을 측정하였고, 이 과정에서 딥러닝 기법 중 Domain adaptation 기술이 사용되었습니다. 이는 학습 데이터로 학습된 네트워크가 실제 데이터에서도 잘 작동하기 위해 네트워크를 실제에 맞게 바꿔주는 기술입니다. 이 연구는 현재 삼성전자의 반도체 공장에서 사용되고 있습니다.
다음은 현대자동차하고 전기자동차의 배터리에 대한 PHM 연구를 진행하고 있습니다. 전기 자동차 배터리의 성능을 높이기 위해 배터리 셀에 가압을 주어 제작을 하는 연구가 진행중입니다. 가압 조건별로 배터리의 성능 향상을 테스팅을 하고 어떠한 분포로 존재하는지 통계적으로 모델링을 하고 이를 바탕으로 설계를 진행하였습니다. 이번 연구는 신뢰성 기반 설계 관점에서의 대표적인 연구 사례라고 볼 수 있습니다.
마지막으로 한국전력의 IDPP(Intelligent Digital Power Plant)와 연구를 진행하였습니다. 고온 고압의 물이 흐르는 보일러의 파이프 배관에 구멍이 생겨 증기가 새는 현상을 누설이라고 하는데, 누설 여부 및 위치를 빠르게 추정해주는 기술을 개발하였습니다. 해당 연구는 실제 국내 여러 발전소에 적용되어 사용되고 있습니다.

Q4. 대학원을 생각 중인 학부생이나 연구중인 대학원생에게 해 주실 말씀이 있으시면 감사하겠습니다.
학생들이 실패하든 성공하든 그 결과와 상관없이 많이 도전하고 이것저것 시도해보라고 하겠습니다. 많이 도전을 하면 많은 실패가 있을 것입니다. 그 실패로 낙담하지 말고 실패 속에서 뭘 잘못했고 어떤 이유 때문에 실패를 했는지 알아가며 다음번에는 동일한 결과를 얻지 않기 위해 어떻게 해야 될지 레슨을 얻어야 합니다. 이러한 과정을 반복하다 보면 여러분들의 성장 속도가 빨라지는 순간이 있을 겁니다. 젊을 때 시도해서 실패 하는게 추후에 보면 아무것도 아닐 수 있습니다. 어릴 때 많이 경험하시면 나중에 성장한 여러분들을 볼 수 있을 겁니다.

---

대표 연구자 이진욱

Q1. 선정된 대표연구에 대해 간략히 소개 부탁드립니다. 
PHM 분야에서 최근 IoT 센서의 보급과 딥러닝 기술의 발전으로 딥러닝 기반의 고장진단에 대한 연구가 많이 수행되고 있습니다. 일반적인 지도학습 모델을 학습하기 위해서는 1) 충분한 양의 라벨이 있는 데이터, 2) 동일 분포를 따르는 학습과 테스트 데이터가 필수적이나 산업 현장에서는 해당 조건의 데이터를 구하기가 힘듭니다.
위 문제를 해결하기 위해 라벨 정보가 있는 소스 도메인에서의 지식을 전이하여 라벨 정보가 없는 타겟 도메인에 대한 태스크를 수행하는 비지도 도메인 적응 기법이 연구되어 왔습니다. 하지만 각 도메인의 주변 분포(marginal distribution)는 잘 정렬하나 조건 분포(conditional distribution)는 정렬되지 않는 한계점이 있습니다. 이를 최대 평균 불일치와 도메인 적대적 학습 방법을 융합하여 조건 분포도 정렬하는 알고리즘을 만들었습니다. 또한, 기존의 연구들의 학습 과정에서의 불안정성, 느린 수렴 속도와 도메인 간 거리가 큰 상황에서의 성능하락 문제도 효과적으로 개선하였습니다. 서로 다른 세가지의 베어링 데이터를 통해 알고리즘의 높은 성능을 확인하였고 산업 현장에서 라벨 데이터 부족 문제를 해결에 기여할 수 있을 것으로 보입니다.
일부 라벨 정보가 존재하는 상황에도 적은 라벨 정보를 활용할 수 있는 반지도 도메인 적응 기법도 연구실에서 연구되었습니다. 삼성전자와 진행한 OHT 고장 진단 연구에서 호기 별로 데이터의 편차가 크고 라벨 데이터가 다르게 존재한다는 문제점이 있었습니다. 호기 별 데이터가 크기 때문에 한 종류의 로봇이 얻은 데이터를 학습해도 다른 종류의 로봇에 적용이 어렵고, 호기 별 학습을 진행하기에는 라벨이 부족한 호기들은 학습을 할 수 없었습니다. 이를 해결하고자 반지도(Semi-supervised)기반의 물리적으로 추출된 피처를 활용한 도메인 적응 알고리즘을 설계하여 호기 별 심한 데이터 편차를 보정하여 정확한 진단을 하였습니다.

Q2. 해당 연구를 진행하면서 가장 힘들었던 점과 이를 극복한 방법이 있나요?
처음 연구를 시작할 때 딥러닝에 대한 지식이 많이 부족하여 알고리즘을 구현하는 것이 많이 힘들었습니다. 다양한 딥러닝 서적뿐 아니라 인터넷을 활용하여 원하는 알고리즘을 구현할 수 있도록 노력했습니다. 또한, 연구실 내 비슷한 주제로 연구를 진행하던 선배 연구원분이 계셔서 이것저것 물어보면서 많은 도움을 얻을 수 있었습니다. 그렇게 구현한 알고리즘이 원하는 대로 작동이 안되는 문제점 등이 있었지만 차근차근히 문제점을 찾아보고 다양한 해결방법들을 모색하였으며, 교수님 및 연구팀 인원들에게 지속적인 피드백을 받은 게 많은 도움이 되었습니다.