Current Issue

화석 에너지 자원의 고갈과 탄소 배출량 문제로 인해 최근 신재생 에너지가 활발히 연구가 진행되면서 풍력 에너지 대한 관심이 증가하고 있다. 풍력 에너지는 거대한 블레이드가 바람에 의해 회전을 하면서 전기를 생산하는 신재생 에너지 중 하나이다. 이러한 풍력 발전기의 블레이드는 외부에 노출되어 있어 잦은 손상이 발생할 수 있다[1]. 블레이드의 손상은 전력 생산량의 손실과 유지보수 비용에 큰 영향을 주기 때문에 최근 풍력 발전 단지의 블레이드를 효과적으로 원격 모니터링하는 연구의 필요성이 대두되고 있다[2].

모니터링 연구로는 크게 접촉식 방법과 비접촉식 방법이 있다. 접촉식 방법으로는 풍력 발전기에 센서를 설치하여 블레이드의 고장을 확인하는 방법으로 대표적으로 광센서와 무선망을 활용한 연구[3], 전류 신호를 이용하여 기어박스나 베어링 결함을 확인하는 연구가 있다[4]-[6]. 그러나 접촉식 방법은 블레이드를 제작할 때 센서를 설치하기 때문에 제작비용이 많이 들며 이미 설치된 풍력 발전 단지에는 적용하기 어려운 점이 있다. 이를 보완하기 위해 비접촉식 방법이 제안되었으며 IR 카메라를 이용하는 연구[7], 광학 카메라로 블레이드를 촬영한 후 머신러닝 기법을 이용하여 블레이드 상태를 모니터링하는 연구가 있었다[8]. 그러나 카메라는 기상과 광원에 영향을 받아 안개가 끼거나, 밤이 되면 모니터링이 어려운 단점이 있다. 이러한 단점을 극복할 수 있는 방안으로 전파를 이용하는 레이더 기반의 모니터링 연구가 최근 활발히 진행되고 있다.

레이더를 이용하여 풍력 블레이드의 상태를 모니터링하는 선행 연구 [9]에서는 풍력 블레이드의 파손 상태를 수학적으로 모델링을 하여 파손된 풍력 블레이드의 동적 RCS를 계산하였으며, 선행 연구 [10]에서는 도플러 레이더를 이용하여 획득한 수신 신호를 신호처리한 후 스펙트로그램을 이용하여 블레이드의 고장 여부를 감지하였다. 선행 연구 [11]에서는 블레이드의 동작 상태를 추정하기 위해 특성벡터를 추출하고 간단한 구분기를 이용하여 3가지의 블레이드 상태를 구분한 연구를 진행하였다. 하지만 참고 문헌 [11]에서 사용한 구분기는 잡음이 증가함에 따라 가중합 그래프와 플래시 간격 그래프에서 특성 벡터를 추출하는 작업이 쉽지 않으며 구분 정확도가 현저하게 낮아지는 문제가 발생하였다. 이러한 문제를 해결하기 위해서는 풍력 발전기의 상태별 스펙트로그램 영상을 원본 그대로 학습시키면 된다. 그러나 일반적인 신경망 구분기들은 학습 가능한 데이터의 크기와 양에 한계가 있다. 따라서, 본 논문에서는 학습량의 한계를 극복할 수 있는 CNN(Convolution Neural Network) 구분기를 이용하여 대량의 스펙트로그램 영상을 학습한 후 풍력 블레이드의 상태를 구분하는 방법을 제안하였다.

본 논문의 구성은 다음과 같다. 2장에서는 CNN 구분기의 기본적인 이론을 설명하며 3장에서는 설계된 CNN의 구조 및 파라미터에 대한 설명하고 제안한 방법을 이용하여 블레이드의 동작 상태를 구분한 연구 결과를 보여준다. 4장에서는 본 논문의 결론을 기술하였다.

일반적인 다층 신경망은 입력층, 은닉층, 출력층으로 이루어진 구조를 가지며 딥러닝은 은닉층이 여러 개 존재하여 더 깊은 학습이 가능하다. 이러한 딥러닝 종류의 하나인 CNN은 이미지나 영상 데이터를 입력으로 받아 구분하기 위해 개발된 다층 신경망이다. 일반적인 다층 신경망의 입력 데이터는 1차원 형태로 변환하여 사용하기 때문에 데이터의 공간 정보 손실이 생긴다. 또한, 이미지 형상을 고려하지 않고 원시 데이터(Raw data)를 직접 처리하기 때문에 많은 양의 학습데이터와 학습시간이 길어진다. 이러한 비효율성의 한계를 개선하기 위해 도입된 CNN은 일반적인 신경망과 달리 컨벌루션 계층과 풀링 계층이 추가되면서 영상의 공간 정보를 유지하며 스스로 특성을 추출하여 학습할 수 있는 것이 특징이다. 본 연구팀에서는 풍력 블레이드의 상태별로 획득된 스펙트로그램을 입력 영상으로 적용하였으며 CNN의 구조는 그림 1과 같이 컨벌루션 계층, 풀링 계층, 완전 연결 계층으로 구성하였다[12].

Fig. 1. 
General structure of CNN

컨벌루션 계층과 풀링 계층에서는 입력 데이터의 특징을 추출하고 완전 연결 계층에서는 추출된 특성 벡터를 이용하여 표적을 구분하게 된다. 컨벌루션 계층은 입력된 영상에 임의의 크기를 가지는 필터를 적용하여 컨벌루션 연산을 수행한다. 이러한 컨벌루션 연산을 수행하면 하나의 입력 영상으로부터 다수의 특징을 추출하게 되는데 이를 피쳐맵(Feature map)이라 한다. 그림 2는 컨벌루션 연산 과정을 보여준다[12].

Fig. 2. 
Calculation process of convolution

컨벌루션 연산은 필터값과 영상의 픽셀값을 각각 곱한 후 더하여 계산한다. 특정 크기를 가진 필터가 입력된 영상 전체를 이동하면서 컨벌루션 연산을 수행하며 이러한 필터가 이동하는 것을 스트라이드(Stride)라고 한다. 추출된 피쳐맵은 입력된 영상보다 크기가 작아지는 문제가 생겨 입력 영상의 정보가 손실될 수 있다. 이러한 정보의 손실 문제를 해결하기 위해서는 입력 영상의 테두리에 ‘0’을 추가하는 제로 패딩 기법(Zero padding)을 이용해 손실 문제를 해결할 수 있다. 그림 3은 제로 패딩 과정을 보여준다[12].

Fig. 3. 
Process of zero padding

그림 3의 제로 패딩 과정을 거친 후 추출된 피쳐맵의 크기는 식 (1)을 이용하여 계산할 수 있다[12].

식 (1)에서 P_H, P_W는 추출된 피쳐맵 높이와 폭을 나타내며 I_H, I_W는 입력된 영상의 높이와 폭, I_UH는 양의 패딩, I_DH는 음의 패딩 F_H, F_W는 필터의 높이와 폭, S는 스트라이드를 나타낸다.

이러한 방법으로 얻은 피쳐맵에 활성화 함수(Activation function)을 적용시켜 비선형성을 증가시킨다. 활성화 함수로는 여러 가지가 있지만 본 논문에서는 일반적으로 가장 많이 사용되는 식 (2)와 같은 ReLu 함수를 사용하였다[12].

ReLu 함수는 0 미만의 값은 모두 0으로 처리하고 0보다 크면 원본값을 그대로 출력하는 특징을 가지고 있다. 풀링 계층은 컨벌루셔널 계층 다음에 위치하여 피쳐맵의 크기를 줄여 학습 가능한 파라미터 개수를 줄임으로써 연산 시간을 줄이는 역할을 한다. 풀링의 종류에는 최댓값 풀링(Max pooling)과 평균 풀링(Average pooling)이 있다. 그림 4는 최댓값 풀링과 평균값 풀링의 과정을 보여준다[12].

Fig. 4. 
Max pooling and average pooling

그림 4와 같이 m×n 크기의 영역에서 최댓값을 선택하는 방법이 최댓값 풀링이며, 평균 풀링은 해당 영역에서의 평균을 내어 평균값을 가지는 방법이다.

마지막 출력층에서는 완전 연결 계층과 소프트맥스 함수(Softmax function)을 통해서 표적을 구분한다. 완전 연결 계층은 다층 신경망(Multi-layer Perceptron: MLP) 구조이며 하나 이상의 은닉층을 가지고 있다. 보통의 다층 신경망을 구분기로 사용할 때에는 영상의 정보 손실이 일어날 수 있지만 컨벌루션 계층과 풀링 계층을 앞에 추가함으로써 입력 영상의 정보 손실이 일어나지 않고 특징을 추출한 피쳐맵을 획득할 수 있어 입력 영상에 대한 정확한 구분이 가능하다. 소프트맥스 함수는 출력값을 확률 벡터로 출력하는 일반화된 로지스틱 회귀이다. 소프트맥스 함수는 입력된 요소를 정규화하여 0∼1 사이의 값으로 출력한다. 이러한 출력값들의 총합은 1이 되며, 식 (3)과 같다[12].

여기서 N는 출력층의 클래스 수, z_j는 j번 소프트맥스 함수의 입력값, z_k는 N차원의 벡터에서 k번째 원소값, P_k는 k번째 클래스가 정답일 확률을 의미한다.

본 논문에서는 풍력 블레이드의 상태를 추정하기 위해 CNN을 이용하여 구분기를 설계하였다. 구분하고자 하는 블레이드의 상태는 외관 상태인 NS와 BS, 동작 상태인 BR과 IR이 있다. 외관과 동작 상태에 따른 구분기를 각각 설계하였으며 훈련 과정에서는 잡음이 없는 데이터를 이용하여 학습을 수행하였다. 학습된 CNN 구분기를 이용하여 SNR=–5∼5dB(2dB interval) 조건에서 테스트 데이터를 생성한 후 구분 실험을 수행하고 혼동행렬을 이용하여 구분 정확도를 확인하였다. 그 결과 두 구분기 모두 SNR이 증가함에 따라 구분 정확도도 향상되었으며 5dB SNR에서 98% 이상의 구분 정확도를 확인하였다. 전반적으로 구분기 1의 블레이드 외관 상태가 구분기 2의 동작 상태보다 높은 구분 정확도를 가지며 구분기 2는 잡음에 의한 영향을 많이 받는 것을 확인하였다.