Home

원자력 발전소를 비롯한 발전 플랜트의 가동년수 증가로 배관계 노후화가 가속화되고 있어, 배관 누출 사고의 발생 가능성이 커지고 있다. 이러한 배관 시스템의 노후화는 끊임없는 신뢰성과 안전성에 대한 우려를 불러일으키며, 가장 우려되는 문제 중 하나는 배관 누출이다. 배관의 미세한 누출은 시간이 경과함에 따라 점차 악화하여 심각한 누출 상황으로 이어질 수 있으며, 이에 따라 인명 피해, 경제적 손실, 심지어는 심각한 환경 오염 위험을 초래할 수 있다. 이와 같은 이유로 노후화된 배관계의 누출 감지는 국가적인 안전과 환경 보호의 중요한 과제로 떠오르고 있다. 과거에는 누출 문제를 해결하기 위해 음향 센서나 진동 센서 등을 사용한 배관 누출 감지 방법이 활용되었다[1][2]. 하지만, 이러한 기존 방식은 기계의 잡음이나 주변의 소음 환경으로 인해 미세한 누출을 판별하는 데에 한계가 있다.

최근에는 인공지능과 빅데이터 시대가 도래함에 따라, 딥러닝과 같은 첨단 기술이 빠르게 발전하고 있다. 이러한 발전은 다양한 문제 해결의 새로운 가능성을 제시하며, 산업 분야에서 생산성과 효율성의 향상을 이끌어 내고 있다. 특히, 노후 배관의 누출 감지 분야에서는 인공지능 기술 적용의 가능성이 크게 늘어나고 있다[3][4].

본 논문에서는 음향 센서로부터 수집된 데이터를 Two-Dimensional(2D) 패턴 특징으로 변환하고, 이러한 패턴 특징들을 활용하여 다양한 볼륨 특징들로 구성하여 플랜트 배관계에서의 미세 누출을 탐지하기 위한 다중모드 특징융합을 이용한 가중치 재분배 앙상블 모델을 제안하고자 한다.

본 논문의 2장에서는 학습을 위한 데이터 수집과 전처리 방법에 대한 설명을 한다. 3장에서는 누출판별을 위한 가중치 재분배 앙상블 모델 실험 방법에 대하여 설명한다. 4장에서는 모델에 대한 성능 결과와 분석을 수행한다. 마지막 5장에서는 본 논문의 결론 및 향후 연구에 관하여 기술한다.

본 연구에서는 실험을 진행하기 위해 활용한 데이터들은 전체 데이터 세트를 훈련 세트와 테스트 세트로 8:2의 비율로 분할하여 구성하였다.

이후, 훈련 세트를 다시 부분 훈련 세트와 검증 세트로 8:2의 비율로 나누어 활용하였다. 또한, 모델 학습을 위한 특정 하이퍼파라미터로 Epoch는 30으로 설정하였고, 확률적 경사 하강법 기반의 학습 알고리즘을 선택하였다. 이때, 학습률 조정 방식으로는, 학습률을 동적으로 조정하는 방법을 적용하였다[18]. 또한, 학습을 위한 배치 사이즈는 64로 설정하였다. 상기에서 설정한 하이퍼파라미터를 활용하여 각 모델을 총 5회씩 학습시킨 후, 테스트 정확도 상위 3회의 값을 평균하여 도출한 결과는 표 1과 같이 주어진다.

표 1에서 모델 #1과 모델 #2는 각각 그림 3의 Case 1과 Case 2에 해당하는 볼륨 특징을 기반으로 한 ResNet 단일모델의 성능을 나타낸다. 실험 결과, 주파수 도메인의 특징을 이용한 모델 #2가 RMS 도메인의 특징을 이용한 모델 #1보다 상대적으로 더 높은 성능을 제공하는 것을 관찰할 수 있다. 한편, 모델 #3과 모델 #4는 각각 2D 주파수와 RMS 패턴 특징을 센서별로 앙상블 한 구조의 성능을 보여준다. 모델 #4의 경우 모델 #2에 비해 성능 향상이 소폭 확인되었으나, 오히려 모델 #3은 모델 #1에 비해 성능 저하가 발생한 것을 확인할 수 있었다. 마지막으로, 상기에서 살펴본 모델들과 비교 시, 본 연구의 앙상블 조합을 적용한 모델 #5와 #6은 상대적으로 높은 성능을 제공함으로써 상위 모델로 분류되었다.

한편, 그림 5의 앙상블 모델에서 ResNet을 이와 동일한 층수를 가지도록 설계한 잔차 연결이 없는 CNN 모델로 대체할 경우, 모델 #5에 대한 정확도 성능은 97.61%로 ResNet을 이용한 앙상블 모델보다 낮은 성능을 보여주었으나, 모델 #6의 경우에는 정확도 성능이 98.84%로 ResNet을 이용한 앙상블 모델과 거의 유사한 성능을 보여주었다. 결과적으로, 모델 #6의 분류 정확도 성능이 98.91%로 가장 높은 성능을 보여주는 것을 실험적으로 관찰할 수 있었다.

다음으로, 가장 높은 정확도 성능을 보여준 모델 #6의 성능 분석을 위해 혼동 행렬(Confusion matrix)을 작성하고 이를 그림 6에 제시하였다.

Fig. 6. 
Confusion matrix of model #6

그림 6의 혼동 행렬을 기반으로 다음의 표 2는 모델 #5와 모델 #6에 대한 혼동 행렬을 비교한 결과를 보여준다. 표 3에서는 표 2의 결과를 바탕으로 혼동 행렬에 따른 평가 지표를 비교한 결과를 나타낸다. 여기서, 정밀도(Precision)는 TP / (TP + FP)로 계산되며, 모델이 Positive라고 예측한 사례 중 실제 Positive인 사례의 비율을 나타낸다. 다음으로, 재현율(Recall)은 TP / (TP + FN)으로 계산되며, 실제 Positive인 사례 중에서 모델이 Positive라고 정확히 예측한 사례의 비율을 나타낸다. 또한, F1 점수(F1 Score)는 정밀도와 재현율의 조화평균을 나타내며, 2 × (Precision × Recall) / (Precision × Recall)로 계산한다. 먼저, 표 2를 관찰해보면, 모델 #6에 해당하는 TP와 TN의 값이 모델 #5보다 높고, FP와 FN의 값은 모델 #5보다 낮은 것을 확인할 수 있다.

또한, 표 3을 살펴보면, 모델 #6의 정밀도는 0.9831로 확인되었으며, 재현율은 0.9945, F1 점수는 0.9888로 모델 #6이 모델 #5보다 누출 신호 감지에 있어서 더 정확한 성능을 보여주는 것을 실험적으로 관찰할 수 있었다.

본 논문에서는 플랜트 배관계에서 발생하는 미세 누출을 판별하기 위해, 음향 센서 데이터에서 2D 패턴 특징을 추출하고 이를 바탕으로 다양한 볼륨 특징을 구성하는 등의 다중모드 특징융합과, 이를 적용한 가중치 재분배 앙상블 방법을 제안하였다. 실험 결과, 주파수와 RMS 볼륨 특징을 활용한 센서별 앙상블 모델이 98.91%의 가장 좋은 성능을 제공하는 것을 실험적으로 관찰하였다.

향후 연구에서는 다양한 조건의 누출 데이터 학습 및 다른 응용 도메인으로의 전이 학습 적용을 고려하기 위하여, 다양한 모델에 대한 다중모드 앙상블 구조 연구와 함께, 앙상블 기법에서의 가중치 재분배를 더욱 효율적으로 수행하기 위한 자동화된 방법에 관한 연구를 수행할 예정이다.