수중건설로봇 2핵심 과제에서는 ROV에 적용하기 위한 고장검출 기술을 개발하고 있다. 고장검출은 이미 많은 산업 분야에서 두루 사용되는 반면 수중로봇 분야에서는 아직 기술 적용 사례가 극히 드물다. 수중 환경은 인간이 접근하기 힘들기 때문에 고장의 상태를 모니터링하고 이상 발생을 즉시 알려주는 시스템이 필수적이다. 고장검출 기술은 특정 산업 분야에 국한되는 기술이 아니므로 기존의 검출 기술을 적절히 변형하여 수중로봇에 적용할 수 있다. 이번 커버스토리를 통해 고장검출 기술의 개요를 설명하고 현재 한국로봇융합연구원에서 연구 수행 중인 핵심요소기술 ‘ROV 고장검출’의 연구 계획에 대해 간단히 소개한다.

fault와 failure는 모두 우리말로 ‘고장’으로 번역될 수 있지만 사실 이 두 가지는 다른 의미를 가지고 있다. 일반적으로 fault는 시스템의 간헐적 오동작 또는 결함을 의미하며 발생 초기에는 시스템에 큰 영향을 끼치지 않으나 잠재적인 피해 확산 가능성을 지니고 있다. failure는 fault의 확산에 의해 발생하는 시스템 전역 붕괴 또는 실패를 의미한다. 시스템 수리를 위한 비용과 시간을 고려한다면 fault 단계에서 조기 검출하여 failure가 발생하지 않도록 해야 한다.

고장에 의한 오동작은 수중에서 로봇의 유실과 같은 재난 상황을 야기할 가능성이 크다. 따라서 고장 관측 시스템을 잘 설계하기 위해 이들의 대상 모델에 대한 해석이 우선적으로 이루어져야 하며 각 구동부에서 고장 발생 확률이 높은 주요 지점을 파악하고 적절한 센서를 설치하는 것이 중요하다.

고장을 대처함에 있어서 가장 중요하고 우선적으로 시행되어야 할 사항은 고장을 빠르고 정확하게 진단하는 것이다. 고장은 일반적으로 예측하거나 예방하기 힘들지만 고장 발생 초기에 검출하고 그 특성을 파악할 수 있다면 더 큰 피해를 사전에 예방할 수 있다. 고장 발생 시 경고 신호를 발생, 관리자에게 고장을 인지하게 함으로써 국소적 고장단계에서 적절한 조치를 취해 더 큰 피해를 예방할 수 있다.

고장 검출 기법은 크게 하드웨어 중복(hardware redundancy)을 사용하는 방법과 해석적 중복(analytic redundancy)을 사용하는 두 가지 방법으로 나눌 수 있다. 하드웨어 중복은 대상 시스템과 물리적으로 동일한 장비를 사용하는 전통적인 방법으로 두 장비의 출력을 비교함으로써 고장을 판단하는 정성적 방법이다. 직관적이긴 하지만 설치비용이 많이 들고 설비를 위한 추가적인 공간이 필요하다는 단점이 있다.

반면 해석적 여분 기법은 모델 기반의 관측 시스템을 사용하는 기법이다. 대상 시스템을 정확하게 모델링하고 적절한 검출 기법을 사용할 수 있다면 하드웨어 중복 기법의 장점을 그대로 가질 수 있으며 고장의 크기, 위치 등을 정량적으로 판단할 수 있다는 장점이 있다. 하드웨어를 추가적으로 설치할 필요가 없다는 점에서 하드웨어 중복 기법의 단점을 극복할 수 있다. 하드웨어 중복 기법과 해석적 중복 기법에 대하여 다음 표 5와 같이 간략히 요약할 수 있다.

최근 컴퓨터 기술의 발전으로 동적 모델 기반의 해석적 중복 기법이 주목받고 비약적인 발전을 보였다. 하지만 모든 자연현상을 동적 모델로 모사할 수는 없으며 기법의 적용을 위해서는 상태 추정에 상당한 양의 수치계산을 수행해야 한다. 관측시스템은 상당히 높은 수준의 컴퓨팅 능력을 가져야 하고 동적 시스템의 높은 불확실성, 비선형성 등을 고려해야 할 경우 실시간 추정이 어려운 경우도 발생할 수 있다.

반면, 통계기반의 검출 기법은 충분한 사전 학습 시간만 주어진다면 이를 기반으로 한 상태 예측, 이상 진단에 큰 시간을 필요로 하지 않는다. 단, 예측의 신뢰도를 높이기 위해서는 충분한 양의 센서 데이터 획득과 이를 학습하기 위한 유효 데이터 추출이 전제되어야 한다.

데이터 통계 기반 기법은 센서 데이터들의 경향성을 분석하여 임의의 입력에 대한 출력 값을 예측하고 실측 데이터가 예측한 범주에 속하지 않는 경우 이를 이상이라 판단하는 기법이다. 매우 간단한 논리이지만 아주 높은 정확성을 가지고 빠른 의사결정을 할 수 있다는 장점을 가진다. 데이터 통계 기반의 검출에는 PCA(principal component analysis), PLS(partial least square) 등의 분석법이 있다. 이미 오래전부터 잘 알려져 있던 기계학습의 한 부분이지만 검출 분야에서는 최근 주목받기 시작하였다.

수중건설로봇 2핵심 과제에서는 ROV 트랜처의 고장 검출을 위해 기계학습 기반의 해석적 중복 검출 기법을 고려하고 있다. 앞에서 언급한 PCA 기반의 고장검출 기법을 일부 유압 구동부에 적용하여 누유 검출 실험을 실시하였으며 가상의 내부누유 검출에 성공하였다. 로봇 플랫폼의 통합이 이루어지는 올해 연말부터는 실 구동부에 장착된 센서 데이터 추출 실험을 수행할 예정이며 이를 기반으로 검출시스템을 구축할 계획을 가지고 있다.