1. 서 론
최근 제조업은 디지털 전환과 인공지능 전환의 확산으로 빠르게 스마트화 되고 있으며, 이에 따라 생산 설비의 안정성과 운영 효율성 확보가 핵심 과제로 부상하고 있다. 제조 설비의 예기치 못한 고장은 생산 중단과 품질 저하를 초래하며, 이는 기업의 생산성과 비용 구조에 직접적인 영향을 미친다. 이러한 배경에서 설비 상태를 실시간으로 모니터링하고 고장을 사전에 예측하여 대응하는 예지보전 기술의 중요성이 점차 강조되고 있다.
몰드 플럭스(mold flux)는 제철소 연속주조 공정에서 금형 내에 도포되는 핵심 자재로, 최종 철강 제품의 표면 품질을 좌우하는 중요한 역할을 한다. 몰드 플럭스 생산 현장에서는 안정적인 제품 공급과 적정 재고 유지를 위하여 데이터 분석 기반의 공정 및 재고 관리 연구가 수행되어 왔으나[11], 연속 생산을 지탱하는 핵심 설비의 조기 이상 탐지에 관한 연구는 상대적으로 미흡하였다. <Figure 1>은 본 연구의 대상인 몰드 플럭스 생산 공정 흐름을 보여준다. 해당 공정에서는 먼저 광물 원료와 물을 혼합하여 슬러리(slurry)를 제조하여 슬러리 탱크(slurry tank) ①에 보관한다. 슬러리는 고압 슬러리 펌프(slurry pump) ②를 통해 이송되며, 이 과정에서 설치된 공정 센서 ③을 통해 유량, 토출 압력, 모터 전류 등의 다변량 공정 신호가 실시간으로 수집된다. 이송된 슬러리는 스프레이 드라이어(spray dryer) ④의 노즐을 통해 고온의 건조실 내부로 분사되며, 열풍으로 건조되어 과립 형태의 최종 제품으로 생산된다.
이 과정에서 슬러리 펌프는 일정한 회전수 설정값 조건 하에서 고점도․고농도 슬러리를 안정적인 압력과 유량으로 분사 노즐까지 이송하는 핵심 설비로, 공정의 연속성과 시간당 생산성을 직접적으로 결정한다. 그러나 슬러리 펌프 내부의 임펠러 마모, 배관 저항 증가, 또는 노즐 막힘과 같은 이상이 발생할 경우, 분사 패턴 불균형이나 공정 중단으로 이어져 평균 30분 이상의 비가동 손실을 초래한다. 특히 이러한 문제는 단순히 생산성 저하와 비용 손실에 그치지 않고 최종 제품의 품질 불량 및 설비 손상으로 연결될 수 있으므로, 고장 발생 이전 단계에서 미세한 공정 이탈을 사전에 감지하고 대응하기 위한 예지보전 기술이 필수적으로 요구된다.
생산 현장에서의 조건 기반 유지보전은 설비의 상태 정보를 기반으로 유지보수 의사결정을 수행하는 전략으로, 일반적으로 데이터 수집, 데이터 처리, 그리고 유지보수 의사결정 단계로 구성된다. 이 과정에서 진단은 이미 발생한 이상 상태를 식별하는 사후 분석에 해당하는 반면, 예지는 설비의 열화 상태를 기반으로 미래의 고장 시점이나 잔여 수명을 예측하는 기술이다. 예지보수는 이러한 진단과 예지 결과를 활용하여 최적의 유지보수를 수행하는 전략으로 정의된다. 특히 예지보전 관점에서는 명확한 고장 이전 단계에서 나타나는 미세한 상태 변화를 조기에 인지하는 것이 핵심 과제로 강조되며, 이는 조기 이상 탐지 기술의 필요성을 뒷받침한다[5].
기존 연구에서는 펌프 상태 감지를 위해 주로 베어링 진동 신호를 활용해 왔다. 그러나 이러한 접근은 센서 설치를 위한 물리적 가공이 필요하고, 설치 위치 및 환경 조건에 따라 신호 재현성이 저하되며, 실제 공정 이상과의 직접적인 인과관계를 해석하기 어렵다는 한계를 가진다. 이러한 문제는 개별 사례에 국한되지 않고, 원심 펌프 전반의 결함 진단 및 상태 감시 연구에서 공통적으로 지적되어 온 구조적 한계로 보고되고 있다.
원심 펌프를 대상으로 한 선행 연구에서는 기계적 씰, 베어링, 구동부 고장뿐 아니라 임펠러 결함, 캐비테이션, 막힘과 같은 유체역학적 이상이 주요 문제로 대두됨을 보고하였으며, 다양한 진단 접근이 제안되었음에도 불구하고 다중 결함의 연속적 상태 모니터링을 통합적으로 수행하는 데에는 여전히 한계가 존재함을 지적하였다[1]. 이러한 한계는 최근 산업 설비의 운전 환경 변화로 인해 더욱 두드러지고 있다. 대형 펌프 터빈과 같은 회전 기계는 재생에너지 연계 운전의 확대로 기동 및 정지 횟수가 증가하고, 부분 부하와 같은 비정상 운전 조건이 빈번하게 발생하는 특성을 보인다. 이로 인해 진동 신호는 운전 모드 및부하 조건에 따라 복잡하게 변화하며, 동일 설비에서도 운전 상태에 따라 신호 특성이 크게 달라질 수 있다[3].
진동 기반 상태 감시는 여전히 중요한 수단임에도 불구하고, 운전 상태를 고려하지 않은 단순 적용은 진단 신뢰성 저하와 해석의 어려움을 초래할 수 있다. 실제로 슬러리 펌프를 대상으로 한 선행 연구에서는 다수의 가속도계로부터 추출한 주파수 영역 특징과 분류 기법을 결합하여 임펠러 손상을 높은 정확도로 식별할 수 있음을 보였으나[19], 이러한 접근은 다중 센서 설치, 고차원 특징 추출, 복잡한 신호 처리 과정이 요구된다는 점에서 연속 공정에의 실시간 적용에는 한계를 가진다.
공정 이상 탐지 및 진단은 단순한 고장 판별을 넘어, 공정 성능 저하로 이어질 수 있는 미세한 이상 상태를 조기에 인지하고 대응하기 위한 핵심 기술로 인식되고 있다. 이러한 접근법은 일반적으로 데이터 기반, 모델 기반, 지식 기반 방법으로 구분되며, 다양한 산업 공정에 적용되어 왔다. 특히 최근 연구에서는 고장 이전 단계에서 점진적으로 발생하는 초기 이상을 조기에 탐지하는 것이 공정 안정성과 생산성 확보 측면에서 중요함이 강조되고 있다[13]. 이러한 관점은 명확한 고장 발생 이후의 사후 진단을 넘어, 운영 중 발생하는 미세한 공정 변화에 대한 선제적 대응의 필요성을 뒷받침한다.
최근에는 머신러닝 및 딥러닝 기법을 활용하여 추가적인 예지보전용 센서 설치 없이 기존 공정 데이터만으로 결함을 진단하거나 이상 상태를 탐지하는 연구가 활발히 이루어지고 있다. 예를 들어, 제어 신호 측면에서는 PLC(Programmable Logic Controller)의 디지털 제어 신호 시퀀스를 LSTM (Long Short-Term Memory) 모델로 학습하여 실시간으로 공정 상태를 감지하는 방법이 제안되었으며[16], 이상 탐지 모델 구조 관점에서는 비정규․중꼬리 분포 오차에 강건한 혼합 손실 함수 기반 오토인코더를 활용해 감지 성능을 향상시키는 연구가 수행되었다[9]. 또한, 유압 시스템과 같은 다변량 공정 환경에서는 다중 센서 신호로부터 핵심 특징을 자동 추출하고 주요 신호 채널을 선별하여 결함을 진단하는 딥러닝 프레임워크가 제시 되기도 하였다[17]. 특히 시계열 특성을 고려한 예측 기반 접근에서는 Holt–Winters 모델이나 LSTM 기반 딥러닝 모델을 활용하여 정상 패턴을 학습하고, 예측 오차를 기반으로 이상 상태를 탐지하는 방법이 제안되었으며[18], 센서 데이터의 시간적 패턴을 학습하여 설비의 고장 상태를 실시간으로 분류하는 연구도 보고된 바 있다[7]. 또한 전력 데이터와 머신러닝 회귀 모델을 활용하여 공구 마모와 같은 설비 상태를 예측하는 연구가 수행되었으며[15], 정상 데이터만을 활용한 비지도 학습 기반 이상 탐지 접근으로 변분 오토인코더와 iForest를 결합한 방법도 제안되었다[10].
이러한 연구 흐름의 연장선에서, 저자의 선행 연구에서는 ISO 10816-3 진동 평가 기준과 XGBoost(Extreme Gradient Boosting) 기반 AI(Artificial Intelligence) 모델을 결합한 슬러리 펌프 예지보전 기법을 제안하고, 실제 산업 데이터를 이용하여 설비 상태의 예측 가능성을 검증하였다.
해당 연구에서는 진동, 압력, 전류 및 RPM(Revolutions Per Minute) 등의 센서 데이터를 활용하여 슬러리 펌프의 상태를 예측하였으며, ISO 10816-3 진동 기준을 정답 데이터(ground truth)로 적용함으로써 높은 예측 성능과 해석 가능성을 확보하였다. 또한 ISO 기준과 AI 모델을 결합한 하이 브리드 진단 시스템(hybrid diagnostic system)을 구축하여 설비 이상에 대한 조기 경보가 가능함을 확인하였다 [12].
그러나 해당 연구는 진동 기반 설비 상태 예측에 초점을 두고 있어, 정상 운전 중 점진적으로 발생하는 공정 성능 저하를 진동 이상이 발생하기 이전 단계에서 조기에 탐지하거나 그 발생 메커니즘을 설명하는 데에는 한계가 있었다. 실제 생산 현장에서는 진동 이상이 명확하게 관측 되기 이전에도 유량 감소, 압력 증가 및 모터 전류 증가와 같은 공정 변수의 변화가 먼저 나타나는 경우가 있으며, 이러한 미세한 공정 이탈을 조기에 탐지하는 것은 설비 보호와 생산성 향상 측면에서 매우 중요하다. 따라서 본연구에서는 선행 연구를 확장하여, 진동 신호 중심의 설비 상태 예측에서 공정 운전 데이터 중심의 조기 공정 이탈 탐지로 연구 범위를 확장하고, 운영 상태를 고려한 새로운 공정 이상 탐지 프레임워크를 제안한다.
이와 같이 기존 연구와 선행 연구는 각각 의미 있는 성과를 제시하였으나, 대부분 특정 고장 상태의 분류 또는 단일 변수의 이상 탐지에 초점을 두고 있으며, 연속 공정에서 빈번하게 발생하는 운전 상태 전이와 다변량 공정 신호 간의 물리적 상관관계 변화를 명시적으로 반영하지 못하는 한계가 있다. 특히 슬러리 펌프와 같이 고체와 액체가 혼합된 슬러리를 이송하는 설비는 운전 시간이 경과 함에 따라 점도 변화, 배관 저항 증가 및 내부 마모 등의 영향으로 공정 특성이 점진적으로 변화한다. 따라서 복잡한 블랙박스 AI 모델뿐만 아니라, 현장에서 운전자가 직관적으로 이해하고 즉시 대응할 수 있는 운영 상태 기반의 해석 가능한 공정 수준 이상 탐지 기법이 요구된다.
이에 본 연구에서는 슬러리 펌프의 연속 운전 데이터를 기반으로 운영 상태를 명확히 인지하고 미세한 공정 이상을 조기에 포착하는 실용적 프레임워크를 제안한다. 제안하는 프레임워크는 펌프의 운전 상태를 정지(OFF), 기동 전이(START_TRANSIENT), 안정 운전(STEADY), 정지 전이(END_TRANSIENT) 및운전 조건 변경 전이(SETPOINT_TRANSIENT)의 다섯 가지 상태로 구분하여 안정 운전 구간을 정량적으로 식별한다. 이후 STEADY 구간에서 유량 감소와 압력 및 모터 전류 증가가 동시에 지속되는 현상을 조기 공정 이탈(WEAK_DEVIATION)로 정의하고 탐지한다.
본 연구의 주요 학술적․실용적 기여는 다음과 같다. 첫째, 이동창 기반 통계 지표와 지속 조건을 이용하여 운전 상태 전이 구간과 안정 운전 구간을 정량적으로 분리함으로써, 기존 임계치 기반 또는 통계적 공정 모니터링에 서 전이 구간으로 인해 발생하는 오탐을 효과적으로 감소시켰다.
둘째, 고가의 진동 센서나 추가적인 신호 처리 없이, 현장에서 기본적으로 수집되는 공정 신호(유량, 압력, 전류등) 간의 물리적 상관관계 변화만을 활용하여 고장 발생 이전 단계의 조기 공정 이탈을 정의하고 탐지하는 방법을 제시하였다.
셋째, 실제 몰드 플럭스 생산 공정에서 수집한 약 31만건의 산업 운전 데이터를 이용하여 제안한 프레임워크의 현장 적용 가능성을 검증하였다. 또한 기존의 진동 기반 예지보전 연구를 공정 신호 기반 조기 공정 이탈 탐지로 확장함으로써, 운영 상태를 고려한 실용적이고 해석 가능한 예지보전 방법론을 제시하였다.
본 논문의 구성은 다음과 같다. 제2장에서는 대상 공정및 수집 데이터의 특성을 설명하고, 제3장에서는 제안하는 운영 상태 기반 조기 공정 이탈 탐지 프레임워크를 상세히 기술한다. 제4장에서는 실제 데이터를 활용한 적용 결과 및 대표 사례 분석을 제시하며, 제5장에서는 결론 및향후 연구 과제를 제시한다.
2. 공정 및 데이터 구성
2.1 슬러리 펌프 공정 개요
본 연구의 대상 공정은 고점도․고농도 슬러리를 연속적으로 이송하는 산업용 슬러리 펌프 시스템으로 구성된다. 슬러리 펌프는 공정 특성상 임펠러 및 내부 유동부의 마모, 노즐 막힘, 슬러리 점도 변화 및 배관 저항 증가 등에 지속적으로 노출되며, 이러한 요인은 펌프 성능 저하및 비정상 운전으로 이어질 수 있다. 특히 슬러리 공정에 서는 급격한 고장보다는 공정 저항 증가와 같은 점진적인 변화가 빈번하게 발생하며, 이는 명확한 고장 신호 없이도 운전 상태에 영향을 미칠 수 있다. 따라서 고장 이후의 진단보다, 고장 이전 단계에서 나타나는 미세한 공정 이상을 조기에 감지하는 것이 중요하다.
슬러리 펌프는 공정 조건에 따라 회전수 설정값(RpmSet)이 변경될 수 있으나, 개별 작업 구간 내에서는 일정한 회전수가 유지된다. 이러한 운전 조건에서는 정상 상태에서 압력, 유량, 전류와 같은 공정 신호가 비교적 안정적으로 유지되며, 동일 회전수 조건에서 이들 신호의 동시적 변화는 공정 저항이나 이송 상태 변화를 반영하는 중요한 지표로 활용될 수 있다. 이러한 해석은 전기적 및공정 신호를 활용한 기존 펌프 상태 진단 연구의 결과와도 일관된다[2, 4, 6].
2.2 데이터 수집 환경 및 센서 구성
본 연구에서는 실제 산업 현장에서 운전 중인 슬러리 펌프 시스템으로부터 수집된 운전 데이터를 활용하였다. 데이터 수집 기간은 2025년 8월 25일부터 2025년 12월 17일까지이며, 총 312,483건의 시계열 데이터를 확보하였다. 데이터는 약 30초 간격으로 수집되었으며, 이는 공정 상태 변화와 운전 패턴을 충분히 반영할 수 있는 시간 해상도를 제공하였다.
<Figure 2>는 슬러리 펌프 모니터링 시스템의 데이터 수집 및 저장 구조를 나타낸다. 압력, 유량, 회전수 및 전류 센서에서 계측된 운전 데이터는 PLC를 거쳐 kepware IoT gateway 미들웨어를 통해 실시간으로 MS-SQL 데이 터베이스에 저장된다. 저장된 데이터는 이후 제안하는 운영 상태 기반 조기 공정 이탈 탐지 프레임워크의 입력 데이터로 활용된다.
수집된 데이터는 분석에 앞서 OFF, START_TRANSIENT, END_TRANSIENT 및 SETPOINT_TRANSIENT를 제외하고, STEADY 상태만을 분석 대상으로 추출하는 전처리 과정을 수행하였으며, 전처리 결과는 <Table 1>에 요약하였다.
총 312,483건의 원시 데이터 중 OFF는 198,830건으로 전체 건수의 63.6%로 확인되었으며, 분석 대상인 운전 데이 터는 113,653건(36.4%)이었다. 이후 START_TRANSIENT와 END_TRANSIENT 구간을 제외하고, 운전 중 RpmSet이 변경된 이후 5분 동안의 SETPOINT_TRANSIENT 구간을 추가로 탐지 대상에서 제외하였다. 최종적으로 확보된 108,581건의 STEADY 데이터는 상대 변화율 계산과 WEAK_DEVIATION 분석을 위한 기준 데이터셋으로 사용하였다본 연구에서 사용한 데이터는 펌프의 운전 상태를 직접적으로 반영하는 다변량 공정 신호로 구성되며, 주요 변수는 <Table 2>에 정리하였다.
연구에서 사용한 RpmSet과 RPM은 펌프의 물리적 회전 수를 직접 나타내는 값이 아니라, PLC에서 0~100% 범위로 정규화하여 관리하는 회전수 설정값과 회전수 피드백 값이다. 펌프 구동부의 실제 회전수 범위는 0~4,000 rpm이며, PLC에서는 이를 0~100% 범위에 대응시켜 운전한다. 따라서 본 연구에서는 현장에서 수집․저장되는 데이터 형식에 따라 RpmSet과 RPM의 단위를%로 표기하였다.
각 변수는 펌프의 운전 특성을 서로 다른 측면에서 반영한다. 회전수는 펌프의 운전 조건을 나타내며, 펌프압력과 펌프유량은 슬러리 이송 상태를 직접적으로 반영하는 핵심 공정 변수이다. 또한 전류는 펌프 부하 상태를 나타내며, 슬러리 온도는 공정 물성 변화와 관련된 보조 변수로 활용될 수 있다. 운전 상태 플래그는 펌프의 작동 여부를 구분하기 위한 이진 변수로, 이후 운전 상태 분류 과정에 활용된다.
특히 본 연구는 진동 신호와 같은 추가 센서를 사용 하지 않고, 산업 현장에서 일반적으로 수집 가능한 공정 신호만을 활용하여 이상 탐지를 수행하는 데 초점을 둔다. 이러한 접근은 추가적인 센서 설치 없이도 적용가 능하다는 점에서 현장 적용성이 높으며, 실제 공정 데이 터 기반의 예지보전 가능성을 검증한다는 점에서 의의를 가진다.
2.3 데이터 전처리 및 운전 상태 식별
수집된 원시 데이터는 시간 순서에 따라 정렬한 후, 각변수의 결측값 및 이상값 여부를 확인하였다. 분석의 신뢰성을 확보하기 위해 펌프가 명확하게 운전되지 않는 구간을 사전에 구분하였다. 구체적으로 운전 상태 플래그가 0 이거나 RpmSet 또는 전류가 0인 경우를 OFF로 정의하였으며, 해당 구간은 이후 분석 대상에서 제외하였다.
OFF 상태를 제외한 각각의 연속 운전 구간은 하나의 운전 구간으로 정의하였다. 각 운전 구간에서는 기동 직후와 정지 직전에 과도구간이 존재하며, 운전 중 RpmSet이 변경되는 경우에도 새로운 운전 조건으로 전이되는 과도 응답이 발생한다. 이러한 신호 변화는 정상적인 운전 과정에서 발생하는 현상이므로 공정 이상과 구분하여 처리할 필요가 있다.
기동, 정지 및 RpmSet 변경에 따른 전이 구간의 적정 제외시간을 선정하기 위해 기동 후 시간 4수준(3분, 5분, 10분, 15분), 정지 전 시간 3수준(3분, 5분, 10분), RpmSet 변경 후 시간 3수준(1분, 3분, 5분)을 조합하여 총 36개의 시간 조건을 비교․평가하였다. 각 조건은 전이 상태를 제외한 후 확보되는 STEADY 데이터 비율, STEADY 구간에서 주요 공정 신호의 평균 변동계수(CV) 및 통계적이 탈률(Statistical Deviation Rate, SDR)을 기준으로 평가하였다. 36개 전체 조건에 대해 세 평가 지표를 이용한 종합순위를 산정하였으며, 조건 간 비교 결과를 간결하게 제시하고 최종 시간 조건의 선정 근거를 명확히 하기 위해 종합순위 상위 5개 조건을 <Table 3>에 제시하였다.
36개 시간 조건 조합의 성능을 종합적으로 비교하기 위해 STEADY 비율, 평균 변동계수(CV) 및 SDR의 세 가지 평가 지표에 대해 각각 순위를 부여하였다. 평균 CV는 STEADY 구간에서 공정 신호의 안정성을 나타내는 지표로서 값이 낮을수록 우수하므로 오름차순으로 순위 를 부여하였다.
SDR은 STEADY 구간에서 주요 공정 신호가 사분위범위(Interquartile Range, IQR) 기반 통계적 기준범위를 벗어 나는 데이터의 비율로 산정하였으며, 값이 낮을수록 우수하므로 오름차순으로 순위 을 부여하였다. 반면, STEADY 비율은 분석 및 임계값 설정에 활용할 수 있는 안정 운전 데이터의 확보 수준을 나타내므로 값이 높을수록 우수한 것으로 평가하여 내림차순으로 순위 를 부여하였다. 여기서 SDR은 실제 설비 이상에 대한 Ground Truth를 기준으로 산정한 오경보율이 아니라, 시간 조건별 STEADY 구간의 통계적 안정성을 비교하기 위한 지표이다.
세 평가 지표 중 평균 CV와 SDR에는 각각 0.4, STEADY 비율에는 0.2의 가중치를 적용하였다. 가중치는 본 연구의 목적이 단순히 STEADY 데이터의 확보 비율을 최대화하는 것보다, 전이 상태를 제외한 후 공정 신호가 안정적인 분석 구간을 확보하는 데 있다는 점을 고려하여 설정하였다. 이에 따라 STEADY 구간의 공정 신호 안정성을 나타내는 평균 CV와 통계적 이탈 수준을 나타내는 SDR에 동일하게 높은 가중치를 부여하고, 분석 가능한 안정 운전 데이터의 확보 수준을 나타내는 STEADY 비율에는 상대적으로 낮은 가중치를 부여하였다. 이러한 기준에 따라 각 조건의 종합점수는 식 (1)과 같이 산정하였다.
종합점수 이 낮을수록 세 평가 지표를 종합적으로 만족하는 우수한 조건으로 평가하였다. 각 조건의 , 및 를 산정한 후 식 (1)의 가중치를 적용하여 을 계산하였으며, <Table 3>에는 각 평가 지표의 실제 값과 및 종합순위를 제시하였다.
상위 5개 조건의 개별 순위는 S15_E3_P5에서 =1, =1, =30, S15_E5_P5에서 =2, =2, =32, S15_E3_P3에서 =9, =4, =19, S15_E10_P5에서 =3, =3, =36, S15_E5_P3에 서 =10, =5, =22로 산정되었다.
<Table 3>에 나타낸 바와 같이 S15_E3_P5 조건은 STEADY 비율 95.54%, 평균 CV 5.2758% 및 SDR 1.607%를 나타내어 종합점수 6.8로 36개 조건 중 종합순위 1위로 평가되었다. 상위 조건 간 평가값의 차이는 크지 않았으나, S15_E3_P5 조건은 STEADY 데이터 확보 수준, 공정 신호의 안정성 및 통계적 이탈 억제 측면을 종합적으로 고려했을 때 가장 균형적인 결과를 나타냈다. 이에 따라 본 연구에서는 S15_E3_P5를 최종 시간 조건으로 선정하고, 기동 후 15분, 정지전3분및 RpmSet 변경후5분을 최종전이시간기준으로 적용하였다. 선정된 시간 기준은 3.2절의 운전 상태 분류에 적용하였으며, START_TRANSIENT, END_TRANSIENT 및 SETPOINT_TRANSIENT를 제외하고 동일한 RpmSet이 유지되는 구간을 STEADY로 구분하였다.
본 연구에서는 이러한 STEADY 운전 상태에서 동일한 RpmSet이 유지되는 조건하에 기준선 대비 유량 감소와 압력및 전류 증가가 동시에 일정 시간 이상 지속되는 상태를 WEAK_DEVIATION으로 정의하였다. WEAK_DEVIATION은 정상적인 전이 상태와 구분되는 다변량 공정 신호의 지속적 변화로서, 안정 운전 중 발생하는 조기 공정 이탈을 식별하기 위한 탐지 개념이다. 이후 상대 변화율 계산과 WEAK_DEVIATION 탐지는 STEADY 구간만을 대상으로 수행하였다.
특히 STEADY 상태를 정확하게 식별하는 것은 공정 해석과 데이터 기반 의사결정의 신뢰성을 확보하는 데 중요한 요소이다. 전이 상태가 정상 운전 구간에 포함될 경우 정상적인 과도응답이 공정 이상으로 오인될 수 있으며, 이는 오탐지 증가와 분석 결과의 왜곡으로 이어질 수 있다[8].
최종적으로 확보된 STEADY 데이터에 대해서만 상대 변화율을 계산하고, 이를 기반으로 조기 공정 이탈을 탐지하였다. 이러한 단계적 전처리 과정은 정상적인 운전 과정에서 발생하는 일시적인 신호 변동을 효과적으로 배제하고, 안정 운전 중 나타나는 공정 신호의 변화 구간에 분석을 집중할 수 있도록 한다.
이후 STEADY 데이터는 시간 순서에 따라 정렬한 후각 RpmSet 조건별로 앞부분 70%를 기준 설정(calibration) 데이터로, 나머지 30%를 검증(validation) 데이터로 구분하였다. 기준 설정 데이터는 정상 운전 상태에서 상대 변화율의 통계적 분포를 산출하고 탐지 임계값을 설정하는 데사용하였다. 이후 검증 데이터에는 기준 설정 단계에서 산출된 동일한 임계값을 적용하여 조기 공정 이탈 탐지 결과를 평가하였다. 이러한 절차는 임계값 설정과 검증에 동일한 데이터를 사용함으로써 발생할 수 있는 과적합을 방지하고, 시간적으로 이후에 수집된 운전 데이터에 대한 적용 가능성을 평가하기 위한 것이다.
3. 운영 상태 기반 프레임워크
3.1 운영 상태 분류 개요
본 연구에서는 슬러리 펌프의 공정 신호를 해석하기 위해, 단순한 신호 크기나 절대 임계치 비교가 아닌 운영 상태를 고려한 분석 프레임워크를 제안한다. 슬러리 펌프는 정지, 기동, 안정 운전, 정지 전이뿐만 아니라 운전 중 RpmSet 변경 과정에서도 서로 상이한 신호 특성을 보인다. 특히 기동․정지 및 설정값 변경 직후에는 압력, 유량및 전류가 정상적인 과도 응답을 나타내므로, 조기 공정 이탈 탐지를 위해서는 이들 전이 구간과 안정 운전 구간을 명확히 분리하는 과정이 선행되어야 한다.
기존의 공정 이상 탐지 연구에서는 주로 주성분 분석기반 통계적 공정 모니터링 기법이나 머신러닝 기반 접근이 활용되어 왔다. 이러한 방법들은 변수 간 상관관계와 복잡한 공정 패턴을 효과적으로 반영할 수 있으나, 정상 또는 안정 운전 데이터를 기반으로 구축되는 경우 동적․ 비정상 운전이나 운전 상태 변화에 따른 정상적인 신호 변동이 이상으로 탐지될 수 있다는 한계를 가진다[14].
이에 본 연구에서는 전처리 과정을 통해 확보된 운전 데이터를 운영 상태에 따라 해석하는 운영 상태 기반 분석 절차를 구성하였다. 본 프레임워크에서는 안정 운전 상태를 기준 데이터셋으로 사용하며, 상대 변화율을 이용하여 정상 운전 중 발생하는 미세한 공정 변화를 분석한다. 이를 통해 정상적인 기동, 정지 및 운전 조건 변경 과정에서 발생하는 신호 변동은 분석 대상에서 제외하고, 안정 운전 중 나타나는 공정 신호의 이탈 가능성이 높은 구간에 분석을 집중할수 있도록 하였다. 안정 운전 구간에서는 RpmSet이 일정하게 유지되므로, 유량, 압력 및 전류는 기준선 주변에서 비교적 안정적으로 유지된다. 따라서 절대값이 아닌 기준선 대비 상대적인 변화를 이용함으로써 운전 조건 변화의 영향을 최소화하고, 안정 운전 중 발생하는 다변량 공정 신호의 변화를 보다 효과적으로 식별할 수 있다.
전체 분석은 운전 데이터에서 OFF와 연속 운전 구간을 구분한 후, 기동․정지 및 RpmSet 변경에 따른 전이 상태를 제외하여 STEADY 구간을 추출하는 순서로 수행하였다. 이후 동일한 RpmSet 조건의 STEADY 데이터를 기준 설정(calibration) 데이터와 검증(validation) 데이터로 구분하고, 기준 설정 데이터에서 산출한 상대 변화율의 임계값을 검증 데이터에 적용하여 조기 공정 이탈을 탐지하였다. 세부적인 운영 상태 분류와 탐지 기준은 다음 절에서 설명한다.
3.2 운영 상태 정의 및 분류
본 연구에서는 정상 운전 과정에서 발생하는 과도응답을 공정 이상과 구분하기 위해 펌프 운전 상태를 OFF, START_TRANSIENT, END_TRANSIENT, SETPOINT_TRANSIENT 및 STEADY의 다섯 가지 상태로 구분하였다. 각 상태의 정의와 적용 기준은 <Table 4>와 같다.
<Table 4>에서 t는 현재 관측 시점을 의미하며, ts, te 및 tc는 각각 연속 운전 구간의 시작 시점, 종료 시점 및 가장 최근의 RpmSet 변경 시점을 의미한다.
START_TRANSIENT, END_TRANSIENT 및 SETPOINT_TRANSIENT는 정상적인 운전 과정에서 발생하는 과도응 답을 포함하므로 이후 공정 이탈 탐지 대상에서 제외하였다. 최종적으로 동일한 RpmSet이 유지되면서 전이 상태에 해당하지 않는 구간을 STEADY로 정의하고, 이후 상대 변화율 계산 및 공정 이탈 탐지는 STEADY 상태만을 대상으로 수행하였다.
3.3 STEADY 구간의 통계적 변동성 평가
3.2절에서 정의한 STEADY 구간은 시간 기반 전처리를 통해 확보된 안정 운전 구간이다. 본 절에서는 STEADY 구간의 공정 신호의 안정성을 정량적으로 평가하기 위해 통계적 변동성 지표를 적용하였다. 구체적으로, 일정 길이의 이동창에 대해 공정 변수의 변동성을 계산하였다. 유량, 압력 및 전류는 이동창 기반 기준선 대비 상대 변화율을 계산하여 공정 신호의 변화를 정량화하였다.
여기서 상대 변화율은 현재 관측값이 최근 운전 상태를 반영하는 이동창 기반 기준선으로부터 얼마나 변화하였는 지를 나타내는 정규화 지표로 정의하였다. 상대 변화율은 각 시점의 현재 관측값과 이동창 기반 기준선의 차이를 해당 기준선으로 나누어 산정하며, 이를 통해 변수별 절대 값과 단위의 차이보다는 최근 운전 수준 대비 상대적인 변화 정도를 비교할 수 있다. 유량의 상대 변화율은 기준선 대비 감소 정도가 양(+)의 값으로 나타나도록 정의하였고, 압력과 전류의 상대 변화율은 기준선 대비 증가 정도가 양(+)의 값으로 나타나도록 정의하였다. 이를 통해 유량 감소와 압력 및 전류 증가라는 WEAK_DEVIATION의 변화 방향을 동일한 양(+)의 상대 변화율 기준으로 평가하였다.
RpmSet은 공정 이탈 탐지 지표가 아니라 운전 조건을 정의하는 변수로 활용하였다. 따라서 상대 변화율은 동일한 운전 조건에서 계산되도록 하였으며, RpmSet 변화에 따른 정상적인 공정 신호 변동은 공정 이탈 탐지 대상에서 제외하였다.
각 상대 변화율의 임계값은 기준 설정 데이터에서 계산된 통계적 분포를 기반으로 결정하였다. 임계값이 지나치게 낮을 경우 정상적인 신호 변동까지 공정 이탈로 판정될수 있으며, 반대로 지나치게 높을 경우 의미 있는 공정 변화를 탐지하지 못할 수 있다.
이에 본 연구에서는 정상 운전 상태에서 관측되는 상대 변화율의 분포를 기준으로 통상적인 변동과 상대적으로 큰 변화를 구분하기 위해, 각 RpmSet별 기준 설정(calibration) 데이터에서 산출된 상대 변화율의 90% 백분 위수(P90)를 임계값으로 적용하였다. P90은 정상 운전 데이터에서 관측되는 상대 변화의 대부분을 기준범위에 포함하면서 분포의 상위 변동영역을 구분하기 위한 통계적 기준으로 설정하였다. 이를 통해 정상 운전 중 발생하는 자연스러운 변동과 센서 노이즈의 영향을 줄이는 동시에, 기준선 대비 상대 변화가 크게 나타나는 구간을 조기 공정 이탈 후보로 식별하고자 하였다.
3.4 기동․정지 및 RpmSet 변경 전이 상태 분리
각연속 운전 구간에서 기동 후 15분을 START_TRANSIENT로, 정지 전 3분을 END_TRANSIENT로 분류하였다. 기동 전이 구간에서는 회전수 상승과 함께 압력, 유량, 전류가 동시에 변화하며, 이는 슬러리 펌프의 정상적인 운전 특성에 해당한다. 정지 전이 구간에서도 유사하게 공정 신호의 불안정한 변동이 발생할 수 있다.
이와 같은 전이 구간의 신호 변화는 설비 이상이 아닌 정상적인 운전 과정에서 발생하는 현상이므로, 이를 공정 이탈 탐지 대상에 포함할 경우 정상적인 과도응답이 공정 이탈로 탐지될 가능성이 높다. 따라서 본 연구에서는 기동및 정지 전이 구간을 조기 공정 이탈 탐지 대상에서 명시적으로 제외하였다. 이러한 접근은 정상 운전 구간에서의 공정 신호 해석에 집중함으로써, 공정 신호의 이탈과 정상적인 운전 변동을 구분하기 위한 기반을 제공한다. 이는 이후 정의되는 조기 공정 이탈이 정상 운전 조건에서 나타나는 의미 있는 신호 변화로 해석될 수 있도록 한다. 또한 운전 중 RpmSet이 변경되면 펌프가 새로운 운전 조건에 도달하는 과정에서 유량, 압력 및 전류가 일시적으로 변화한다. 이러한 변화는 설비 이상이 아니라 제어 설정 변경에 따른 정상적인 과도 응답이다. 따라서 본 연구에서는 RpmSet 변경 이후 5분 동안을 SETPOINT_TRANSIENT로 분류하고 조기 공정 이탈 탐지 대상에서 제외하였다. 이를 통해 설정값 변경에 따른 정상 응답이 조기 공정이 탈로 오인되는 것을 방지하였다.
3.5 WEAK_DEVIATION 탐지 기준
STEADY에서는 슬러리 펌프가 고정 회전수 조건에서 운전되므로, 유량, 압력, 전류와 같은 주요 공정 신호는 기준선 주변에서 비교적 안정적으로 유지되는 것이 기대된다. 2.3절에서 정의한 WEAK_DEVIATION을 구체적으로 탐지 하기 위해, 본 절에서는 동일한 RpmSet이 유지되는 STEADY 상태에서 기준선 대비 유량 감소와 압력 및 전류 증가의 동시적 변화 정도를 상대 변화율로 정량화하고, 임계값 및 지속 조건을 적용하여 탐지 기준을 구성하였다.
이를 위해 각 공정 변수 , , 에 대해 길이 W의 이동 창 기반 기준선 , , 를 정의하고, 현재 값과 기준선 간의 상대 변화율을 식 (2)–(4)과 같이 정의하였다.
본 연구에서는 30초 간격으로 수집되는 공정 데이터에 서 5분 범위의 국소 기준선을 구성하기 위해 이동창 길이를 개 시점으로 설정하였다. 이동창이 지나치게 짧을 경우 순간적인 신호 변동에 기준선이 민감하게 반응할수 있고, 반대로 지나치게 길 경우 최근 운전상태의 변화를 기준선에 신속하게 반영하기 어렵다. 이에 30초의 데이 터 수집주기를 고려하여 단기 변동의 영향을 완화하면서 최근 운전상태를 반영할 수 있는 5분 범위, 즉 을 이 동창 길이로 설정하였다. 각 기준선은 동일한 회전수 설정 값이 유지되는 STEADY 구간에서 현재 시점을 포함한 최근 10개 관측값의 평균으로 산출하였으며, 10개 관측값이 모두 확보되지 않은 초기 구간은 상대 변화율 계산 및 공정 이탈 판정에서 제외하였다.
이후 유량 감소, 압력 증가 및 전류 증가를 나타내는 조건이 각각 사전에 설정한 임계값을 동시에 초과할 경우 공정 이탈 후보로 식별하였다. 또한 단일 시점의 일시적 변동이나 센서 노이즈가 최종 판정에 반영되는 것을 제한하기 위해 지속 조건을 개 시점으로 설정하였다. 데이 터 수집 간격이 30초이므로 이는 최소 1분 동안 동일한 변화 방향이 지속되는 조건에 해당하며, 상기 공정 이탈 후보 조건이 연속 2개 시점 이상 지속될 경우에 한하여 최종적으로 WEAK_DEVIATION으로 판정하였다.
이러한 정의는 단일 변수의 순간적 변화가 아니라, 안정 운전 상태에서 유량, 압력 및 전류가 물리적으로 연관된 방향으로 동시에 변화하는 공정 이탈 후보를 정량적으로 탐지하기 위한 것이다. 이러한 변화는 배관 내 스케일 형성이나 공정 저항 증가 등과 일관된 신호 패턴으로 해석될 수 있으나, 본 연구에서는 탐지된 WEAK_DEVIATION과 실제 설비 이상 간의 직접적인 연계 검증은 수행하지 않았다.
이상의 운영 상태 분류부터 WEAK_DEVIATION 판정까지의 전체 탐지 절차는 <Figure 3>과 같다.
4. 실험 결과 및 사례 분석
4.1 운영 상태 분류 결과
전체 312,483건의 데이터는 OFF, START_TRANSIENT, STEADY, END_TRANSIENT 및 SETPOINT_TRANSIENT의 다섯 가지 운영 상태로 구분되었다. 이 중 SETPOINT_TRANSIENT는 운전 중 RpmSet 변경에 따른 정상적인 제어 응답 구간이므로 분석 대상에서 제외하였다. 이러한 전처리를 통해 WEAK_DEVIATION 탐지는 동일한 운전 조건에서만 수행되도록 하였으며, 운전 조건 변경에 따른 정상적인 신호 변동이 공정 이탈로 탐지될 가능성을 줄이고 자하였다.
상태별 데이터 분포를 분석한 결과, 정지 상태와 안정 운전 상태가 전체 데이터의 대부분을 차지하였으며, 기동․정지 및 설정값 변경 전이 구간은 상대적으로 짧은 구간으로 나타났다. 이러한 결과는 슬러리 펌프가 실제 운전 환경에서 장시간 안정 운전 상태로 유지되고, 기동 및정지 과정은 제한된 시간 동안 발생한다는 공정 특성을 반영한다. 특히 기동 전이 구간에서는 회전수 상승과 함께 압력, 유량, 전류가 동시에 변화하는 특징이 관찰되었으며, 안정 운전 상태에서는 각 공정 신호의 변동성이 현저히 감소하는 경향을 확인할 수 있었다. 또한 전체 분석 기간에 걸쳐 전이 구간과 안정 운전 구간이 구분되는 양상을 보여주며, 본 연구에서 정의한 운영 상태 분류 기준이 실제 공정 데이터의 운전 특성을 구분하는 데 적용될 수 있음을 확인하였다.
운영 상태 고려 여부가 탐지 결과에 미치는 영향을 추가로 확인하기 위해 동일한 RpmSet별 P90 임계값, 이동창 및 지속조건 를 적용하여 운영 상태 인지형(state-aware)과 운영 상태 비인지형(state-unaware)의 결과를 비교하였다. 비교 결과는 <Table 5>와 같다.
상태 인지형 조건에서는 검증 데이터 31,697건 중 공정 이탈 후보 32건과 8개의 독립 WEAK_DEVIATION 이벤트가 탐지된 반면, 상태 비인지형 조건에서는 32,870건 중공정 이탈 후보 50건과 13개의 독립 WEAK_DEVIATION 이벤트가 탐지되었다. 특히 상태 비인지형 조건에서는 SETPOINT_TRANSIENT 구간에서 3개의 독립 이벤트가 탐지된 반면, 상태 인지형 조건에서는 해당 전이 구간이 분석 대상에서 제외되어 탐지되지 않았다.
4.2 기동 전이 구간 사례 분석
기동 전이 구간의 대표 사례를 확대 분석한 결과, 분석 기간의 목표 운전 조건은 약 24~30% 범위였으며, <Figure 4>의 대표 사례에서는 약 24%까지 단계적으로 상승하였다. 이에 따라 유량과 압력도 함께 형성되었으며, 모터 전류는 초기 기동 부하의 영향으로 일시적으로 증가한 후점차 안정화되는 경향을 나타냈다.
<Figure 4>는 대표적인 START_TRANSIENT 구간의 공정 신호 변화를 나타낸다. 해당 구간에서 나타난 압력, 유량 및 전류의 급격한 변화는 설비 이상이 아니라 펌프의 정상적인 기동 과정에서 발생하는 과도 응답에 해당한다.
이러한 기동 전이 구간을 별도의 상태 구분 없이 분석할 경우, 압력 상승과 전류 증가가 이후 정의한 공정 이탈 조건과 유사한 패턴으로 탐지될 가능성이 있다. 따라서 본연구에서 제안한 운영 상태 기반 프레임워크에서는 기동 전이 구간을 분석 대상에서 명시적으로 제외하여 정상적인 과도 응답이 공정 이탈로 탐지되는 것을 제한하고자 하였다.
한편, START_TRANSIENT, END_TRANSIENT 및 SETPOINT_TRANSIENT를 제외한 동일한 RpmSet 조건의 운전 구간은 STEADY로 정의되며, 본 연구에서는 이 구간을 WEAK_DEVIATION 탐지의 기준 데이터로 활용하였다.
<Figure 5>는 대표적인 STEADY 운전 상태를 나타낸 것으로, 회전수(RPM), 유량, 압력 및 전류가 모두 안정적으로 유지되며 공정 신호의 변동성이 매우 낮은 특성을 확인할수 있다. 이러한 안정 운전 상태는 상대 변화율 계산을 위한 기준으로 사용되었으며, 이후 WEAK_DEVIATION 탐지는 이 기준 상태와의 편차를 기반으로 수행되었다.
4.3 WEAK_DEVIATION 탐지 결과
각 RpmSet 조건의 기준 설정 데이터에서 산출한 상대변화율의 P90 임계값을 동일 RpmSet 조건의 검증 데이터에 적용하였다. 유량 감소, 압력 증가 및 전류 증가 조건이 동시에 충족되는 시점을 공정 이탈 후보로 식별하였으며, 단일 시점의 일시적인 변동을 제외하기 위하여 해당 조건이 연속 2개 이상 관측되는 경우에만 WEAK_DEVIATION으로 판정하였다. 주요 분석 조건과 탐지 결과는 <Table 6>과 같다.
<Table 6>에서와 같이 검증 대상 STEADY 데이터 31,697건 중 상대 변화율 조건을 만족한 공정 이탈 후보는 총 32건으로 나타났다. 이 가운데 연속 2개 관측 시점이 상의 지속 조건을 만족한 8개의 독립 이벤트가 최종 WEAK_DEVIATION으로 판정되었다. 공정 이탈 후보는 검증 대상 STEADY 데이터의 약 0.1%에 해당하였다.
탐지된 구간에서는 RpmSet이 일정하게 유지되는 상태에서 기준선 대비 유량이 감소하고 압력과 전류가 증가하는 공통적인 변화가 확인되었다. 이는 개별 변수의 단순한 임계값 초과가 아니라, 다변량 공정 신호가 물리적으로 연관된 방향으로 동시에 변화하는 구간을 선별한 결과이다.
또한 상대 변화율 조건이 단일 시점에서만 충족된 경우 에는 최종 WEAK_DEVIATION으로 판정하지 않고, 동일 조건이 연속적으로 발생한 경우에만 최종 탐지 결과에 포함하였다. 이러한 지속 조건은 순간적인 센서 노이즈나 일시적인 공정 변동이 최종 공정 이탈 판정에 직접 반영되는 것을 제한하기 위해 적용하였다.
4.4 WEAK_DEVIATION 사례 분석
WEAK_DEVIATION으로 식별된 이벤트 중 대표적인 사례를 확대 분석한 결과, 회전수는 안정적으로 유지되는반면 유량은 기준선 대비 감소하고, 압력 및 전류는 동시에 증가하는 변화가 <Figure 6>과 같이 관찰되었다. 이러한 패턴은 단일 변수의 변화가 아닌, 다변량 공정 신호가 서로 다른 방향으로 동시에 변화하는 특징을 보인다.
특히 해당 구간에서는 설비 트립이나 명확한 고장 알람이 발생하지 않은 상태에서, 유량 감소와 압력 및 전류 증가가 동시에 나타나는 공정 신호의 변화가 확인되었다. 이 러한 신호 패턴은 슬러리 이송 과정에서의 공정 저항 증가, 노즐 막힘 초기 단계 또는 슬러리 물성 변화 등과 일관된 방향의 공정 신호 변화로 해석될 수 있다. 다만 본 연구에서는 탐지된 WEAK_DEVIATION과 실제 설비 고장, 유지보수 또는 점검 결과 간의 직접적인 연계 검증은 수행하지 않았다. 따라서 본 사례는 실제 고장 전조를 확정적으로 의미하기보다는, 안정 운전 상태에서 기준선 대비 다변량 공정 신호의 동시적 변화가 탐지된 조기 공정 이탈 사례로 해석하였다.
4.5 결과 요약 및 해석
본 연구에서는 운영 상태를 고려한 공정 신호 기반 프레임워크를 실제 산업 현장의 슬러리 펌프 운전 데이터에 적용하여 WEAK_DEVIATION을 탐지하였다. 분석 결과, 운전 상태를 고려하지 않을 경우 공정 이탈 후보와 독립 WEAK_DEVIATION 이벤트가 증가하였으며, 특히 SETPOINT_TRANSIENT 구간에서도 3개의 독립 이벤트가 탐지되었다. 반면, 제안한 프레임워크는 STEADY 구간만을 대상으로 분석함으로써 정상적인 전이 상태의 신호 변동을 분석 대상에서 제외하였다.
본 연구에서 정의한 WEAK_DEVIATION은 기준선 대비 상대 변화율, 유량․압력․전류의 다변량 변화 방향,그리고 지속 조건을 동시에 만족하는 경우에만 공정 이탈로 판정하였다. 이러한 다단계 탐지 구조를 적용함으로써 순간적인 센서 노이즈나 일시적인 공정 변동이 최종 판정에 직접 반영되는 것을 제한하고, 안정 운전 상태에서 나타나는 다변량 공정 신호의 동시적 변화를 조기 공정 이탈 후보로 식별하였다.
특히, WEAK_DEVIATION은 동일한 회전수 조건에서 유량 감소와 압력 및 전류 증가가 동시에 지속되는 구간에 서만 발생하였으며, 이러한 신호 변화는 슬러리 이송 저항 증가, 노즐 막힘의 초기 단계 또는 슬러리 물성 변화 등과 일관된 방향으로 해석될 수 있다. 한편, 본 연구에서 탐지된 WEAK_DEVIATION은 실제 설비 고장, 유지보수 또는 점검 결과와 직접 연계하여 검증된 것은 아니므로, 실제 고장 전조가 확인된 이상 상태라기보다는 안정 운전 중탐지된 조기 공정 이탈 후보로 해석할 필요가 있다. 따라서 본 연구의 결과는 운영 상태를 고려한 공정 신호 분석을 통해 정상적인 전이 상태를 분석 대상에서 제외하고, STEADY 운전 중 나타나는 다변량 공정 신호의 변화를 선별할 수 있음을 보여준다.
5. 결론 및 향후 연구
본 연구에서는 슬러리 펌프의 운전 데이터를 기반으로 운영 상태를 고려한 조기 공정 이탈 탐지 프레임워크를 제안하고, 실제 산업 현장 데이터를 이용하여 그 적용가 능성을 확인하였다.
제안한 프레임워크는 펌프의 운전상태를 OFF, START_TRANSIENT, STEADY, END_TRANSIENT, 그리고 SETPOINT_TRANSIENT로 구분한 후, 안정 운전 구간만을 대상으로 상대 변화율과 다변량 공정 신호를 이용하여 WEAK_DEVIATION을 탐지하도록 설계하였다.
본 연구의 주요 기여는 다음과 같다. 첫째, 운영 상태를 고려한 분석 구조를 적용하여 START_TRANSIENT, END_TRANSIENT 및 SETPOINT_TRANSIENT에서 발생하는 정상적인 과도 응답을 분석 대상에서 제외함으로 써, 안정 운전 구간에 분석을 집중할 수 있는 운영 상태 기반 프레임워크를 제시하였다. 둘째, 기준선 대비 상대 변화율과 유량․압력․전류의 다변량 변화 방향을 이용하여 진동 센서 없이도 조기 공정 이탈 후보를 식별할 수있음을 실제 산업 현장 데이터를 통해 확인하였다. 특히 WEAK_DEVIATION을 단일 변수의 이상이 아닌 다변량 공정 신호의 지속적인 변화로 정의함으로써 공정 이탈 후보에 대한 해석 가능성을 확보하였다. 제안한 방법은 추가 적인 센서 설치나 대규모 학습 데이터 없이도 기존 공정 계측 신호만을 이용하여 적용할 수 있으므로 산업 현장에적용 가능한 구조를 갖는다는 장점이 있다.
한편, 본 연구는 단일 슬러리 펌프 공정을 대상으로 수행되었다는 한계를 가진다. 본 연구에서 탐지된 WEAK_DEVIATION은 동일한 RpmSet이 유지되는 STEADY 상태에서 유량 감소와 압력 및 전류 증가가 동시에 지속되는 형태로 나타났으며, 이는 슬러리 이송 저항 증가 등 실제 공정 이상과 연관될 수 있는 물리적 변화 방향과 일치하였다. 따라서 본 연구에서는 이러한 다변량 공정 신호의 변화가 조기 공정 이탈을 식별하기 위한 유의미한 상태정보로 활용될 가능성을 확인하였다. 향후에는 다양한 설비와 공정 조건에 대한 적용과 함께 유지보수 및 설비 점검이 력을 연계함으로써 제안한 프레임워크의 일반성과 WEAK_DEVIATION의 실제 설비상태와의 연관성을 보다 정량적으로 검증할 필요가 있다.
나아가 온라인 모니터링 시스템과 연계하여 실시간 조기 경보 및 예지보전 의사결정을 지원하는 방향으로 확장한다면 산업 현장에서의 활용성을 더욱 높일 수 있을 것으로 기대된다.
결론적으로, 본 연구는 운영 상태를 고려한 공정 신호 기반 분석을 통해 복잡한 인공지능 모델이나 추가적인 진동 센서에 의존하지 않고도 슬러리 펌프의 안정 운전 상태에서 나타나는 조기 공정 이탈 후보를 식별할 수 있음을 확인하였다. 이는 공정 특성을 반영한 운영 상태 기반 접근이 정상적인 전이 상태와 안정 운전 상태를 구분하고, STEADY 구간에서 나타나는 다변량 공정 신호의 변화를 선별하는 데 적용될 수 있음을 보여준다. 향후 실제 설비 이상 및 유지보수 이력과의 연계 검증을 통해 다양한 연속 공정 설비의 상태 모니터링 및 조기 공정 이탈 탐지로 확장할 수 있는 기반을 제시하였다는 점에서 의의가 있다.
