시스템경영공학과 안소연 학우, 
인공지능기반 가스터빈 고장진단 기술을 주제로 SCI 저널에 논문 게재

▲(왼쪽부터) 시스템경영공학과 안소연 학우, 산업공학과 권대일 교수

시스템경영공학과 안소연 학우가 제1저자로 작성한 논문 ‘Gas Turbine Fault Diagnosis Based on Sliding Radar Chart’이 SCI Q1 저널인 International Journal of Precision Engineering and Manufacturing-Green Technology에 게재되었다. 본 논문은 산업공학과 권대일 교수의 지도로 2025 팀연구프로젝트를 통해 작성되었다.

발전소에서 전기를 생산하는 데 핵심적인 역할을 하는 가스터빈의 이상을 제때 발견하지 못할 경우, 이는 발전 중단으로 인한 막대한 경제적 손실로 이어질 수 있다. 따라서 가스터빈의 상태를 파악하고 이상을 탐지할 수 있는 고장진단 기술의 중요성이 강조되고 있다.

인공지능 기반 가스터빈 고장진단을 위해서는 가스터빈의 운전 상태를 모니터링하기 위해 설치된 각종 센서 데이터로 모델을 학습시켜야 한다. 그러나 발전소마다 설치된 센서의 종류와 구성, 수집 환경이 서로 달라, 하나의 방법론을 여러 발전소에 적용하는 데에는 어려움이 있었다.

안소연 학우의 연구는 이러한 문제를 해결하기 위해, 대부분의 발전소에 공통적으로 설치된 BPT(Blade Path Temperature) 센서에 주목하였다. BPT 센서는 연소 이후의 온도를 측정하기 위해 연소기 출구의 원주를 따라 여러 개가 배치된 센서로, 정상 운전 시에는 센서 간 온도 분포가 균형을 이루지만 고장이 발생하면 일부 센서의 온도가 급격히 변화하며 균형이 깨지는 특성을 갖는다.

본 연구에서는 이러한 특성을 고장진단에 효과적으로 활용하기 위해, BPT 센서 데이터를 균형이 잘 드러나는 레이더 차트 이미지로 변환하고, 시간에 따른 급격한 변화도 포착할 수 있도록 일정 시간 동안의 레이더 차트를 겹쳐 구성하는 SRC(Sliding Radar Chart) 방식을 제안했다. SRC 방식으로 전처리된 데이터를 인공지능 모델에 학습시킨 결과, 서로 다른 발전소에서 수집된 실제 데이터를 활용한 검증에서 기존 방법 대비 우수한 고장진단 성능이 확인되었다.

안소연 학우는 “학부연구생으로서 연구를 진행하며 실제 산업 현장에서 수집된 데이터를 분석하고, 도메인 지식을 반영한 모델을 설계하는 과정은 학부 수업만으로는 접하기 어려운 좋은 경험이었다”며 “이러한 경험이 논문 게재라는 성과로 이어져 뜻깊게 생각한다”고 소감을 밝혔다. 이어 “향후에도 신뢰성 및 PHM(Prognostics and Health Management) 분야에 대한 관심을 바탕으로 연구를 이어나가고 싶다”고 덧붙였다.

안소연 학우는 오는 3월 본교 대학원 산업공학과에 진학하여 인공지능 고장진단 연구실(지도교수 권대일)에서 학업을 이어갈 예정이다.

▲발전소 가스터빈의 BPT 센서 배치 및 정상/비정상 운전 중 SRC 이미지