Current Issue

건설장비의 결함 감지는 현장 작업자의 안전 확보와 장비 운용 신뢰성 유지를 위해 필수적이다. 그러나 건설 현장은 장비가 작업 공정에 직접 투입되는 환경으로, 점검 시간이 증가할수록 작업 지연과 인력･장비의 비가동 시간이 함께 증가한다. 또한 장비의 대형화, 협소한 작업 공간, 가변적인 현장 환경으로 인해 점검 대상 부위에 대한 접근성이 제한되는 경우가 많다. 이러한 조건에서 기존의 진동 및 음향 기반 진단 방식은 각각 센서 부착이 요구되거나 주변 소음 및 작업 환경 변화에 민감하여, 신속하고 안정적인 현장 적용에 제약이 따른다. 이에 따라 현장 접근성이 우수하고 신속한 점검이 가능한 비접촉 기반 결함 진단 방식이 요구되고 있다^[1-4].

이러한 현장 점검의 제약으로 인해 건설장비의 결함 진단은 여전히 숙련 작업자의 외관 점검이나 기능 시험에 의존해 수행되는 경우가 많다. 이 과정에서 결함 판단 기준은 정량적으로 명확히 정의되지 않거나 주관적 경험에 기반하게 되며, 이상 징후가 관찰되더라도 장비가 즉각적으로 작동 불능 상태에 이르지 않으면 정상으로 간주되는 문제가 발생할 수 있다. 이는 잠재적인 결함을 조기에 인지하지 못하게 하여 안전 위험으로 이어질 가능성을 내포한다. 따라서 현장 적용이 가능하면서도 결함 여부를 정량적으로 판단할 수 있는 데이터 기반 진단 체계가 필요하다^{[5, 6]}.

데이터 기반 결함 진단에서는 지도학습 기반 분류 기법이 널리 활용되어 왔다. 이러한 방법은 정상 및 이상 상태에 대한 충분한 데이터 확보와 명확한 라벨링을 전제로 한다. 그러나 건설장비의 경우 안전 및 운영상의 제약으로 인해 의도적인 고장 재현이 어렵고, 결함 유형과 진행 단계가 다양하여 이상 데이터를 체계적으로 수집･정의하는 데 한계가 있다. 이로 인해 학습에 필요한 이상 데이터는 충분히 확보되기 어렵고, 이는 지도학습 기반 진단 기법의 적용을 제한하는 주요 요인으로 작용한다^{[7, 8]}.

이에 본 연구에서는 접근성 및 이상 데이터 확보가 제한적인 건설장비 현장 환경을 고려하여, 정상 상태 데이터만을 이용한 비접촉식 결함 진단 방법을 제안한다. 이를 위해 비접촉 방식으로 설비 표면의 상태를 계측할 수 있는 열화상 정보를 활용하며, 정상 상태의 특성을 학습하는 데이터 기반 진단 프레임워크를 구성한다. 본 논문의 구성은 다음과 같다.

본 논문의 2절에서는 One-class support vector machine(OC-SVM) 기반 이상탐지의 이론적 배경을 설명한다. 3절에서는 데이터 수집 및 전처리, ROI 기반 특징 추출, 합성 이상 데이터 구성, 정상 경계 학습 절차를 기술한다. 4절에서는 합성 이상 데이터 생성 방법, 5절에서는 실험 설정과 파라미터 구성을 제시하고, 성능 평가 결과를 보고한다. 마지막으로 6절에서는 결론과 향후 연구 방향을 제시한다.

건설장비 현장과 같이 이상 데이터 확보가 제한적인 환경에서는 정상 상태 데이터만을 이용하여 정상 영역을 정의하고, 해당 영역에서 이탈한 관측을 이상으로 판정하는 접근이 요구된다. OC-SVM은 이러한 조건을 고려한 대표적인 정상 데이터 기반 이상 탐지 기법으로, 정상 데이터가 형성하는 분포를 특징공간에서 하나의 정상 영역으로 근사한다.

OC-SVM은 학습 과정에서 정상 데이터가 정상 경계 내부에 포함되도록 경계를 추정하며, 일부 데이터의 경계 이탈을 허용함으로써 정상 상태 내부의 변동성과 측정 잡음을 함께 고려한다. 이를 통해 정상 상태의 통계적 변동 범위를 포함하는 정상 경계를 형성하고, 해당 경계를 벗어나는 관측을 이상으로 판정한다. 입력 특징이 선형적으로 분리되지 않는 경우에는 커널 함수를 적용하여 고차원 특징공간에서 비선형 정상 경계를 학습할 수 있다. 학습은 정상 상태에서 추출된 특징만을 이용하여 수행되며, 이후 관측치가 학습된 정상 경계 내부에 위치하는지 여부에 따라 정상과 이상을 판정한다.

Fig. 1은 본 연구에서 제안하는 열화상 기반 이상 상태 감지 모델의 전체 학습 파이프라인을 나타낸다. 본 연구에서는 건설장비 중 현장 운용 빈도가 높은 굴착기 및 기중기를 상태 진단의 대상으로 선정하였다. 이들 장비의 유압 계통에서 에너지 전달과 제어에 핵심적인 역할을 수행하는 원동기, 유압펌프, 유압밸브, 컨트롤밸브를 주요 분석 대상으로 선정하였다. 해당 구성품은 이상 발생 시 내부 손실 증가, 유량 및 압력 변화 등에 의해 열적 변화가 상대적으로 뚜렷하게 나타나기 때문에, 열화상 기반 상태 진단에 적합한 대상이다^[9-11].

Fig. 1 
Overall system architecture of thermal data-based anomaly decision

선정된 구성품을 대상으로 정상 운전 조건에서 열화상 데이터를 현장에서 수집하였다. 본 연구에서는 시각적 색상 정보가 아닌, 각 픽셀에 대응하는 온도 값으로 구성된 열화상 온도 맵을 분석 대상으로 사용하였다. 시간적으로 연속된 열화상 온도 맵은 프레임 간 상대적 카메라 이동으로 인해 공간적 불일치를 포함할 수 있으므로, 전처리 과정을 통해 동일 좌표계로 정렬하였다.

정렬된 열화상 온도 맵에서 세 개의 ROI를 선정하였다. 각 ROI의 온도 분포를 통계적으로 요약한 특징을 산출하여 학습 입력 벡터를 구성하며, 정상 상태에서 추출된 특징만을 이용하여 OC-SVM을 통해 정상 경계를 학습한다. 학습된 모델은 입력 특징이 정상 경계 내부에 위치하는지 여부를 기준으로 정상과 이상을 판정한다.

3.2 열적 특성 기반 ROI 자동 선정 방법

유압 계통에서 이상이 발생할 경우 내부 누설, 마찰 증가, 캐비테이션 등의 원인으로 국소적인 발열이 발생하거나, 냉각 시스템 이상 및 효율 저하로 인해 구성품 전반의 온도가 상승하는 현상이 발생한다. 이러한 열적 이상 징후는 열화상 계측을 통해 비접촉 방식으로 관측 가능하다^[12-14]. 이에 본 연구에서는 열화상 온도 맵에서 상대적으로 온도가 높은 지점을 중심으로 ROI를 선정하여, 유압 계통 이상에 따른 열적 변화를 효과적으로 포착하고자 하였다.

열화상 온도 맵에서 가장 높은 온도 값을 갖는 픽셀을 첫 번째 ROI 중심으로 선택하였다. 이후 선택된 ROI 중심을 기준으로 설정된 최소 거리 반경 내의 픽셀들을 탐색 후보에서 제외하였다. 제외 영역을 제거한 나머지 영역 중에서 가장 높은 온도 값을 갖는 픽셀을 두 번째 ROI 중심으로 선택하였으며, 동일한 절차를 반복하여 세 번째 ROI 중심을 선정하였다. 이와 같은 순차적 선택과 최소 거리 억제 과정을 통해, 동일 발열원 주변의 중복 선택을 방지하면서 서로 공간적으로 분리된 위치를 대표하는 ROI 중심 세 곳을 확보하였다. 이때, ROI 세 곳을 안정적으로 확보하기 위해 최소 거리 조건을 단계적으로 완화하는 재탐색 절차를 적용하였다. Fig. 2는 ROI 선정 결과의 예시를 나타낸다.

Fig. 2 
ROI selection from thermal data using local maximum temperature

현장 환경에서는 실제 유압 계통 이상 데이터의 확보가 제한적이므로, 정상 데이터만으로 학습된 이상 탐지 모델의 판정 특성을 정량적으로 평가하기 위해 정상 평가 데이터에 열적 이상 패턴을 주입한 합성 이상 데이터를 구성하였다. 합성 이상 데이터는 유압 계통 이상이 국소적인 발열 또는 전반적인 온도 상승의 형태로 나타날 수 있다는 열적 특성을 반영하여 설계하였다.

국소 발열 패턴은 ROI 내부의 임의 위치에서 국소적인 온도 증가가 발생하는 상황을 모사하기 위해 구성하였다. 이를 위해 ROI 중심을 기준으로 가로･세로 101픽셀 크기의 정사각형 영역을 정의하고, 해당 영역 내부에서 임의의 픽셀 P₁을 발열 중심으로 선택하였다.

선정된 P₁ 픽셀의 원래 온도를 기준으로, 그 값의 30-60%에 해당하는 온도 증가량을 발열 강도로 설정하였다. 이후 P₁ 을 중심으로 하는 2차원 가우시안 분포를 생성하고, 가우시안 분포의 중심값이 설정된 발열 강도와 일치하도록 정규화하였다. 생성된 가우시안 분포를 P₁ 주변 픽셀에 더함으로써, 중심에서 최대 온도 증가가 발생하고 거리 증가에 따라 점진적으로 감소하는 국소 발열 영역을 형성하였다.

전체 발열 패턴은 냉각 시스템 이상이나 효율 저하로 인해 구성품 전반의 온도 수준이 상승하는 상황을 모사하기 위해 구성하였다. 이를 위해 열화상 온도 맵 전체 영역에 대해 원본 온도 값 대비 10-30% 범위에서 무작위로 선택된 증가율을 일괄 적용하여, 히트맵 전반의 온도 수준이 균일하게 상승하도록 하였다. Fig. 3는 정상 데이터와 합성 이상 데이터의 열화상 이미지 예시를 나타낸다.

Fig. 3 
Synthetic anomaly examples for two components

본 연구에서는 건설장비 유압 구성품을 대상으로 비접촉 열화상 온도 맵을 이용하여, 정상 데이터만으로 정상 경계를 학습하는 OC-SVM 기반 이상탐지 파이프라인을 제안하였다. 제안한 방법은 프레임 정렬을 통한 전처리, 고온 지점 기반 ROI 자동 선정, ROI 통계 특징 추출, 그리고 정상 경계 학습으로 구성되며, 이상 데이터 확보가 제한적인 현장 환경을 고려한 비지도 학습 기반 이상탐지 접근법을 제시한다는 점에서 의의를 갖는다.

성능 평가결과, 합성 이상 데이터를 포함한 실험을 통해 정상 데이터 기반 이상탐지 접근법의 적용 가능성을 탐색적으로 확인할 수 있었으며, 혼동행렬 및 정량적 성능 지표 분석을 통해 정상 상태와 이상 상태가 일정 수준으로 구분되는 경향을 보였다. 이는 열화상 기반 통계 특징과 정상 경계 학습이 이상 상태 감지에 활용될 수 있음을 시사한다.

다만, 본 연구의 성능 평가는 합성 이상 데이터에 기반하고 있어, 실제 현장 환경에서 발생할 수 있는 다양한 이상 패턴에 대한 일반화 가능성에는 한계가 존재한다.

또한 현재 적용한 고온 지점 기반 ROI 선정 방식과 단순 통계 특징은 계산 효율성과 구현의 용이성 측면에서 장점을 가지나, ROI 위치의 안정성이나 ROI 내부의 공간적 열 분포 특성을 충분히 반영하지 못하는 한계를 갖는다. 이러한 점은 이상 상태 판별 성능을 제약하는 요인으로 작용할 수 있다.

향후 연구에서는 ROI 선정 과정의 안정성을 높이기 위해, 단일 프레임의 고온 지점에 의존하는 방식에서 벗어나 시간 축 정보를 활용한 ROI 추적 기법이나 다중 후보 ROI 기반 선택 전략을 도입할 예정이다. 이를 통해 운전 조건 변화나 순간적인 잡음에 따른 ROI 위치 변동을 완화하고, 동일 구성품에 대한 일관된 관측이 가능하도록 개선하고자 한다. 더 나아가 ROI 생성 과정에 딥러닝 기반 방법을 부분적으로 도입하여, 열화상 패턴의 공간적 특성을 보다 안정적으로 반영할 수 있는 ROI 구성 가능성도 검토할 예정이다.

아울러 실제 장비 운용 과정에서 수집된 이상 사례와 다양한 운전 조건을 포함한 데이터 검증을 통해, 제안 기법의 현장 적용 가능성과 일반화 성능을 단계적으로 평가할 계획이다. 또한 ROI 내부의 공간적･분포적 특성을 보다 효과적으로 반영할 수 있는 특징 설계 전략을 도입함으로써 판별 성능을 개선하고, OC-SVM 학습 과정에서 하이퍼 파라미터 설정에 따른 성능 변동을 완화할 수 있는 학습 전략을 함께 검토하여 모델의 재현성과 신뢰성을 높이고자 한다. 이를 통해 정상 데이터 기반 열화상 이상탐지 프레임워크의 실질적인 현장 적용 가능성을 단계적으로 확장해 나갈 예정이다.