1. 서 론

1.1. 연구 배경

건물에서는 공조기를 운전하여 냉난방, 가습, 제습, 필터링 등을 통해 실내 공기를 쾌적하게 유지한다. 일반적인 상업 및 업무 시설의 경우 공조기에 설치된 프리 필터와 미디움 필터로 미세먼지를 필터링한다.

공조기 필터를 적절한 시점에 교체하지 않으면 필터에 먼지가 쌓이게 되어 공기의 흐름이 제한되고, 필터가 제대로 기능하지 못하여 실내 공기질이 저하될 뿐만 아니라 팬의 동력 소모가 커져 에너지 소비량 증가로 이어질 수 있다(Won, 2004). 따라서 필터의 잔여 수명을 예측하여 적절한 시점에 필터를 교체하는 것이 중요하다.

필터의 수명은 필터 사양과 건물의 공조 운전 환경에 따라 바뀔 수 있다. 일반적으로 제조사에서는 프리 필터는 1‒3개월마다, 미디움 필터는 초기 차압의 2배가 되는 시점 또는 3‒6개월마다 교체를 권장한다. 제조사마다 교체 주기의 편차가 크기도 한데, 이는 제각각인 공조 운전 환경에 맞춰 상세하게 필터의 수명 정보를 제공하기 어려운 점과도 연관된다.

필터 교체 시기를 판단할 때 필터 차압은 중요한 지표로 활용된다. 공조기를 운전하면서 필터에 먼지가 포집되는데, 일정량 이상의 먼지가 포집되면 차압이 급격하게 상승하게 되어 팬 성능이 저하된다. 그러나 현장에서는 관행적으로 필터 차압 데이터 수집장치 대신 경보 스위치를 설치하여 사용하거나, 필터에 차압계가 없어서 단순히 주기적으로 교체하기도 한다.

일반적으로 중대형 건물에서는 공조 설비 등을 제어하기 위해 건물 자동제어시스템(BAS)이 설치되어 있다. BAS에서 필터 차압 경보를 제공하는 경우도 있지만 추가적으로 필터 차압계를 설치하지 않으면 필터의 성능 저하 상태나 교체 시점을 정확히 파악하기 어렵다. 다만, BAS에서는 공조 급기를 제어하기 위해 일반적으로 급기 팬 차압 데이터를 제공한다.

본 연구에서는 필터 차압 대신 건물 자동제어시스템(BAS)에서 기본적으로 수집되는 급기 팬 차압 등 공조기의 운전 상태를 기반으로 머신러닝을 활용하여 필터 잔여 수명을 예측하고 적절한 교체 시점을 제안하고자 한다.

1.2. 선행 연구

소모품 수명 예측 분야에서는 리튬이온배터리, 베어링 수명에 관한 연구가 활발하며 Bayesian, SVM(Support Vector Machine), LSTM(Long Short-Term Memory) 등 전통적인 통계 방법부터 AI 딥러닝까지 다양한 방법으로 연구되고 있다 (Jung & Hur, 2020; Lee et al., 2019).

공조기 필터 수명에 관한 연구로는 필터의 차압과 수명의 상관성에 관한 연구, 물리 기반 모델과 측정 데이터를 결합한 Hybrid 모델에 대한 연구가 있었다(Alimohammadi, Vassiljeva, Petlenkov, Kull, & Thalfeldt, 2022). Hybrid 모델은 주성분 분석(PCA)을 통해 차원을 축소하여 필터의 건강 지표를 계산하고 이를 기반으로 수명을 추정한다. 실험실 데이터가 아닌 실제 계측된 공조기 데이터를 활용한다는 장점이 있지만 필터 차압계가 설치된 건물 환경에서만 유효할 수 있다.

한편, Jung, Park과 Sohn (2004)은 실제 건물의 공조기를 대상으로 필터 상하류의 분진포집효율, 압력손실, 미생물 오염도를 측정하여 실제 운전 조건에서의 필터 성능 변화를 평가하였다. 그 결과 제조사에서 제시한 필터 성능시험 결과와 실제 운전 중 측정된 포집효율 및 압력손실 간에 차이가 존재함을 확인하였으며, 이는 실제 운전 데이터를 활용한 필터 성능 평가 및 교체시기 판단의 필요성을 시사한다.

본 연구에서는 필터 차압을 수집할 수 없는 건물 환경을 고려하여 급기 팬 차압 등 공조기의 운전 상태를 기반으로 잔여 수명을 예측하는 방법을 제안하고자 한다.

2. 연구 방법

2.1. 분석 대상 설비 및 데이터

본 연구에서 제안하는 필터 수명 추정을 검증하기 위해 Table 1에 나타낸 건물에서 공조기 데이터를 수집하였다. 대상 공조기는 풍량을 조절하지 않는 정풍량 방식으로 운전하며, 일반적인 사무용 건물의 운영 패턴에 따라, 직장인의 출퇴근 시간대에 맞추어 가동되는 특징이 있다. 데이터 수집 관제점은 Figure 1과 같으며, 원시 데이터는 계측기와 MODBUS 통신을 통해 1분 간격으로 수집되었다. 분석 기간은 2023.10.01.‒2024.11.17.로 약 13.5개월이며, 급기 팬 차압, 급기 풍량, 외기 댐퍼 개도율, 미세먼지(PM10) 농도 관제점의 원시 데이터를 분석에 활용하였다. 분석 대상 공조기는 아래 건물 9층 업무 공간의 냉난방 공조를 담당한다.

Figure 1.

Schematic diagram of air handling unit.

먼저 Table 2의 관제점 별 1분 간격으로 수집된 원시 데이터를 분석한 결과는 다음과 같다.

첫 번째로 미세먼지(PM10) 농도 측정 데이터는 Figure 2와 같다. 미세먼지 농도는 필터의 수명에 영향을 끼치는 중요한 변수로 외기 인입 시 필터에 누적되어 차압을 높이는 주요한 요인이다. 그래프를 보면 12‒3월까지 평균보다 높고 7‒9월에는 평균보다 낮은 수치를 나타내고 있다.

Figure 2.

PM10 concentration measurement data.

측정치의 정확도 확인을 위해 환경부 대기 환경정보 누리집 통계정보 제공 미세먼지 농도 데이터 측정 데이터와 비교한 결과 그래프는 Figure 3과 같다. 측정 데이터 비교 그래프를 보면 유사한 추이를 보이지만 4‒5월 측정치의 차이를 보여주고 있다. 이는 측정 위치에 따른 결과로 판단할 수 있다.

Figure 3.

Comparison of PM10 concentration measurement data.

측정된 미세먼지 농도 데이터를 월별 건물 운영시간 별로 Pivot Table로 분석하면 Figure 4와 같이 월별로 더욱 상세하게 구분되는 것을 확인할 수 있다.

Figure 4.

PM10 concentration by monthly operating hours.

외기 도입 운전 이력 데이터는 Figure 5와 같다. 외기 댐퍼 개도율(OAD)은 전체 급기 풍량 중에 외기 인입량을 계산하기 위한 중요한 변수로 필터의 수명 예측에 필요한 요인이다. 그래프를 보면 냉/난방기(여름, 겨울)보다 간절기(봄, 가을)에 외기 댐퍼 개도를 이용한 운전 시간이 많음을 보여주고 있다. 이는 간절기에는 외기 온도에 따라 외기 도입 운전을 하고 있으며, 그 외의 냉/난방기에는 최소 외기 도입 운전을 하고 있음을 알 수 있다.

Figure 5.

Operating history of outdoor air damper.

외기 온도와 상관관계를 더 상세하게 분석하기 위해 외기 온도 대비 외기 댐퍼 개도 운전 비교 그래프로 분석하면 Figure 6과 같이 외기 온도에 따라 외기 도입 댐퍼 개도 운전 현황을 파악할 수 있다. 그래프를 보면 10‒24°C 사이에 외기 댐퍼 개도 운전을 하고 있으며, 5°C 이하 또는 24°C 이상의 경우 최소 외기 도입 운전을 하고 있음을 보여주고 있다.

Figure 6.

Comparison of outdoor temperature and outdoor air damper opening rate.

외기 온도 측정 데이터는 해당 건물의 옥상에 설치된 백엽상을 통해 측정된 데이터이며, 정확도를 확인하기 위해 기상청 API 허브 사이트에서 제공하는 삼성동의 시간대별 외기 온도와 비교한 결과는 Figure 7과 같다.

Figure 7.

Comparison of outdoor temperature (building vs Samseong-dong).

급기 팬 차압 측정 데이터는 Figure 8과 같다. 급기 팬 차압(SDP)은 가장 직관적으로 필터 교체 주기를 예측하기 위해 사용할 수 있는 주요한 변수로 고려되었다. 그래프를 보면 시간 경과에 따라 조금씩 높아지다가 필터 교체 후 초기 차압으로 돌아가는 패턴을 보여주고 있다. 또한 그래프에서는 평균 이상으로 차압이 상승하는 구간(1구간: 3‒4월, 2구간: 9‒11월)이 관찰되고 있으며, 이는 필터에 일정량 이상의 먼지가 흡착되었을 때 보여주는 차압 증가 패턴과 유사한 패턴을 보여주고 있다. 필터 사양에 제시된 차압 범위는 8‒15 mmAq로 약 7 mmAq 증가 시 교체되어야 하도록 권고 되어 있다.

Figure 8.

Supply fan differential pressure measurement data.

차압의 증가 패턴을 확인하기 쉽게 Figure 9와 같이 급기 팬 차압 3일 이동 평균선 그래프로 간략화하여 패턴을 분석하였다.

Figure 9.

3-day moving average of the supply fan differential pressure.

급기 풍량 측정 데이터는 Figure 10과 같다. 급기 풍량(SAV)은 외기 댐퍼 개도율(OAD)과 함께 외기 인입량(SAV_oain)을 계산하기 위한 중요한 변수이다. Figure 10 그래프는 시간이 지남에 따라 점진적인 감소를 보이다가, 필터 교체 후 정상 수준으로 회복되는 경향을 나타낸다. 이러한 패턴은 필터의 교체 주기와 밀접한 관련이 있음을 보여준다.

Figure 10.

Supply airflow measurement data.

Table 3의 3일 이동 평균 통계는 두 가지 변수 모두 필터의 교체 주기를 판단하는 기준으로 사용할 수 있지만 급기 팬 차압(SDP)이 최솟값과 최댓값의 차이를 더 명확하게 보여주고 있다. 그러나, 위의 급기 팬 차압 증가를 설명하기 위해서는 필터에 흡착되는 미세먼지 인입량과의 관계를 분석해야 한다. 이를 위해 외기 도입 풍량(SAV_oain)을 외기 댐퍼 개도율(OAD)과 급기 풍량(SAV)을 이용하여 아래 식 (1)과 같이 계산하고,

해당 시점의 미세먼지 농도(PM10)를 적용하여 아래 식 (2)과 같이 분당 미세먼지 인입량(M_dustin)을 계산하였다.

그리고 계산 결과를 활용하여 아래 식 (3)과 같이 미세먼지 누적 인입량(M_accdustin)을 계산하였다.

Figure 11은 시간 경과에 따른 누적 미세먼지 인입량의 증가 추이를 보여준다.

Figure 11.

Cumulative trend of PM10 intake.

Figure 9와 Figure 11을 통해 누적 미세먼지 인입량은 급기 팬 차압과 유사한 경향을 나타내고 있음을 확인할 수 있다. 먼지 포집에 따라 점진적으로 상승하는 국제 표준 시험 결과와도 유사한 경향을 보인다(ASHRAE, 2017). Figure 12는 누적 미세먼지 인입량과 급기 팬 차압의 상관관계를 비교한 결과이다. 이에 따라 누적 미세먼지 인입량은 필터의 수명에 직접적인 영향을 미치는 핵심 요인임을 알 수 있다.

Figure 12.

Cumulative PM10 intake (Building) vs supply fan differential pressure.

Figure 13은 환경부 대기 환경정보 누리집에서 제공하는 미세먼지 농도 데이터를 활용하여 산출한 미세먼지 누적 인입량 비교 결과를 나타낸 것이다. 이를 통해 환경부에서 제공하는 데이터를 사용하더라도 유사한 추이를 보여주고 있음을 확인할 수 있다.

Figure 13.

Cumulative PM10 intake (Ministry of environment) vs supply fan differential pressure.

이에 본 연구에서는 위에서 분석한 데이터를 기준으로 급기 팬 차압의 변화와 누적 미세먼지 인입량이 필터의 수명을 설명하는데 적합하다고 판단하고 이를 기준으로 필터의 수명 예측 알고리즘 개발 연구를 수행하였다.

2.2. 필터 수명과 상태 지표

필터 제조사가 제공하는 유지 보수 가이드라인에 따르면, 필터 초기 차압의 약 2배에 도달하는 시점을 필터의 말기 상태로 간주하고, 이 시점을 기준으로 교체를 권장하고 있다. 본 연구에서도 이러한 기준을 참고하여, 공기 흐름 저항 증가에 유사한 현상이 발생하는 급기 팬의 차압 변화를 기반으로, 초기 차압의 2배에 도달하는 시점을 적정 교체 시점으로 설정하였다.

아울러, 시간 경과에 따른 급기 팬 차압의 변화 특성을 반영하고, 실제 운전 환경에서 유지 보수 시기를 보다 직관적으로 판단할 수 있도록 Table 4와 같이 잔여 수명을 7개의 범주형 구간으로 분류하였다.

본 연구 대상 건물은 최근 2년간 미디움 필터 교체 이력이 없었으며, 프리필터의 교체 이력을 참고하여 필터의 수명 주기를 추정하였다. 필터 차압 데이터를 수집하고 있지 않았지만, 프리 필터 교체 시점에 급기 팬 차압이 급격하게 감소하고 급기 풍량은 증가하는 경향이 앞에서 살펴본 데이터에서 관찰되었다. 이를 통해 급기 팬 차압이 필터 상태와 유의미한 상관관계가 있음을 확인하였다.

이에 급기 팬 차압을 활용한 식 (4)로 필터 상태(S)를 추정하였다. Pt는 현재의 급기 팬 차압이고, Pi는 필터 교체 직후의 초기 급기 팬 차압이며, Pf는 말기 급기 팬 차압으로 초기 차압(Pi)의 2배로 설정하였다.

또한, 필터의 차압을 상승시키는 주요 영향인자 중 하나인 미세먼지 누적 인입량(Maccdustin)은 공조기의 운전 시간 동안 외기로 유입되는 미세먼지의 총량으로 2.1 대상 설비 및 데이터에서 언급된 식 (1), 식 (2), 식 (3)을 이용하여 계산하였다.

2.3. 필터 수명 예측 알고리즘

본 연구에서는 다항 로지스틱 회귀분석(Multinomial Logistic Regression)을 활용하여 공조기 필터의 잔여 수명(RUL, Remaining Useful Life)을 예측하였다.

다항 로지스틱 회귀는 종속변수가 3개 이상의 범주를 갖는 경우에 적합한 통계 기반의 지도학습 분류 모델이다. 필터의 수명을 여러 구간으로 나누어 예측하는 본 연구의 목적에 부합한다. 모델은 각 수명 클래스에 속할 확률을 추정하며, 가장 높은 확률을 갖는 클래스를 예측 결과로 반환한다. 이를 통해 잔여 수명이 어느 구간에 속하는지를 파악할 수 있다. 예측 모델의 독립 변수는 현재 필터의 상태와 미세먼지 누적 인입량으로, 앞서 제시된 계산식 (1)과 (2)를 통해 계산하였다. 공조기 필터의 잔여 수명 예측 알고리즘 개념도는 Figure 14와 같이 구성된다.

Figure 14.

Algorithm concept diagram.

3. 실험 결과 및 분석

예측 모델의 성능은 전체 데이터 중 20%를 무작위로 추출한 테스트 데이터 셋에 대해 검증하였다. 분류 모델의 성능은 Figure 15의 혼동 행렬(Confusion Matrix)로부터 산출된 평가 지표를 통해 정량적으로 평가하였다. 아래의 혼동 행렬은 각 클래스(t1‒t7)에 대한 실제 값과 예측 값의 분포를 나타내며, 전반적으로 각각의 수명 구간에 대해 준수한 분류 성능을 보이고 있다. 특히 필터 교체가 시급한 t1 수명 구간에 대해 높은 분류 성능을 나타내, 긴급한 유지 보수 필요성을 파악하는데 효과가 있음을 보였다. 이는 필터의 성능이 급격하게 저하되는 말기 단계에서 급기 팬 차압의 변화가 뚜렷하게 나타나기 때문으로 해석할 수 있다. 다만, 중간 수명 구간에 대해서는 차압에 급격한 변화가 없거나 클래스 간의 경계가 모호하여 인접 구간으로 오분류하는 경우도 발생하였다. 이러한 분류는 하절기와 동절기에 에너지 효율을 고려하여 외기 댐퍼를 닫고 운전하면서 외부의 미세먼지 유입이 감소하여 차압 변화가 미미해졌기 때문으로 추정할 수 있다.

Figure 15.

Confusion matrix.

데이터 분포의 불균형으로 인해 특정 클래스가 과대 또는 과소평가되는 문제를 보완하고, 모델 성능을 보다 신뢰성 있게 평가하기 위해 전체 정확도(Accuracy) 외에도 정밀도(Precision)와 재현율(Recall)의 조화 평균인 F1-Score를 함께 활용하였다. 최종적으로 클래스별 샘플 수의 비중에 따라 가중 평균한 F1-Score를 활용하여 모델의 종합적인 성능을 평가하였다.

실험 결과, 전체 정확도(Accuracy)는 87.77%로 나타났으며, 가중 평균 F1-Score는 87.84%로 집계되었다. 이러한 결과는 모델이 클래스 간 균형 잡힌 예측 성능을 유지하고 있음을 보여준다.

Figure 16과 Figure 17은 각 클래스별로 산출된 TP, FP, FN, TN의 구성 예시를 나타낸다. 이에 따라, 각각의 특정 클래스 기준으로 다음의 경우의 수들이 계산된다. TP(True Positive)는 실제 정답 클래스를 모델도 정답으로 예측한 경우이며, FP(False Positive)는 실제 정답 클래스가 아니지만 모델은 정답 클래스라고 예측한 경우이다. FN(False Negative)은 실제로 정답 클래스이지만 모델은 정답이 아닌 다른 클래스로 예측한 경우이다. TN(True Negative)은 실제로 정답 클래스도 아니고, 모델도 정답이 아닌 다른 클래스로 예측한 경우이다.

Figure 16.

Confusion matrix of class c1.

Figure 17.

Confusion matrix of class c2.

전체 정확도(Accuracy)와 클래스별 정밀도(Precision), 재현율(Recall), F1-Score, 가중 평균 F1-Score는 다음과 같이 구할 수 있다. 가중치는 전체 샘플 수 대비 해당 클래스의 샘플 수로 계산한다.

4. 결 론

본 연구에서는 공조기 필터의 잔여 수명을 보다 효율적으로 관리하기 위해 공조기의 운전 상태 데이터에 기반한 필터 수명 예측 방법을 제안하였다. 특히, 필터 차압계가 설치되어 있지 않은 건물 환경에서도 적용할 수 있도록, BAS에서 수집 가능한 급기 팬 차압과 미세먼지 농도 등의 데이터를 활용하여, 공조기 운전 데이터를 전처리하고 학습용 데이터셋을 구성하였다. 이 데이터를 기반으로 다항 로지스틱 회귀분석 기반의 머신러닝 알고리즘을 적용하여 학습 및 검증 과정을 수행함으로써 필터의 잔여 수명을 예측하는 모델을 개발하였다. 실험 결과, 제안된 모델은 각 수명 구간에 대해 준수한 예측 정확도를 보였다.

주기적으로 일괄 교체하는 것보다 데이터를 기반으로 필터별 잔여수명을 모니터링하고 잔여 수명 예측을 통해 사전에 유지 보수 대응하는 방식이 필터 경보 알림이 울린 후 교체하는 사후 처리보다 효율적이다. 이를 통해 시설관리자에게 적정 교체 시점에 대한 의사결정을 지원하고, 불필요한 교체를 줄여 시설 운영비용 절감을 기대할 수 있다.

다만, 급기 팬 차압 등 공조기 운전 데이터를 수집하는 건물 자동제어시스템(BAS)과 인터페이스 연동이 필요할 수 있으며, 외기 유입량이 증가하는 봄, 가을 간절기에는 미세먼지 인입량 변화가 예측 정확도에 영향을 줄 수 있으므로 이에 대한 보완 연구가 필요하다.