1. 서 론
1.1. 연구 배경
1.2. 연구 범위
2. 연구 방법
2.1. ASHRAE-RP-1312
2.2. 인공신경망 개요 및 매개변수 최적화 방안
2.3. 성능평가 방법
3. 연구결과
3.1. 기본 성능평가 결과
3.2. 최적 AFDD 모듈 성능평가 결과
4. 결 론
1. 서 론
1.1. 연구 배경
건축물의 용도별로 요구되는 실내환경을 조성하고 재실자의 쾌적성을 유지하는 HVAC(Heating, Ventilation and Air Conditioning) 시스템은 상업용 건축물 기준 전체 에너지소비량의 약 30%에서 많게는 약 50%의 에너지 소비 비중을 갖는 것으로 파악된다. 건축물에서 가장 필수적인 시스템이라고 말할 수 있는 HVAC 시스템에서 사용되는 에너지를 절감하기 위해 AI 기반 자동제어, 재실자 감지, 시스템 효율 향상, 건물에너지관리리스템 고도화, 고장검출 및 진단 등 다양한 연구가 진행되고 있다, 그 중 고장검출 및 진단(FDD, Fault Detection oand Diagnosis) 분야는 공조기에서 발생하는 기계적 결함 또는 비정상적 신호를 사전에 검출하여 낭비되는 에너지를 절감시킬 수 있는 기술이다. FDD 기법은 분석기반, 지식기반 그리고 데이터기반으로 분류되는데 분석 및 지식기반 기법의 경우 현상별 전문가의 주관적인 판단이 개입되는 반면 데이터기반 기법으로 개발되는 모듈의 경우 객관적 자료를 기반으로 정보를 제공하기 때문에 신뢰도가 높고 시간 및 비용 절감을 기대할 수 있다. 데이터기반 FDD 기법은 2000년대 초반 기계학습이라는 키워드와 함께 시작되어 현재까지 다양한 AI 모델을 활용한 자동고장검출진단(AFDD, Automate Fault Detection and Diagnosis)로 범위가 확대되었다.
Arash et al(2023)은 고장데이터를 확보하고 학습데이터를 구성하는 한계점을 인지하고 데이터가 부족한 환경에서 반지도 학습을 활용하여 HVAC 시스템의 결함을 진단하는 방법을 제안하였고, Antonio, Marco와 Alfonso (2023)은 RF(Random Forest), SVM(Support Vector Machine), ANN(Artificial Neural Network), K-NN(K-Nearest Neighbors) 등 다양한 기계학습 모델을 기반으로 FDD 성능을 분석하였으며 전반적으로 90% 이상의 높은 검출 정확도를 확보했다. Paria et al(2023)은 시간에 따른 데이터의 이상 변화를 탐지하는 시계열 이상 탐지와 다양한 결정 트리를 결합하여 결함을 분류하는 RF 모델을 활용하여 AHU(Air Handling Unit)과 RTU(Rooftop Unit)에서 발생하는 고장에 대한 검출성능을 분석한 결과 약 79~89% 정밀도를 확보했다. Mirnaghi et al(2020)은 모델 기반, 지식 기반 그리고 데이터 기반 접근법을 분석하고 그 중 데이터 기반 접근법에 주목하여 3가지 기계학습 모델을 활용하여 FDD 모듈을 개발하였으며 약 89%의 정확도를 기록했다. 미국 에너지부(DOE, Department of Energy)는 주거용 및 상업용 건물에서 FDD 기술 발전과 적용을 목표로 다양한 프로젝트를 지원하고 있고 국제에너지기구(IEA, International Energy Agency)는 FDD 방법론 개선을 위해 국제 연구 협력사업업을 촉진하고 있다. AFDD 모듈은 상업용 또는 주거용 건물의 에너지 소비를 최적화할 수 있도록 조기에 고장을 감지하고 데이터센터 등 산업 현장에 적용되어 고장에 따른 손실을 최소화할 수 있을 것으로 기대되지만 초기 설치 비용, 전문적인 운영 기술 필요, 기존 시스템과의 호환성 문제 등의 원인으로 활발히 적용되지 못하고 있다.
본 연구에서는 전문가들의 주관적 판단에 의존했던 기존 유지관리 체계를 보완할 수 있도록 블랙박스 기반 기계학습 모델을 활용하여 AFDD 모듈을 구축하고 매개변수 최적화를 통해 검출 및 진단 성능을 향상시키는 기법을 분석하고자 한다.
1.2. 연구 범위
본 연구에서는 HVAC에서 발생 가능한 고장현상을 조기에 검출 및 진단할 수 있는 AFDD(Automated Fault Detection and Diagnosis) 모듈을 개발하였다. AFDD 모듈은 높은 예측 정확도와 고차원 처리 능력을 보유하고 있는 인공신경망(ANN, Artificial Neural Network) 모델을 기반으로 개발하였으며 ANN 모델이 보유하고 있는 매개변수(Hyper-parameter) 최적화를 통해 성능을 향상시켰다. ANN은 학습률(Learning Rate), 뉴런 수(Number of Hidden neurons), 학습함수(train function), 학습횟수(Epoch) 등 다양한 매개변수를 보유하고 있는데 이 중 뉴런 수, 학습함수를 대상으로 최적화를 실시하였다. 모델 학습 및 성능평가에 필요한 데이터는 ASHRAE-1312-RP에서 제공하고 있는 HAVC 정상/고장 데이터셋을 활용하였으며 일정 수준 이상의 진단성능을 도출하는 경우 BEMS(Building Energy Management System) 등 관리시스템에 적용되어 전문지식이 없더라도 사용하고 있는 공조기의 이상여부를 진단할 수 있는 기술로 적용이 가능할 것으로 판단된다.
2. 연구 방법
2.1. ASHRAE-RP-1312
미국냉동공조학회(ASHRAE, American Society of Heating, Refrigerating and Air-Conditioning Engineers)는 HAVC 시스템의 공기 처리 장치에 대한 동적 모델 개발 및 검증을 통해 고장을 검출 및 진단하는 방법을 평가하고 개선하기 위한 목적으로 ASHRAE RP-1312(Tools for Evaluation Fualt Detection and Diagnosis Methods for Air-Handling Units) 프로젝트를 수행하였으며 다양한 FDD 방법을 객관적으로 평가할 수 있는 표준화된 도구와 지표를 제공함으로써 업계의 기술 발전을 도모했다. 해당 프로젝트에서는 가변풍량방식(VAV, Variable Air Volume)에 대한 실제 실험을 통해 고장 데이터를 생성하고 이를 기반으로 개발된 FDD 방법에 대한 유효성을 평가했다. ASHRAE-1312 데이터셋은 Table 2와 같이 21개의 변수들로 이루어진 고장데이터로 센서 오류, 밸브 및 댐퍼 고착현상, 팬 고장 등 계절별로 다양한 고장현상 데이터를 제공하고 있다. 본 연구에서는 하절기를 대상으로 제작된 16가지 고장데이터를 학습 및 평가 데이터로 활용하여 개발되는 모듈의 성능을 검증하였다.
Table 1.
Described Faults in ASHRAE RP-1312
Table 2.
Variables for each Fault Conditions
2.2. 인공신경망 개요 및 매개변수 최적화 방안
인공신경망(ANN, Artificial Neural Network)은 데이터의 패턴을 학습하고 예측하거나 분류하는 방식에 주로 사용되는 모델로 고차원 데이터 처리 능력, 높은 예측 정확도, 병렬 처리 능력 등 다양한 장점을 통해 다양한 연구에 활용되고 있는 기계학습 모델 중 하나이다. 주요 구성 요소로는 뉴련(Neuron), 레이어(Layer), 가증치(Weight)와 바이어스(Biases) 그리고 활성화 함수(Activation Function)이 존재하여 레이어는 입력층과 은닉층 그리고 츨력층으로 구분되어 있다.
인공신경망(ANN)은 다양한 매개변수(Hyper-parameter)를 통해 성능을 최적화할 수 있다. 매개변수는 모델의 구조와 학습 과정에 영향을 미치는 변수들로 주요 매개변수는 다음과 같다.
2.2.1 학습률(Learning Rate)
학습률은 가중치를 업데이트하는 속도를 결정하는 변수로 너무 높으면 학습 과정이 불안정해지고 최적의 값을 지나칠 수 있으며 반대로 너무 낮으면 학습이 매우 느려지기 때문에 일반적으로 0.001에서 0.1 사이의 값을 사용한다.
2.2.2 에포크 수(Number of Epoches)
에포크는 전체 데이터 세트를 한 번 학습하는 주기로 그 수가 많을수록 모델의 학습성능이 향상될 수 있지만 과적합(overfitting) 위험도가 높아지게 된다. 일반적인 범위는 설정되어 있지 않으며 분석 또는 예측 대상의 복잡성에 따른 설정이 필요하다.
2.2.3 은닉층 수(Number of Hidden Layers)
모델의 깊이를 결정하는 은닉층 수는 많을수록 더 복잡한 패턴을 학습할 수 있지만 과도한 설정은 과적합 위험성을 높이기 때문에 적정 수 적용이 필요하다.
2.2.4 은닉층의 뉴런 수(Number of Neurons in Hidden Layers)
각 은닉층에 있는 뉴런의 수는 모델의 용량을 결정하며 뉴련이 많을수록 많은 정보를 학습할 수 있지만 경제성 검토가 요구되며 일반적으로 10에서 1000개 이상의 뉴런을 사용한다.
그 외, 활성화 함수, 가중치 초기화 방법, 정규화 기법 그리고 최적화 알고리즘 등 다양한 매개변수가 존대하며 분석 대상 데이터의 성격에 부합하는 매개변수 적용 시 모델의 예측/분류 정확성을 향상시킬 수 있다. 본 연구에서는 은닉층의 뉴런 수, 학습함수 조정에 따른 최적 hyperparameter를 탐색하였다.
2.3. 성능평가 방법
본 연구에서는 제안한 AFDD 모델의 고장검출 성능평가를 위해 혼동행렬(Confusion Matrix) 기반의 true positive rate(TPR), true negative rate(TNR), accuracy(ACC) 그리고 가중조화평균(F1 score)를 활용하였다(Table 3). 혼동행렬은 분류모델의 성능을 평가하기 위해 사용되는 도구로 실제값과 모델 예측결과값 간의 차이를 시각적으로 표현한 것이며 고장검출 성능지표(TPR, TNR, ACC, F1 score)를 산출하는데 기반이 된다. 위 4개 성능지표의 경우 TPR, TNR은 각 모델이 정상 및 고장상태를 검출하는 성능이며 ACC, F1 score는 지정한 기간동안의 모델의 전반적인 성능을 평가할 수 있다. 특히, F1 score는 데이터의 불균형일 경우 ACC 대비 보다 정확한 전체성능을 나타낼 수 있다. AFDD 모델로 산출된 공조기 고장 검출성능을 위 4가지 지표를 활용하여 다양한 관점에서 고장검출 성능을 검토하였다.
3. 연구결과
3.1. 기본 성능평가 결과
본 연구에서는 ASHRAE 1312RP 공조기 데이터셋 기반 ANN 모델의 hyperparameter 조건에 따른 고장검출 성능을 비교하여 대상 데이터셋에 가장 적절한 model configuration을 선정하였다. 먼저, ANN 모델의 기본조건에서 학습 및 고장검출 성능을 검토하였다. 이후, 모델의 hyperparameter 조건(number of hidden neurons, train function)에 따른 고장검출 성능 비교를 통해 최적 model configuration 조건을 탐색하였다.
Figure 1은 ANN 모델의 기본조건(number of hidden neurons: 10ea, train function: levenberg-marquardt)에서의 학습횟수별(epoch) 학습(train), 검증(validation) 그리고 예측(test0 데이터셋의 학습성능(MSE, mean square error)을 나타낸 것이다. 해당모델은 epoch: 0‒64회까지 모든 데이터셋에서 유사한 학습오차를 보이고 모델의 과적합없이 잘 적응해가는 특성을 보였다. Epoch가 64회 이상 시점부터는 검증 및 예측 데이터셋에 대해 MSE가 점차 수렴하는 모습을 보였고 학습 데이터셋에서는 학습오차가 점차 더 낮아지는 특성을 보였다. 결과적으로 epoch: 106회 시점에서 평균 MSE=0.00167의 가장 낮은 학습오차를 보이며 잘 일반화되었다고 판단된다.
Table 4는 학습횟수가 최적인 시점(epocch: 106회)에서의 공조기 16가지 고장현상에 대한 검출성능(TPR, TNR, ACC, F1 score)을 나타낸 것이다. 392ea로 구성된 예측 데이터셋(정상: 192ea, 고장: 180a‒12ea*15가지 고장)에 대해 대부분의 고장현상을 잘 판별하였고 ACC, F1 score 기준 0.919, 0.923의 높은 검출성능을 보였다. 여러 고장 검출결과 증 F1 고장의 TPR, F5-F7의 TNR이 평균 각 0.833, 0.691로 검출성능이 다소 낮았고 특히, F5 고장의 TNR이 0.355로 정상상태를 F5으로 오분류하는 특성이 뚜렷하게 나타났다. 이는 해당고장의 경우 변수특성이 정상상태의 운전데이터와 유사한 부분이 모델에 반영되어 학습하였기 때문이다.
Table 4.
Performance of HVAC fault detection with 16-fault types based on default condition of ANN
3.1 절에서는 ANN 모델의 기본 hyperparameter 조건에서 학습성능과 고장검출 성능을 검토하였다. 해당모델은 대상 데이터셋에서 잘 적응해가는 특성을 보였고 모든 고장현상에 대해 90%이상의 높은 정확도가 산출되었다. 이는 모델의 학습구조 특성상 입력된 변수의 관계를 적절히 모델성능에 반영하고 대상 데이터셋의 고장현상별 변수 특성이 뚜렷하기 때문이다. 다만, 일부 정상데이터를 다른 고장현상으로 오분류하여 검출되는 부분을 개선할 필요가 있다.
3.2. 최적 AFDD 모듈 성능평가 결과
앞서, 3.1절에서 ANN 모델의 학습특성이 여러 변수를 고려하여 모델성능에 잘 반영되고 각 고장별 데이터 특성이 뚜렷하여 높은 검출성능을 확보할 수 있었다. 하지만, 데이터 특성에 따라 적절한 모델 hyperparameter을 탐색하여 모델의 최적성능을 탐색할 필요가 있다. 본 절에서는 모델성능에 가장 많은 영향을 미치는 두 hyperparameter(number of hidden neurons, train function) 조정에 따른 공조기 고장검출 성능을 비교하여 대상 데이터 특성에 적합한 model configuration 조건을 제시하였다. ASHRAE 1312 RP 기반 16가지 고장항목(정상 포함)을 대상으로 최적 number of hidden neurons(NHN) 를 선정하였고 선정된 number of hidden neurons으로 적정 train function(TF)을 탐색하였다.
Figure 2는 NHN을 10개부터 20개까지 조정한 16가지 고장 검출결과(TPR, TNR, ACC, F1 score)를 나타낸 것이다. TNR, ACC 그리고 F1 score의 경우 NHN이 10‒13개까지 변화해감에 따라 성능이 개선되거나 base 조건과 동일하였다. 이는 NHN이 적을 경우 학습패턴이 단순해져 과소적합(under-fitting)이 발생하거나, 많아질 경우 과대적합(over-fitting)이 발생할 수 있다는 것을 의미하고 NHN=13개(TPR=0.918, TNR=0.944, ACC=0.931, F1 score=0.934)에서 21가지의 입력변수 학습시 모델의 복잡성과 일반화의 균형이 잘 맞는 것을 의미한다. 특히, nhn=15개일 때 검출성능이 TNR, ACC, F1 score가 0903, 0.910, 0.916으로 가장 낮았으며 nhn=16,17개에서도 base 대비 다소 성능이 개선되었으나, NHN=18개 이상부터 전반적인 검출성능이 감소하였다. TPR은 모든 case에서 base와 유사하거나 높은 성능(0.911‒0.922)을 보였는데, 이는 데이터 특성상 정상데이터의 비율이 각 고장데이터 대비 높아 여러 정상패턴에 대한 안정적인 학습성능을 확보하였기 때문이다. 이후, best case인 NHN=13개 조건에서 train function에 따른 16가지 공조기 고장검출 성능을 비교하였다.
Table 5는 ANN 모델의 8가지 TF에 따른 16가지 고장검출 성능(TPR, TNR, ACC, F1 score)을 나타낸 것이다. 1가지 TF를 제외한 모든 train function 활용시 ACC, F1 score는 0.898, 0.903의 높은 평균정확도를 확보하였다. 특히, trainoss(one step secant backpropagation)는 base(NHN=14ea, TF=trainlm) 대비 TNR, ACC 그리고 F1 score가 각 0.009, 0.001, .001 개선된 0.944, 0.928, 0.931이 산출되었다. 또한, Figure 3에서 trainoss는 기존 trainlm 대비 많은 학습횟수를 반복하되, 소요시간은 약 10개 적은 28초가 소요되었다.
Table 5.
Performance of HVAC fault detection with 16-fault types based on default condtion of ANN
Table 6은 ANN 모델의 hyparameter(NHN, TF)에 따른 민감도 비교결과(ACC, F1 score)이다. NHN 변화시 ACC, F1 score는 0.021, 0.017의 적은 변화량을 보였지만, TF 변화에 따라 0.242, 0.166의 높은 검출 성능변화를 보였다. 이는 해당 공조기 고장검출시 모델의 학습함수에 더 민감하다는 것을 의미한다.
4. 결 론
본 연구에서는 HVAC에서 발생하는 고장현상을 조기에 검출 및 진단하여 에너지소비량 절감을 유도하고 유지관리 편의성을 제공할 수 있는 AFDD(Automated Fault Detection and Diagnosis) 모듈을 개발 및 성능향상을 위한 연구를 수행하였다. 개발된 AFDD 모듈에 적용된 기계학습 모델은 인공신경망(ANN, Artificial Neural Network) 으로 선제적으로 기본조건에서 FDD 성능을 평가하고 보유하고 있는 Hyperparemeter에 대한 분석을 실시하였다.
인공신경망(ANN, Artificial Neural Network) 모델은 학습률(Learning Rate), 에포크 수(Number of Epochs), 배치 크기(Batch Size), 은닉층 수(Number of Hidden Layers), 은닉층의 뉴런 수(Number of Neurons in Hidden Layers), 활성화 함수(Activation Function), 학습 함수(Train Function), 가중치 초기화 방법(Weight Initialization), 정규화 기법(Regularization Technique), 최적화 알고리즘(Optimization Algorithm) 그리고 모멘텀(Momentum) 등의 hyperparameter를 보유하고 있다. 본 연구에서는 모델의 깊이를 결정하며 복잡한 패턴에 대한 학습능력을 향상시킬 수 있는 은닉층 수와 그에 적합한 학습함수에 대한 조정을 통해 모델의 성능을 향상시켰다.
ASHRAE RP-1312에서 제공하는 데이터셋을 활용하여 정상상태 및 16가지 고상현상에 대한 학습을 진행하였다. 본 연구에서 개발된 기본 설정조건을 갖는 ANN 모델의 검출 및 진단성능은 정확도(ACC, Accuracy)와 F1 score 기준 0.919, 0.923로 비교적 높은 성능을 보였다. 이후 최적 은닉층 수를 적용한 결과 정확도와 F1 score는 0.931, 0.934로 나타났고 최적 학습함수 적용 결과 0.928, 0.931로 매개변수 조정 시 base 대비 향상된 분류성능을 나타냈다.
향후 연구에서는 ANN 외 기계학습 모델 탐색을 통해 약 96% 이상의 고성능 AFDD 모듈 개발을 위한 연구를 진행하고 실제 HVAC에서 고장현상이 발생 시 시스템 반응 특성 분석을 통해 실생활에 적용 가능한 수준의 신뢰성을 확보를 위한 연구를 진행하고자 한다.
