가상센서 활용 초순수 플랜트 회수계통 압력제어밸브 및 계측기 이상진단 기술
Fault Detection Technology for Ultrapure Water Plant using Virtual Sensors for Pressure Control Valve and Indicators in Return Line
Article information
Abstract
목적
본 연구에서는 초순수 플랜트에서 발생할 수 있는 회수계통 압력제어밸브 및 계측기 이상 발생을 가상센서를 이용해서 빠르고 정확하게 진단하는 기술을 제안하고자 한다.
방법
초순수 공정의 회수계통에 있는 3개 설비(압력제어밸브, 압력계, 유량계)로부터 수집되는 운영 데이터를 활용하여 실험식을 도출하고 예측범위를 산정한 후 이를 이용한 가상센서를 구축한다.
결과 및 토의
초순수 플랜트의 운영을 통해서 수집된 24시간 데이터를 활용할 경우 월간 데이터를 추정하는데에도 높은 정확도를 보이는 것을 확인할 수 있었다. Phase 1의 경우에서 Phase 2에 비해서 이상진단 기술이 더 정확하게 값을 예측하며 유의미한 오차범위를 가지는 것을 확인할 수 있었다.
결론
실험식으로 도출된 가상센서를 활용해서도 공정의 이상진단 기술의 개발이 가능하였다. 유량계와 압력제어밸브 개도율에 대한 이상을 감지하기에는 높은 성능을 보였지만, 일정하게 유지되는 압력 값 자체 추정하기에는 한계를 보였으며, 압력에 대한 예측을 위한 개선이 필요하다고 판단된다. 또한, 하루의 데이터를 이용해서 월간 데이터 전체를 추정하는데 이상이 없었다는 점을 감안하며, 운전조건에 변화가 생길 경우 하루의 데이터를 수집해서 실험식을 보정할 경우 이상진단 알고리즘으로 계속 사용할 수 있을 것으로 생각된다.
Trans Abstract
Objectives
This study aims to propose a technology that utilizes virtual sensors to quickly and accurately diagnose faults in valves and measurement devices that may occur in the return line of an ultrapure water plant.
Methods
The empirical equations were derived, and the error range was calculated using operational data collected from three pieces of equipment (pressure control valve, pressure transmitter, and flow transmitter) in the recovery system of the ultrapure water process. Based on this, a virtual sensor is established.
Results and Discussion
It was confirmed that the utilization of 24-hour data collected from the operation of the ultrapure water plant was enough to establish virtual sensors and could also estimate monthly data with high accuracy. In Phase 1, the fault diagnosis technology was found to estimate values more accurately and had a meaningful margin of error compared to Phase 2.
Conclusion
It was possible to develop a fault detection technology using the virtual sensor derived from the empirical equation. The technology showed high performance in detecting anomalies in the flow meter and pressure control valve opening but had limitations in estimating consistently pressure values. Additionally, considering that there was no issue in estimating monthly data using the equations derived using 24 hours operational data. The fault detection algorithm could be used continuously if the empirical equations are updated by collecting a day's data when operating conditions change.
1. 서 론
초순수는 수소와 산소 이외의 이온은 포함하지 않는 순수한 물로 25°C에서 비저항 18.3MΩ·cm을 가지는 물을 의미한다[1]. 이를 위해서 미생물, 유기물, 입자, 그리고 이온과 같은 모든 오염물질들을 제거하는 과정을 거친다. 초순수 플랜트의 구성은 전처리, 순수처리, 초순수처리 3개의 단계로 구성되며, 최종 초순수를 생산하기까지 20개가 넘는 수처리 공정을 조합하여 사용한다[2]. 특히, 반도체 공정에서는 공정에 비해서 높은 수질의 초순수가 요구된다. 최근 반도체 산업의 규모가 커짐에 따라서 더 많은 초순수가 요구되고 있는 상황이다[3]. 이와 함께 반도체의 집적도가 증가함에 따라서 더 높은 수질의 초순수가 필요해진 상황이며, 이를 충족시키기 위한 수처리 기술들이 계속해서 개발되고 있다[4-6]. 세계 반도체 생산 기업을 비교할 경우 반도체 공정에서 사용하는 물의 양은 연간 108 m3 수준까지도 소모된다[7]. 이와 같이 반도체 공정에서 많은 물이 사용되는 이유 중 하나는 반도체 제조 공정의 이전 단계에서 잔류 오염물질들이 다음 단계에 영향을 미치지 않게 하기 위해서 초순수를 이용하여 세척이 필요하기 때문이다[8]. 또한, 다른 산업용수, 생활용수와는 다르게 초순수는 반도체 공정에 24시간 공급되어야 한다는 특성이 있다. 많은 물이 사용되며, 안정적으로 공급하는 기술이 요구된다.
플랜트의 안정적인 운영과 관련된 기술로는 이상감지 기술과 예지 보전 기술들이 있다[9]. 해당 기술들을 활용할 경우 이상 발생에 빠르게 대응할 수 있으며, 이상으로 야기되는 피해를 최소화할 수 있다는 장점이 있다. 이와 같은 이상 감지 기술 중에는 가상센서를 활용한 기술이 있다[10]. 가상센서는 물리화학적 수식 혹은 머신러닝 기술을 이용한 소프트웨어 센서를 의미한다. 가상센서를 활용할 경우 계측이 어려운 항목을 계측하거나 가격이 저렴한 여러 개의 센서를 조합하여 상대적으로 비싼 센서를 대체할 수 있는 기술을 개발할 수 있다. 해수담수화 플랜트, 하수처리 플랜트 등에서는 가상센서를 이용하는 사례가 보고 되고 있다[11]. 하지만, 초순수 플랜트에서 가상센서가 적용된 사례는 제한적이며, 회수 계통에서 변동하는 초순수 사용량으로 인해서 발생할 수 있는 이상을 빠르게 대응할 수 있는 기술이 요구된다.
본 연구에서는 초순수 공정에서 발생하는 이상을 감지하는 기술에 관한 연구를 수행하였다. 특히, 회수계통에서 발생하는 이상을 감지하기 위해서 압력제어밸브, 유량계, 압력계의 계측 데이터로 가상센서를 구축하고 이상을 감지한다. 이상진단 알고리즘의 구축과 성능평가를 위해서 초순수 플랜트의 회수계통에서 수집된 데이터를 활용하였다. 이를 위해서 1) 유량-압력과 밸브 개도율, 유량-개도율과 압력, 그리고 압력-개도율과 유량을 계산할 수 있는 실험식을 도출하였으며, 2) 운영데이터를 활용하여 도출된 모델식의 정확도를 계산하고, 3) 현장플랜트에 해당 기술을 적용하여 이상진단 성능 평가를 수행하였다. 본 연구를 통해서 개발된 기술은 초순수 공정 이외에도 가상센서를 필요로 하는 수처리 공정에서의 이상을 진단하고 빠르게 대응하기 위해서 사용될 수 있다.
2. 연구방법
2.1. 초순수 실증플랜트
본 연구에서 사용된 데이터는 반도체 공장으로 초순수를 공급하는 초순수 실증플랜트로부터 운영데이터를 수집하였다. 실증플랜트에서는 총 2,400m3/일(외산 설비(Phase 1) 1,200m3/일, 국산 설비(Phase 2) 1,200m3/일) 규모의 초순수가 생산되며, 크게 전처리, 순수처리, 초순수처리 공정으로 구성되어 있다. 초순수 플랜트는 다수의 수처리 설비를 거쳐서 생산되도록 설계되어 있으며, American Standard Test and Method(ASTM) D5127 E-1.3 수준의 반도체용 초순수 수질을 목표로 초순수를 생산하고 있다. Phase 1 설비와 Phase 2 설비는 동일한 공정 구성을 가지며, 이온교환수지, UV산화장치, 탈기막 만을 외산 설비와 국산 설비로 다르게 하여 구성하였다. 목표 생산수 수질 역시 동일한 ASTM D5127 E-1.3을 맞출 수 있도록 운전하고 있다. 초순수 실증플랜트에서 가상센서를 적용하는 공정은 Fig. 1과 같다. 반도체용 초순수는 생산된 전량이 사용되지 않고 Point of Use(POU)에서 필요한 만큼만 사용되고 다시 되돌아오게 된다. 이 과정에서 공급 및 회수 압력을 특정 범위로 유지하기 위해서 압력제어밸브가 사용된다. 유량 변동에 맞춰서 공급 및 회수 압력을 일정하게 유지해주지 못할 경우 POU에서 배관에 문제가 생기기 때문에 이 과정은 매우 중요하다. 초순수 회수 계통에 위치한 압력제어밸브 개도율을 조절하여 유량을 변동시키며, 공급 압력과 회수 압력을 일정하게 유지시킨다.
2.2. 이상진단 알고리즘 개발을 위한 가상센서 수식
이상진단 알고리즘을 구축하기 위한 수식은 유량과 압력으로 밸브 개도율을 계산하는 수식(식 (1)), 유량과 밸브 개도율로 압력을 계산하는 수식(식 (2)), 그리고 압력과 밸브 개도율로 유량을 계산하는 수식(식 (3))을 구축한다.
위의 식 (1)에서 Ve는 압력제어밸브 개도율 추정치(%)이며, aV, bV, cV, dV, 그리고 eV는 회귀분석을 통해서 도출되는 실험식의 계수를 의미한다. Q와 P는 유량과 압력을 의미하며, 하첨자 m은 계측기를 통해서 측정된 값을 의미한다. 동일한 방식으로 회수 계통의 압력 추정치(Pe)와 유량 추정치(Qe)를 계산할 수 있으며, 압력 추정치와 유량 추정치의 계수는 하첨자 P와 Q로 각각 표기하였다.
식 (1)~(3)을 통해서 계산된 추정치들의 오차 범위는 오차 확산 이론(Error Propagation Theory)를 적용하여 본 연구에 맞게 수정 후 계산하였다[12]. 오차 확산 이론을 활용하여 오차 범위 편차 값을 밸브 개도율(ΔVe), 압력(ΔPe), 그리고 유량(ΔQe)에 대해서 계산한다. 밸브 개도율의 편차 범위 값은 식 (4)를 통해서 계산할 수 있다.
이때, E[Qm]과 E[Pm]은 유량과 압력 측정 값의 평균 값을 의미한다. 압력 밸브 개도율의 편차 범위는 개도율 식에서 사용된 계수들을 활용하여 계산하며, 압력 및 유량에 대한 오차 범위 값을 식 (5)와 (6)으로 계산할 수 있다.
2.3. 이상진단 알고리즘
이상진단 알고리즘은 압력제어밸브, 압력계, 유량계에 대해서 구축되며, 각 값이 서로를 교차검증하는 형태로 구성된다. 계산 방법은 앞서 명시된 식 (1)~(3)을 활용하여 추정값을 계산하고, 추정 오차를 식 (4)~(6)을 활용하여 계산한다. 이후 실측값과 추정값 사이의 오차를 분석하고 실측값이 오차 범위 이내로 들어오는지를 확인한다. 실측값이 오차 범위를 초과하여 나타날 경우 해당 항목에 대한 점검이 진행될 수 있도록 이상에 대한 알람을 발생시킨다. 이상진단 알고리즘에서 표출되는 알람은 정상, 이상, 그리고 경고로 구분된다.
추정값들의 정확도 계산을 위해서는 결정계수(Deterministic Coefficient, R2), 평균절대오차(Mean Absolute Error, MAE), 그리고 평균제곱오차(Mean Squared Error, MSE)를 사용하여 정확도를 분석한다. 결정계수는 도출된 수식으로 예측된 값(
3. 결과 및 고찰
3.1. 수식 인자들 간의 상관관계 분석
Table 1은 Phase 1과 Phase 2를 대상으로 하여 가상센서 개발에 사용될 회수계통의 유량, 압력, 그리고 압력제어밸브(Pressure Control Valve, PCV) 개도율 간의 상관관계 분석 결과를 제시하였다. 상관관계 분석을 위해서는 2024년 2월 1일 00시부터 11시 59분까지의 데이터를 활용하였다. Phase 1을 대상으로 하는 상관관계 분석에서는 회수계통의 유량은 PCV 개도율과는 0.99로 매우 높은 양의 상관관계를 보이며, 회수 압력은 0.05로 상관성이 거의 없는 것으로 나타났다. PCV 개도율과 회수계통의 압력은 -0.02로 상관관계가 없는 것을 확인할 수 있었다. Phase 2에서의 상관관계 분석 결과는 Phase 1만큼 명확하게 양의 상관관계를 가지지는 않지만 비슷한 경향을 보이는 것을 확인할 수 있다. 회수계통의 유량은 PCV 개도율과 0.31로 약한 상관관계를 가지는 것을 확인할 수 있었으며, 회수 압력과는 -0.17로 상관관계를 가지 않는 것으로 나타났다. PCV 개도율과 회수압력은 -0.41로 상관관계가 거의 없는 것을 확인할 수 있었다. 상관성을 고려하여 수식을 만들 경우 회수계통의 압력은 다른 인자들에 비해서 추정 정확도가 낮을수도 있을 것으로 예상된다.
3.2. 운영데이터 활용 가상센서 수식
Table 2에는 운영 데이터를 활용하여 도출된 이상진단 회귀식의 계수들을 제시하였다. 도출된 수식의 R2 값은 Phase 1의 압력(0.65)을 제외하고는 0.99 이상의 정확도를 보이는 것을 확인할 수 있었다. 앞선 상관관계 분석에서 예상했던 것과 같이 압력이 다른 인자들에 비해서 정확도가 낮은 것을 확인할 수 있다. 실험식의 형태로 가상센서 수식이 도출됨에 따라서 동일한 변수일지라도 1차항과 2차항의 부호가 다르게 도출된 경우도 있다. 예를 들어서 PCV 개도율에 대한 식에서 유량(Q)에 대한 항은 1차 항의 계수는 음수이지만 2차 항의 계수는 양수로 도출되었다. 도출된 이상진단 회귀식의 성능 평가를 위해서 하루의 데이터를 활용하여 수식을 도출하고 이를 활용하여 월 전체의 데이터에 대한 추정을 진행하였다.
3.3. 가상센서 활용 압력, 유량, 개도율 추정 결과
Fig. 3는 가상센서를 활용한 이상진단 기술에서 Phase 1에서 사용된 계측치들에 대한 추정 결과를 보여준다. 초순수 회수계통에서는 회수 유량이 변하게 되면 PCV 개도율을 조절하여 압력을 일정하게 유지시키는 방식으로 작동한다. 그렇기 때문에 유량(Fig. 3(a))에 따라서 유사한 경향성을 가지며 PCV 개도율(Fig. 3(c))이 변하는 것을 확인할 수 있다. 반면, 회수압력(Fig. 3(e))은 일정한 값이 2.2kgf/cm2으로 일정한 값으로 유지된다. 비록, 가상센서를 구축하기 위해서 하루의 데이터를 사용하여 한달 간의 데이터를 추정하였지만 높은 정확도를 가지는 것을 확인할 수 있었다. 회수 계통의 유량에 대한 추정에서 R2는 0.92, MSE는 0.02, 그리고 MAE는 0.11로 수식을 통해서 계산되는 값들이 높은 정확도로 값의 변동을 추정하였다. 이와 마찬가지도 PCV 개도율의 경우 R2는 0.98, MSE는 0.03, 그리고 MAE는 0.15로 나타났다. 반면, 압력의 경우 R2는 음수로 나타났으며, MSE는 8.2×10-5, 그리고 MAE는 0.00으로 계산되었다. 값이 일정하게 나오기 때문에 수식으로 예측하는 과정에서 경향성에 대한 추정에서는 성능이 낮지만(R2 < 0), MSE와 MAE가 매우 낮다는 것은 값에 대한 추정 정확도를 높다는 것을 의미한다. 오차범위의 관점에서 PCV 개도율과 유량의 오차범위는 압력에 비해서 상대적으로 좁게 나타난다. 이는 압력은 거의 일정한 값을 유지함에 따라서 2차식의 형태보다는 1차식의 형태를 활용하기에 더 적합하기 때문이며, 이에 따라서 오차범위의 계산 과정에서 오차 범위를 더 넓게 산정하고 있다.
Fig. 4는 Phase 2를 대상으로 하는 이상진단 기술에서 계측치들의 추정 결과를 보여준다. 운영데이터의 경향성을 볼 경우 Phase 1에 비해서 Phase 2의 변동폭이 더 적으며, 이에 따라서 예측 정확도에도 차이를 보이는 것을 확인할 수 있다. Phase 2에서 공급하는 물량의 변동이 일정함에 따라서 PCV개도율의 변화도 적으며, 유량의 변동 역시 적은 것을 확인할 수 있다. 회수유량의 경우 MSE는 1.72, MAE는 0.40로 추정에서의 오차는 매우 낮으며, 이는 PCV 개도율(MSE: 4.95, MAE: 1.86), 회수계통의 압력(MSE: 0.00, MAE 0.01)로 가상센서 수식이 매우 높은 정확도를 가지는 것을 확인할 수 있다. 하지만 오차 범위가 매우 넓게 설정되는 문제가 발생하며, 현장에 적용하기 위에서는 오차 범위에 대한 수정이 필요하다. Phase 2의 예측 결과가 Phase 1의 예측 결과와 비교하여 낮은 정확도를 가지는 이유는 Phase 2의 계측값들이 변동이 적은 것에 비해서 예측 식은 2차식으로 산정됨에 따라서 오버피팅이 발생하였기 때문이다.
3.4. 가상센서 활용 이상진단 기술
Table 3은 정상적인 운전 조건과 비교하여, 압력계, 유량계, 압력제어밸브 순서로 오작동 혹은 문제가 발생하였다고 가정하였을 때의 결과를 보여준다. 정상 운전조건일 경우 압력제어밸브, 압력 그리고 유량의 계측값(56.80%, 2.20 kgf/cm2, 41.30 m3/h)과 예측값(56.68%, 2.20 kgf/cm2, 41.37 m3/h)은 유사한 값을 가지며, 정상 운전이기 때문에 오차 범위 이내의 값을 가진다. 하지만 오작동 혹은 문제가 발생할 경우 압력, 유량, 그리고 개도율 모두 계측값 및 예측값의 차이가 크게 나타난다. 이때, 문제가 발생하는 계측기 혹은 밸브를 판단하기 위해서는 3개의 값 중 하나가 고장나서 예측값이 참값이라고 가정하고 비교를 진행한다. Table 4는 오류가 방생한 경우에서 압력, 유량, PCV 순으로 예측값이 참값이라고 가정하였을 때 예측 결과를 보여준다. 이렇게 할 경우 기존의 Table 4에서 모든 경우에서 계측값과 예측값이 오차범위를 벗어나는 상황이 발생하였지만, 오류가 발생한 기기에 대해서 예측값이 참값이라고 가정할 경우 다른 2개 장비의 예측값이 측정값과 유사해지는 것을 확인할 수 있다. 예를 들어서 압력계에 문제가 생겼을 경우 이상진단 알고리즘의로 예측된 압력을 참값으로 가정하면, 유량계와 PCV 개도율이 오차범위 이내의 값으로 예측되기 때문에 압력계가 이상으로 판정할 수 있다.
4. 결론
본 연구에서는 초순수 플랜트에서 발생할 수 있는 공정 이상에 대해서 가상센서를 활용한 이상 진단 기술을 제안하였다. 유량계, PCV 개도율, 그리고 압력계로부터 수집된 운영 데이터를 활용하여 가상센서 수식을 구축하였으며, 이를 활용하여 공정 데이터를 추정할 수 있는 알고리즘을 구축하였다. 값에 대한 추정 이외에 오차 범위를 제안하고 실측값이 오차 범위 내에 들어오는지에 대한 여부를 기준으로 하여 이상을 판단할 수 있도록 하였다. 연구의 결과를 통해서 다음과 같은 결론을 도출할 수 있다.
1) 회귀식의 경우 Phase 1 및 Phase 2 모두 0.99 수준의 정확도를 가지는 수식을 도출할 수 있었다. 단, 회수계통의 압력은 0.65로 상대적을 낮은 정확도를 가졌으며, 이는 다른 인자들과의 상관성이 낮기 때문이다.
2) 24시간 데이터로 가상센서 수식을 도출할 경우 한달 간의 데이터에 대한 이상을 진단할 수 있는 가상센서 활용 이상진단 알고리즘의 구축 가능이 가능하다. 이때, 추정 값은 오차 범위를 제안하며, 실측 값이 오차범위 이내로 들어올 경우에 대해서만 정상 작동을 판정하는 방식으로 작동하도록 할 수 있다.
3) 이상진단 알고리즘을 활용하여 계측값과 예측값을 교차 검증할 경우 이상진단을 판단하고 오류가 발생한 기기를 찾아낼 수 있다.
4) 본 연구를 통해서 개발된 이상진단 기술은 초순수 플랜트와 같이 운영자가 모든 시스템을 모니터링하기에 한계가 있으며, 빠른 대응이 필요한 공정에 대해서 가상센서를 활용하여 이상을 진단해줄 수 있다는 장점이 있다.
Acknowledgements
본 연구는 환경부의 재원으로 환경산업기술원의 고순도 공업용수 국산화 기술 개발 사업의 지원을 받아서 연구되었습니다(과제번호: 2021003210006). 이에 감사드립니다.
Notes
Declaration of Competing Interest
The authors declare that they have no known competing interests or personal relationships that could have appeared to influence the work reported in this paper.