통계적 접근방식, 풍력 발전소의 원격 상황 모니터링 향상

  • 스토리

    2016 10월 14, 10:00 CEST

    SKF의 원격 진단 서비스가 어떻게 풍력 발전소의 운영 효율을 향상시킬 수 있는지를 SKF 재생 가능 에너지 부문의 기계 상태 비즈니스 개발 책임자인 Fabrice Drommi가 설명합니다.

    유럽의 연안에 위치한 풍력 발전소의 운영과 유지관리 비용은 상당합니다. 유럽풍력에너지협회(European Wind Energy Association)에 따르면 운영 및 유지관리(Operating and Maintenance: O&M) 비용은 에너지 균등화 비용(levelized cost of energy: LCOE)의 약 20%를 차지합니다. 따라서 이 비용을 줄이기 위해 취할 수 있는 모든 조치는 투자자를 위한 수익률 향상에 직접적인 영향을 미칩니다.

    이는 자산 소유자들이 O&M 비용을 아낄 수 있다고 말하는 것이 아닙니다. 부적절한 O&M은 인식되지 않는 사소한 고장이나 결함을 초래할 수 있습니다. 이로 인해 수율에 영향을 줄 뿐만 아니라 주요 구성품 고장도 초래할 수 있으며, 잠재적으로는 비용이 많이 드는 수리와 오랜 작동 중단을 초래할 수 있습니다.

    O&M은 풍력 발전 업계의 이슈로서 비중이 커지고 있습니다. 구성품의 고장 가능성 증가, 그리고 제조사의 보증 기간이 종료된 후에 발생하는 결함 가능성 증가로 인해 O&M의 중요성과 비용은 시운전 이래 작동 기간에 비례하여 커지고 있습니다. 유럽에 설치된 모든 연안 풍력 터빈의 약 75%가 10년 미만 동안 작동했다는 점에 비추어 볼 때 이는 중요성이 커지는 이슈입니다.

    풍력 에너지 분야의 선도적 공급사인 SKF는 드라이브 트레인용의 다양한 베어링을 포함하여 수많은 구성품을 윤활 및 씰링 솔루션과 함께 제조하고 있습니다. 그러나 SKF의 전문성은 여기서 끝나지 않습니다. SKF는 10년 전에 진동 모니터링 시스템을 개발했으며, 원격 모니터링 센터를 개설했습니다. 상태 모니터링은 작동 중인 기계의 상태를 판단하는 프로세스입니다. 성공적인 상태 모니터링 프로그램의 핵심은 모니터링 대상, 이를 해석하는 방법, 그리고 이 지식을 활용할 시점을 아는 것입니다. 상태 모니터링 시스템(Condition monitoring Systems: CMS)은 풍력 발전소 운영사가 재난 수준의 고장 가능성을 감소시킬 수 있도록 지원할 뿐 아니라 부품의 사전 주문, 인력 및 기계 일정 수립, 중단 시간 중 다른 수리 실시 계획이 가능할 수 있도록 해줍니다.

    SKF의 호스팅 기반 소프트웨어 및 모니터링 서비스를 이용하는 경우, 풍력 터빈의 정기적(주로 지속적) 모니터링을 위한 세계 수준의 예측 정비 프로그램을 실행하려면 인터넷 연결만 있으면 됩니다. SKF 원격 모니터링 서비스는 풍력 터빈 전용인 SKF IMx SKF 온라인 시스템과 같은 상태 모니터링 툴을 사용하여 데이터를 수집합니다. 그 결과에 기초하여 전문가들이 데이터를 분석하고, 인터넷을 사용하여 경영진에게 기계 상태를 알려주어 충분한 정보를 바탕으로 한 의사결정을 내릴 수 있도록 지원합니다.

    그러나 기술 및 통신 발전을 통해 CMS 분야에서도 시대의 변화가 발생하고 있습니다. 운영을 향상시키려면 운영사의 유지관리 전략이 정기 모델에서 예측 모델로 전환해야 합니다.
    수년 전에 모니터링해야 하는 풍력 발전 자산의 수가 증가하고, 수집되는 데이터의 양이 증가함에 따라 SKF는 프로세스의 효율성을 향상시키기 위한 방법을 찾아야 했습니다. 우리는 데이터를 처리하는 새로운 방식에 투자해야 했으며, 이는 SKF가 통계적 기법을 활용하기 시작한 시점이었습니다.

    그러나 대규모 풍력 발전소에서 수집된 데이터의 양은 엄청나게 큽니다. 일반적으로 기어 방식의 풍력 터빈에는 약 8개의 센서가 있으며, 이들 각각이 3회의 측정을 실시하기 때문에 총 24개의 지표가 생성됩니다. 하나의 지표는 하나의 스펙트럼과 하나의 전체값입니다. 이 정보는 상태 모니터링 하드웨어에 의해 수집되어 유선 또는 무선 인터넷을 통해 CMS 서버로 전송됩니다. CMS 서버는 세계 어느 곳에든 위치할 수 있습니다.

    1년 동안 하루 평균 한 번의 다운로드를 실시하는 경우 분석해야 스펙트럼이 9,000개 정도 됩니다. 수백 개의 터빈이 포함되어 있을 수 있는 풍력 발전소의 규모를 가정하는 경우, 통계적 모델링을 사용하지 않고는 전혀 분석을 할 수가 없습니다.
    이처럼 엄청난 양의 데이터는 우리가 통계적 접근방식을 사용해야만 한다는 것을 의미합니다. 위치와 모델의 차이를 감안할 때 가능한 한 터빈들 간에 서로 비교하는 데 이를 사용해야 합니다. 먼저, 우리는 비교가 가능한 것을 비교한 후 10년 동안 서로 다른 모델의 풍력 발전소를 모니터링하면서 수집한 과거 데이터를 사용합니다. 데이터의 이러한 이력을 바탕으로 터빈 종류에 따라 모니터링을 시작하는 새 기계를 위한 배경으로 이를 사용합니다.

    우리가 통계적 툴을 사용하기 전에도 풍력 발전소에 CMS를 적용한 점은 독보적인 것이었는데 이는 다른 산업의 전통적인 기법 적용상의 한계로 인한 것이었습니다. 풍력 터빈은 변수가 굉장히 많은 복잡한 기계입니다. 다른 산업과 달리 우리는 한 가지 모델의 경보 레벨을 모든 기계에 적용할 수 없습니다. 유감스럽게도 이는 그런 방식으로 작동하지 않습니다. 따라서 우리는 비교 가능한 기계들을 신속하게 비교할 수 있게 해주는 개별 경보 모델을 개발해야 합니다. 그러나 통계, 필터 및 선택을 활용하지 않은 상태에서 합리적인 시간 내에 이를 실시하는 것은 불가능합니다.

    추가적인 장점은 과거 데이터의 풀이 증가하고 있다는 점에서 비롯됩니다. 이 과거 데이터는, 특히 설치부터 장치의 전체 라이프사이클이 포함되어 있는 경우, 유용성이 매우 높습니다. 유감스럽게는 이는 모든 경우에 해당되는 것이 아닙니다. 점점 더 많은 수의 터빈에 모니터링 기술이 공장 장착되고 있지만 기존 터빈의 대부분은 사후 장착이 필요합니다. 이는 일반적으로 보증 기간의 만료 시점이 다가올 때 또는 운영사나 서비스 공급사가 서비스 계약을 갱신하고자 할 때 발생합니다.

    그러나 프로세스 정확성을 높이려면 올바른 운동(kinematic) 데이터 선택이 중요합니다. 시스템에는 잠재적인 이론적 결함을 스캔할 수 있도록 해주는 일부 기능이 있습니다. 이러한 자동 스캔을 하려면 시스템의 구성품 종류에 대한 실제 정보에 의존해야 합니다. 각 기어 장치에는 자체의 이론 주파수가 있으며, 따라서 터빈 내부의 운동에 대한 특정 수준의 확실성이 없는 경우, 분석가들에 의한 더 많은 입력을 요구하는 가정에 의존해야 합니다.

    그러나 오늘날 광범위한 과거 데이터베이스로 인해 우리는 기어박스 내부 및 제너레이터 내부의 구성품에 대한 양호한 이해와 배경을 가지고 있습니다. 경험에 따르면 풍력 터빈의 모든 구성품이 분석을 위해 동일한 수준의 전문성을 필요로 하는 것은 아닙니다. 제너레이터 베어링의 문제를 감지하는 것은 꽤 쉽지만 유성 베어링 및 기어의 경우에는 훨씬 문제가 많습니다. 우리는 구체적인 알고리즘을 가지고 있는 유성 기어 장치 자체의 감지에 초점을 맞춘 구체적인 알고리즘을 개발했습니다.

    최종 목표는 여러 터빈 중 추가적인 분석이 필요한 터빈이 어느 것인지를 신속하게 파악하는 것입니다. 통계적 접근방식은 이를 신속하게 파악하기 위한 전통적 진단을 보완하는 것으로, 잠재적으로 문제가 있는 터빈을 파악하기 위한 것입니다. 그런 다음 이들에 대해 전문가들이 시간을 할애하여 진동 신호를 살펴보고 문제를 판단합니다.

    현재 목표는 SKF 내부에서 분석된 2,000개가 넘는 터빈을 통해 우리가 구축한 글로벌 백그라운드 내에서 터빈 분석 관점을 확대하는 것입니다. 이를 달성하려면 다양한 위치와 부하 상태에 걸쳐서 각 터빈 모델과 구성품에 대한 진동 비교로 통계적 모델을 구성해야 합니다.
    이를 위해서는 프로세스를 향상시키고, 전문가들 간의 정기 워크샵을 추가하며, 문제 및 개선을 위한 아이디어를 공유해야 합니다. 이런 과정에서 풍력 CMS 커뮤니티 내에 글로벌 네트워크를 만들어야 합니다.

    그러면 이는 운영사에 무엇을 제공할까요? 이로 인해 우리는 경보를 맞춤화하고, 운영사는 성능에 부정적인 영향을 줄 가능성이 높은 문제에 대해서만 정보를 수취하며, 거짓 경보나 불필요한 수준의 정보로 운영사를 방해하는 일이 없어집니다.

    향후 CMS의 정확도와 범위는 계속해서 진화할 것이며, 우리는 이 기술의 범위를 지속적으로 넓혀갈 것입니다. 다음 단계 중 하나는 온도, 프로세스 파라미터 등 모든 관련 정보 소스를 통합하고 이를 진동을 통해 가능한 진단에 추가하는 것입니다.

    다른 트렌드는 이러한 CMS 데이터를 보다 전체적인 다른 시스템에 연결하여 보다 향상된 상관관계가 가능하도록 하는 것입니다. 이는 터빈 제조사에서 비롯된 주요 동인이지만 항상 그렇듯이 비용 문제가 있습니다. 풍력 터빈의 개수가 많아졌기 때문에 비용을 감소시키고자 하는 압력이 큽니다. 우리의 목표는 기술을 보다 경제적으로 만드는 것입니다.

    10년 동안 진동 모니터링을 사용한 결과 우리는 풍력 자산의 가용성을 1% 향상시킬 수 있으며, 동시에 운영 및 유지관리 비용을 2% 감소시킬 수 있습니다. SKF의 통계 기반 CMS를 활용하면 운영사는 풍력 터빈당 최대 €5,000를 절감할 수 있습니다. 그러나 한 가지 분명한 사실이 있습니다. 풍력 발전소 운영사의 마진이 지속적으로 낮아질 것이기 때문에 수익성을 유지하려면 가능한 모든 효율성 향상을 활용해야 합니다. 이를 달성할 수 있도록 도움을 줄 수 있는 중요한 툴이 통계적 CMS의 향상된 예측 기능입니다.

    Aktiebolaget SKF
    (publ)

    보다 자세한 정보는 아래로 문의하시기 바랍니다.
    보도 자료: Nia Kihlström, +46 31-337 2897, +46 706 67 28 97, nia.kihlstrom@skf.com

    SKF는 베어링, 씰, 메카트로닉스, 윤활 시스템과 기술 지원, 유지보수, 안정성 서비스, 엔지니어링 컨설팅과 교육을 망라한 서비스를 제공하는 데 있어 세계적 선도기업입니다. SKF는 전 세계 약 130여 개국에 진출해 있으며, 17,000여 개의 지역대리점을 보유하고 있습니다. 2015년도 연간 매출액은 759억 9700만 스웨덴 크로나이며 직원은 46,635명에 달합니다. www.skf.com

    ® SKF는 SKF 그룹의 등록상표입니다.

  • 이미지

보도 자료 다운로드

보도 자료 (504 KB)

SKF logo