KR-20260060603-A - MAINTENANCE METHOD AND APPARATUS FOR SHIP ENGINE

Abstract

선박 엔진의 미래 상태를 예측하여, 선박 엔진을 관리하는 방법 및 장치가 개시된다. 개시된 선박 엔진 관리 방법은 선박의 엔진 데이터를 미리 설정된 수집 구간동안 수집하는 단계; 미리 학습된 엔진 상태 예측 모델에, 상기 엔진 데이터 및 상기 수집 구간에서의 기상 데이터를 입력하여, 미리 설정된 예측 구간에서의 엔진 상태를 예측하는 단계; 및 상기 예측된 엔진 상태로부터, 선박 엔진의 이상 발생 여부를 판단하는 단계를 포함한다.

Inventors

• 김세원
• 박영서
• 이주향

Assignees

• 세종대학교산학협력단

Dates

Publication Date

20260506

Application Date

20241025

Claims (10)

1. 선박의 엔진 데이터를 미리 설정된 수집 구간동안 수집하는 단계; 미리 학습된 엔진 상태 예측 모델에, 상기 엔진 데이터 및 상기 수집 구간에서의 기상 데이터를 입력하여, 미리 설정된 예측 구간에서의 엔진 상태를 예측하는 단계; 및 상기 예측된 엔진 상태로부터, 선박 엔진의 이상 발생 여부를 판단하는 단계 를 포함하는 선박 엔진 관리 방법.
2. 제 1항에 있어서, 상기 엔진 데이터는 RPM, 윤활유 온도, 배기가스 온도 및 압축공기 압력 중 적어도 하나를 포함하는 선박 엔진 관리 방법.
3. 제 1항에 있어서, 상기 엔진 상태를 예측하는 단계는 상기 수집 구간에서의 기상에 따른 상기 선박의 운동 특성 데이터를, 상기 엔진 상태 예측 모델에 입력하여, 상기 엔진 상태를 예측하는 선박 엔진 관리 방법.
4. 제 3항에 있어서, 상기 엔진 상태 예측 모델로 입력되는 운동 특성 데이터는 상기 선박의 종류에 따라서 결정되는 선박 엔진 관리 방법.
5. 제 1항에 있어서, 상기 선박에서 수집된, 상기 수집 구간에서의 기상에 대한 센서 데이터 및 상기 수집 구간에 대한 기상 예보 데이터를, 미리 학습된 기상 데이터 추정 모델에 입력하여, 상기 기상 데이터를 획득하는 단계 를 더 포함하는 선박 엔진 관리 방법.
6. 제 1항에 있어서, 엔진 데이터를 포함하는 훈련 데이터를 이용하여, 복수의 엔진 상태 예측 후보 모델에 대한 학습을 수행하는 단계; 및 상기 엔진 상태 예측 후보 모델 중에서, 상기 엔진 상태 예측 모델을 선정하는 단계를 더 포함하며, 상기 엔진 상태 예측 후보 모델 각각의 학습에 이용되는 훈련 데이터는 서로 다른 다변량 엔진 데이터를 포함하는 선박 엔진 관리 방법.
7. 선박의 엔진 데이터를 미리 설정된 수집 구간동안 수집하는 단계; 미리 학습된 엔진 상태 예측 모델에, 상기 엔진 데이터 및 상기 수집 구간에서의 기상에 따른 상기 선박의 운동 특성 데이터를 입력하여, 미리 설정된 예측 구간에서의 엔진 상태를 예측하는 단계; 및 상기 예측된 엔진 상태로부터, 선박 엔진의 이상 발생 여부를 판단하는 단계 를 포함하는 선박 엔진 관리 방법.
8. 제 7항에 있어서, 상기 수집되는 엔진 데이터는 상기 선박의 엔진 종류에 따라서 결정되는 선박 엔진 관리 방법.
9. 제 7항에 있어서, 상기 엔진 상태 예측 모델로 입력되는 운동 특성 데이터는 상기 선박의 종류에 따라서 결정되는 선박 엔진 관리 방법.
10. 메모리; 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하며, 상기 프로세서는 미리 학습된 엔진 상태 예측 모델에, 미리 설정된 수집 구간동안 수집된 선박에 대한 데이터 및 외부 환경 데이터를 입력하여, 미리 설정된 예측 구간에서의 엔진 상태를 예측하고, 상기 예측된 엔진 상태로부터, 상기 선박의 엔진의 이상 발생 여부를 판단하며, 상기 선박에 대한 데이터는 상기 선박의 엔진 데이터 및 상기 수집 구간에서의 기상에 따른 상기 선박의 운동 특성 데이터 중 적어도 하나를 포함하는 선박 엔진 관리 장치.

Description

선박 엔진 관리 방법 및 장치{MAINTENANCE METHOD AND APPARATUS FOR SHIP ENGINE} 본 발명은 선박 엔진 관리 방법 및 장치에 관한 것으로서, 더욱 상세하게는 선박 엔진의 미래 상태를 예측하여, 선박 엔진을 관리하는 방법 및 장치에 관한 것이다. 현재 선박 엔진의 관리 방법은 대부분 정기적인 점검과 예방 정비에 의존하고 있다. 이러한 접근 방식은 고장 발생을 줄이는 데 도움을 줄 수 있지만, 실제로 고장이 발생하지 않은 부품도 교체해야 하므로 불필요한 비용이 발생해 비효율적이다. 또한, 고장이 발생한 후에 수리하는 방식은 선박 운항 일정에 큰 영향을 미쳐 물류 지연과 같은 막대한 손해를 초래할 수 있다. 최근 AI(인공지능)를 활용한 선박 엔진 관리 기술이 개발되고 있지만, 아직 여러 가지 한계가 있다. 현재의 AI 기반의 선박 엔진 관리 기술은 다양한 변수를 충분히 고려하지 못하는 경우가 많다. 엔진과 같은 복잡한 시스템은 다양한 센서 데이터를 필요로 하며, 이러한 데이터들 간의 관계를 충분히 반영하지 못할 경우 예측 정확도가 떨어질 수 있다. 또한, 기존 모델은 여러 데이터를 반영해도 미래의 고장을 예측하기보다는 현재의 고장 여부를 판단하는 데 중점을 두고 있다. 이로 인해 사전에 고장을 예측하고 예방하기 어려운 문제가 발생한다. 관련 선행문헌으로 대한민국 공개특허 제2024-00099890호, 제2024-0058667호 및 대한민국 등록특허 제10-2675460호, 제10-1556303호가 있다. 도 1은 본 발명의 일실시예에 따른 선박 엔진 관리 시스템을 설명하기 위한 도면이다. 도 2는 본 발명의 일실시예에 따른 선박 엔진 관리 방법을 설명하기 위한 도면이다. 도 3은 본 발명의 다른 실시예에 따른 선박 엔진 관리 방법을 설명하기 위한 도면이다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 도 1은 본 발명의 일실시예에 따른 선박 엔진 관리 시스템을 설명하기 위한 도면이다. 도 1을 참조하면 본 발명의 일실시예에 따른 선박 엔진 관리 시스템은 선박(110) 및 선박 엔진 관리 장치(120)를 포함한다. 실시예에 따라서 선박 엔진 관리 장치(120)는 선박(110)에 포함될 수 있다. 선박(110)은 엔진(111) 및 센서(112)를 포함하며, 센서(112)는 엔진 데이터를 수집할 뿐만 아니라, 선박의 외부 환경 데이터를 수집할 수 있다. 엔진 데이터는 RPM, 윤활유 온도, 배기가스 온도 및 압축공기 압력 등을 포함할 수 있다. 그리고 외부 환경 데이터는 선박의 위치에서의 기상 데이터를 포함할 수 있으며, 센서(112)는 풍속, 풍향, 강우량 등의 기상 데이터를 수집할 수 있다. 선박 엔진 관리 장치(120)는 메모리(121) 및 메모리(121)와 전기적으로 연결된 프로세서(122)를 포함하며, 프로세서(122)는 선박 엔진 관리를 위한 일련의 과정을 수행한다. 프로세서(122)는 선박 엔진의 미래 상태를 예측하고, 예측된 엔진 상태로부터 엔진의 이상 발생 여부를 판단할 수 있으며, 선박 엔진의 미래 상태를 예측하기 위해 딥러닝 모델을 이용할 수 있다. 딥러닝 모델은 일실시예로서, LSTM 기반 모델일 수 있다. 프로세서(122)는 미리 설정된 수집 구간동안 수집된 선박에 대한 데이터 및 외부 환경 데이터를 미리 학습된 엔진 상태 예측 모델에 입력하여, 수집 구간으로부터 미리 설정된 시간만큼 이격된 예측 구간에서의 엔진 상태를 예측한다. 그리고 예측된 엔진 상태로부터, 선박의 엔진의 이상 발생 여부를 판단할 수 있다. 선박에 대한 데이터는 선박의 엔진 데이터 및 수집 구간에서의 기상에 따른 선박의 운동 특성 데이터 중 적어도 하나를 포함할 수 있다. 선박의 운동은 기상 상태에 영향을 많이 받으며, 선박의 운동에 따라서 엔진의 부하도 달라지기 때문에, 프로세서(122)는 엔진 상태를 보다 정확하게 예측하기 위해, 엔진 데이터 뿐만 아니라, 기상 데이터 등의 외부 환경 데이터, 선박의 운동 특성 데이터를 이용할 수 있다. 엔진 상태 예측 모델의 학습을 위한 훈련 데이터는 훈련용 엔진 데이터, 훈련용 운동 특성 데이터, 훈련용 기상 데이터 및 정답값을 포함할 수 있으며, 정답값은 훈련용 엔진 데이터가 수집된 구간으로부터 미리 설정된 시간만큼 이격된 구간에서의 엔진 데이터를 포함한다. 본 발명의 일실시예에 따르면, 엔진 데이터 뿐만 아니라 엔진 상태에 영향을 주는 기상 데이터, 선박의 운동 특성 데이터 등을 이용해 미래의 엔진 상태가 예측되기 때문에, 미래의 엔진 상태가 보다 정확하게 예측될 수 있다. 도 2는 본 발명의 일실시예에 따른 선박 엔진 관리 방법을 설명하기 위한 도면이다. 본 발명의 일실시예에 따른 선박 엔진 관리 방법은 메모리 및 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 전술된 선박 엔진 관리 장치는 이러한 컴퓨팅 장치의 일예이다. 도 2를 참조하면 본 발명의 일실시예에 따른 컴퓨팅 장치는 선박의 엔진 데이터를 미리 설정된 수집 구간동안 수집(S210)한다. 수집되는 엔진 데이터는 RPM, 윤활유 온도, 배기가스 온도 및 압축공기 압력 중 적어도 하나를 포함할 수 있으며, 컴퓨팅 장치는 시계열 데이터 형태로 엔진 데이터를 수집할 수 있다. 그리고 컴퓨팅 장치는 미리 학습된 엔진 상태 예측 모델에, 엔진 데이터 및 수집 구간에서의 기상 데이터를 입력하여, 미리 설정된 예측 구간에서의 엔진 상태를 예측(S220)한다. 엔진 상태 예측 모델은 수집 구간으로부터 미리 설정된 시간만큼 이격된 예측 구간에서의, 엔진 상태를 나타내는 엔진 데이터를 출력할 수 있다. 엔진 엔진 상태 예측 모델이 출력하는 엔진 데이터는 입력된 엔진 데이터의 종류에 대응될 수 있다. 그리고 컴퓨팅 장치는 정확한 기상 데이터로부터 엔진 상태를 예측하기 위해, 선박에서 수집된, 수집 구간에서의 기상에 대한 센서 데이터와, 수집 구간에 대한 기상 예보 데이터를 함께 이용할 수 있다. 센서 데이터와 기상 예보 데이터의 차이가 오차 범위 이내일 경우, 컴퓨팅 장치는 센서 데이터 또는 기상 예보 데이터를 기상 데이터로 이용할 수 있다. 만일 센서 데이터와 기상 예보 데이터의 차이가 오차 범위를 벗어날 경우, 컴퓨팅 장치는 기상 데이터 획득을 위한 딥러닝 모델인 기상 데이터 추정 모델을 이용할 수 있다. 컴퓨팅 장치는 선박에서 수집된, 수집 구간에서의 기상에 대한 센서 데이터 및 수집 구간에 대한 기상 예보 데이터를, 미리 학습된 기상 데이터 추정 모델에 입력하여, 기상 데이터를 획득할 수 있다. 기상 데이터 추정 모델을 위한 훈련 데이터는 훈련용 기상 센서 데이터, 훈련용 기상 예보 데이터와 정답값을 포함하며, 정답값은 훈련용 기상 센서 데이터가 수집된 지역의 기상 데이터를 포함한다. 또한 실시예에 따라서 컴퓨팅 장치는 수집 구간에서의 기상에 따른 선박의 운동 특성 데이터를, 엔진 상태 예측 모델에 추가적으로 입력하여, 엔진 상태를 예측할 수 있다. 선박의 운동 특성 데이터는 응답 진폭 함수(Response Amplitude Operator, RAO)를 통해 분석될 수 있으며, 선박의 3차원 가속도 운동 및 6자유도 운동, 즉 상하운동(heave), 전후운동(surge), 좌우운동(sway), 종운동(pitch), 횡운동(roll), 선수운동(yaw)을 포함할 수 있다. 선박의 종류별, 예컨대 선박이 군함인지, 화물선인지, 여객선인지, 어선인지 등에 따라서 선박의 운동 특성은 다를 수 있기 때문에, 엔진 상태 예측 모델로 입력되는 운동 특성 데이터는 선박의 종류에 따라서 결정될 수 있다. 예컨대, 상하 방향이나 전후 방향보다 좌우 방향으로의 움직임이 많은 선박의 경우, 좌우운동 데이터 및 횡운동 데이터가 선택적으로 진 상태 예측 모델로 입력될 수 있으며, 좌우 방향이나 상하 방향이나 전후 방향으로의 움직임이 많은 선박의 경우, 전후운동 데이터 및 운동 데이터가 선택적으로 엔진 상태 예측 모델로 입력될 수 있다. 컴퓨팅 장치는 단계 S220에서 예측된 엔진 상태로부터, 선박 엔진의 이상 발생 여부를 판단(S230)한다. 전술된 바와 같이, 엔진 상태 예측 모델은 예측 구간에서의 미래의 엔진 상태를 나타내는 엔진 데이터를 출력할 수 있으며, 컴퓨팅 장치는 예측된 미래의 엔진 데이터가 정상 범위를 벗어나는지 여부에 따라서, 선박 엔진의 이상 발생 여부를 판단할 수 있다. 일실시예로서, 과거의 엔진 데이터로부터 EWMA(Exponentially Weighted Moving Average) 관리 차트의 상한선과 하한선이 설정될 수 있으며, 상한선과 하한선 사이가 정상 범위로 설정될 수 있다. 미래의 엔진 데이터가 정상 범위를 벗어날 경우, 컴퓨팅 장치는 선박 엔진에 이상이 발생할 것으로 판단할 수 있으며, 관리자는 엔진 점검 등을 통해 선박 엔진의 문제를 조기에 발견하고 대응할 수 있다. 한편, 실시예에 따라서 컴퓨팅 장치는 복수의 엔진 상태 예측 후보 모델 중에서 가장 성능이 우수한 모델을 엔진 상태 예측 모델로 이용할 수 있다. 이를 위해 컴퓨팅 장치는 훈련 데이터를 이용하여, 복수의 엔진 상태 예측 후보 모델에 대한 학습을 수행한다. 이 때 엔진 상태 예측 후보 모델 각각의 학습에 이용되는 훈련 데이터는 서로 다른 다변량 엔진 데이터를 포함한다. 예컨대, 제1 엔진 상태 예측 후보 모델의 훈련용 엔진 데이터는 RPM, 윤활유 온도, 배기가스 온도를 포함하고, 제2엔진 상태 예측 후보 모델의 훈련용 엔진 데이터는 윤활유 온도, 배기가스 온도 및 압축공기 압력을 포함하고, 제3엔진 상태 예측 후보 모델의 훈련용 엔진 데이터는 RPM, 윤활유 온도 및 압축공기 압력을 포함할 수 있다. 컴퓨팅 장치는 엔진 상태 예측 후보 모델 중에서, 엔