1. 서 론

우리나라는 국가 온실가스 감축목표(2030 NDC)에 따라 온실가스와 미세먼지 이슈에 대응하기 위하여 석탄을 연료로 사용하는 기력발전을 감축하고 가스복합발전 및 태양광, 풍력 등 신재생발전으로 대체하여 환경친화적이고 안정적인 전력수급을 도모하고 있으며, 최근 수소, 암모니아와 같은 무탄소 연료를 활용하여 이산화탄소가 발생하지 않는 청정화력발전기술을 개발하고 있다. 그러나 기력발전은 세계적인 연료수급시장의 불안정으로 인한 가스가격의 상승과 신재생발전의 간헐성으로 인한 전력계통의 불안정성으로 인해 여전히 중요한 발전원으로써 역할을 하고 있다. 또한 우리나라는 2030년대 중반까지 기력발전의 운영이 불가피하므로 저가의 고품질 전력을 생산하기 위한 효율적인 기력발전 운영기술이 필요하다.

발전사들은 효율적인 운영방식과 정비 계획을 세우기 위하여 기력발전의 주기기인 보일러, 터빈, 발전기를 대상으로 예방정비 및 예측진단기술을 개발 적용하여 설비의 가동률과 신뢰도 향상을 위해 노력하고 있다. 주기기 설비 중 보일러는 물을 가열하여 고온ᆞ고압의 증기로 변환하고 증기터빈에 공급하는 설비로, 운전 특성상 고온ᆞ고압 등 가혹한 환경에서 장기간 운전하게 되어 재질 열화에 의한 손상이 발생하기 때문에 주기적인 튜브의 건전성 평가를 통해 고장예방을 위해 노력하고 있지만 튜브의 고온 열화손상으로 인한 고장은 여전히 발생하고 있다.

보일러 튜브의 건전성 평가에는 육안점검과 비파괴검사 등을 사용하고 있다. 비파괴검사에는 경도 및 두께측 정, 초음파를 사용한 검사, 금속자기기억법 등의 검사방법 등이 있으며 보일러의 구성설비가 검사대상이다[1,5,8,12,14,15,17]. 또한 비파괴방식과 로봇을 융합하여 보일러 튜브의 건전성을 평가하려는 연구도 꾸준히 진행되고 있다. 예를 들어 보일러튜브의 외면을 따라 움직이며 검사를 하는 방식과 튜브 내부에 로봇을 넣고, 로봇이 튜브 내부를 지나다니면서 검사하는 방법으로 나눌 수 있다[4].

보일러 헤더 건전성 평가를 진행한 연구의 경우, Sahari et al.[15]은 비전카메라를 탑재한 로봇을 개발하여 헤더와 니플 내부를 촬영하며 결함을 판단하는 연구를 진행하였고, Jalal et al.[5]은 자성화된 바퀴를 사용하여 내부를 움직일 수 있는 로봇을 개발하였고, 카메라를 활용하여 건전성을 판단하였다.

수냉벽의 경우, 대부분의 연구들이 climbing robot을 개발하고 초음파 혹은 자성계측을 활용하여 건전성평가를 진행하였다. Song et al.[17]은 수냉벽에 붙어 올라가는 로봇을 개발하였고, 자성을 이용한 누설자속 계측 기술 (magnetic flux leakage technique)과 초음파를 이용하여 부식과 침식을 측정하였고, Ali et al.[1]은 duct fan을 활용하여 로봇을 만들고, 초음파를 활용하여 건전성 평가를 진행하였다. 또한 Boonyaprapasorn et al.[2]은 로봇에 카메라와 전자기음향탐상(EMAT, electromagnetic acoustic transducer) 기법을 융합하여 건전성 평가를 진행하였다.

또한 과열기 내부에 로봇을 넣어 건전성을 판단하는 연구도 진행되었다. Lara et al.[12]은 과열기 내부에 연동운동 하는 로봇을 개발하고, 튜브의 두께 측정을 위하여 초 음파센서, 환경센서(온도, 압력), 라이다(LiDAR)와 카메라를 탑재하였다.

상기 연구들을 살펴보면 튜브에 로봇을 넣는 방식은 튜브의 단면을 절단하는 작업이 수반되며, 로봇이 튜브를 따라 움직이는 방식은 튜브의 소재가 자성을 가지고 있는 제한적인 경우에만 가능하다. 그리고 건전성 평가에 있어 손상으로 인한 결함의 발생 여부만 판단하므로 열화의 진행상황에 대한 정보제공이 곤란하기 때문에 정비 및 교체 시기의 예측에 활용될 수 없다. 기력발전소의 검사대상설비는 2년 이상의 주기로 검사를 수행하기 때문에 다음 검사까지 설비의 건전성이 보장될 수 있는지 판단해야 하므로 열화의 진행정보는 매우 중요하다.

현재까지 기력발전설비의 열화 진행정보 확보에 가장 효과적인 검사방법은 금속조직복제 방법으로, 보일러뿐만 아니라 터빈에서도 사용되며 잔여수명예측에 대한 연구가 진행되고 있다. Ku et al.[11]은 고압, 중압터빈 로터의 고온 열화평가를 위하여 금속조직복제 방식을 시행하였으며, 취득된 이미지는 400배율의 광학현미경을 활용하여 분석하고 잔여수명예측에 대한 연구를 진행하였다. Kim et al.[9]은 보일러 내부가 아닌 외부의 재열기 튜브를 대상 으로 경도평가와 금속조직복제 방식을 시행하였고, 취득 된 이미지는 전자주사현미경을 활용하여 분석하고 잔여수명 예측에 관한 연구를 진행하였다.

상기 연구들은 조직복제법을 활용하여 잔여수명을 예측하는 연구를 진행하였다. 조직복제 방식은 열화정보 확보에 효과적이지만 장시간이 소요되며, 고가의 조직복제 필름과 분석장치가 필요하기 때문에 발전설비 검사에 매우 제한적으로 사용될 수밖에 없으며 인적실수로 인한 판정오류 가능성이 있다.

본 논문에서는 상기와 같은 어려움을 해결하여 경제적으로 단시간에 대량의 조직복제 검사가 가능한 시스템을 제안하고자 한다. 본 시스템은 3축으로 이동이 가능한 기구부와 머신비전 카메라를 통해 검사대상 영역을 촬영하고, 촬영된 이미지를 분석하여 열화상태 정보를 실시간으로 제공한다.

2. 이동형 검사 장치 개발

2.1 금속조직복제 방법

금속조직복제 방법은 금속 표면을 플라스틱 필름에 기록하고 보존하는 비파괴 검사방식 중 하나로 다. 금속조직 복제 방법에 대한 과정은 <Figure 1>과 같다. 표면을 복제 하기 전 폴리싱과 에칭 등의 전처리를 진행한다. 이후 플 라스틱 필름으로 검사부에 취부한 후 금속조직이 필름에 복제되면 취외한다. 취외된 필름은 전문가가 광학현미경 (LM)과 전자주사현미경(SEM)을 이용하여 설비의 상태를 정밀분석한다[6,18].

이러한 방법은 발전소 현장에서 실시간 열화 상태판정이 어려우며, 복제 과정 중 작업자의 실수로 인한 복제 실 패를 확인하기 위해 장시간이 필요하고 제한된 검사기간으로 인해 복제실패에 대한 재작업이 곤란하다는 단점이 있다. 또한 검사 대상 이미지가 500배에서 1,000배로 확대한 이미지로 전문가가 참조 이미지와 비교 시 판정에 오류가 발생할 가능성이 있으며, 전문가의 숙련도 및 주관에 따라 동일한 복제 이미지에 대해 등급이 다르게 판정될 수 있다. 따라서 전통적인 조직복제 방법은 열화정보 확보에 효과적이지만 장시간이 소요되며, 고가의 조직복제 필름과 분석장치가 필요하기 때문에 발전설비 검사에 매우 제한적으로 사용될 수밖에 없으며 인적실수로 인한 판정 오류 가능성이 있다.

2.2 이동형 검사 시스템 개요

본 논문에서는 기력발전소의 보일러 튜브(과열기/재열 기)의 직관부에 장착하여 자동 또는 수동으로 이동하며 튜브의 상태를 촬영할 수 있는 시스템을 개발한다. 이 시스템은 <Figure 2>과 같이 이미지를 취득하는 장치, 모터와 조명을 제어하기 위한 제어부 그리고 카메라, 모터 등 제어와 평가하는 운영시스템으로 구성되어 있으며 python을 활용하여 구축하였다.

이미지를 취득하는 장치는 <Figure 3> 와 같이 이미지 취득모듈, 기구모듈, 조명모듈로 구성되어 있다. 이미지 취득 모듈은 보일러 튜브에 부착되어 이미지를 취득하기 위한 모듈로 머신비전 카메라(Mindvision, 1200만화소), 렌즈(10X 대물렌즈)로 구성하였고, 기구모듈은 구동부, 클램핑부로 구성하였으며, 조명모듈은 조명(렌즈부착형 동 축 LED 광원)으로 구성하였다. 검사영역은 가로 30mm, 세로 20mm 이내에서 사용자가 선택할 수 있으며, 카메라와 운영시스템은 USB통신을 활용하여 데이터를 주고받도록 구성하였다.

구동부는 X축 직진 구동부, Z축 직진 구동부, 곡면 회전 (R축) 구동부와 클램핑부로 구성되어 있다. X축 직진 구동부는 튜브와 수평방향으로 움직이며 검사면을 따라 움직이고, Z축 직진 구동부는 초점을 맞추기 위해 움직이며, R축 회전 구동부는 튜브의 곡면을 촬영하기 위해 구성하였다.

도면 및 실측된 튜브와 튜브 사이 간격(외경 42.2mm, 50.8mm, 63.5mm, 70mm)을 고려하여 클램핑부를 설계하고 마운팅 V블록에 우레탄 플레이트를 적용하여 피사체 손상을 방지하였다. 산업용 노트북에서 모터 및 조명을 제어하기 위한 통신은 시리얼통신(RS485/232)을 사용하였다. 그리고 현장에서 작업이 가능하도록 하기 위하여 15kg 미만이 되도록 설계하였다.

제어부는 튜브에 장착되는 장치의 하중을 최소화하기 위하여 별도의 하드케이스에 탑재하였으며, 조명의 밝기를 제어하기 위하여 조명제어기(LVS-EN-0212) 및 3축으로 구동하기 위한 모터제어기 그리고 현장에서 무전원으로 사용 이 가능하도록 UPS로 구성하였다. 제어부는 이미지 취득 장치와 유선 케이블로 연결할 수 있도록 구성하였다.

마지막으로 운영시스템은 <Figure 4>와 같이 사용자 화면에서 (1)현재 촬영되고 있는 부분을 보여주는 부분, (2) 기구모듈 제어기능, (3)조명모듈 제어기능, (4)등급판정기 능으로 구성되어 있다. 세부 기능은 다음과 같다. (1)촬영 되고 있는 화면은 장치와 튜브가 부착된 후 조직이미지를 실시간으로 보여주고, (2)기구모듈 제어기능은 3축으로 이동하는 위치좌표를 보여주며, 수동으로 조작할 수 있다. (3)조명모듈의 경우 조명의 밝기를 0~255까지 조절할 수 있다. 마지막으로 (4)등급판정의 경우 기계학습법 기반으로 현재 촬영되고 있는 부분의 등급을 결정해 준다.

시스템의 흐름도는 <Figure 5>와 같다. 사용자가 처음에 3축의 위치를 지정해 준다. 지정 후 move 버튼을 누르 면 제어모듈에서 기구모듈로 신호를 보내 사용자가 지정 한 위치로 카메라가 이동한다. 이후 초점거리를 지정하고 조명의 밝기를 지정한다. 운영 시스템에서 카메라에서 촬영되고 있는 이미지를 확인 후 저장을 누르면 이미지가 촬영된다. 촬영된 이미지를 전처리하여 결과를 저장하고 사용자에게 판정된 등급을 제공한다.

2.3 하드웨어 검증 및 현장테스트

열화도 판단 알고리즘을 개발하기 전, <Figure 6>과 같이 연마와 에칭 과정 등의 전처리를 거친 후 금속 표면을 복제한 시험편을 준비하였다. 이후 본 시스템에서 현재 촬영되고 있는 이미지와 광학현미경으로 촬영한 결과를 비교하였다.

개발된 이동형 발전설비 건전성 장치를 <Figure 7>에서와 같이 2개의 발전소에서 현장실증을 진행하였다. <Figure 7A>는 A화력 7호기의 penthouse에서 재열기 (Final Reheater Outlet) 튜브에 부착 후 진행한 테스트를 나타내며, <Figure 7B>는 B화력 7호기의 penthouse 내 과 열기(Primary Superheater Inlet)튜브에 부착 후 테스트를 진행한 모습이다.

장치 이동 후 클램프 체결부터 이미지 취득까지 10분 정도로 소요 시간을 단축하였으며, 보일러 현장 내 이미지 해상도 확인을 진행하였고 결과는 <Figure 8>과 같다. <Figure 8A> 는 A화력에서의 튜브(스테인리스강) 촬영된 결과 그리고 <Figure 8B>는 B화력에서의 튜브(저합금강) 촬영된 결과를 보여주며 조직의 모양이 선명하게 촬영된 것을 확인할 수 있다.

3. 조직 열화 등급 분류 알고리즘 개발

3.1 기존 열화등급 판정 방법

설비의 조직 열화 등급을 판단하기 위해서는 상기 서술 한 바와 같이 금속 조직을 우선 복제해야 한다. 이후 복제 된 필름을 전문가가 현미경으로 촬영되는 이미지와 실험 이미지 비교를 통해 열화도 판정을 진행한다. 열화도 판정 은 VTT(Valtion teknillinen tutkimuskeskus, Finland)기준에 따라 열처리 온도, 시간에 따라 조직을 A~F 등급(6단계)으로 나누며, 크리프 기공과 미세균열 형성 기준과 연계하여 최종적으로 수명 소비율을 구하게 된다. <Figure 9>은 기력발전소에 적용되는 대표적인 강종인 X20강의 열처리 온도 및 시간에 따른 등급 기준을 나타낸다[16].

실험 이미지는 강종별 시험편을 실험실에서 일정 온도 및 시간별로 노출하여 만들었기 때문에, (1)실제 발전소의 운전환경과는 큰 차이가 있으며, (2)제공되는 이미지의 수가 적기 때문에 전문가가 이미지를 판정하는 과정에서 오류가 빈번하게 발생할 수 있고 (3)예를 들어, D등급과 E등급이 애매한 경우 D/E 등급으로 판정하는 등 육안으로 열화 등급 판정에 있어 정확도 개선이 필요하다.

3.2 열화등급 판정 알고리즘 개발

본 제안하는 장치를 이용하여 보일러 튜브를 촬영할 경우, 고배율의 이미지를 촬영하기 때문에 튜브의 곡률이 영향을 미치게 되고, 이에 따라 초점이 정확히 맞지 않는 화질이 저하되는 영역이 발생하기 쉽다. 이러한 경우를 개선 하기 위하여 sharpening 기법을 활용하였다. Sharpening 기 법은 이미지 전처리 과정에서 사물의 윤곽선이 선명하게 나오도록 변경할 때 사용하는 기법 중 하나다[10,13].

기존 이미지의 각 픽셀 별 값에 아래와 같이 필터(행렬 3×3)을 적용하여 합성곱(convolution) 연산을 통해 분석이 용이한 이미지를 얻을 수 있다.

필터의 종류에 따라 기준 픽셀(정중앙)과 이외의 픽셀 (나머지 주변픽셀)간의 차이를 줄이는 기능이 필요할 때는 smoothing기법을 사용하고 차이를 크게 하면 sharpening 기능을 사용하게 된다.

본 연구에서는 취득된 이미지를 gray scale로 변환하고, sharpening mask(5×5)를 적용하였으며 Python-OpenCV와 Scikit-learn library를 활용하였다[13]. <Figure 10>은 기력 발전 보일러 튜브에 사용되는 X20강 소재를 660°C에서 각각 24시간, 10,502시간을 열화시킨 후 촬영한 미세조직 이미지에 sharpening 기법을 적용하기 전ᆞ후의 결과를 보여주며 열화의 정도와 관계없이 이미지 품질이 개선되는 것을 확인할 수 있다.

취득된 이미지를 gray scale로 변환하면 0~255사이의 값의 크기만 가지게 되고, 바이너리 이미지(binary image) 로 변환하기 위하여 스레시홀딩(thresholding) 기법을 사용 하였다. 바이너리 이미지는 2가지 색(흑, 백)으로 표현한 이미지를 의미하며, 스레시홀딩(thresholding)은 임계값(흰 색과 검은색을 구분하는 경계점)을 기준으로 하여 바이너리 이미지를 만들어주는 대표적인 방법이다. 본 연구에서 는 임계값을 지정하기 위하여 Otsu’s method와 적응형 스레시홀딩(Adaptive threshold)을 비교하였다.

Otsu’s method[3]는 히스토그램의 분석값을 활용하여 임계값을 자동으로 계산해주는 방법이고, 적응형 스레시 홀딩[3]은 하나의 임계값을 전체 이미지에 적용할 경우, 일부영역에서는 제대로 적용이 안되는 문제를 해결하기 위하여 고안된 방법으로, 작은 영역별로 이미지를 나누고 그 주변 픽셀 값을 이용하여 임계값을 구하는 방법이다.

적응형 스레시홀딩에서 임계값을 적용할 때 산술평균 (Mean)을 사용하는 방법과 가우시안평균(Gaussian)을 사용하는 방법으로 나누어져 있다. 기준 이미지(As-received) 를 기반으로 각 알고리즘을 적용한 결과는 <Figure 11>과 같다. <Figure 11>와 같이 적응형 스레시홀딩을 사용할 경우 기존 Otsu 알고리즘 대비 위치에 따른 편차없이 균일하게 입자를 구분해 낼 수 있었고, 본 연구에서는 가우시안을 적용하였다.

본 연구에서 등급을 분류하기 위한 알고리즘으로 컨투어(Contour)와 병합군집법(Agglomerative Clustering)을 사 용하였으며 python과 OpenCV 그리고 scikit-learn library를 활용하여 구현하였다[7,13]. 이미지 컨투어(Image Contour) 란 동일한 색 또는 동일한 색상강도(Color Intensity)를 가진 영역의 가장자리 경계를 연결한 선을 의미하며, 대상의 외형이나 면적 등을 분석하는데 사용되는 방법이다.

바이너리화 기법으로 취득된 이미지에 대하여 검은입자(검은색 픽셀로 표현된 부분)의 면적과 둘레길이를 분석 하였다. <Figure 12>과 같이 각 이미지별로 분석을 하였을 때, 그 이미지 내에 10,000개 이상의 입자가 분포함을 확 인할 수 있다. 각 입자별 면적과 둘레길이를 계산하고, 하나의 이미지로 대표하기 위하여 모든 입자의 면적의 합과 둘레길이의 합, 그리고 평균입자의 면적과 둘레길이를 계산하여 특성값을 얻었고 등급 분류 알고리즘에 활용하였다. 이미지에 대하여 계산된 각 입자별 면적과 둘레길이들 중 일부를 발췌한 것은 <Table1>에서 확인할 수 있다. 특성값을 활용하여 비지도학습 중 하나인 병합군집법을 활용하여 알고리즘을 개발하였다.

병합군집법은 계층적 군집(hierarchical clustering)을 만드는 방법으로, 병합 군집(agglomerative clustering)과 분할 군집(divisive clustering)으로 나눌 수 있다. 분할 군집은 반대로 전체 샘플이 하나의 클러스터로 시작하여 작은 클러스터 로 반복적으로 나누는 방법이고, 병합군집은 각 샘플이 우선 클러스터가 된 후 하나의 클러스터 남을 때까지 군집으로 합치는 방법이다. 즉 각 이미지 별 각 이미지 별 특성치를 하나의 클러스터로 지정하고, 조건을 만족할 때까지 이웃한 점을 차례로 합쳐 클러스터를 생성하는 방법이다[7].

본 연구에서는 보유하고 있는 열화이미지 130개(D, D/E, E, E/F, F등급)를 병합군집법으로 입자의 평균면적과 평균둘레길이를 기준으로 분석해본 결과 5개의 클러스터로 구분되는 것을 <Figure 13>에서 확인이 가능하다.

병합군집법을 활용하여 개발한 열화등급 분류 알고리즘을 검증하기 위하여, 보일러튜브 X20강을 일정 온도에서 일정 시간별로 열처리한 후 미세조직을 관찰하였다.

<Figure 14>는 VTT[16]에서 제시하는 열화등급의 기준을 보여준다. 본 연구에서는 660°C에서 24시간, 96시간, 503시간, 2,015시간, 9,501시간, 10,502시간 열화 시킨 시 험편을 개발한 장치로 3번씩 촬영하여 저장하고, 미세조직을 관찰 및 열화등급을 분류하였다. VTT기준으로 B등 급은 24 및 96시간, C등급은 503 및 2,015시간, D등급은 9,510 및 10,502시간에 해당한다.

시험편의 분석 전, 후의 이미지는 <Figure 15>와 같다. 미세조직에서 어두운 부분과 밝은부분의 경계가 명확히 구분된다. <Figure 15>의 좌측상단은 660°C에서 24시간 열화된 시험편을 촬영한 이미지, 우측상단은 컨투어 기법을 활용하였을 때의 결과를 보여준다. 하단사진은 10,502 시간 열화된 시험편을 촬영한 결과로 좌측은 원본 이미지, 우측은 컨투어 기법을 적용한 결과로 컨투어 기법이 잘 적용이 된 것을 확인할 수 있다.

상기 방법으로 개발된 열화등급 분류 알고리즘의 결과는 <Table 2>와 같다. 대부분의 시험편에서 VTT기준 열화 등급과 동일한 등급이 나오는 것을 확인할 수 있다. 하지만 B등급을 C등급으로 분석하거나, C등급을 B등급으로 잘못 분석하는 경우가 발생하였는데, 이는 동일한 시험편 내에서도 미세조직이 온전히 균일하지 않기 때문에 일부에서는 다른 등급이 관찰되었다고 판단된다.

4. 결 론

본 논문에서는 기력발전소의 고온 손상이 발생하는 설비에 대한 전통적인 금속조직복제 방법을 개선하기 위해 다음과 같은 기능을 제공하는 이동형 열화도 평가 장치를 개발하였다.

첫째 전통적인 조직복제 방법으로는 불가능했던 현장에서의 복제품질 평가가 가능하다. 전통적인 조직복제 방법은 복제된 필름에 대해 실험실에서 고배율 현미경을 통해서만 복제품질을 판단할 수 있기 때문에 장시간이 필요하고, 복제품질이 불량한 경우 재작업의 어려움이 있었다. 둘째 다양한 보일러 튜브에 탈부착이 가능하고, 단시간에 많은 수의 검사대상을 촬영할 수 있기 때문에 기존 대비 제한된 검사기간 중에 대량의 검사대상에 대한 건전성 평 가가 가능하다. 셋째 복제 이미지 확보를 위해 고가의 필름 및 고배율 현미경 또는 전자주사 현미경이 필요치 않기 때문에 매우 경제적이다. 마지막으로 금속조직의 열화상 태를 인공지능을 통해 평가하기 때문에 현장에서 검사 즉시 인적실수의 가능성이 없는 정확한 정보를 제공한다.

본 장치를 개발하고 실증함에 있어 몇 가지 개선점도 발견하였다. 첫째 장치간 연결을 유선으로 구성하여, 좁은 공간에서 운용하기 어려웠다. 향후 무선으로 데이터를 취득한다면 검사공간으로 인한 어려움을 해결할 수 있을 것 이라 판단된다. 둘째 양질의 이미지 확보를 위해 최적의 카메라 초점 설정이 필요하나 수동으로 설정을 진행하는 과정에서 많은 시간과 숙련도가 필요하였다. 따라서 이미지 취득시간을 현재보다 단축시키려면 자동초점 알고리즘을 추가 개발 및 탑재가 필요하다. 또한 열화상태 판정의 정확도 향상을 위해 알고리즘 개선이 필요할 것으로 판단 된다. 기존에 비해 보다 많은 양의 이미지를 확보하여 학습에 활용한다면 개선된 열화도 판정 성능이 예상된다. 끝으로 기력발전소의 보일러를 대상으로 장치를 개발하였지 만, 다양한 탈부착 장치를 개발한다면 지속적으로 증가하고 있는 가스복합발전소의 배열회수보일러(HRSG) 등에 서도 동일하게 사용할 수 있을 것으로 기대된다.