최근의 화학공장은 공정 기술 개발과 자동화로 일반 조업자가 대상 공정을 완벽하게 이해하기에는 많은 어려움이 따른다. 이에 화학공정의 안전한 운전을 위하여 컴퓨터를 이용한 운전 지원 시스템의 필요성이 점차 커지고 있다. 이전에 발생한 대형사고들의 교훈에 의하면, 공정의 안전성 평가와 고장 발생 이후의 빠른 진단과 적절한 대처가 가장 중요하다고 생각된다. 본 논문에서는 화학공정의 안전성 평가 방법과 고장 진단에 대하여 연구하였다.
본 논문은 화학 공정의 안전을 위한 자동화된 시스템들 중에서 두 가지 관점을 집중적으로 연구하였다. 화학 공장의 조업 중에 발생되는 고장들의 진단을 위한 연구와 공정 start-up의 안전성 평가 방법이다. 제 2장에서는 본 논문의 기반 지식인 인공 신경망을 이용한 화학 공정의 고장 진단 방법론에 대하여 정리하였고, 제 3장에서는 본 논문에 사용된 Multi-layer Perceptron network에 대하여 자세히 정리하였다. 제 4장에서는 화학 공학의 동특성을 인식하기 위하여 Time-Delay Neural Network를 사용한 고장 진단 시스템에 대하여 논의하였다. 제 5장에서는 다중 고장 진단을 위하여 개발된 Overshadowed Fault Diagnosis Method에 대하여 설명하였다. 제6장에서는 화학 공장 start-up시기의 안전성 평가를 위하여 개발된 전문가 시스템을 설명하였다.
인공 신경망은 일종의 mapping 함수로써 화학공정의 상태를 나타내는 공정 변수들로부터 진단 결과를 계산할 수 있다. 이러한 인공 신경망의 mapping 특성은 신경망의 학습에 의하여 결정된다. 학습에 사용되는 데이터는 경험된 실제의 공정 정보나 공정 모사기 그리고 전문가의 정보로부터 얻을 수 있다. 즉 복잡한 화학공정의 분석 없이, 대상 공정의 데이터를 인공 신경망에 학습시킴으로써, 대상 공정에의 적용이 가능하다는 장점을 갖고 있다. 이러한 인공 신경망의 적용을 통하여 공정에 대한 많은 지식과 공정 모델 없이도 복잡한 공정에의 적용이 가능하다.
화학 공정은 복잡한 동특성을 가지고 있다. 본 연구에서 제안한 Time-Delay Neural Network(TDNN)의 적용은 공정의 이러한 동특성을 인식하기 위한 것이다. TDNN은 음성 인식을 위하여 개발된 인공 신경망으로 음성의 주파수 특성이 시간에 따라 변함을 인식한다. Pilot scale 증류탑을 모사하기 위하여 dynamic simulator를 개발하였고, 개발된 dynamic simulator에 TDNN을 적용하여, 일반 형태의 인공 신경망보다 더 좋은 결과를 얻었다. 특히 민감한 동특성을 갖는 화학 공정을 진단하기 위해서는 TDNN을 이용한 고장 진단 시스템을 적용할 경우에 좋은 결과를 얻을 수 있음을 알 수 있다.
다중 고장 분석에 있어서 인공 신경망에 의한 진단 방법이 기존의 지식 기반 방법에 비하여 수월하다는 것은 잘 알려져 왔다. 그러나 다중 고장에 대한 simulation과 실제적인 실험 연구 결과에 의하면, 많은 경우가 제대로 분석되지 않고, 그중 한 개만 진단되는 경우가 많다. 이것은 대부분의 다중 고장 증상에 있어서, 어느 한 고장에 대한 증상이 다른 고장의 증상보다 대상 공정에 많은 영향을 주기 때문이다. 이를 해결하기 위한 연구들이 있었으나, 이들 기존의 방법론들은 진단하려는 모든 다중 고장을 인공 신경망에 학습시켜서 사용한다는 기본적 문제를 갖고 있다. 즉 인공 신경망을 이용하는 방법의 형태는 바꾸지 않고 학습 데이터를 만드는 방법에 초점을 두고 있다. 이러한 모든 학습 데이터를 얻는 자체에도 어려움이 있거니와 각각의 단일 고장에 대한 모든 조합을 학습하였더라도, 다중 고장의 전 범위를 효율적으로 진단할 수는 없다. 즉 동시에 존재할 수 있는 두 고장이 공정에 미치는 효과에 대한 크기 비율은 학습된 데이터에서의 비율과 다를 수 있으며, 또한 두 고장의 발생 시간 차이는 학습된 데이터와 다를 수 있다. 즉 다중 고장의 진단에서, 각 고장을 한꺼번에 진단한다는 것은 많은 무리가 따르며, 그들을 분리해서 진단해야만 한다.
다중 고장의 진단을 위해서 본 연구에서 제안된 방법에 의하면, 인공 신경망을 이용한 고장 진단의 일반적인 방법에 의하여 dominant fault를 진단한다. 여기서 dominant fault란 인공 신경망의 출력값 중에서 가장 큰 값을 갖는 출력 node가 가리키는 고장을 의미한다. 제안된 방법은 은닉층 (hidden layer)의 node값들을 조정하여, 이 dominant fault를 가리키는 node의 출력값이 일반 정상 상태의 값이 되도록 만든다. 이때 바뀌는 값은 은닉층 node의 출력값들뿐이고 전체 weights의 값은 변하지 않는다. 이렇게 바뀌어진 은닉층의 출력값을 가지고 출력층을 다시 계산하면 dominant fault의 영향에 의하여 증상이 사라진 다른 고장을 진단할 수 있다. 이 방법의 적용으로 다중 고장 진단을 효율적으로 할 수 있다. 본 연구 방법은 다중 고장을 위해 제안되었던 기존의 방법 보단 단순한 형태이며, 결과 비교에서도 더 좋은 결과를 보였으며, 또 다른 장점으로는 이미 구성된 인공 신경망의 구조와 weights를 변형하지 않고도 적용할 수 있다는 것이다. 제안된 다중 고장 진단 방법론은 반응기 모델의 simulation 연구와 pilot scale 증류탑의 실험을 통하여 그 성능을 입증하였다. 화학 공장의 조업 안전성을 위한 공정의 위험성 평가와, 그에 따른 설계 변경 및 조업 상태의 재설정은 대형 사고의 방지 및 생산성 향상을 추구할 수 있다. 화학 공장의 조업중 가장 위험하고 사고가 많은 때가 start-up시기라는 것은 잘 알려져 있다. 본 논문에서는 화학 공장의 start-up 절차에 대하여 분석하고 그 위험성을 제거하기 위한 전문가 시스템을 개발하였다. 본 시스템은 일반적 화학 공정에 쉽게 적용될 수 있도록 G2 shell을 이용한 객체 지향형 전문가 시스템 형태로 개발되었다. 이제까지의 자동화된 공정의 안전성 평가 시스템은 공정의 위험에 대한 원인과 결과만을 보여 주었으나, 본 논문에서 개발된 시스템은 안전성 평가의 궁극적 목표인 안정한 형태로의 공정 구조 변화 및 start-up 절차 변경 등을 자동적으로 제시한다.
