원심펌프의 전류 신호 기반 이상징후 탐지를 위한 EWMA 기법 적용 연구 = An Intelligent Methodology for Analyzing and Detecting Operational Anomalies in Centrifugal Pumps Using Motor Current Signals

국문 초록 (Abstract)

원심펌프는 제조 공정 및 산업 인프라에서 유체 이송과 압력 조절을 담당하는 핵심 장비로서 고장 발생 시 다운타임과 비용 손실, 안전 리스크를 유발한다. 현장에서는 전류가 일정 임계치를 초과하면 이상으로 경보하는 단순 규칙이널리 사용되나, 가변 부하 운전 환경에서는 전류 신호의 평균·분산이 운전 조건에 따라 변화하여 오경보(False Alarm)가빈번히 발생할 수 있다. 본 연구는 산업 현장의 요구를 반영하여 (1) 이상징후 조기 탐지, (2) 오경보 억제, (3) 유지보수의사결정 지원을 목표로, 배전반에서 비접촉으로 취득 가능한 단일 상 전류 시계열 데이터(1 Hz)를 대상으로 한 통합분석 프레임워크를 제안한다. 제안 프레임워크는 가우시안 혼합 모델(Gaussian Mixture Model, GMM) 기반 운전 모드 분리, 모드별 표준화 잔차(z-score) 생성, 지수 가중 이동 평균(Exponentially Weighted Moving Average, EWMA) 기반 평활화 및 시간 지속성 기반 이벤트 라벨링을 포함하며, 이후 비지도 이상탐지 모델(Isolation Forest, Elliptic Envelope, Local Outlier Factor)을 적용하여 성능을 비교·검증한다. 연속 운전 데이터에 대한 실험 결과Isolation Forest가 높은 재현율과 F1-Score를 보이며 현장 적용 관점에서 우수함을 확인하였다.

다국어 초록 (Multilingual Abstract)

Centrifugal pumps are essential assets in manufacturing processes and industrial infrastructure for fluid transfer and pressure regulation. Unexpected failures can lead to downtime, economic loss, and safety risks. In practice, simple threshold-based alarms that flag anomalies when motor current exceeds a fixed limit are used widely. On the other hand, under variable-load operation, the mean and variance of current signals vary with operating conditions, leading to frequent false alarms. To address practical industrial needs, this study aims to (1) detect early anomalies, (2) suppress false alarms, and (3) support maintenance decision-making by proposing an integrated analysis framework using a single-phase motor current time series (1 Hz) non-invasively acquired from a motor control center (MCC). The proposed framework consisted of operating-mode separation via a Gaussian Mixture Model (GMM), mode-wise standardized residual (z-score) generation, Exponentially Weighted Moving Average (EWMA) smoothing, and persistence-based event labeling. Unsupervised anomaly detection models (Isolation Forest, Elliptic Envelope, and Local Outlier Factor (LOF)) were then applied to compare and validate the detection performance. Based on the experimental results from continuous operational data, the Isolation Forest achieved the highest recall and F1-score, indicating superior performance and practical applicability for field deployment.