[Project] 수소 연료전지 임피던스 기반 AI 자동 진단

배경: 기존 진단 방식의 한계

 

수소 연료전지 스택의 상태를 진단하는 데 임피던스 분광법(EIS, Electrochemical Impedance Spectroscopy)이 사용된다. 그런데 기존 방법에는 두 가지 구조적 문제가 있었다.

• 오프라인 측정 필수: 임피던스를 측정하려면 스택을 설비에서 분리해 실험실로 이동해야 했다. 가동 중인 시스템의 실시간 진단이 불가능했다.
• 전문 인력 의존: 측정 결과로 나오는 Nyquist 그래프를 해석할 수 있는 인력이 제한적이었다. 현장 운영자가 즉각 판단을 내리기 어려웠다.

이 두 문제를 해결하기 위해 BoP(Balance of Plant) 센서 데이터와 임피던스 데이터를 결합한 머신러닝 기반 자동 진단 시스템을 개발했다.

 

데이터 구성

데이터 종류	규모
BoP 센서 데이터	75,000건
임피던스(EIS) 데이터	12,000건

 

1단계: 임피던스 데이터 이해와 전처리 규칙

 

임피던스 파일의 컬럼 구성은 다음과 같다.

• 주파수(Hz)
• X축 ZRe: 실수부 임피던스
• Y축 -ZIm: 허수부 임피던스

데이터를 사용할 때 반드시 지켜야 하는 전처리 규칙이 있다.

• X축(ZRe) 값은 1,000배 스케일링 적용
• Y축(-ZIm) 값은 부호 반전 필요
• Nyquist plot 기준으로 오른쪽이 0점이며, 그래프는 오른쪽에서 왼쪽 방향으로 진행

 

2단계: 데이터 분할 및 시각화

분석은 고장 코드, 암페어(A), 스택 번호 기준으로 데이터를 먼저 분류한 뒤 진행했다. Scatter plot으로 임피던스 분포를 시각화해 정상 데이터와 고장 데이터의 패턴을 파악했다.

 

3단계: 정상/고장 범위 탐색

두 가지 방법을 병행했다.

• 머신러닝 기법으로 정상 데이터 범위와 고장 데이터 범위의 경계를 학습
• 기준 주파수 인덱스(1, 3, 5, 7, 9, 11, 12, 13, 35, 60번째)에서 정상/고장 데이터 포인트 간 거리를 정량화

4단계: BoP-임피던스 상관관계 분석

BoP 센서 데이터와 임피던스 고장 데이터 사이의 Pearson 상관계수를 계산해 고장과 연관성이 높은 BoP 변수를 식별했다. 이를 통해 임피던스 측정 없이 BoP 센서 데이터만으로도 고장 조짐을 감지할 수 있는 가능성을 확인했다.

 

AI 모델 명세

항목	내용
Input	다양한 주파수에서 측정된 임피던스 데이터
Output	정상(Normal) / 고장(Fault) 진단 결과
피처	스택 번호, 암페어 값, 주파수, 임피던스 실수부/허수부
전처리	정규화(Normalization) + 표준화(Standardization)
평가 지표	Accuracy, Precision, Recall

 

기대 효과

이 시스템이 적용되면 두 가지 변화가 생긴다.

첫째, 가동 중인 연료전지 스택을 분리하지 않고 실시간으로 상태를 진단할 수 있다.

둘째, Nyquist 그래프 해석 능력이 없는 설비 운영자나 관리자도 진단 결과를 즉시 확인할 수 있다.