산업의 발달과 생활전력 증가로 인한 전력의 수요가 꾸준히 증가하는 실정에서 안정적인 전력공급을 위해서는 대용량, 장거리 송전탑에 대한 유지관리가 중요하다. 많은 양의 전력을 안정적으로 공급하기 위해 높은 전송 전압이 필요하며, 이로 인해 송전선로는 높은 수준의 절연이 요구된다. 송전탑은 철탑, 전선, 애자(절연체) 등으로 구성되며, 애자는 송전탑에 송전선을 기계적으로 고정시키며, 송전선과 송전탑과의 절연간격을 확보하는 등 송전선로의 신뢰성 및 안전성을 결정하는 중요한 역할을 담당한다.
국내 송전선로의 99% 이상이 자기애자를 사용하며, 765kV, 345kV 및 154kV 송전선로에 설치된 980만개의 자기애자 중에 154kV의 자기애자가 510만개로 전체의 약 52%를 차지하고 있다. 154kV 송전선로에 일본의 NGK사에서 제작된 자기애자는 약 120만개 이상이며, 이중 약 80만개가 사용수명(30년)을 초과하여 사용되고 있다. 자기애자는 사용수명 이상 사용했다고 해서 즉각적인 절연성능의 저하나 기계적 파손이 발생하지는 않지만, 지속적인 스트레스를 받는 환경에서 응력 누적, 열화 등으로 인해 노화가 진행되어 갑작스러운 파손이 발생할 수 있다.
자기애자의 기계적 결함 유형은 지속적인 응력으로 인한 캡(금구)의 찢어짐, 낙뢰 및 우박으로 인한 자기부 쉘의 파손 및 캡 내부 시멘트 팽창에 의한 자기부 크랙으로 확인되었다. 하지만, 현재 자기애자 손상 식별을 위한 기술 대부분은 자기애자의 전기적 손상 및 고장에만 초점을 맞추어 발전하였기 때문에 급증한 30년 이상 장기사용 자기애자의 파손유형(자기부 크랙/파손, 캡 찢어짐, 내부손상)에 대한 기계적 건전성을 평가하는 신뢰성 높은 기술은 개발되지 않은 실정이다.
본 연구에서는 자기애자의 기계적 건전성 평가를 위해 이미지 딥러닝 및 충격응답기법 기반의 머신러닝 예측모델이 제안되었다. 먼저, 자기애자의 외관 균열식별을 위한 이미지 필터링 프로세스가 제안되었으며, 경년열화 및 오손으로 인한 자기애자의 외관 상태변화 식별을 위한 이미지 딥러닝 방법이 제안되었다. 균열식별 프로세스는 1~8 단계의 절차를 거쳐 많고 다양한 균열 형상에 대해 약 70% 이상의 식별률을 가졌으며, 이미지 딥러닝 방법 적용의 한계점 및 특정 조건에서의 활용 가능성을 확인하였다. 이러한 결과는 향후 환경적 열화, 이상전압, 낙뢰 등에 의해 외관 상태가 노후화 및 손상된 경우 자기애자의 유지관리에 유의미하게 활용될 수 있다.
다음으로 충격응답기법을 사용해서 여러 개의 단일 샘플 테스트를 통해 수집된 주파수응답신호를 활용하여 결함 유형에 대한 기본적 파형분석, 특징추출에 기반한 머신러닝 예측 성능 평가를 통해 자기부의 기계적 결함의 검출 가능성이 확인되었다. 최종적으로 오토 임팩트 해머, MEMS 센서에 기반한 원거리 주파수응답신호 측정 장비를 개발하고, 실험실 내에 묘사된 스트링 구조체에 대한 테스트를 통해 자기애자의 캡 찢어짐 손상 및 캡 내부 손상에 대해 높은 정확도로 정상/손상영역을 구분하는 머신러닝 모델이 개발되었다. 정상/손상영역의 구분은 단순히 테스트 샘플이 손상이 있는지 없는지를 구분하는 것 외에 현재 정상으로 구분되었지만 손상역역에 근접해있는 자기애자에 대한 유지관리/교체 우선순위 등의 판단에 크게 기여할 수 있을 것으로 판단된다.
본 연구의 충격응답기법은 기존의 단순한 고유모드 이동에 따른 손상을 평가하는 것이 아닌 과거의 기술력이 낮은 상태에서 제작된 자기애자의 제조공정상 오차로 인한 고유모드의 상이함을 고려하여 고유모드 발생의 정밀한 분석과 이를 극대화하는 특징을 추출함으로써 기존의 한계를 극복하였으며, PCA 및 머신러닝의 적용을 통해 자기애자 분석에 대한 새로운 방향을 제시하였다는데 의미가 있다.
본 연구를 통해 현장에서 측정이 어려운 자기애자의 내외부 손상에 대해서 개략적인 상태평가를 위한 이미지 딥러닝 분석기법과 충격응답기법에 기반한 머신러닝 분석기법의 적용이 가능함을 확인하였으며, 이를 활용한다면 효과적으로 실용적인 건전성 평가가 가능할 것이다.

The maintenance of large-capacity and long-distance transmission towers is important for stable power supply in a situation that the demand for power is steadily increasing due to the development of industry and the increase in living power. A high transmission voltage is required to stably supply a large amount of power, so the transmission line require a high level of insulation. A transmission tower is composed of a steel tower, wires, and porcelain insulators. The porcelain insulator plays an important role in determining the reliability and stability of the transmission line, such as mechanically fixing the transmission line to the transmission tower and securing the insulation distance between the transmission line and the transmission tower.
More than 99% of transmission lines in Korea use porcelain insulator. There are 5.1 million porcelain insulators on 154kV transmission line out of 9.8 million porcelain insulators is installed on 765kV, 345kV and 154kV transmission line. and it occupies about 52% of the total. There are more than 1.2 million porcelain insulators manufactured by NGK of Japan in 154kV transmission lines, and about 800,000 of them have exceeded their service life (30 years). Although porcelain insulator does not cause immediate deterioration in insulation performance or mechanical damage even if they are used for more than their service life, sudden damage may occur by aging progresses due to stress accumulation and deterioration in a continuous stress environment.
The types of mechanical defects of the porcelain insulator were defected are tearing of cap (metal fitting) by continuous stress, breakage of the magnetic part shell by lightning and hail and cracking of the porcelain part by expansion of cement inside the cap.
However, since most of the current technologies for diagnosing damage to porcelain insulator have been developed by focusing only on electrical damage and failure, A highly reliable technology that is to evaluate the mechanical integrity such as rapidly increased the type of breakage by long-term used for more than 30 years (porcelain crack/breakage, tearing of cap, internal damage) has not been developed.
In this study, the image deep learning and the machine learning prediction model based on impact response method was proposed to evaluate the mechanical integrity of porcelain insulator. First, an image filtering process for identifying cracks in the appearance of porcelain insulator was proposed, and an image deep learning method for identifying changes in appearance state of porcelain insulator due to aging and contamination was proposed. The crack identification process went through steps 1 to 8 and had an identification rate of over 70% for many and various crack shapes, and the limitations of applying the image deep learning method and its applicability under specific conditions were confirmed. These results can be used significantly in the maintenance and management of porcelain insulators in the future when the external state is deteriorated or damaged due to environmental degradation, abnormal voltage, lightning, etc.
Next, using the frequency response function(FRF) collected through multiple sample tests with the impact response method, this was confirmed that the possibility of detecting mechanical defects in the porcelain part is evaluated through basic waveform analysis of defect types and prediction performance evaluation of machine learning with feature extraction. Finally, a long-distance FRF measuring device based on an auto impact hammer and MEMS sensor was developed. A machine learning model was developed to distinguish between normal and damaged areas with high accuracy for damage (cap tear, internal damage) of porcelain insulators through testing on string structures built in the laboratory. Although this model is currently classified as normal, it is judged that it can greatly contribute to the judgment of maintenance/replacement priorities for porcelain insulators close to the damaged area.
In this paper, the impact response method don''t evaluate the damage caused by simply movement of natural frequency, but considers the limit on the change in natural frequency due to errors in the manufacturing process of porcelain insulators manufactured with low technology. It is meaningful in that it overcomes the existing limitations by precisely analyzing the natural frequency occurrence and extracting features that maximize it, and pioneering a new direction for porcelain insulator analysis through the application of PCA and machine learning.
Through the results of this study, it was confirmed that the generally condition of the internal and external damage of the porcelain insulator, which is difficult to measure in the field, can be evaluated by image deep learning, and the soundness of the porcelain insulator can be evaluated through the machine learning analysis based on the impact response method. If the results of this study are utilized in the future, an effective and practical soundness evaluation will be possible.