1. 서 론
2. 연구방법
2.1 작업음 분석 방법
2.2 앱 개발도구 및 방법
3. 연구결과
3.1 앱 개발 결과
3.2 현장 적용 결과
4. 토 의
4.1 블루투스 비콘 방식과 작업음 분류 방식의 비교
4.2 시간사용모델 및 핵심성과지표 산정
5. 결 론
1. 서 론
광석의 채굴 시 단위작업은 천공, 발파, 적재, 운반으로 구성되며, 이 중 적재-운반 작업, 즉 운반시스템 운영에 소요되는 비용은 전체 채굴 비용의 50% 이상을 차지하기도 한다(Hartman and Mutmansky, 2002, Choi and Nieto, 2011). 따라서 광산의 생산성을 높이고 운영 비용을 최소화하기 위해 운반시스템의 최적화가 필요하다. 이러한 이유로 국내외에서 다양한 광산생산관리 시스템들이 개발되어 광산 현장에 도입되고 있다.
광산 운반시스템의 최적화를 위해, 활용되는 광산생산관리 시스템의 사례는 다음과 같다. 해외 광산생산관리 시스템의 개발 사례로는 미국 Modular Mining Systems의 Dispatch, Caterpillar의 Cat® MineStar™ 그리고 MISSOM Technology의 FARA가 있으며 주요 기능으로는 트럭 배차 최적화, 실시간 장비 추적, 현장 데이터 수집 등이 있다(Park and Choi, 2015). 국산 광산생산관리 시스템의 개발 사례로는 한화/글로벌의 HATS (Hanwha As a Total Solution) 시스템, 빅파워솔루션의 BP-SI 시스템(Big Power Smart & IoT Solution) 그리고 두잇(Do it)의 ICT기반 실시간 안전관리 및 생산·작업관리 시스템이 있으며 주요 기능으로는 드론 지형 측량, 실시간 작업 안전 위치 관제, 차량·장비 트레킹 및 위험경보 등이 있다. 또한, 부경대학교에서는 광산 현장에서 트럭 운전자들이 스마트 기기를 이용해 원석 생산 데이터를 기록하고, PC 환경에서 작업일지(운행일지)를 작성할 수 있는 지하 광산생산관리 애플리케이션(MPMS)을 개발했다(Park and Choi, 2022a). MPMS는 트럭이 로더나 호퍼와 같은 포인트 지점에 접근하면, 태블릿PC가 BLE 신호를 수신하여 데이터를 자동으로 기록한다. Fig. 1은 국내에 도입된 광산생산관리 시스템들의 주요 기능을 보여준다.
광산생산관리 시스템에서 원석의 운반 작업 횟수 집계 방법에는 직접 측정하는 방식, 음성 인식 방식, 블루투스 비콘(BLE) 방식 총 세 가지 방법이 사용되었다. 예를 들어, FARA 시스템은 광산의 작업 소요 시간을 스톱워치와 필기도구를 이용해 직접 측정하는 방식을 채택하였으며, MPMS는 블루투스 비콘 신호를 이용해 데이터를 기록 및 수집하였다. 각각의 방식엔 단점이 존재한다. 먼저 직접 측정하는 방식은 고령의 작업자들이 스마트 기기에 익숙하지 않아 태블릿PC 조작에 거부감을 느낄 수 있고 어두운 갱내에서 작업을 하며 스마트 기기를 조작해야 하므로 사고 발생의 위험이 존재한다. 음성 인식 방식은 “적재”, “투하” 발음을 정확하게 해야 인식이 되므로 작업자들의 거부 반응을 일으킬 수 있으며, 데이터 측정 시점에도 오차가 생길 수 있다. 마지막 블루투스 비콘(BLE) 방식은 포인트 지점(로더, 호퍼)에 가까워지기만 하면 태블릿PC가 신호를 수신 받아 데이터를 기록하기 때문에 측정 시점이 항상 다르다는 단점이 있다.
본 연구는 고령 작업자의 스마트 기기 조작에 대한 거부감, 작업 중 조작으로 인한 사고 발생 위험, 데이터 기록 시점의 오차 등 기존 작업일지 기록 방식에서 나타나는 문제를 해결하기 위해 수행되었다. 이를 위해 대성 엠디아이 단양사업소 광산에서 트럭의 적재 및 투하 작업음을 수집하고, 수집된 데이터를 분석하여 주요 특이점을 도출하였다. 분석 결과를 바탕으로 작업음을 분류하고, 자동으로 적재 및 투하 작업 횟수를 집계하는 애플리케이션을 개발하였다.
2. 연구방법
2.1 작업음 분석 방법
작업음 데이터 수집 장소는 대성 엠디아이 단양사업소이다. 충청북도 단양군 어상천면 매포어상천로 475-12에 위치하며, 생산제품은 석회석이다. 중단 채광법(sub-level stoping)을 주 채광법으로 적용하고 있으며, 생산된 원석은 로더(loader)와 트럭(24 ton)을 이용하여 적재 및 운반하는 방식이다. Fig. 2는 대성 엠디아이 단양사업소의 위치와 주요 시설의 위치를 나타낸 것이다. 작업음 데이터는 적재 및 투하 작업 중인 트럭에 탑승하여 태블릿PC를 사용해 녹음하였다. 녹음 시점은 로더가 트럭에 석회석을 붓는 시점과 트럭이 호퍼(hopper)에 석회석을 붓는 시점, 즉 적재 및 투하 작업이 시작될 때부터 종료될 때까지 녹음하였다.
파형(Waveform)은 시간에 따른 신호의 진폭(amplitude) 변화를 나타내는 그래픽 표현으로, 소리나 전기 신호 등의 특성을 시각적으로 분석하는 데 사용된다. 파형 그래프에서 x축은 신호가 시간에 따라 어떻게 변화하는지 보여주고, y축은 특정 시간에서 신호의 크기(세기)를 나타낸다.
2.2 앱 개발도구 및 방법
본 연구에서는 앱 인벤터(App inventor)를 사용하여 광석 운반 작업 횟수를 자동으로 집계하는 애플리케이션을 개발하였다. 앱 인벤터는 구글에서 개발하고 현재는 매사추세츠 공과대학교(MIT)가 확장 개발 및 운영하는 오픈소스 앱 개발도구이다. 안드로이드 운영 체제용 응용 소프트웨어를 만들 수 있으며 스크래치와 유사한 그래픽 인터페이스를 사용한다.
수집된 작업음 데이터를 파형 그래프로 시각화하기 위해 앱 인벤터의 확장 기능인 KIO4 Visualizer을 사용하였다. KIO4 Visualizer(2022)에서 제공하는 주요 데이터 형태인 listWaveForm은 오디오 신호를 시간 도메인에서 샘플링한 진폭 데이터의 리스트를 의미한다. 이는 오디오 신호를 디지털화한 결과를 배열 형태로 제공하여, 신호를 시각화하거나 분석에 활용할 수 있도록 한다. listWaveForm를 사용하면 측정된 오디오 신호의 진폭에 대한 시계열 그래프를 그릴 수 있다. 적재 또는 투하 작업을 시작할 때의 작업음은 평소보다 신호의 크기가 세기 때문에 listWaveForm의 최댓값이 급격히 증가하는 시점이 있으며, 평상시와는 다른 ‘삐- 삐- 삐-’와 같은 경고음이 발생하여 파형이 구별된다. 이를 통해 적재 및 투하 작업음을 인식하고 분류할 수 있어, 적재 및 투하 작업의 분류가 가능하다. KIO4 Visualizer를 사용해 적재 및 투하 작업의 분류 기준을 정하고, 앱 인벤터 내의 기능들을 활용해 작업음을 인식하고 어느 작업인지 자동으로 분류 및 집계하도록 애플리케이션을 개발하였다.
Fig. 3(a)는 통합되기 전의 작업음 분류 애플리케이션의 인터페이스이다. ‘파형 분석’ 버튼을 누르면 태블릿PC가 주변 소음을 듣기 시작한다. ‘초기화’ 버튼을 누르면 적재 및 하역 집계 횟수가 ‘0’으로 초기화된다. Fig. 3(b)는 작업음을 분석하고 파형으로 시각화하려고 만든 애플리케이션이다. 시각화된 그래프 위의 숫자 배열은 listWaveForm를 나타낸다. 생성된 데이터는 정규화되지 않아 진폭의 범위 및 차가 크므로, 본 연구에서는 상대적인 크기만 비교, 분석하였다. 애플리케이션은 listWaveForm 데이터를 기반으로 정해진 분류 기준대로 작업음을 분류하며, 분류 기준에 따라 적재 및 투하 작업 횟수를 자동으로 집계한다. 트럭이 포인트 지점(로더, 호퍼)에 가까워지면 태블릿PC가 블루투스 비콘 신호를 수신받게 되고 그 시점부터 주변의 소음을 인식하게 된다. 그중 적재 또는 투하 작업음과 유사한 소음을 인식했을 때 작업 횟수가 자동으로 집계되고 주변 소음 듣기를 멈춘다.
본 연구에서는 현장 실험을 용이하게 하기 위해 개발된 작업음 분석 애플리케이션을 광산생산관리 시스템 중의 하나인 MPMS 애플리케이션과 통합하였다.
3. 연구결과
3.1 앱 개발 결과
개발된 애플리케이션을 MPMS 시스템과 연동하여 작업 횟수 집계 자동화가 가능하게 하였다. 포인트 지점(로더, 호퍼)에 가까워질 때 소음을 인식하는 기능을 MPMS의 블루투스 비콘 기반의 기술을 활용하였다. 포인트 지점(로더, 호퍼)에 가까워졌을 때, 소음을 실시간으로 인식하게 되고 인식된 소음이 적재 및 투하 작업음의 분류 기준과 유사하면 ‘적재’ 또는 ‘투하’ 작업 횟수가 자동으로 집계되고 소음 인식을 멈춘다. 또한 인터페이스에 집계 횟수가 카운트되며, 초기화 버튼을 눌러 수치를 재설정할 수 있다. 이러한 기능은 앱 인벤터의 확장 기능과 기존 블록 코드를 통해 구현되었다.
적재 및 투하 작업음 데이터를 앱 인벤터 확장 기능 KIO4 Visualizer의 listWaveForm를 통해 그래프로 시각화한 후, 시각화된 그래프 중 특징점이 되는 시점의 listWaveForm 데이터의 공통점을 도출했다. 적재 작업 같은 경우에 석회석을 붓는 과정에서 비교적 짧고 반복적인 작업음이 발생하여, 진폭의 변화 폭이 작고 비교적 일정한 경향을 보였다. 이에 따라 listWaveForm의 표준편차가 1 이상, 20 이하 그리고 list 안의 최댓값이 200 이하로 관찰되었다. 반면, 하역 작업 같은 경우에는 트럭에서 호퍼로 석회석이 쏟아질 때 발생하는 연속적인 작업음으로 인해 진폭의 변화가 크고 고른 분포를 보였으므로 list waveform의 표준편차가 1 이상, 30 이하 그리고 list 안의 최솟값이 80 이상이었다. 적재 작업의 특징적인 작업음 파형은 Fig. 4, 하역 작업의 특징적인 작업음 파형은 Fig. 5와 같은 형태를 지닌다. 적재 작업음은 초기에 급격한 진폭 상승 후 하강이 관찰되었으며, 투하 작업음은 초기에 급격한 진폭 상승과 후기에도 점진적인 진폭 상승이 관찰되었다. MPMS 시스템에 작업음 분류 애플리케이션을 설치했을 때의 인터페이스는 Fig. 6과 같이 구성되었다.
3.2 현장 적용 결과
현장 실험은 데이터를 수집했던 대성 엠디아이 단양사업소에서 진행되었다. 적재 및 투하 작업을 담당하는 트럭에 MPMS에 통합된 작업음 분류 애플리케이션이 설치된 태블릿PC를 직접 들고 타서 실험을 진행하였다. 트럭 좌석 앞엔 MPMS 시스템이 설치된 태블릿PC가 부착되어 있다. 트럭은 갱 밖에 있는 호퍼 옆에서 출발하여 갱 내에 있는 로더까지 이동한 후 적재 작업을 진행한다. 적재 작업이 완료되면 석회석을 싣고 갱 밖에 있는 호퍼까지 이동 후 투하 작업을 진행한다. 투하 작업이 끝나면 다시 적재 및 투하 작업을 반복한다.
현장 실험은 다른 차량과의 무전 소리, 대기 중 앞 차량의 작업음 등은 최대한 배제한 상태에서 진행되었다. 5번의 적재-투하 작업을 통해 현장 실험을 진행한 결과, 10번의 적재 및 투하 작업 횟수가 모두 자동으로 집계되었다. 로더가 트럭에 석회석을 부을 때, 트럭이 호퍼에 석회석을 투하할 때 작업 횟수가 집계되었다. Fig. 7은 MPMS에 결합한 작업음 분류 애플리케이션의 실험 당시 화면이며, 적재 및 투하 작업을 인식하고 집계하는 과정을 보여준다. ‘적재’, ‘투하’ 글자 아래에 숫자가 집계된 것을 볼 수 있다. 반면에, 기존의 MPMS 시스템은 10번의 적재 및 투하 작업 중 8번만 집계되었다. 해당 집계 결과는 Fig.7에 포함되어 있지 않으며, 본문에서 정량적으로 비교하여 제시하였다. 애플리케이션을 사용하기 전의 작업자는 적재 및 투하 작업을 할 때마다 작업일지를 작성해야 했으며 이로 인해 사고 위험, 데이터 기록 시점의 오차가 발생했다(Park and Choi, 2022a). 개발된 작업음 분류 애플리케이션은 작업자의 개입을 필요로 하지 않기 때문에 기존의 문제점을 해결할 수 있었고, MPMS를 사용함으로써 생기는 작업자의 스마트 기기 거부감 문제점도 자동화를 통해 해결할 수 있었다.
4. 토 의
4.1 블루투스 비콘 방식과 작업음 분류 방식의 비교
블루투스 비콘 방식(BLE)은 트럭이 로더나 호퍼에 가까워지면 태블릿PC가 블루투스 비콘 신호를 수신받아 데이터를 기록 및 수집한다. 작업음 분류 방식은 태블릿PC가 블루투스 비콘 신호를 수신받는 것까지는 방식과 동일하지만, 신호를 수신받은 시점부터 주변 소음을 인식하기 시작하며, 분류 기준에 따라 적재 및 투하 작업음을 분류하고 작업 횟수를 자동으로 기록 및 수집한다. 두 방식 모두 적재 및 투하 작업을 자동으로 기록하는 것에 목적이 있으므로, 최종적으로 어느 방식이 더 정확하고 효율적인지 평가하였다.
먼저 블루투스 비콘 방식은 블루투스 비콘이 트럭이 포인트 지점(로더, 호퍼)에 접근하는 것을 감지하여 적재 및 투하 작업이 수행되었다고 판단한다. 분석된 장단점은 다음과 같다. 장점으로는 일정한 거리에 도달하면 자동으로 인식되는 간단한 방식이고, 외부 소음의 영향을 받지 않는다. 단점으로는 트럭이 가까이만 가도 인식되므로 적재 또는 투하 작업이 이루어지지 않은 경우에도 작업이 기록될 수 있고, 신호 수신 지점의 정확도가 떨어진다는 단점이 있어 후에 서술할 트럭의 단위 소요 시간을 측정하는 데 오류가 발생할 수도 있다. 블루투스 비콘 방식의 집계 정확도는 10번 중 8번의 집계에 성공했으므로, 80%이다.
작업음 분류 방식은 확장 기능인 KIO4 Visualizer를 활용하여 소음을 분석하고 작업음의 진폭 패턴을 기준으로 적재 및 투하 작업을 감지한다. 실험에서는 listWaveForm 데이터 분석을 통해 실제 작업이 수행된 경우에만 집계되었다. 실험 결과에 따른 장점과 단점이다. 장점으로는 실제 적재 및 투하 작업이 수행될 경우에만 집계되어 집계 정확도가 높다. 단점으로는 주변 소음이 인식될 경우 집계가 어렵다. 작업음 분류 방식의 집계 정확도는 10번 중 10번의 집계에 성공했으므로, 100%이다. 작업음 분류 방식은 실제 작업이 이루어진 경우에만 집계되므로 더 신뢰성이 높고 정확한 방식이라는 것을 확인할 수 있었다.
4.2 시간사용모델 및 핵심성과지표 산정
앞서 서술한 블루투스 비콘의 문제점으로 트럭의 단위 소요 시간 측정의 오류가 있었다. 포인트 지점에 가까워지기만 해도 작업 횟수와 시점이 집계되기 때문인데, 작업음 분류 방식은 작업이 시작될 때 작업음을 인식해 작업 횟수와 시점이 집계되기 때문에 이러한 문제점을 해결한 방식이라고 볼 수 있다.
글로벌 마이닝 가이드라인 그룹(Global Mining Guidelines Group, GMG)에서 제안한 시간사용모델을 통해 TCT의 인자값을 분류할 수 있고, 이를 통해 핵심성과지표 산정이 가능하다(Global Mining Guidelines Group, 2020). TCT의 인자값과 시간사용모델의 NP (Non-Productive Time), PT (Productive Time)의 관계는 Fig. 8로 나타낼 수 있다.
시간사용모델의 WT (Working Time)은 NP와 PT의 합으로 나타낼 수 있다. 다음 Table 1은 핵심성과지표에서 WT, NP, PT가 들어가는 수식을 나타낸다. 블루투스 비콘 방식(BLE) 방식은 포인트 지점(로더, 호퍼)에 트럭이 가까워지기만 하면 태블릿 PC가 신호를 수신 받아 제이터를 기록하기 때문에 NP-PT의 경계선을 잘 잡아내지 못하고, 이로 인해 핵심성과지표까지 신뢰할 수 없는 상태이다.
이러한 한계점을 극복한 작업음 분류 애플리케이션으로 얻어진 데이터를 기준으로 GMG에서 제안한 시간사용모델을 분류하고 이를 통해 핵심성과지표를 산정하였다. 가용률은 가동시간 44.4%, 물리적 가용률 100%, 기계적 가용률 100%로 산정되었다. 이용률은 가용장비 이용률 83.6%, 자산 이용률 37.1%, 운영 이용률 83.6%, 유효 이용률 82.5%로 산정되었다. 마지막으로 효율성은 운영 효율성 98.6%, 생산 효율성 42.8%로 산정되었다. 다음 Table 2는 현장 실험에서의 트럭 핵심성과지표를 표로 나타낸 것이다.
Table 1.
Key Performance Indicators provided by Global Mining Guidelines Group(2020)
Table 2.
Key Performance indicators of truck used for the transport of ore or waste
GMG에서 제안한 시간사용모델과 핵심성과지표를 이용해 트럭의 운반작업 성과 평가 결과를 제시한 연구는 Park and Choi(2022b)에 자세히 서술되어 있다.
5. 결 론
광산의 운반시스템을 최적화하는 것은 광산의 생산성을 높이고 운영 비용을 최소화하기 위해 필수적이다. 따라서 국내외에서 여러 광산생산관리 시스템들이 도입되어 활용되고 있다. 그러나 기존의 광산생산관리 시스템들에는 스마트 기기 거부감, 사고 발생 위험 그리고 데이터 왜곡 발생 가능성 등의 문제점이 있었고, 본 연구에서는 이를 해결하기 위해 작업음 분류 애플리케이션을 개발하였다. 개발된 작업음 분류 애플리케이션은 주변 소음을 인식하고 적재 및 하역 작업을 분류하는 시스템으로 자동화를 통해 스마트 기기 거부감, 사고 발생 위험의 문제점을 해결하였다. 또한, 작업음 인식 및 집계를 통해 블루투스 비콘 기반 시스템의 문제점인 데이터 왜곡 발생 가능성까지 해결할 수 있었다. 현장 실험 결과, 블루투스 비콘 기반 시스템의 집계 정확도는 80%, 작업음 분류 애플리케이션의 집계 정확도는 100%로 집계 정확도 또한 상승한 걸 볼 수 있었다.
개발된 작업 소음 분류 시스템은 자동으로 데이터를 수집 및 기록해주므로 작업자의 개입이 필요 없는 자동화 시스템이고, 데이터 수집 시점의 오차가 없으므로 트럭의 단위 소요 시간을 정확하게 측정할 수 있었다. 따라서 GMG에서 제안한 시간사용모델과 핵심성과지표의 정확한 산정이 가능했다. 개발된 애플리케이션은 주변 소음을 통제한 뒤 실험을 진행했다. 다른 작업자와의 무전 소리, 대기 중 앞 차량의 적재 및 하역 소음 등을 통제한 뒤 실험이 진행되었다. 따라서 실제 작업 현장에서 해당 소음과 작업음이 혼재되어 집계가 안 될 염려가 있다. 이러한 한계점을 고려하여 향후 연구를 진행할 필요가 있다. 이번에 진행된 광산에서뿐만 아니라 다른 광산에서도 사용할 수 있게끔 여러 작업음을 추가 수집할 필요가 있다. 각 광산, 차량마다 나타나는 소음이 다를 것이므로 데이터를 추가 수집하고, 데이터의 양이 많아진다면 인공지능 기술을 이용하여 특징점을 추출해 학습시킬 수 있을 것이다. 특징점들을 학습시켜 광산생산관리 시스템 공급사에 도입하면 국내 광산 현장 성능 평가를 객관적이고 정량적으로 나타낼 수 있을 것이라 기대한다.
