[ Article ]

Journal of Hydrogen and New Energy - Vol. 37, No. 2, pp.179-186

ISSN: 1738-7264 (Print) 2288-7407 (Online)

Print publication date 30 Apr 2026

Received 16 Mar 2026 Revised 11 Apr 2026 Accepted 20 Apr 2026

DOI: https://doi.org/10.7316/JHNE.2026.37.2.179

SOEC 시스템 수소재순환계 고장 진단 및 응답 특성 분석

신우찬¹^{, 2} ; 김영상¹^{, 2} ; 배용균² ; 이동근² ; 박진영²^{, †}

1과학기술연합대학원대학교 융합시스템전공
2한국기계연구원 무탄소발전연구실

Fault Diagnosis and Response Characterization of SOEC Hydrogen Recirculation System

WOOCHAN SHIN¹^{, 2} ; YOUNGSANG KIM¹^{, 2} ; YONGGYUN BAE² ; DONGKEUN LEE² ; JIN YOUNG PARK²^{, †}

1Department of Mechanical Engineering, University of Science and Technology, 156 Gajeongbuk-ro, Yuseong-gu, Daejeon 34103, Korea
2Department of Carbon-free Power Generation, Korea Institute of Machinery & Materials, 156 Gajeongbuk-ro, Yuseong-gu, Daejeon 34103, Korea

Correspondence to: ^† zeragon@kimm.re.kr

Abstract

This study investigates the fault response characteristics of a simulated SOEC (solid oxide electrolysis cell) hydrogen recirculation system and presents the diagnosis results based on the collected data. An experimental fault simulation apparatus is developed to reproduce flow meter degradation, clogging, and gas leakage. The measurement and control signals obtained under fault conditions were standardized with respect to those under normal operation. The standardized data generated characteristic response pattern for each fault condition, which were systematically observed and analyzed. Using 6σ-standardized sensor data collected from the apparatus, a Random Forest classifier achieved over 99% accuracy in fault classification.

Keywords:

Fault diagnosis, SOEC, Balance of Plant, Hydrogen recirculation system, Machine learning

키워드:

고장 진단, 고체산화물 수전해, 보조시스템, 수소 재순환계, 머신러닝

1. 서 론

고체산화물 수전해(Solid Oxide Electrolysis Cell, SOEC)시스템은 수증기를 전기분해하여 수소를 생산하는 장치이다. 고온(약 700℃ 내외)에서 작동하여 큰 반응 구동력과 낮은 과전압을 가져 전기-열 시너지를 통한 전력 저감이 가능하다¹⁾. 고온 배열을 회수하면 공정 전반의 효율을 추가로 끌어올릴 수 있어, 탄소중립 달성을 위한 고효율 녹색수소 공급 기술로도 주목받고 있다^2,3). 다만, 저온 수전해에 비해 기술성숙도가 낮아 수소 균등화 비용(Levelized Cost of Hydrogen, LCOH)이 높은데, 미국 에너지부(Department of Energy, DOE)에서 제시하는 로드맵은 LCOH 저감을 위한 SOEC 장기 신뢰성 확보를 주요 과제 중 하나로 제시하고 있다⁴⁾. 장기 신뢰성 확보를 위해서는 시스템의 안정성 향상이 필수적이며^5,6), 이는 부품 자체의 열적·기계적·화학적 안정성 개선과 더불어 시스템 설계 및 제어로직의 고도화를 통해 달성할 수 있다.

그럼에도 불구하고 실제 운전 중 다양한 요인으로 인해 시스템 고장이 발생할 수 있으며, 이러한 고장을 신속하고 정확하게 진단하는 기술 또한 시스템 안정성 향상의 핵심 요소이다. SOEC의 안정적 운전을 위해 고장 진단은 선택이 아니라 필수적이다. 특히 보조시스템(Balance of Plant, BOP)에서 발생한 이상은 스택 차압과 유량 분포, 열관리 등에 연쇄적으로 영향을 미쳐 시스템 전반으로 빠르게 전파되며, 경우에 따라 스택의 비가역적 손상을 초래할 수 있다. 연료전지(PEMFC, SOFC 등) 분야에서는 고장 진단에 대한 연구가 다수 수행되어 왔으나^7-9), SOEC는 수전해 작동 조건과 가스 조성, 수소 재순환 경로 등 운전 특성이 상이하여 기존 결과를 그대로 적용하기 어렵다. 따라서 SOEC에 특화된 고장 진단 연구가 필요하지만, 실제 시스템에 의도적으로 고장을 인가하여 데이터를 확보하는 것은 설비 손상 위험, 안전 요건, 높은 비용 등의 제약으로 인해 현실적으로 어렵다. 이러한 공백을 해소하기 위해 본 연구에서는 SOEC BOP 고장 모사장치를 설계·구축하였다. 특히 수소 재순환 시스템 고장 모사장치를 대상으로 열화·누출·막힘 등 대표적인 고장을 단계적으로 모사하고, 압력·유량·온도·구동전력 등의 응답신호를 수집하였다. 수집된 데이터를 통해 고장 유형별 응답 데이터를 표준화하고 라벨링하여, 머신러닝 분류기에 학습시켰으며, 그 결과를 통해 데이터 기반 고장 진단의 실효성과 현장 적용 가능성을 확인하였다.

2. 실험 방법

2.1 SOEC 수소 재순환계 고장 모사 장치

본 연구에 사용된 수소 재순환계 고장 모사 장치는 실제 20 kW급 SOEC 시스템의 3,000시간 운전 데이터를 기준으로 설정하였다. Fig. 1은 20 kW급 SOEC 시스템 사진 및 구성도이며, 크게 수소재순환계, 공기공급계, 스팀 생성계로 나눌 수 있다.

Fig. 1.

Experimental setup of the 20 kW-class SOEC system

2.1.1 고장 모사 장치

통상 SOEC의 산소극에는 공기를 sweep gas로 공급하여 생성된 산소를 배출하고 산소 분압을 낮춤으로써 전기분해에 필요한 열역학적 요구를 완화하며, 높은 산소 분압에 의해 유발될 수 있는 전극 열화를 억제한다. 또한 연료극에는 수증기와 함께 소량의 수소를 공급하여 환원 분위기를 유지하고 전극의 재산화를 방지한다. 따라서 생산한 수소 일부를 스택 출구부에서 입구부로 재순환시키며, 이를 모사한 장치를 Fig. 2에 나타내었다. 스택에서 나온 수소(빨강)가 블로워에 의해 일정 비율로 재순환되는 구조이며 수소 생산량(73 lpm) 및 재순환량(20 lpm)은 Fig. 1 SOEC 시스템의 2/3 수준이 되도록 설정하였다. 재순환 블로워의 정상상태 출·입구 압력 차는 실제 시스템과 동일하게 0.16 bar가 되도록 배관 압력을 조정하였으며, 블로워는 목표 유량값을 유지하도록 PID 제어하였다.

Fig. 2.

Experimental setup of the hydrogen recirculation fault emulation platform

2.1.2 고장 시나리오

수소 재순환계의 고장 시나리오는 Fig. 3에 도시한 바와 같이 Mass Flow Meter (MFM) 열화(MFM degradation), MFM 전단 누출(Before leakage), MFM 후단 누출(After leakage), 막힘(Clogging)의 네 가지로 구성하였다. 모든 시나리오는 정상상태에서, 고장의 단계별 인가(leakage 정도 등)를 통해 응답의 크기와 추세를 관찰하였다. 계측 항목은 Fig. 3에 나타낸 온도(T1∼T3), 압력(P1∼P3)과 유량, 블로워 동력이다.

Fig. 3.

Schematic illustration of hydrogen recirculation fault scenarios and sensor locations

2.2 데이터 전처리 및 학습 절차

본 연구에서는 각 실험 케이스마다 20분 이상의 초기 안정화 구간을 확보하고, 이를 정상 구간으로 정의하였다. 또한 데이터 전처리는 개별 고장 케이스 단위로 수행하였다. 각 케이스의 센서 신호를 시간 축으로 동기화한 후, 정상 기준 구간에서 평균(μ_r)과 표준편차(σ_r)를 기준으로 식 (1)을 적용하여 대상 계측 및 제어 신호값 x를 $x^$ 로 표준화하였다.

x^= x - μ r / 6 σ r

(1)

이후 표준화한 신호값의 정상 및 고장 라벨 분포를 보존하기 위해 층화(stratified) 홀드아웃 분할을 적용하여 학습 70%, 검증 30%로 데이터를 나누었다. 분류기는 Python 기반의 대표적인 open source library인 Scikit-learn의 내장함수 Random Forest를 사용하였으며, hyper-parameter는 n_estimators=200, max_depth=None 설정하였다. 표준화 후 이상치 제거에는 z-score(σ 기준) 기반 전처리 방법을 적용하였다. 본 연구에서는 고장 인가에 따른 정상 범위 내 큰 동적 변동을 보존하면서도 계측 노이즈와 비정상 스파이크를 효과적으로 제거하기 위해, 상대적으로 완화된 임계값인 6σ를 사용하였다. 이를 통해 6-시그마 기반의 표준화-특징-학습 파이프라인을 구축하고, 단일 분할 검증에서 성능을 일관되게 평가하였다. 추가적으로, 모델의 일반화 성능을 검증하기 위해 층화 10-fold 교차검증을 수행하였다.

3. 결과 및 고찰

3.1 수소 재순환 블로워 고장 모사 장치

3.1.1 Normal state

정상 운전 조건에서 수행된 모사 장치의 실험과 시뮬레이션 결과를 Table 1에 정리하였다. 계측 항목은 온도(T1, T2)와 압력(P1∼P3) 그리고 블로워 동력이며, T3은 측정되었으나 실제 고장 예측에는 활용하지 않아 표에서 제외하였다.

Table 1.

Result under normal operation

본 연구에서는 모델을 구축할 때, 구체적인 절대값보다는 각 센서 신호의 증가(▲)·감소(▼) 경향과 같은 상대적 변화 패턴을 중심으로 분석을 수행하였다. 이는 다양한 시스템이나 운전 조건에서도 동일한 패턴 인식 기반으로 모델을 적용하기 위함이다. 다시 말해, 특정 수치보다 고장시 정상상태 대비 증감 특성이 알고리즘 학습과 일반화에 더 중요하기 때문이다.

3.1.2 Mass Flow Meter degradation

MFM 열화가 발생하면 실제 유량 측정값이 저하되어, PID 제어기는 동일한 수소 유량(20 lpm)을 유지하기 위해 블로워 구동력을 점차 증가시킨다. 이로 인해 블로워 전단 압력(P1)은 감소하고, 후단 압력(P2)은 상대적으로 상승하게 된다. Fig. 4의 결과를 보면, 실제 모사장치에서는 P2의 증가가 뚜렷하게 나타나지만 P1의 감소는 비교적 미미하였다. 이는 블로워 제어신호 증가폭이 크지 않아 전단 압력에 큰 영향을 주지 않았기 때문으로 해석된다. 한편, 압력 변화에 따라 온도 센서(T1, T2)에서도 뚜렷한 변화가 관찰되었으며, 이는 블로워 부하 증가로 인한 열 발생 및 유동 특성 변화에 기인한 것으로 판단된다.

Fig. 4.

Result of MFM degradation fault

3.1.3 Leakage before MFM

MFM 전단부에서 누출이 발생하면, MFM에서 측정되는 수소 유량이 일시적으로 감소한다. 목표 유량(20 lpm)을 유지하기 위해 블로워 출력 증가시키며 보상 작동을 수행한다. 때문에, 압력(P1, P2)은 거의 일정하게 유지되는 현상이 나타난다. 반면, 온도(T1, T2)의 경우 유동 손실과 열전달 변화의 영향으로 구간별 변동이 부분적으로 확인되었다. Fig. 5에서 MFM 전단 누출 시 압력, 온도, 블로워 제어신호의 단계별 고장인가에 따른 변화를 보여주며, 특히 블로워 제어신호 증가가 뚜렷하게 관찰된다.

Fig. 5.

Result of leakage before MFM fault

3.1.4 Leakage after MFM

MFM 후단부에서 누출이 발생하면, 전체 시스템의 압력이 점진적으로 저하된다. 이에 따라 온도(T1, T2) 또한 압력 저하에 연동되어 함께 감소하는 경향을 보인다. 이때 누출 위치가 MFM 후단에 존재하므로, 계측 유량값으로는 변화를 확인할 수 없다. 따라서 PID 제어기가 이를 인식하지 못해 블로워의 보상 작동은 발생하지 않는다. Fig. 6은 MFM 후단부 누출 시 온도 및 압력의 변화를 보여주며, 블로워 제어신호는 거의 일정하게 유지됨을 확인할 수 있다.

Fig. 6.

Result of leakage after MFM fault

3.1.5 Clogging

재순환 라인 내부에서 막힘은 배관 내 밸브의 개도를 조절하여 모사하였다. 배관 내 막힘(저항증가)이 발생하면, 유동이 원활하게 순환하지 못해 MFM에서의 계측유량이 감소한다. 이에 따라 PID 제어기는 목표 유량을 유지하기 위해 블로워의 구동을 증가시키며 보상 작동을 수행한다. 이 과정에서 블로워 후단 압력(P2)은 뚜렷하게 상승하고, 압력 증가에 따른 온도 상승(T2) 또한 관찰된다. 막힘이 심화될수록 블로워의 부하와 전력 소비가 증가하였으며, 막힘 현상이 해결된 이후 압력과 온도가 정상 상태로 복귀함을 확인할 수 있다. Fig. 7은 막힘 정도에 따른 온도, 압력, 블로워 출력의 변화를 보여주며, 제어계의 보상 작동이 명확히 드러난다.

Fig. 7.

Result of clogging fault

Table 2는 각 고장 유형별로 주요 센서의 상대적 변화 경향을 요약한 것이다. 화살표(▲, ▼)는 정상상태 대비 증가 또는 감소를 의미하며, “-”는 유의미한 변화가 없음을 나타낸다. 표에서 확인되듯, 각 고장 유형은 서로 다른 센서 응답 패턴을 보이므로 구분이 가능하다. 다만 MFM 열화와 clogging의 경우, 센서의 증감 방향은 유사하지만 실제 변화량(증감 폭)과 응답 속도에서 차이가 존재한다. 이러한 특성은 센서 데이터를 표준화하거나 시계열 패턴으로 학습시킬 경우 충분히 구분될 수 있다. 그러나 모델이 단순히 센서값의 증감 패턴만을 학습하는 경우, 두 고장이 유사한 응답 형태로 인식되어 혼동될 가능성이 있다. 즉, 데이터 기반(data-driven) 학습에서는 표준화된 시계열 특성을 통해 두 고장의 구분이 가능한 반면에 물리 기반(model-based) 접근에서는 이러한 미세한 차이를 반영하기 어려운 한계가 존재한다. 따라서 시스템의 추가적인 위치에 압력이나 온도를 계측할 수 있는 센서 신호의 확보가 필요하다.

Table 2.

Summary of sensor response characteristics

3.2 고장 진단 결과

수소 블로워 복합 고장 데이터를 대상으로 Random Forest 모델을 이용한 진단 결과를 평가하였다. Random Forest는 다수의 결정트리를 배깅(bagging)으로 학습하여 개별 트리의 과적합을 억제하는 앙상블 기법으로, 큰 데이터 규모에서도 안정적인 분류 성능을 기대할 수 있다. 입력 데이터는 앞서 설명한 전처리 절차(6σ 표준화 및 층화 홀드아웃 분할)를 거쳐 학습 70%, 검증 30%로 구성하였다. 모델은 학습된 센서 패턴을 기반으로 정상 및 4가지 고장 유형(Normal, Before leakage, After leakage, MFM degradation, Clogging)을 분류하였다.

Fig. 8은 시간에 따른 실제 고장 상태와 모델의 진단 결과를 비교한 그래프이다. 모델이 대부분의 구간에서 실제 고장 상태를 정확히 식별하였으며, 정상 전환 시점 또는 고장 경계 부근에서만 일부 오차가 나타났다. 이는 블로워 제어신호, 압력, 온도 신호 간의 상관관계가 랜덤 포레스트의 비선형 특성 내에 효과적으로 학습되었음을 의미한다.

Fig. 8.

Fault timeline: Actual vs Diagnosis

Fig. 9의 오차행렬은 전체 진단 성능을 정량적으로 나타낸다. 모든 고장 유형에서 높은 정확도를 보였으며, 특히 Normal 및 Clogging, Before leakage 구간은 거의 완벽하게 분류되었다. 나머지 구간에서도 오분류 비율은 1% 미만으로 나타났다. 이는 고장인가 시점 등의 상태전환 구간에서의 데이터로 확인되었다. 센서 응답의 증감 방향이 동일한 특성을 보인 MFM degradation과 Clogging 또한 각 신호의 변화 폭과 상관 특성이 반영되어 효과적으로 구분되는 것을 확인하였다. 이 결과는 모델이 복합적인 센서 관계를 학습하여, 단일 변수의 변동뿐 아니라 시스템 수준의 이상 거동을 포착할 수 있음을 보여준다.

Fig. 9.

Confusion matrix of fault classification results

홀드아웃 검증 결과의 신뢰성을 확인하기 위해 층화(stratified) 10-fold 교차검증을 추가로 수행하였다. Table 3에 각 fold별 정확도를 나타내었다. 평균 정확도는 99.53%이며, fold 간 표준편차는 0.08 %p로 모든 fold에서 99.4% 이상의 정확도를 보여 특정 데이터 분할에 의존하지 않는 안정적인 성능을 확인하였다. 다만, 본 연구의 홀드아웃 검증과 10-fold 교차검증은 동일 모사장치와 사전 정의된 고장 시나리오에서 획득된 데이터에 대한 내부 검증(internal validation) 결과이며, 실제 현장 조건에서의 완전한 독립 검증을 직접 의미하지는 않는다. 특히 동일 실험 run에서 유래한 시계열 데이터 간 상관성으로 인해 성능이 낙관적으로 추정될 가능성을 완전히 배제할 수 없다. 따라서 본 연구의 99% 이상 정확도는 통제된 실험실 환경에서의 데이터 기반 분류 가능성을 보여주는 결과로 해석되어야 하며, 향후에는 run 단위 독립 검증과 실제 SOEC 운전 데이터 기반의 외부 검증이 필요하다.

Table 3.

Result of Stratified 10-fold cross-validation

또한, 본 연구의 모사장치는 실제 SOEC 시스템의 운전 조건을 반영하여 설계되었으나, 스택-시스템 통합 운전에서 나타나는 동특성, 제어기 상호작용 및 열적 과도 현상을 완전히 재현하는 데에는 한계가 있다. 따라서 본 연구 결과를 실제 현장 시스템에 직접 일반화하기에는 추가적인 검증이 필요하다. 향후 실제 SOEC 시스템 운전 데이터를 활용한 검증과 모델 전이(transfer learning) 기반의 성능 보완을 통해 현장 적용 가능성을 검토할 필요가 있다.

4. 결 론

1) 본 연구에서는 SOEC 수소 재순환계를 대상으로 실제 시스템의 고장 상황을 모사할 수 있는 실험 장치를 구성하고, 다양한 고장 시나리오(MFM degradation, Before/After leakage, Clogging)에 대한 센서 응답 특성을 분석하였다.
2) 실험 결과, 각 고장 유형은 압력(P1∼P3), 온도(T1∼T2), 블로워 제어신호 등의 정상상태 대비 변화를 통해 명확히 구분되었으며, 특히 MFM degradation과 Clogging은 유사한 응답 방향을 보이면서도 변화량 및 응답 속도에서 차이를 나타내어 고장 특성을 구체적으로 식별할 수 있었다. 또한 데이터 기반(Random Forest) 진단 모델의 성능 평가 결과, 전체 평균 정확도는 99% 이상으로 나타났으며 대부분의 고장 구간에서 실제 상태를 정확히 분류하였다.
3) 다만, 본 연구는 실제 SOEC 시스템의 운전 조건을 반영하여 설계된 실험실 수준의 모사장치에 기반하고 있으므로, 스택-시스템 통합 운전에서 발생하는 동특성, 제어기 상호작용, 열적 과도 현상을 완전히 반영하지 못하는 한계가 있다. 또한 각 실험 케이스의 초기 안정화 구간을 정상 상태로 정의하고 이를 기준으로 표준화를 수행하였으나, 실제 장기 운전에서는 전극 열화 및 운전 조건 변화에 따라 정상 기준이 시간에 따라 이동할 수 있어 고정 기준 기반 진단 성능이 저하될 가능성이 있다. 아울러 본 연구의 성능 평가는 동일 모사장치와 사전 정의된 고장 시나리오에서 획득된 데이터에 대한 내부 검증 결과이므로, 이를 실제 SOEC 시스템의 현장 일반화 성능으로 직접 해석하는 데에는 한계가 있다. 또한 실제 운전 환경에서는 복수의 고장이 동시에 발생하거나 연쇄적으로 전파되는 복합 고장 상황이 발생할 수 있다.
4) 따라서 향후에는 실제 SOEC 시스템 운전 데이터를 활용한 추가 검증을 통해 현장 적용 가능성을 평가하고, 모델 전이(transfer learning) 또는 domain adaptation 기반의 성능 보완이 필요하다. 더불어 적응형 기준 갱신, 온라인 학습, 다중 라벨 분류 및 이상 탐지 기법을 도입함으로써 concept drift와 복합 고장에 대응 가능한 실시간 진단 및 고장 예측 체계로 확장할 필요가 있다.

Acknowledgments

본 연구는 한국기계연구원의 기관 기본사업(project ID: NK262B)의 지원을 받아 수행된 결과입니다. 본 연구는 2026년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 H2 Next Round 사업의 지원을 받아 수행된 연구임(RS-2024-00467191).

References

S. Han, J. Park, S. Lee, B. Kong, H. Song, G. Park, and Y. Kim, “A study on the development of technical standards to ensure the safety and reliability of solid oxide electrolysis cell technology”, Journal of Hydrogen and New Energy, Vol. 36, No. 4, 2025, pp. 380-389. [https://doi.org/10.7316/JHNE.2025.36.4.380]
D. J. Yoon and J. H. Koh, “A study on thermodynamic efficiency for HTSE hydrogen and synthesis gas production system using nuclear plant”, Journal of Hydrogen and New Energy, Vol. 20, No. 5, 2009, pp. 416-423, doi: https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART001387104, .
T. Bui, Y. S. Kim, D. K. Lee, K. Y. Ahn, Y. Bae, and S. M. Lee, “Economic analysis and comparison between low-power and high-power SOEC systems”, Transactions of the Korean Hydrogen and New Energy Society, Vol. 33, No. 6, 2022, pp. 707-714. [https://doi.org/10.7316/KHNES.2022.33.6.707]
U.S. Department of Energy, “Pathways to Commercial Liftoff - Clean Hydrogen”, 2024, Retrieved from https://climateprogramportal.org/wp-content/uploads/2025/02/Pathways-to-Commercial-Liftoff_Clean-Hydrogen_December-2024-Update.pdf, .
X. Sun, P. V. Hendriksen, M. B. Mogensen, and M. Chen, “Degradation in solid oxide electrolysis cells during long term testing”, Fuel Cells, Vol. 19, No. 6, 2019, pp. 740-747. [https://doi.org/10.1002/fuce.201900081]
J. Beyrami, R. N. Nakashima, A. Nemati, and H. L. Frandsen, “Lifetime and performance of solid oxide electrolysis stacks and systems under different operation modes and conditions”, International Journal of Hydrogen Energy, Vol. 102, 2025, pp. 980-995. [https://doi.org/10.1016/j.ijhydene.2025.01.028]
J. Y. Park, I. S. Lim, Y. H. Lee, W. Y. Lee, H. Oh, and M. S. Kim, “Severity-based fault diagnostic method for polymer electrolyte membrane fuel cell systems”, Applied Energy, Vol. 332, 2023, pp. 120486. [https://doi.org/10.1016/j.apenergy.2022.120486]
J. Won, H. Oh, J. Hong, M. Kim, W. Y. Lee, Y. Y. Choi, and S. B. Han, “Hybrid diagnosis method for initial faults of air supply systems in proton exchange membrane fuel cells”, Renewable Energy, Vol. 180, 2021, pp. 343-352. [https://doi.org/10.1016/j.renene.2021.07.079]
P. Costamagna, A. De Giorgi, G. Moser, L. Pellaco, and A. Trucco, “Data-driven fault diagnosis in SOFC-based power plants under off-design operating conditions”, International Journal of Hydrogen Energy, Vol. 44, No. 54, 2019, pp. 29002-29006. [https://doi.org/10.1016/j.ijhydene.2019.09.128]

Fold	accuracy (%)	F1-score
1	99.61	0.9961
2	99.46	0.9946
3	99.53	0.9953
4	99.46	0.9946
5	99.42	0.9942
6	99.69	0.9969
7	99.61	0.9961
8	99.49	0.9950
9	99.57	0.9957
10	99.49	0.9950
average	99.53 ± 0.08	0.9953 ± 0.0008

	T1	T2	P1	P2	P3	power
MFM	▼	▲	-	▲	-	▲
Before leak	▼	▲	-	▼	▼	▲
After leak	▼	▼	▼	▼	▼	▼
clogging	▼	▲	-	▲	-	▲