.svg)
AI 솔루션 문의하기
산업 현장의 기계들은 작동 중에 여러 종류의 물리적 신호를 발생시킵니다. 진동, 온도, 음향, 전기 신호, 압력 등이 기계의 현재 상태와 성능을 나타냅니다. 이러한 신호들을 수집하고 분석하면 기계의 건강도를 파악할 수 있습니다. 회전 기계의 경우 베어링 마모, 임펠러 불균형, 윤활 부족이 진동 신호에 명확하게 나타납니다. 모터와 드라이브는 전류 신호의 변화로 상태를 전달합니다. 펌프와 압축기는 압력 및 유량 신호의 변동으로 성능 저하를 나타냅니다. 이러한 다양한 신호를 종합적으로 해석하면 기계의 현재 상태뿐만 아니라 향후 고장 가능성도 예측할 수 있습니다.
진동은 기계의 건강 상태를 가장 직접적으로 나타내는 신호입니다. 시간 영역의 진동 파형, 주파수 영역의 진동 스펙트럼, 고주파 대역의 신호를 분석하면 다양한 기계 결함을 식별할 수 있습니다. 베어링의 초기 손상은 고주파 대역에 특징적인 임펄스 신호를 나타냅니다. 불균형이나 정렬 오류는 회전 주파수와 그 배수에서 뚜렷한 피크를 만듭니다. 윤활 부족은 진동의 크기가 점진적으로 증가하는 특성을 보입니다. 이러한 결함별 진동 특성을 학습한 인공지능 모델은 측정된 진동으로부터 기계의 현재 상태를 정확하게 진단할 수 있습니다. 또한 진동의 시간 변화 추이를 분석하여 고장까지의 잔여 수명을 예측할 가능성이 있습니다.
기계의 온도는 그 내부 상태를 나타내는 중요한 지표입니다. 정상 범위를 벗어난 온도나 특정 부위의 비정상적으로 높은 온도는 내부 마찰 증가, 윤활 부족, 또는 냉각 시스템 고장을 의미할 수 있습니다. 베어링 온도는 윤활 상태와 마모도를 직접 반영합니다. 모터 권선의 온도는 과부하나 절연 열화의 신호입니다. 유압 유체의 온도는 시스템의 효율성과 부품 수명을 결정합니다. 따라서 여러 위치에 온도 센서를 배치하여 기계 내부의 온도 분포를 추적하는 것이 중요합니다. 계절, 환경, 작동 조건에 따른 온도 변화의 정상 범위를 학습한 모델은 진정한 이상 온도를 정확하게 식별할 수 있습니다.
청각적 신호와 초음파 신호는 시각적으로 관찰하기 어려운 미시적 결함을 감지하는 데 매우 효과적입니다. 기계의 음향 신호를 분석하면 베어링의 초기 스팔링, 기어의 손상, 밸브의 누수 같은 초기 결함을 조기에 포착할 수 있습니다. 정상적인 기계는 일정한 음향 특성을 유지하며, 결함이 발생하면 음향의 주파수 성분과 강도가 변합니다. 비청각 주파수 대역의 초음파 신호는 윤활 막의 성질 변화, 마찰 면의 접촉 특성 변화를 민감하게 감지합니다. 이러한 음향 신호를 데이터로 수집하고 머신러닝으로 분석하면 분해 검사 없이도 기계의 미시적 손상 정도를 평가할 수 있습니다.
모터, 펌프, 압축기 같은 전기 구동 기계의 경우 전기적 신호가 기계 상태의 변화를 빠르게 반영합니다. 입력 전류, 전압, 전력 인수, 고조파 성분 등의 전기적 신호를 분석하면 기계의 기계적 상태를 추론할 수 있습니다. 기계적 부하가 증가하면 입력 전류가 증가합니다. 베어링 마모로 마찰이 증가하면 전력 소비가 높아집니다. 불균형으로 진동이 증가하면 전류에 변조 신호가 나타납니다. 이러한 전기적 특성 변화를 고속으로 샘플링하고 분석하면 기계의 상태를 실시간으로 모니터링할 수 있습니다. 또한 전기적 신호는 기계 외부의 센서로 비침습적으로 수집할 수 있다는 장점이 있습니다.
• 진동 신호 처리 시간-주파수 영역의 진동 신호를 다층적으로 분석합니다
• 온도 모니터링 기계의 열화 과정을 추적하고 비정상을 감지합니다
• 음향 신호 분석 청각 및 초음파 신호로 미시적 결함을 포착합니다
• 전기 신호 해석 전류, 전압, 전력 신호로 기계 상태를 추론합니다
• 결함 분류 센서 신호로부터 결함의 유형을 자동으로 식별합니다
• 잔여 수명 예측 현재 상태로부터 고장까지의 시간을 예측합니다
• 상태 등급 평가 기계의 건강도를 정량적 점수로 표현합니다
• 유지보수 최적화 최적의 유지보수 시점을 제시합니다
단일 센서의 신호만으로는 기계 상태의 완전한 이해가 어렵습니다. 여러 종류의 센서로부터 수집된 다양한 신호를 종합적으로 분석함으로써 더욱 정확하고 신뢰할 수 있는 상태 평가가 가능합니다. 예를 들어 베어링 결함을 진단할 때 진동 신호는 그 존재를, 온도 신호는 그 심각도를, 음향 신호는 그 진행 속도를 나타낼 수 있습니다. 이러한 다중 신호의 정보를 결합하면 단일 신호로는 놓칠 수 있는 뉘앙스를 포착합니다. 또한 한 센서의 오류나 고장 상황에서도 다른 센서의 정보로 보완할 수 있습니다. 다중 센서 융합 기법을 통해 기계 상태 진단의 견고성과 신뢰성을 향상시킬 수 있습니다.
기계는 다양한 작동 조건에서 사용됩니다. 부하, 속도, 온도, 습도 등의 작동 조건이 변하면 센서 신호의 정상 범위도 함께 변합니다. 일정한 기준값만으로는 작동 조건 변화에 따른 신호의 자연스러운 변화와 결함으로 인한 신호 변화를 구분하기 어렵습니다. 따라서 작동 조건을 고려한 정상 신호 범위를 동적으로 조정할 필요가 있습니다. 저속 저부하 상태와 고속 고부하 상태의 정상 진동은 매우 다릅니다. 인공지능 모델은 현재의 작동 조건을 입력받아 그에 해당하는 정상 신호 범위를 계산하고 이를 기준으로 이상을 판단합니다. 이러한 적응형 모니터링을 통해 거짓 경보를 줄이고 진정한 결함 신호만을 정확히 감지할 수 있습니다.
기계 결함은 급작스럽게 발생하기보다는 점진적으로 진행되는 경향을 보입니다. 센서 신호의 시간에 따른 변화 추이를 분석함으로써 현재 상태뿐만 아니라 향후의 발전 경로를 예측할 수 있습니다. 진동이 일정한 속도로 증가하고 있다면 수일 또는 수주 내에 고장에 도달할 것으로 예측됩니다. 온도가 안정적으로 유지되고 있다면 당분간 문제가 없을 가능성이 높습니다. 이러한 추이 분석을 통해 계획적인 유지보수 일정을 수립할 수 있습니다. 응급 수리가 아닌 예측적 유지보수를 실시하면 생산 중단 시간을 최소화하고 부품 재고를 효율적으로 관리할 수 있습니다. 또한 예기치 않은 기계 고장으로 인한 생산 손실과 안전 사고를 사전에 방지할 가능성이 높습니다.
기계의 결함뿐만 아니라 성능 저하도 중요한 모니터링 대상입니다. 같은 작동 조건에서 입력 에너지에 대한 출력이 감소하면 이는 내부 마찰 증가, 효율 감소, 또는 윤활 상태 악화를 의미합니다. 에너지 효율을 추적함으로써 기계가 처음 설치되었을 때와 비교하여 얼마나 성능이 저하되었는지 정량화할 수 있습니다. 또한 에너지 효율의 저하는 비용 증가를 직접적으로 의미하므로 유지보수의 경제성 분석에 활용할 수 있습니다. 에너지 효율이 임계값 이하로 떨어지면 유지보수를 권고할 수 있습니다. 이러한 에너지 기반의 성능 평가는 기계의 경제적 수명을 연장하고 운영 비용을 절감할 가능성이 있습니다.
모든 기계는 고유한 특성을 가집니다. 동일한 규격의 기계라도 제조 편차, 설치 조건, 누적된 사용 시간의 차이로 인해 신호 특성이 미묘하게 다릅니다. 따라서 절대적인 기준값이 아니라 각 기계의 건강한 상태를 기준으로 삼는 베이스라인을 구축하는 것이 중요합니다. 새로운 기계가 정상 작동할 때의 센서 신호를 충분히 수집하여 그 기계의 정상 신호 특성을 학습합니다. 이후 측정되는 신호가 베이스라인으로부터 얼마나 벗어났는지를 평가함으로써 이상을 감지합니다. 이러한 개별 기계별 베이스라인 방식은 기계 간의 편차를 극복하고 각 기계의 진정한 상태 변화만을 추적할 수 있습니다.
.svg)
.svg)
