안녕하세요, AI 기반 예지보전 솔루션 모터센스입니다.
지난번에는 선형 제어에 사용되는 회전체: 리니어 모터에 대해 알아봤습니다.
만약 해당 게시글을 보지 않았다면, 아래의 링크를 참고해 주세요.
오늘은 AI를 통한 회전 기계의 예지보전에 대해 알아보고자 합니다.
이번 포스팅에서는 진동 기계 진단에 사용해 온 기존의 예지보전 방식을 소개하고, 왜 AI 예지보전을 도입해야 하는지 살펴보도록 하겠습니다 
진동기계의 예지보전을 위해 주로 사용하는 방식은 설비의 진동 데이터를 측정해 이를 기반으로 고장 여부를 판단하는 것인데요.
과거에는 진동을 평가할 때, 한계치나 허용치, 등급 등 임의의 기준을 설정해 실제 측정값과 비교해가며 기계의 상태를 진단했습니다. 하지만 설비의 사양, 종류, 형식, 설치 방법 등 변수가 많다 보니 하나의 기준을 일률적으로 적용했을 때 진단의 정확도가 떨어질 수 밖에 없었습니다.
진동에 영향을 끼치는 다양한 요인들을 고려한 개별적인 진단 기준이 필요해지면서 설비별 측정 기준을 쉽고 빠르게 도출해낼 수 있는 AI를 이용한 진동 평가 방식이 도입되기 시작했습니다.
기존의 진동 평가 기준
1. 절대평가기준
미국 국가 표준 기구(American National Standards Institute, ANSI)와 국제 표준 기구(International Organization for Standardization, ISO) 같은 공인 기구들이 정한 기준. 일반적으로 널리 사용되었음
•
절대평가기준의 단점: 기준 설정 당시의 현장과 정확히 동일한 조건을 설정할 수 없어 실제 상황에 적용했을 때 정확도가 떨어짐
2. 상대평가기준
절대평가기준의 단점을 보완하기 위해 등장.
동일한 위치에서 발생하는 진동을 정기적으로 측정하여 초기 진동값을 기준(정상)으로 삼아 이후 변화를 추적하는 방식.
.png&blockId=f7521269-8c46-4cf3-8de6-3390ec15dc90)
상대평가기준 (출처: astint)
•
상대평가기준 적용시 주의할 점
1.
진동을 측정하는 계측기의 위치는 늘 동일해야 합니다.
초기의 진동 값과 이후의 진동 값을 정확하고 객관적으로 비교하기 위해 항상 같은 부위에서 계측이 이루어져야합니다.
2.
휴먼 에러(Human error)를 고려해야 합니다.
상대평가기준에 따라 설비를 진단할 때는 정상 범위의 기준을 사람이 설정해야 하기 때문에, 관리자 및 전문가의 직감과 경험에 의존하는 경우가 많습니다. 이 과정에서 주관적인 의견이나 잘못된 판단이 개입될 경우 정확도가 떨어지게 됩니다.
이상으로, 진동 평가의 변천사에 대해 설명을 드렸는데요, 이 밑으로는 기존 방식과 달리 AI를 이용한 진동 측정은 어떤 장점을 가지고 있는지 자세하게 말씀드릴게요.
AI를 통한 진동 평가 장점
위의 두 예시처럼 환경과 설비의 차이 때문에 일괄적인 기준을 적용해 진동을 측정할 경우 정확도가 낮아진다고 말씀드렸는데요. 이런 기준을 설비에 맞춰 개별화하는 솔루션이 모터센스의 AI 기술입니다.
모터센스는 인공지능을 이용하여 각 설비에서 수집된 데이터를 알고리즘에 학습시킴으로써 천편일률적인 기준이 아닌 기계별 고장 예측 모델을 생성합니다.
.png&blockId=81934901-d63f-43c4-bb3d-072cfbd78245)
AI를 이용한 모터 고장 예측의 장점
•
정확성이 높습니다. AI 알고리즘은 수집된 데이터를 분석하고 패턴을 파악함으로써 더욱 정확한 예측 결과를 도출할 수 있습니다. 또한 흔히 사용되는 지표뿐만 아니라 다양한 변수를 동시에 고려한 기준을 설정할 수 있어 보다 더 정확한 판단이 가능합니다.
•
신속합니다. 대량 데이터를 빠르게 처리하여 설비를 실시간으로 모니터링하고, 이상 징후를 감지하면 E-mail, SMS 등 알림을 보내 즉각적으로 대처할 수 있게 유도합니다. 이를 통해 고장 발생을 사전에 예방하고, 생산성을 높일 수 있습니다.
•
인력과 비용 절감 효과가 있습니다. 전문가가 수동으로 데이터를 수집하고 분석하는 기존 방식에는 많은 시간과 인력이 필요했습니다. 하지만, AI를 이용한 고장 예측은 자동화된 데이터 수집과 분석으로 더 경제적입니다.
•
유연성이 높습니다. AI는 데이터를 기반으로 스스로 학습하여 다양한 환경 및 조건에서도 고장을 예측할 수 있습니다. 또한 설비마다 다른 고장 예측 모델을 생성을 하여 각기 다른 고장 기준을 적용하여 유연하게 고장을 탐지할 있는 장점이 있습니다.
AI로 고장 예측이 가능할까?
다양한 요인을 고려하여 고장 예측을 한 대표적인 예시로 M사의 베어링의 고장 사례가 있습니다.
•
M사 실제 측정 데이터
.png&blockId=456950e7-ff45-485e-b032-7f31d74f7d49)
위의 자료를 보면, 학습 데이터인 3월과 비교하여 5월 이후로 가속도와 RMS 값이 커지고 고주파 비율이 증가함을 확인할 수 있습니다. 이전까지는 약 300Hz 영역에서 가장 큰 진동이 발생했지만, 이상을 감지한 5월 경부터 약 1300Hz 영역까지 진동 크기가 커지는 것을 확인할 수 있습니다.
.png&blockId=ee37a0fe-4859-4e76-a48d-0dab17ea8802)
이렇듯 AI가 다양한 지표 변화를 종합적으로 판단한 결과, 베어링의 이상을 감지하고 설비의 고장을 미리 탐지하여 대비할 수 있었습니다.
기존의 방식으로 진단했다면 분석에 시간이 많이 소요돼 적절한 처치시기를 놓쳤을 수도 있는 케이스였는데요. 다양한 지표를 다각도로 분석하여 미세한 변화까지 감지해 낸 모터센스의 고장 예측 기술 덕분에 가동 중단을 예방할 수 있었습니다.
모터센스 예지보전 솔루션은 이미 많은 고객들로부터 실제 적용 및 검증을 거쳐 다양한 고장 예측 및 탐지 경험을 쌓은 제품입니다. 이러한 데이터를 기반으로 이를 통해 알고리즘과 데이터 분석 기술을 최적화하고 보다 더 정확하고 유연한 고장 예측 모델을 제공하고 있으며, 지금 이 순간도 학습을 통해 끊임없이 발전하고 있습니다
아래의 링크에서 더 많은 고장 진단 사례를 확인해 보세요!
지금까지 AI를 통한 회전 기계의 상태 진단 방법에 대해 알아봤습니다.
모터센스에 대해 더 자세히 알고 싶으시다면 아래 버튼을 클릭해 홈페이지에 방문해주세요 홈페이지 바로가기
홈페이지 바로가기