CPS/PHM 설비예지보전 (5)

덤

• 속도가 2배가 되면 진동 수는 4배(제곱)가 된다고 하는데, 그럼 어떻게 계산을 하는건지 이해가 잘 안된다. 2배로 빨리 움직이면 주기도 2배가 되는 게 아닌가?
  • 이거 구글 검색으로 약간 봤는데 지금 배우는 속도와 진동이라는 것은 기계의 불평형력을 기준으로 삼기 때문에 그렇게 계산되는 것. ‘속도’로 볼 게 아니라 ‘불평형력’으로 보고 계산해야 맞다
• AI/Deep Learning이 Raw Data를 그대로 활용하면 높은 성능: 피처 데이터를 만드는 전처리와 AI를 위한 전처리가 달라서 raw 데이터를 주는 게 낫다는 뜻인지?
• tldr; 윈도우+시프트+T or S 누르고 텍스트 추출기 선택하면 화면에서 텍스트 추출해서 복사할 수 있다
• 이렇게 마지막 날에 강의자료 몰아치시면 난 어떻게 필기를 남겨야 할지 참 고민스럽습니다
• 플렉시블 로터는 위험속도 이후 범위에서 운행되는 회전설비 → 발전소 로터 → TSI 사용한다
• 리지드 로터는 위험속도 이전 범위에서 운행되는 회전설비 → CMS 사용한다
• 설비 예지보전을 위한 진단 그거 국가 자격증 있대: 한국설비진단자격인증원
  • 근데 경력 있어야 시험이라도 볼 수 있음. 취준생이 딸 자격증은 아님…
  • 진동 파트는 1-4급으로 나뉘는듯
• PdM은 현장 업무인데, PHM은 관리자 업무다
  • PHM 하는 사람이 진동 분석을 일일이 하는 게 아니다. 근데 뭐가 문제인지 왜 문제인지 그 과정과 결과는 알아야 일을 하니까 배우는 거임. PHM은 의사결정이다.

어제 하던 사례 설명 이어서 함

• DB에서 가장 중요한 것은 데이터가 사용 가능하고 살아있어야 한다는 것 → 수집도 정리도 잘 하라는 말임
• 공장에서 수집한 측정값은 중요도에 따라 인덱스화해서 저장하기
• 오래된 데이터는 주기적으로 평균화해서 압축하기, 당연히 이상/특이 데이터는 따로 빼둬야 한다
• 예지보전에서 어려운 점: 온도, 계절, 담당자가 누군지, 제조사가 어딘지 등 비정형 데이터도 설비의 수명에 영향을 준다
• AI가 무슨 데이터로 학습을 하겠어요 피처 추출해서 할까요 그런 데이터가 어디 있어 raw 데이터 쓰는 거예요.
• 단일 인덱스화
  • 건전성 평가라는 건 다양한 지표를 단일한 인덱스로 평가해야 한다(제대로 쓴건지 모르겠음) 암튼 데이터는 다양해도 YES or NO 평가는 일관된 기준으로 가능하도록 정규화해야 한다는 말로 이해했음. 왜냐사람이 그 결과 인덱스만 보고 헷갈리지 않고 지금 상황이 무슨 상황인지 파악할 수 있어야 하기 때문
  • 측정값 그 자체는 각각 범위가 다르다. 0~1 값이 나오는 지표가 있고 1~10 값이 나오는 지표가 있는데 이걸 raw 그대로 두면 사람 눈에는 후자가 더 눈에 띌 수밖에 없다. 하지만 전자의 1과 후자의 1은 상황이 전혀 다르기 때문에 하나의 인덱스로 치환해서 전자가 10, 후자가 1로 보이게 만드는 게 인덱스화다.
  • 또한 단위가 달랐던 지표들이 모두 스케일링이 되었기 때문에 한번에 하나의 그래프에 표시할 수 있게 된다. 가독성 급상승.
• 이전까지 정밀진단은 전문가가 하는 일이었기 때문에 보전 병목 구간이었다. 비전문가도 전문가만큼 분석할 수 있게 해야 진짜 보전이 원활히 이루어질 수 있다. → 단일 인덱스화 하세요 많이 하세요
• 공정마다 설비마다 단일 인덱스를 사용하긴 하지만, 모든 공정과 설비가 직렬로 연결된 게 아니니 어떤 설비는 고장나도 대타가 있는데 어떤 설비는 대타가 없을 수도 있다. 이때 관리 우선순위 효율적이고 일관되게 정할 수 있도록 공정 구조에 따른 가중치를 부여해서 인덱스를 다시 계산한다.
  • 예를 들어 A 공정 설비 1대와 D 공정 설비 1대가 각각 모든 공정의 시작이자 끝이고, B 공정 설비는 2대, C 공정 설비는 4대 있어서, A-B-C-D 순서대로 공정이 진행된다고 치자. 이때 가중치는 각 공정에서 설비들이 각자 부담하는 비중 만큼 주면 된다. A와 D 설비는 단독이므로 100%, B 설비는 2대니까 50%, C 설비는 4대니까 25%를 주는 방식. 이걸 인덱스에 곱하면 전체적으로 어떤 설비를 우선적으로 관리해야 할지 쉽게 확인할 수 있다.
• 모니터링 팩터라는 건 ‘뭘 보겠다’가 먼저가 아니라, ‘어떤 고장이 발생하는지’가 먼저이고, 그것에 대한 판별 지표가 모니터링 팩터로 선택되는 거다.
• 온보드 분석(시스템 내부에서 알아서 분석)의 장점: 서버를 거치지 않아 빠르고, 그동안 서버는 다른 걸 더 할 수 있다. 또한 온보드 디바이스 덕에 거의 실시간성을 챙길 수 있음.
  • 온보드 분석을 사용하지 않던 때에는 서버가 데이터를 처리하고 분석했다. 근데 서버가 그 일만 하나데이터 조회하고 외부랑 통신하는 거 다 하는데, 그러니까 부담은 제일 많이 받으면서 빠지면 절대 안되는 부분이 된 거임.
  • 지금은 온보드 디바이스에서 대신 데이터를 처리하고 분석한다. 통신도 한다.
  • 이제 서버는 AI가 들어간다. 온보드 디바이스가 피처 값과 raw 데이터를 보내준다(물론 이건 설정하기 나름).
    • raw 값은 항상 보내는 건 아니고, 어떤 특수 이벤트가 있을 때에만 보내도록 할 수도 있다. 디바이스가 봤을 때 문제가 있는 것 같은데, 서버도 한번 데이터 처리해서 확인해보고 이벤트가 맞는지 검증하게 하는 것.
  • 예를 들어 한국타이어의 경우에는 예전에 구축된 시스템이기 때문에 서버가 모든 일을 처리하고 있다. 그래서 느림. 데이터도 20분에 한번씩 받는다. 그럼 문제가 뭐야돌발 이벤트를 확인할 수가 없어.
  • 근데 온보드 디바이스가 그걸 처리하면 1분에 한번씩 데이터를 받는 것도 가능하게 된다. 거의 실시간 처리가 가능함.

PdM 전환

5.1 데이터 기반 의사결정

• PdM 목표
  • 데이터를 기반으로 언제 고장(또는 성능 저하)이 발생할지 계산
  • 고장 예측 결과를 사용하여 정비, 생산, 재고, 운영 의사결정의 최적화
  • 주관적 감(경험) → 객관적 데이터 기반 Decision으로 전환
  • PdM은 기술보다 의사결정 프로세스의 혁신이 핵심
  • 단순히 모델을 잘 만드는 것이 목적이 아니며, 모델을 통해 더 나은 의사결정을 빠르고 정확하게 내리는 것이 목표
  • 데이터 기반 의사결정으로 생산-보전-품질-재고가 한 흐름으로 연결
  • 결과적으로 비용 절감 + 리스크 감소 + OEE 향상이 실현됨

5.2 PdM 전환을 위한 로드맵

• 데이터 확보 체계 : PdM의 기반은 충분하고 신뢰도 있는 데이터 확보
  • 센서 데이터(진동, 온도, 전류 등) 정밀도 향상
  • Sampling frequency, Bandwidth, Resolution 기준 상향
  • 정상/비정상 시 데이터를 균형 있게 수집
  • 데이터 결측/노이즈 제거 기준 마련
  • 운전조건(부하, 속도, 온도) 등 컨텍스트 데이터 함께 수집
  • → 데이터가 정확해야 의사결정이 정확해진다.
• 데이터 정제 및 품질 관리(Data Quality Management) : PdM 의사결정이 실패하는 가장 흔한 이유는 데이터 품질 부족임
  • 데이터 클렌징 규칙 정의
  • 센서 교정(Calibration) 데이터 반영
  • 노이즈 제거/필터링(HPF/LPF, 고속 FFT 기반)
  • 프로세스 데이터와 상태 데이터의 시간 동기화(Time alignment)
    • 각 지표 간 시간이 맞아야 상황을 똑바로 파악한다
  • 고장 이벤트 라벨링 체계 마련
  • → PdM의 성패는 데이터 품질이 70% 좌우한다.
• 데이터 기반 고장 패턴 분석 : PdM의 핵심은 데이터 속에서 고장 징후의 패턴을 찾는 것
  • 진동: RMS, Peak, CF, Kurtosis, Shaft Harmonics, Envelope
  • 전류/전압: Motor Current Signature Analysis(MCSA)
  • 온도 패턴: Thermal drift, 열화 추세
  • 공정부하, 속도와 결함 신호 상관관계 분석
  • 정상 상태 모델링(Normal Baseline Model)
  • → 다차원 특징 분석으로 확장
• 고장 예측 모델(ML/DL) 개발 및 RUL 도입 : 데이터 기반 의사결정의 핵심 단계
  • 통계 기반 모델
  • ML 모델
  • DL 기반 예측
  • RUL(Remaining Useful Life) 추정 모델
  • 모델 성능 검증
  • → 예측값 기반으로 정비 시점, 교체 시점, 생산 계획을 정밀 결정

• 데이터 기반 의사결정 프로세스 체계 완성 : PdM의 특징은 예측모델보다 예측결과를 활용하는 프로세스가 중요

  PdM은 의사결정 시스템이다

  • PdM에서 생성되는 의사결정 예시
    • RUL 120시간 → 다음 생산 종료 후 교체
    • Bearing #2 결함 확률 85% → 교체 자재 준비
    • 특정 설비의 고장 예측 증가 → 생산 계획 우회
    • 임계고장 예상 48시간 → 설비 Shutdown 시간 확보
    • 고장 위험 증가 → Spare stock 조정
  • Alarm → Diagnosis → Prediction → Decision → Action → Review
  • 예측값 기반 보전 의사결정 규칙
  • 생산, 보전, 품질 부서 간 협업 체계 구축
  • 경제성 평가 기반 의사결정 절차
  • → 모델이 의사결정을 만드는 것이 아니라, 의사결정을 실행할 수 있는 체계를 만드는 것이 PdM 전환의 본질

5.3 PHM의 구조

• 설비의 상태를 감지 → 이상감지 → 진단 → 예측 → 의사결정 → 조치 → 피드백까지의 전체 Lifecycle 관리 체계
• 센서 기반 모니터링 + 고장 진단 + 수명 예측 + 의사결정 + 유지보수 전략 전체를 통합한 시스템/ 프로세스임
• PHM구조 : ISO 13381·13379 기준에 기반
  • Sensing (상태 데이터 획득)
  • Data Acquisition & Transmission (데이터 수집/전송)
  • Data Processing (전처리 & 품질 관리)
  • Diagnostics (이상탐지·고장진단)
  • Prognostics (잔여수명(RUL) 예측)
  • Decision Support (의사결정 지원)
  • Maintenance Action / Feedback (정비 실행 & 피드백)
• STEP1. Sensing - 상태 데이터 취득
  • PHM의 첫 단계는 설비 상태를 반영하는 물리량을 정확하고 지속적으로 측정하는 것
  • 주요 센서 종류
    • 진동(Vibration): 베어링, 모터, 기어박스, 펌프, 팬
      • 분석할 때에는 주로 쓰지만 이건 2차 효과 파라미터. 설비가 열화되면서 나타나는 현상을 나타냄.
    • 온도(Temperature): 베어링, 권선, 윤활, 냉각
    • 전류/전압(Current/Voltage): MCSA 기반 결함 감지
      • 이건 ISO에 포함되기엔 약간 어려운 부분이 있음. 고장 직전이나 되어서야 티가 나기 때문. 그럼 예지보전이 아니죠?
    • 음향/초음파(AE/Ultrasonic): 누설, 크랙
    • 압력/유량(Pressure/Flow): 유압/공압 설비
      • 이건 주 효과 파라미터. 설비가 자신의 할일을 하기 위해 발생하는 현상들. 주로 감시에 쓴다.
    • 오일 상태(Oil Debris & Quality): 윤활 상태, 마모 입자
  • 핵심 포인트 : PHM의 품질은 센서 데이터 품질로 결정된다.
    • 센서 정확도(Resolution, Bandwidth, Sampling Rate)
    • 센서 위치 선정 (ISO10816/20816 기반)
    • 환경 영향(온도, EMI 등) 최소화
• STEP2. Data Aquisition - 데이터 수집/전송
  • 수집된 데이터를 안정적으로 수집 → 변환 → 전송하는 단계
  • DAQ/게이트웨이 구성
    • 유선 DAQ
    • 무선 센서 (BLE, LoRa, WiFi 등)
    • 게이트웨이(Edge) → 서버/클라우드
      • DAQ나 무선 센서가 데이터를 다 처리하기엔 무리가 있어서 게이트웨이가 대신 한다
  • 전송 프로토콜
    • MQTT / HTTP / OPC-UA / Modbus
    • Edge AI 처리 후 요약 데이터만 전송도 가능(지연, 비용 절감)
      • 클라우드 때문에 데이터 송수신을 줄이는 것이기도 함
  • 데이터 종류
    • Raw Data (Time Wave), FFT/Envelope 등 추출된 Feature Data
    • 이벤트·알람 로그
    • 설비 운전조건 데이터(Load, rpm, 온도)
• STEP3. Data Processing - 데이터 전처리
  • 수집된 데이터를 분석 가능한 형태로 만드는 단계
  • 게이트웨이나 DAQ가 할 수 있는 일임
  • 주요 기능
    • Filtering (HPF, LPF, Bandpass)
    • Denoising
    • Data alignment (운전조건, 속도 보정)
    • Imputation (결측값 처리)
    • Normalization & Baseline Modeling (정상 상태 기준선 생성)
  • 품질관리 기준
    • 센서 교정(Calibration)
    • 데이터 품질 KPI PdM/AI 모델 성능은 전처리 품질에 70% 이상 좌우된다.
• STEP4. Diagnostics - 이상탐지 및 고장진단
  • CBM(상태기반보전)의 핵심에 해당하는 단계
  • 이상탐지(Anomaly Detection)
    • Threshold 기반 (ISO 기준, 경험기반 경보값)
    • 통계 기반
    • ML 기반
  • 고장진단(Fault Diagnosis)
    • 베어링 고장(Outer/Inner Race, Ball Defect)
    • 모터 고장(Rotor Bar, Misalignment, Looseness)
    • 기어 결함(Gear Tooth Crack, Backlash)
    • 펌프/팬 이상(Cavitation, Unbalance)
  • 결과
    • 고장 유형(Type)
    • 고장 위치(Location)
    • 고장 심각도(Severity)
• STEP5. Prognostics - 수명예측
  • PHM의 최종 목적이라 할 수 있는 단계 : 언제 고장이 발생하는지를 정량적으로 예측하는 것
  • 예측 모델 유형
    • 물리 기반 모델: 마모, 열화, 피로 적용, Weibull 등
    • 통계 기반 모델: 추세 분석, 회귀 모델, 생존분석
  • AI/ML 기반 모델: Remaining Useful Life(RUL) 예측, Health Index(HI) 산출
  • 결과: 잔여 수명(RUL), 예측 고장 일시, 열화 속도 추정
• STEP6. Decision - 의사결정
  • 예측 결과를 기반으로 생산, 보전, 재고 결정을 수행하는 단계
  • 의사결정 항목
    • 언제 정비할 것인가?
    • 어떤 설비를 우선적으로 교체해야 하는가?
    • 어떤 부품을 미리 준비해야 하는가?
    • 생산 계획을 어떻게 조정할 것인가?
    • 예산/CAPEX 계획은 어떻게 조정되는가?
  • Decision Matrix Examples
    • RUL ≤ 200시간 → 자재 발주
    • RUL ≤ 72시간 → 생산 루트 변경
    • RUL ≤ 48시간 → 점검 계획 확정
    • RUL ≤ 24시간 → 안전정지(Shutdown) 준비
• STEP7. Action & Feedback - 실행 및 피드백
  • 실제 현장에서 정비를 실행하고 결과를 시스템에 피드백하는 단계
  • Maintenance Action
    • 부품 교체
    • 정비 작업 표준서 실행
    • 정지 시간 최소화 계획 수립
  • Feedback Loop
    • 교체 전/후 데이터 비교
    • 진단·예측 결과와 실제 고장 원인 비교
    • 모델 성능 개선
    • 설비 상태 DB 고도화
  • ⇒ PHM = IoT + Analytics + CMMS + ERP/MES의 통합 시스템

5.4 산업별 PHM 현장적용 사례

• 제조업 - 회전체설비 PHM
  • 사례 1) 베어링·모터·펌프의 고장예측(PdM) 적용
  • 문제점
    • 팬, 펌프 고장으로 월 2~3회 돌발정지
    • 기존 과잉 PM(정기 교체)로 비용 증가 → 고장 시점 예측 불가
  • 적용 기술
    • 진동/온도 무선센서 설치
    • Envelope 분석, Spectrum 분석으로 초기 베어링 결함 검출
    • LSTM 기반 RUL(Remaining Useful Life) 예측 모델 운영
    • 작업자 App + Cloud dashboard 연동
  • 성과
    • 진동/온도 무선센서 설치, 돌발 고장 80% 이상 감소 / 베어링 교체주기 평균 20~40% 연장
    • 라인 다운타임 감소로 연간 3~5억 원 절감 / OEE 4~8% 상승
• 반도체 - 클린룸 PHM
  • 사례 2) Vacuum Pump/Chiller 예측 보전
  • 문제점
    • Vacuum Pump가 예고 없이 멈추면 장비 2~4시간 셧다운
    • 반도체 공정 특성상 1건의 사고 = 수천~수억 원 손실
  • 적용 기술
    • 진동, 온도, 압력 센서 설치
      • 파우더라는 게 vacuum에 낀다. 이걸 압력 센서로 보는 거임
      • 여긴 압력 변화가 제일 먼저 생기더라
      • 진동이랑 온도는 보기 힘들었다(과거형, 지금은 어떨지 모른다)
    • Pump 구동 패턴 + 온도 열화 추세 분석 + 압력변화 추이 분석
    • Anomaly Score 기반 고장 예측
    • 예측 72시간 전 알림 → 생산 배치 조정 가능
  • 성과
    • 돌발 Pump 고장 “0건” / 자재 조달 리드타임 정밀화
    • 장비 가용률 97% → 99.3%로 향상 / 연간 10억 원 이상 손실 방지 효과
• 석유화학 - 회전체설비 PHM
  • 사례 3) 압축기, 펌프의 PHM 구현
  • 문제점
    • 대형 회전기 고장은 Safety/환경 리스크가 매우 큼
    • 정지 1회에 수억~수십억 원 비용
  • 적용 기술
    • 다채널 유선 진동 시스템 + 무선 보조센서 병행
      • 석유화학이 무선 센서를 제일 먼저 시작했음
    • Edge 단에서 FFT, Envelope 분석 수행
    • Data 기반 Bearing Outer/Inner Race 결함 조기 감지
    • 배관 진동, 누설 모니터링 병행
  • 성과
    • 예측 1~2주 전에 치명적 결함 발견 가능 / Shutdown 유지보수 계획 최적화
    • Safety 사고 위험 요소 70% 감소 / 연간 수십억 비용 절감 + ESG 리스크 감소
• 제철 - 대형 회전체 PHM
  • 사례 4) 롤러, 기어박스의 예지보전
  • 문제점
    • 중장비 설비는 고장이 나면 “라인 전체” 중단
    • 정기 PM은 과잉 보전 + 비용 과다
  • 적용 기술
    • 고속 진동수집(6~10kHz) + Envelope
    • Gear Mesh Frequency 분석
    • rpm, Load 연동 기반 상태 모델링
    • 고장 패턴 DB 구축
  • 성과
    • 과잉 정비 30~40% 감소 / 돌발 고장 60% 이상 감소
    • Gearbox 교체 시점 정확도 상승 → 부품 재고 20% 감소
• 물류자동화 - STK, AGV PHM
  • 사례 5) STK, AGV, RGV 구동부 모니터링
  • 문제점
    • 물류 자동창고는 24/7 운영 → 장비 멈추면 전체 물류 흐름 마비
    • 모터, 감속기 결함의 조기 감지가 중요
  • 적용 기술
    • 무선 진동센서 + 온도센서 연동
    • Unbalance, Misalignment, Gear Defect 진단
    • rpm, Load 연동 기반 상태 모델링
    • 고장 패턴 DB 구축
  • 성과
    • 고장 리드타임 평균 3~5일 확보 / 고장 발생 예측 후 “야간 비가동 시간”에만 정비
    • 대형 창고 기준 연간 5~10억 원 비용 절감
• 풍력 - 터빈 PHM
  • 사례 6) 풍력터빈 Gearbox, Blade PHM
  • 문제점
    • 풍력터빈 기어박스 교체비용 = 수억 원
    • 화재로 인한 설비 위험도 증가
  • 적용 기술
    • 3축 진동 + Oil Debris 센서 + 기울기 + 열화상
    • Blade pitch/angle data 연동
    • Gear Mesh, Sideband 분석
    • RUL 모델로 고장 발생 시기 추정
  • 성과
    • 주요 결함을 1~3개월 전 조기 감지
    • 계획 예방정비로 비용 40~60% 절감
• 철도 - 구동계 PHM
  • 사례 7) 열차 차축 베어링, 모터 PHM
  • “사실 이 분야는 원래부터 모니터링을 열심히 하고 있었고, 베어링이 고장나는 경우는 못봤다”
  • 문제점
    • 차축 베어링 고장은 안전과 직결
    • 과거는 온도감시 중심 → 조기 위험 감지 어려움
  • 적용 기술
    • 차축 유선+무선 진동센서
    • Envelope 분석 + Band Alarm
    • 열차 별 운행조건 기반 Model 적용
    • 고장 확률 기반 정비 일정 조정
  • 성과
    • 베어링 파손 사고 Zero
    • 정비 비용 30% 절감 / 예비부품 재고 최적화
• 공조 - HVAC PHM
  • 사례 8) Fan PHM
  • 문제점
    • 정기 점검(PM)만으로는 결함의 실제 진행상태를 파악하기 어려움
  • 적용 기술
    • 무선 진동센서 + 온도센서 연동
    • Unbalance, Misalignment, Mechanical Looseness
    • 고장 패턴 DB 구축
    • 클라우드 대시보드로 실시간 보전 연계
  • 성과
    • 에너지 절감 5~10%
    • 불시 고장 최소화
    • 유지보수 계약 비용 15~20% 절감

5.5 설비 데이터

• 진동
  • 회전체 설비 진단의 핵심 센서. 초기 결함을 가장 먼저 감지하는 데이터
  • 진동 데이터의 의미
    • 회전체(모터, 펌프, 팬, 베어링, 기어박스 등)의 기계적 상태를 가장 직접적으로 반영
    • 물리적 움직임, 충격/마모/불균형을 진동 형태로 나타냄
    • 초기 열화(베어링 결함 등)를 가장 빠르게 탐지 가능
      • 베어링 고장을 3-4단계 정도로 나누는데 진동은 2-3단계에서부터 티가 난다
  • 측정방식
    • 가속도(Accleration) : 진동센서 가장 일반적
    • 속도(Velocity) : ISO 10816/20816 기준 사용
      • 과거부터 썼기 때문에 표준에 남아있는 거지 지금은 그다지 많이 쓰지 않는다
    • 변위(Displacement) : 저주파 변위 진동 (정렬 불량 등)
  • 주요 분석지표
    • 시간영역(Time Domain) : rms, Peak/Peak-to-Peak, Crest Factor, Kurtosis
    • 주파수 영역(Frequency Domain) : FFT, Bearing Defect Frequency(BPFO, BPFI, BSF 등), Gear Mesh Frequency
    • Envelope : 초기 베어링 결함의 대표 분석 기법, 미세 충격 데이터를 고주파에서 추출해 결함 조기 감지
  • 활용 용도
    • 회전체 예측보전(PdM) 가장 핵심 데이터
    • 베어링/기어 결함 조기 예측, 팬/펌프/모터 불균형 진단, 축정렬/풀리 풀림/볼트 체결 불량 감지
  • 한계
    • 저속 회전체는 신호가 약해 검출 어려움, 충격 등(White Noise) 진동 데이터에 영향을 줄 수 있는 요소의 필터링
    • 센서 부착 위치가 데이터 품질에 큰 영향
• 온도
  • 과부하·마찰·냉각 이상 등 장기 열화를 반영하는 안정적 지표
  • 온도 데이터의 의미
    • 설비 열화는 마찰 증가 → 온도 상승 패턴을 보임
    • 전동기 권선 온도, 베어링 마찰 온도, 냉각 시스템 이상 등을 반영
    • 정적 데이터로서 회전체 외 모든 설비에 폭넓게 적용 가능
  • 측정방식
    • 접촉식: PT100
    • 비접촉식: IR 센서
    • 무선 온도센서, 게이트웨이 연동
  • 주요 분석지표
    • Absolute Temp: 기준 온도 초과 여부
    • ΔTemp(Temperature Rise): 정상 대비 상승 폭
    • 온도 상승 속도(Gradient): 급격 상승은 위험 신호
  • 활용 용도
    • 베어링 윤활 불량, 냉각수 부족
    • 모터 과부하, 컨덴서 막힘
  • 한계
    • 초기 결함 감지는 어렵다(진동이 더 빠름): 열이 발생했다는 것은 이미 상당히 열화가 많이 진행된 것이기 때문
    • 환경 온도·공조 영향 고려 필요, 계절·부하 보정(Baseline): 여름/겨울 차이 고려 필요
• 전류
  • 모터 내부 상태를 간접적으로 보여주는 매우 강력한 데이터
  • ISO에는 포함이 안되었지만 센서 붙이기가 편해서 현업에서는 꽤나 선호함
  • 전류 데이터의 의미
    • 전동기(Motor)의 부하, 토크, 내부 결함을 전류 패턴의 변화로 표현
    • MCSA(Motor Current Signature Analysis)는모터의 핵심 예지 분석 기법
  • 측정방식
    • CT센서(Clamp-on CT)
    • Hall Sensor
    • Smart Motor Sensor
    • 인버터 내부 전류 데이터 활용 가능
  • 주요 분석지표
    • RMS Current : 부하 상태, 모터 과부하 판단
    • 전류 파형 비대칭(Asymmetry) : 권선 단락, 불평형(Voltage/Current Imbalance)
    • 전류 스펙트럼 분석(MCSA) : Rotor bar crack, Broken rotor bar, Loose rotor, Air-gap eccentricity
    • 전류·전압의 상관 분석 : Load Variation
  • 활용 용도
    • 로터/권선 결함, Motor efficiency 평가
  • 한계
    • 고장 직전에 토크 변동으로 나타나는 경우가 많음
    • 부하 변동, 라인 전압 상태 영향을 받음, 인버터 구동 시 노이즈 많아 필터링 필요
• 음향/유분석
  • 음향/초음파 진단(AE/Ultrasound)
    • 누출, 밸브 누설, 기어 치면 충격 등 고주파 진동 기반 진단
    • 베어링 초기 결함에 효과적(진동보다 빠름)
  • 윤활/오일 분석(Lubricant & Wear Debris Analysis)
    • 오일 속 금속입자 분석 → 마모 상태 파악
    • 점도/오염도 분석 → 윤활 열화 진단

---

진동 컨설팅 사례

• 진동에 관하여
  • 진동은 기계의 언어다.
  • 소음/진동을 분석하는 일은 기계와 대화하는 기술이다.
  • 진동은 기계의 상태(고장)을 나타내는 가장 예민하고 정확한 Factor이다.
  • 모든 감시와 진단의 기본은 진동이며, 부족한 부분은 Double check를 위해 다른 기술을 적용할 수 있다.
• 그러나 진동은 고장 인가?
  • 진동은 고장과 밀접한 관계가 있을 뿐 고장 그 자체가 아니다.
  • 때문에 우리는 진동이 아닌, 고장원인 자체를 분석해야 한다.
  • → 고장은 Monitoring Factor(특정 고장을 나타내는 주파수 Band 별 진동값)를 고장이라 해야 한다.
  • 전동 때문에 기계가 고장나는 것이 아니고, 고장이 발생했기 때문에 진동이 생기는 것이다.
• 진동은 단위에 따라 그 의미하는 바가 다르다.
  • 변위가 큰 것은 많이 흔들린다는 것으로 축의 거동을 분석할 때 의미가 있다.
  • 속도가 큰 것은 예너지가 크다는 것으로 불평형 또는 조립상태의 불량을 의미한다.
  • 가속도가 큰 것은 충격과 매우 유사하며, 부품의 손상과 밀접한 관계가 있다.
  • 진동을 무엇으로 분석할 것인가?에 대한 대답은 “어떤 고장을 보고 싶은가”에 달려 있다.
• 시스템 설계 개요
  • 설비 도입
    1. 도입설비 검증 시스템
  • 감시 - 이상 유무 판정
    1. 감시 시스템의 선정
    2. 감시 대상 설비의 선정
    3. 감시 주기 설정
    4. 센서선정 및 부착 위치/방법
    5. 감시 factor 선정 및 설계
    6. 경고 수준 설정
    7. 경고수준에 따른 행동지침
    8. 감시 보고서 및 보고체계
  • 진단 - 이상 원인 규명
    1. 적절한 장비 선택 및 설정
    2. 적절한 센서 선택 및 측정
    3. 구조물 및 배관 진동 분석
    4. 고장분석 능력 및 향상방법
    5. 전문인력 양성과 인원 확보
    6. 진단보고서 양식의 표준화
    7. 진동 이외의 기술적용
  • 수리
    1. 소프트풋 수행 표준
    2. alignment 수행 표준
    3. 밸런싱 수행 표준
    4. 수리결과 검증 시스템
• 업무기준에 따른 구분 - 표준
  • 표준은 관리를 위한 시작이다.
    • 표준은 전문가에 의한 전문적인 업무를 비전문가에 의한 Routine한 업무로 만드는 것이다.
    • 표준은 전문가의 업무에 관리전문가의 역할을 부여하는 일이다.
  • 관리란 비전문가에 의해서도 가능한 것이어야 한다.
    • 전문가에 의한 관리는 전문가의 기술수준에 따라 달라지는 것으로 통제가 불가능하다.
    • 설비보전에서는 기술의 Bottle neck인 정밀진단이 쉬워지지 않으면 안된다.
  • 관리란 표준에 따라 의무적으로 업무를 수행하는 것으로 완성되어야 한다.
    • 각각의 이슈(각 단계에서의 경고 발생시)에서 의무적인 업무가 생성되어야 한다.
    • 관리는 단순히 의무적인 업무가 수행되고 있는지 판단하는 것으로 충분해야 한다.
      • 화장실 체크리스트에 동그라미 치기 X
      • 화장실 청소 상태 보고서 올리고 사진 찍어 기록했는지 확인하기 O
  • 그럼에도 불구하고 높은 기술력은 필요하다.
    • 설비보전의 Knowhow는 완벽한 Monitoring Factor와 Alarm Level의 구축에 있다.
    • 전문가의 역할은 이 Knowhow가 완성될 수 있도록 설계, 개선, 변경, 승인하는 것이다.
• 업무기준에 따른 구분 - 실행
  • 실행은 관리 대상이다
    • 창의/창조적 X
    • 표준을 성실히 따르는 행위 O
    • 셀 수 있어야 하고 관리 가능해야 함
  • 실행은 의무
    • 한다 만다 선택지 없다 그냥 해
    • 실행 목표는 현실적이어야 하고 수행 가능해야 함
    • 목표 수립 전에 적절한 인원과 업무량 분배 필요
  • 실행의 결과는 책임 X
    • 실행은 비전문가가 하는 것임
    • 업무 지시는 자세히
    • 안 되면 관리자가 관리를 못한거임
• 업무기준에 따른 구분 - 선진화
  • 기업은 꼭 1등할 필요는 없고 옆사람보다 빨리 달리기만 하면 됨. 산에서 곰을 만났을 때처럼.
  • 앞서나가는 자리는 항상 그 앞선 자리 유지가 상당히 골때린다
  • 선진화는 전문가가 한다
  • 선진화의 성취는 전문가의 능력치가 상한선이다
• 진동 컨설팅 목표
  • 완벽한 관리 시스템 구축
    • 전문 업무를 비전문가의 루틴으로 전환
    • 전부 매뉴얼로 만들어
    • 가시적인 목표 설정. 예: 설비 보전비 절감, 고장 원인별 진동분포 등
  • 완벽한 설비
    • 완벽한 설비의 라인 투입: 신규설비와 갓 수리한 설비의 인증시험 실시 / holding point 도입
      • 홀딩 포인트는 커트라인 같은 거임
    • 완벽한 감시 시스템: 진동 말고 고장 원인을 감시하고 알람 레벨 설정. 진동만 쳐다보면 문제가 해결돼?
    • 진단 시스템 변화: 고장 원인 스펙트럼 도입
    • 노하우 축적
  • 업무 선진화
    • 공장 관리 지수 적용: 한눈에 볼 수 있는 관리지표와 경제적인 설비보전
    • smart works 시스템 도입: 업무 효율화
    • 자동보고서 작성: 자료화, 개인능력 향상
• 돌발고장은 감시를 똑바로 안해서 생기는 거다
  • 그럼 감시는 뭘 보는 거냐진동, 온도, 윤활이 메인이 아니고, 고장에 대한 징후를 감시하는 것임. 진동, 온도, 윤활은 고장의 합병증으로 나타나는 증상일뿐.
• TSI와 CMS를 구분하자
  • 플렉시블 로터는 위험속도 이후 범위에서 운행되는 회전설비 → 발전소 로터 → TSI 사용한다
  • 리지드 로터는 위험속도 이전 범위에서 운행되는 회전설비 → CMS 사용한다
  • 두 시스템은 목적이 다르다. 한쪽은 사고 방지+설비 보호에 더 가까움
• 지금 뭐 아무리 센서 가격이 낮아졌다고 해도 설비 모니터링을 위한 센서는 아직도 비쌉니다. 거기에 부수적인 하드웨어 소프트웨어 다 들어가기 때문에 온라인 모니터링을 적용하는 건 전체 설비의 10% 정도밖에 안됩니다. 근데 감시 자체는 모든 설비에 대해 다 해야 해요. 나머지는 오프라인 감시인거죠.
  • 감시는 뭐 계기(계기판 말하는듯)가 있어서 하는 건 아니고요 지나가면서 눈으로 쓱 보고 가는 것도 감시예요
• 감시 주기는 설비 수량과 가용인원을 고려해서 결정하되, 별 일 없으면 일주일을 넘기지 않는다
  • 예전에는 장비 세팅부터 매번 다시 해야 했는데 요즘엔 폰으로 띡 찍으면 되잖아요 안힘들잖아
• 쓰레기 넣으면 쓰레기 나와
  • 목적에 따른 적절한 센서를 적절한 자리에 붙였는가?
• 돌발고장 → 감시 안 함 / 동일 고장 반복 발생 → 진단이 똑바로 안 됨
• 진단은 설비보전의 핵심인데, 전문가의 고난이도 업무로 관리 대상이 아니라서 병목구간이기도 함
  • 근데 또 그 일을 맡은 전문가의 수준이 상한선임. 진단 결과의 수준은 전문가의 수준을 넘어설 수 없다.
• 진단은 관리 가능한 루틴 업무가 되어야 하는데, 위에 쓰인 사유로 그게 안됨
• 진단 장비는 감시 장비와 달리 다양한 기능을 포함하면서 휴대가 간편해야 함
  • 소프트웨어는 사용하기 편리하고 보고서 작성이 용이해야 함
  • 진단과 현장수리 소프트웨어가 같이 들어있어야 한다
• 접촉공진: 센서를 붙였는데, 그게 마침 딱 설비의 고유진동수와 같아서 공진이 생기는 경우가 있다. 센서 붙이는 위치나 방법에 따라 이런 문제가 생길 수 있음.
  • 구글: 접촉공진(Contact Resonance)은 주로 진동 센서 부착 시 발생하는 현상으로, 센서가 설치된 부위의 물리적 특성(강성, 질량) 때문에 생기는 센서 자체의 고유주파수와 외부에서 가해지는 강제 주파수(측정 대상의 진동 주파수)가 일치하여 진동이 비정상적으로 증폭되는 현상입니다.
• 유체는 외부 충격과 비슷한 백색소음 속성을 갖고 있다. 휘어지는 구간을 지나갈 때 배관을 치면서 충격이 발생하는데, 모든 구간의 진동을 다 가진(add)한다. → 이거 다 노이즈임
• 정렬 보정 순서: 소프트풋(1개) → 얼라인먼트(여러 개) → 밸런싱(전체가 한 덩어리)
• 표준 중요해요
  • 진동관리 표준절차서는 설비보전의 헌법이나 다름없다
• 전문가 인력은 다다익선 ← 이거 그거잖아 CPU 번호 클수록 좋아요
• 시스템의 관리
  • 완벽한 표준의 제정
    • 표준은 관리를 위한 첫 걸음이며, 모든 업무를 Routine하게 만드는 일이다.
    • 진동관리 표준절차서는 설비보전의 헌법이며, 모든 업무의 상위 표준이 되어야 한다.
  • 조직의 유지
    • Process Line 공장에서 진동 전문가는 많을수록 좋다. (충분한 전문가가 확보되지 않으면 안된다.)
    • 모든 설비는 반드시 감시되어야 한다. (측정주기는 1주, 최대 2주를 넘겨서는 안된다.)
    • 모든 감시와 진단은 보고서를 동반해야 하고, 감리를 수행해야 한다. (자료화, 지식의 축적)
  • 설비 보전비 평가
    • 설비보전의 궁극적 목표는 비용의 절감이며, 모든 엔지니어에게 철저히 각인 되어야 한다.
    • 설비보전비에는 Downtime 손실과 감가상각비가 포함 되어야 한다.
    • 매년 성공사례발표회와 함께 설비보전비 절감 규모와 차기년도 목표를 설정해야 한다.
  • Knowhow가 축정되는 시스템 유지
    • 설비보전의 유일한 Knowhow는 잘 Developing 된 Monitoring Factor와 Alarm level이다.
    • 조직은 설비보전위원회를 두어 정기적으로 Monitoring Factor와 Alarm level을 변경 승인해야 한다.
• 설비보전비는 비용이 아니라 투자다. 이거 10% 투자하면 설비 수명을 2배로 늘릴 수 있어요 이게 비용 같냐?
• 그럼에도 설비보전비를 20% 줄이는 것은 매출 70% 증가와 같다 → 쓸데없이 긴축하라는 게 아니라 효율적으로 딱딱 쓰시라고요