예지 정비 솔루션: 설계 및 전기 엔지니어의 혁신 역량 강화하기

이미지 출처: TensorSpark/Stock.adobe.com

트레이시 브라운(Traci Browne), 마우저 일렉트로닉스

2023년 7월 26일

과거에는 기업에서 기계를 정비하는 방법이 두 가지뿐이었다. 우선 첫 번째 방법인 "고장날 때까지 작동 시키기"는 비용이 많이 들며, 피해가 발생할 경우 그 규모도 막대했다. 두 번째 방법인 계획 예방 정비(scheduled maintenance)는 일정한 일수 또는 시간이 지난 후 장비의 정비를 권고하는 달력 기반 또는 사용량 기반 시스템이었다. 물론 계획 예방 정비가 더 나은 선택지임에는 분명했고, 다운타임은 운영 중단이 적을 때로 계획할 수 있었다.

하지만, 장비의 상태에 관계없이 3개월마다, 또는 3,000시간마다 수리하게 되면 불필요한 비용이 발생할 수 있다. 이 같은 이유로 인해 예지 정비(Predictive Maintenance, PdM)가 도입되었다.

PdM의 핵심은 실시간 성능 및 기계 상태 데이터를 수집하기 위해 기계에 설치된 다양한 센서를 사용하여 장비를 지속적으로 모니터링하는 것이다. 그런 다음 관리자는 해당 데이터를 사용하여 장비가 위험에 처한 시기와 대처 방법을 추론할 수 있다.

테스트, 측정, 모니터링 제품 및 소프트웨어 제조사 Fluke Reliability의 애플리케이션 전문가 존 버넷(John Bernet)에 따르면 인공지능(AI), 원격 분석, 소프트웨어가 프로세스를 처리함에 따라 모니터링 장비들이 갈수록 작아지고 있다. 빌딩 툴은 데이터 수집만 가능했던 수준에서, 데이터가 수집되고 분석에 사용되어 장비 운영자에게 유용한 답변을 제공하는 데이터 생태계를 구축하는 수준까지 올라왔다. 이는 곧 설계 팀과 전기 엔지니어는 센서에서 정보를 가져와 데이터로 변환하고 소프트웨어에서 사용할 수 있는 방식으로 처리되는 프로세스를 이해해야 한다는 것을 의미한다.

이와 관련하여 버넷은 "이는 데이터에 관한 것이 아니라 측정과 데이터로부터 얻은 값에 관한 것이다.  측정값이 높다는 것만으로는 아무런 의미가 없다. 정비 팀은 갈수록 더 적은 시간 안에 더욱 더 많은 작업을 수행하도록 요구 받고 있다. 무엇이 잘못되었는지, 어떻게 고칠 수 있는지, 장비를 어떻게 작동시킬 수 있는지 알아야 한다"라고 말한다.

그러나 데이터가 어떻게 사용되는지 자세히 살펴보기 전에 데이터의 수집에 대해 살펴보자.

PdM을 위한 센서 스펙트럼 살펴보기

PdM은 다양한 센서를 사용하여 장비를 모니터링하고 중요한 매개변수에 대한 데이터를 수집한다. 센서 선택은 모니터링되는 특정 자산과 분석에 필요한 데이터 유형에 따라 달라진다. PdM에서 일반적으로 사용되는 주요 센서는 다음과 같다:

• 진동 센서는 모터, 펌프, 터빈과 같은 회전 기계의 기계적 진동을 측정한다. 이는 정렬 불량, 베어링 마모 또는 기타 기계적 문제 등의 비정상적인 진동을 감지한다.
• 온도 센서는 장비 부품의 온도를 모니터링하여 과열 또는 비정상적인 온도 변화를 감지한다. 이는 잠재적 결함을 식별하기 위해 주로 모터, 변압기 및 전기 연결에 사용된다.
• 압력 센서는 유압 시스템, 공기 압축기 또는 공압 장비의 유체 압력을 측정한다. 이는 누출, 막힘 또는 기타 문제 등 비정상적인 압력 수준을 감지한다.
• 가속도계는 장비에 작용하는 가속력을 측정한다. 조기 마모 또는 고장으로 이어질 수 있는 기계 진동, 충격 또는 충격을 모니터링한다.
• 전류 센서는 도체 또는 부품을 통해 흐르는 전류를 측정한다. 모터의 전류와 전력 소비를 모니터링하고 전기 결함이나 불균형을 나타낼 수 있는 불규칙성을 식별할 수 있다.
• 오일 분석 센서는 기계의 윤활유 상태를 모니터링한다. 금속 입자와 같은 오염물질이나 물, 또는 부품 마모나 열화로 이어질 수 있는 오일 특성의 변화를 감지한다.
• 초음파 센서는 장비에서 방출되는 고주파 음파를 감지한다. 이는 누출 감지, 베어링 분석, 마찰 또는 기계적 이상 현상에 사용된다.
• 적외선 센서는 열 센서 또는 열 카메라라고도 하며, 장비의 표면 온도를 측정한다. 이를 통해 전기 결함이나 절연 문제로 이어질 수 있는 비정상적인 열 패턴, 핫스팟 또는 온도 구배를 식별할 수 있다.
• 습도 센서는 장비 또는 환경의 수분 수준을 모니터링한다. 이는 부식, 절연 저하 또는 기타 습기 관련 문제를 일으킬 수 있는 과도한 습기를 감지한다.
• 광학 센서는 빛이나 레이저 기술을 사용하여 거리, 위치 또는 정렬 상태를 측정한다. 이는 정렬 확인, 위치 모니터링 및 장비 치수 변경 감지에 사용된다.

센서의 특정 조합과 선택은 모니터링 중인 자산, 관심 매개변수 및 PdM 프로그램의 요구 사항에 따라 다르다.

데이터가 수집되면 클라우드 기반 플랫폼은 PdM 데이터를 저장, 처리, 분석 및 시각화하기 위한 인프라, 툴 및 서비스를 제공한다. 이는 데이터 기반의 통찰력과 머신 러닝(ML) 모델 및 협업 워크플로우를 위한 확장 가능하고 안전한 환경을 제공한다. 조직에서는 요구 사항과 기존 시스템과의 호환성, 확장성 요구 사항 및 보안 고려 사항을 기반으로 플랫폼을 선택할 수 있다.

기술을 활용할 수 있음에도 불구하고, 눈에 보이는 결함, 부식 또는 열화의 징후를 직접 육안으로 자산을 검사하여 확인하는 것은 첫 번째 단계라 볼 수 있다. 이 모든 방식은 상태 평가, 마모 또는 오염 감지, 구조 무결성 평가, 회전 기계 및 기타 중요 자산의 잠재적 고장 확인에 도움이 된다.

PdM의 직면 과제 해결하기

PdM 솔루션은 정비 일정을 계획함에 있어 달력이나 원시 데이터를 사용하는 대신, 기계의 상태를 지속적으로 읽을 수 있다. 그리하면 엔지니어는 상황별로 문제를 정확히 파악하고 솔루션을 제안할 수 있다. 하지만 엔지니어는 존재하지 않는 문제에 플래그를 지정하거나 최악의 경우 오류를 완전히 누락하지 않도록 시스템에서 진단에 사용하는 모델과 알고리즘의 정확성, 신뢰성을 보장하도록 해야 한다.

AI는 PdM에서의 실용성이 입증되었지만 전문가들의 지식과 장비, 시스템 지식이 여전히 중요하다는 점을 이해하는 것이 중요하다. 엔지니어 및 정비 팀은 AI 기반 통찰력을 해석하고, 예측을 검증하고, AI로부터 생성된 권장 사항을 기반으로 정보에 입각한 결정을 내리는 데 중요한 역할을 한다.

버넷에 따르면 과거에는 교정과 정확도에 있어서 가장 중요한 요소들은 전기, 진동, 온도 측정 툴이었다. 하지만, 이제는 장치들이 예상 범위 내에서 작동하기 때문에 데이터를 신뢰할 수 있는 시점에 도달했고, 우리는 이를 토대로 패턴을 찾기 시작할 수 있다.

예를 들어, 버넷은 Fluke사에서 약 40년 동안 회전 기계, 모터, 펌프, 팬, 압축기 및 송풍기의 진동을 분석해 왔다고 말한다. Fluke사에서는 이 패턴들을 바탕으로 장치의 불균형과 오정렬을 알아낸다. 진단에 대한 정확성은 데이터를 분석하고 알고리즘을 구축하고 패턴을 만드는 규칙을 만든 사람의 경험을 기반으로 하기 때문에 기록은 필수적이라 할 수 있다. 그래야만 분석을 신뢰하는 것이 가능하다.

PdM의 미래 살펴보기

PdM이 산업 전반으로 확장됨에 따라, 엔지니어들은 우선 전문적인 커뮤니케이터로 거듭나야 한다. 그들은 자신들이 만든 툴로부터 어떻게 답을 얻을 수 있는지 이해해야함은 물론, 답을 필요로 하는 사람에게 솔루션을 제공할 수 있는 방법을 찾아야 할 것이다. 버넷은 이는 진동, 전기, 서모그래피 등 다양한 테스트 툴에서 정보를 공유한 다음 쉽게 접근할 수 있고 이해할 수 있으며 실용적인 방식으로 정보를 전달하는 것으로 귀결된다고 말한다.

둘째, 점점 다양한 데이터 수집 방법이 필요해지고 있다. 버넷은 "발로 뛰며 측정을 수행할 인력이 부족하기 때문에 장비에는 무선 원격 센서가 필요하다. 인력도 부족하지만, 시간도 부족하다. 이는 모든 산업이 겪는 문제다. 접근성 또한 문제이다"라고 말한다.

기계가 작업장 위의 높은 곳에 위치해 있든, 패널 뒤, 원격 위치에 놓여 있든, 또는 어떤 이유로든 접근할 수 없는지에 상관없이 시스템에는 무선 원격 센서가 필요하다고 버넷은 말한다. 그리하면 직원이 어디에 있든 정보에 액세스할 수 있다.

셋째, 툴들은 디바이스, 제조사, 툴을 사용하는 그룹에 관계없이 함께 작동할 수 있어야 한다. 버넷은 모든 정보가 다른 시스템과 연결되는 보다 사용자 친화적인 인터페이스에 통합되어야 한다고 말한다.

버넷은 "과거에는 데이터를 수집하고 종이 로그나 그래프에 기록하고 저장하는 것이 전부였다. 오늘날 우리는 해당 데이터를 가져와 모든 사람과 공유하고 전자적으로 보관할 방법을 찾아야 한다"라고 말한다.

조직에서는 스마트폰과 태블릿을 포함하여 사용 가능한 모든 툴을 활용하고 모든 사람이 정보에 액세스할 수 있도록 해야 한다. 사내 직원이든 제3자 전문가이든 관계없이 비즈니스를 계속 운영하는 데 필요한 모든 사람에게 정보를 제공해야 한다는 것이다.

예측 가능한 미래를 위한 엔지니어 역량 강화

엔지니어들도 기계 자체에만 초점을 맞추지 않고 PdM의 전체 프로세스를 이해하는 것이 필수적이다. 센서로부터 데이터를 획득하고 처리하는 것도 중요하지만, 데이터 분석과 그로부터 도출된 해답에도 무게를 두어야 한다.

측정 툴에서 AI, 원격 분석 및 소프트웨어의 통합이 증가함에 따라 엔지니어들은 이러한 기술을 효과적으로 사용하는 방법을 지속적으로 숙지하는 것이 중요하다. 또 한편으로는 툴로부터 정보를 추출하고 이해 관계자들과 효과적으로 공유하는 방법을 이해해야 수행할 작업을 보다 명확하게 알 수 있을 것이다.

저자 소개

트레이시 브라운(Traci Browne)은 신기술, 엔지니어링, 로보틱스, IIoT에 중점을 둔 제조 및 산업 애플리케이션 전문 저널리스트이자 작가이다. 그녀는 Robotics Business Review, NextBot Magazine, Compoundings Magazine, Plumbing & Mechanical Engineer, Intel IQ, Professional Mariner, Municipal Sewer and Water Magazine에 기고한 바 있다. 또한 그녀는 업계를 선도하는 클라우드 플랫폼 및 서비스 제공업체, 로봇 제조기업, 다국적 운송 인프라 기업, 엔지니어링 기업, 토목 및 건설기업, 글로벌 기술 회사를 위한 글을 집필한 바 있다.