이득:
- AI로 특징을 추출하여 진동/온도 데이터로부터 고장 증상을 분석하는 능력
- AI의 도움으로 임계값 기반 및 간단한 기계 학습 이상 탐지 접근 방식을 설계하는 능력
- 잘못된 경보(false positives)와 누락된 오류(false negatives)의 균형을 확인하고 유지 관리 결정을 내리는 기능
생산 라인의 베어링에 예상치 못한 오류가 발생하면 몇 시간의 가동 중단 시간, 주문 누락, 때로는 부수적인 피해가 발생합니다. 기존 유지 관리는 고장 유지 관리(고장 발생 시 수리 - 가장 비용이 많이 드는 일)와 정기 유지 관리(일정에 따른 교체 - 종종 시기상조이고 낭비임)라는 두 가지 극단적인 상황에서 중단됩니다. 예측 유지보수는 기계의 실제 상태를 지속적으로 측정하고 고장을 예측하며 적시에 개입하는 세 번째 방법을 제공합니다. 진동, 온도, 전류 및 소리와 같은 신호의 변화는 몇 주 전에 오작동을 나타냅니다. 여기서 AI는 강력합니다. 신호에서 특징을 추출하고, 이상 징후를 탐지하고, 남은 수명을 추정하는 것입니다. 그러나 하나의 허위 경보는 불필요한 가동 중지 시간을 의미하고, 하나의 오류 누락은 재난을 의미합니다. 임계값과 결정 균형은 엔지니어의 책임입니다. 이 단원에서는 AI를 사용하여 예측 유지 관리를 설정하고 해당 결정을 검증하는 방법을 다룹니다.
왜 진동과 온도가 필요한가?
회전 기계의 결함은 특징적인 특징을 남깁니다. 베어링이 마모되고, 기어가 깨지고, 샤프트가 불균형해지고, 진동 스펙트럼의 특정 주파수에서 에너지가 증가합니다. 온도는 마찰과 부하 증가를 나타내는 느리지만 신뢰할 수 있는 지표입니다. 우리는 다음 신호에서 의미 있는 특징을 추출합니다.
속성
그게 무슨 말이에요?
어떤 오작동?
RMS(실효값)
일반 진동 에너지
전반적인 악화, 불균형
피크
갑작스런 타격
베어링 결함, 노치
파고율(피크/RMS)
펄스 내용
조기 베어링 고장
첨도
분포의 "뾰족함"
펄스 결함 증상
주요 주파수(FFT)
에너지가 수집되는 빈도
특정 구성 요소 오류
핵심 아이디어: 원시 신호를 보는 대신 결함에 민감한 기능을 모니터링합니다. AI는 이러한 속성을 계산하는 코드를 빠르게 작성합니다.
import numpy as npdef jitter_attributes(signal, fs): """신호: 가속 시퀀스, fs: 샘플링 주파수(Hz).""" rms = np.sqrt(np.mean(signal**2)) peak = np.max(np.abs(signal)) crest = peak / rms if rms > 0 else 0 # 첨도(네 번째 모멘트/분산^2) 평균 = np.mean(신호) 첨도 = np.mean((신호 - 평균)**4) / (np.var(신호)**2 + 1e-12) # 우세 주파수(FFT) 스펙트럼 = np.abs(np.fft.rfft(신호)) 빈도 = np.fft.rfftfreq(len(신호), 1/fs)dominant_f = 주파수[np.argmax(스펙트럼)] 반환 {"rms": rms, "피크": 피크, "crest": 크레스트, "첨도": 첨도, "dominant_주파수":dominant_f}
팁: AI로 특징을 추출할 때 샘플링 주파수(fs)와 신호 지속 시간을 지정해야 합니다. FFT 해상도와 Nyquist 한계는 이에 따라 달라집니다. fs가 주어지지 않으면 주요 주파수가 잘못 해석됩니다. 또한 정상 시스템에서 "기준선"을 수집하지 않으면 임계값은 의미가 없습니다.
임계값 기반 및 학습 기반 감지
두 가지 기본 접근 방식이 있습니다.
임계값 기반: 특정 속성 제한(예: RMS)을 초과하면 경보가 생성됩니다. 간단하고 투명하며 설명 가능합니다. 그러나 임계값을 올바르게 설정하는 것은 어렵고 일차원적입니다.
학습 기반(이상 탐지): 정상적인 작업 데이터에서 "정상"을 학습하고 그로부터의 편차를 표시합니다. 다차원 패턴을 포착하지만 더 많은 데이터가 필요하고 "블랙박스"가 될 위험이 있습니다.
import numpy as npdef z_score_anomali(value,baseline_avg,baseline_std,threshold=3.0): """단순한 통계적 이상: 기준선에서 얼마나 많은 std가 떨어져 있습니까?""" z = (value - 기준선_avg) / (baseline_std + 1e-12) return abs(z) > Threshold, z# 예: 정상 시스템에서 RMS 평균 0.8, 표준을 0으로 둡니다. 0.1alarm, z = z_score_anomaly(값=1.25, 기준선_avg=0.8, 기준선_std=0.1)print(f"z-score: {z:.1f}, 경보: {alarm}") # z=4.5 -> 경보 True
이 간단한 z-점수 접근 방식도 원칙을 보여줍니다. 즉, 임계값은 정상적인 시스템의 통계에서 파생되며 임의로 선택되지 않습니다. AI는 더 발전된 방법(Isolation Forest, 자동 인코더)을 제안할 수 있지만 모두 동일한 기반을 가지고 있습니다. 먼저 "정상"을 정의한 다음 편차를 측정합니다.
허위 경보 및 누락된 오류 잔액
이것이 예측 유지 관리의 핵심인 엔지니어링 결정입니다. 오류에는 두 가지 유형이 있으며 해당 비용은 비대칭입니다.
오류 유형
의미
비용
허위 경보(거짓 긍정)
이상이 없을 때 알람
불필요한 자세, 자신감 상실
결함 누락(거짓 부정)
결함이 있을 때 경보 없음
예상치 못한 오작동, 손상, 위험
임계값을 낮추면(너무 민감함) 누락된 오류가 감소하지만 허위 경보는 증가합니다. 운영자는 경보("경보 피로")에 더 이상 의존하지 않습니다. 임계값을 높이면 허위 경보가 줄어들지만 실제 결함을 놓칠 위험이 높아집니다. 올바른 균형은 오류의 결과에 따라 달라집니다. 즉, 안전에 중요한 구성 요소(예: 크레인 브레이크)의 오류 실패는 용납할 수 없으며, 여기서 민감도를 높게 유지하고 잘못된 경보를 설정합니다.
주의: AI가 제안한 임계값 또는 모델 정확도(예: "95% 정확도")는 클래스 불균형으로 인해 오해의 소지가 있을 수 있습니다. 오작동은 거의 발생하지 않습니다. 항상 "고장 없음"이라고 말하는 모델도 정확도는 높지만 아무 소용이 없습니다. 정확도보다는 잘못된 경고율과 누락된 실패율로 모델을 평가합니다. 프로세스 위험이 이 균형을 결정합니다.
결정에서 유지 관리까지: 사람의 승인
이상 탐지는 직접적인 "기계 중지" 명령이 아닙니다. 이는 의사결정 지원 신호입니다. 일반적인 흐름: 이상 징후 감지 → 심각도 및 추세 평가 → 치료팀 확인(신체 검사, 추가 측정) → 개입 계획. AI는 추세와 가능한 원인을 제안할 수 있지만 "이 베어링을 교체해야 한다"는 결정과 시기는 인간에게 남아 있습니다. 인간은 생산 계획, 예비 부품, 안전 상황을 볼 수 있기 때문입니다.
약한 프롬프트 / 강한 프롬프트
WEAK: "이 진동 데이터에 결함이 있나요?" (기준 없음, fs 없음, 컨텍스트 없음. 입증되지 않음 예/아니요.) STRONG: "12kHz로 샘플링된 베어링의 1초 가속 데이터가 있습니다. RMS, 파고율, 첨도 및 주요 주파수를 계산합니다. 30일간의 정상 작동 기준(RMS 평균=0.8, 표준=0.1)이 있습니다. 이 측정은 기준에서 z-점수를 계산하고 3-시그마에 따라 해석합니다. 임계값을 높이십시오. 그러나 이는 결정적인 결함 결정이 아니라 결정 지원 신호임을 명시하십시오. 주요 주파수를 베어링의 특성 결함 주파수와 비교하십시오.
미니 케이스
유지보수 엔지니어 Emre는 팬 모터에 대한 진동 기반 모니터링을 설치하고 있습니다. 특징 추출 및 z-점수 이상 코드를 AI에 인쇄합니다. 시스템은 며칠 내에 경보를 울립니다. 그러나 Emre가 이를 확인한 결과 기계는 온전한 것으로 밝혀졌습니다. 잘못된 경보였습니다. 이를 조사한 결과, 그는 단 2시간의 데이터만으로 기준선을 설정한 반면, 팬의 진동은 일반적으로 부하 변화에 따라 변동한다는 사실을 깨달았습니다. 다양한 부하 조건을 포괄하기 위해 기준선을 1주로 연장하고 잘못된 경보가 중지됩니다. 그런 다음 그는 파고율의 느린 상승 추세를 확인합니다. 이는 RMS가 아직 임계값을 초과하기 전 초기 베어링 고장을 나타냅니다. 물리적 점검을 통해 베어링의 조기 마모를 확인합니다. Emre는 계획된 유지 관리 과정에서 베어링을 변경했으며 예상치 못한 중단은 발생하지 않았습니다. AI는 속성과 이상 징후를 빠르게 계산했습니다. 그러나 잘못된 경보를 제거하고 실제 오류를 조기에 포착하는 등 기준 품질과 추세 해석이 엔지니어의 임무가 되었습니다.
일반적인 실수
- 정상 시스템에서 적절한/대표 기준선을 수집하지 않고 임계값을 설정합니다.
- 샘플링 주파수를 지정하지 않고 FFT/주요 주파수를 해석합니다.
- 모델을 "정확성"으로 평가하고 드물게 오작동하는 경우 잘못된 결과를 얻습니다.
- 프로세스 위험과 관계없이 임계값을 임의로 선택합니다.
- 이상 신호를 직접 정지 명령으로 착각하고 사람의 검증을 우회하는 행위.
- 단일 지표만 보고 추세를 무시합니다(느린 상승).
요약하면
- 예측 유지보수는 기계의 실제 상태를 측정하여 고장을 예측합니다.
- 진동/온도로부터 RMS, Crest, Kurtosis, 지배주파수 등의 특징을 추출합니다.
- 임계값 및 이상 탐지는 정상 시스템의 기준 통계에서 파생됩니다.
- 잘못된 경보와 누락된 오류의 균형은 프로세스 위험에 따라 조정됩니다.
- 드문 결함의 경우 "정확성"은 오해의 소지가 있습니다. 잘못된 경보/실패율이 사용됩니다.
- 이상 현상은 의사 결정 지원 신호입니다. 치료에 대한 결정과 시기는 개인에게 있습니다.
응용과제
진동 또는 온도 시계열(건강한 베이스 + 점진적으로 악화되는 섹션)을 찾거나 시뮬레이션합니다. 특징 추출(RMS, 크레스트, 첨도) 및 z-점수 이상 감지 코드를 기준선에서 AI로 인쇄합니다. 그런 다음 (1) 정상 섹션에서만 기준선을 설정하고 샘플링 빈도를 제공합니다. (2) 2-시그마 및 4-시그마에 대한 임계값을 시도하고 잘못된 경보 및 누락된 결함 수가 어떻게 변하는지 비교합니다. (3) 단일 측정 대신 속성 추세를 플롯하고 조기 경고를 제공하는지 확인합니다. 귀하의 시나리오에서 위험에 적합한 임계값을 설명하고 이를 선택한 이유를 설명하십시오.