기계학습 및 고장진단의 개요

기계 학습은 인간의 지능을 모방하여 문제를 해결하고 작업을 수행합니다. 이 기술은 이제 고장 진단을 위한 데이터를 분석하고 유지 보수 솔루션의 일부로 고장을 예측하는 데 그 가치를 입증하고 있습니다. 

 

 

 

 

 

반응형

 

1. 고장 진단

성공적인 결함 진단은 시정 조치를 취할 수 있도록 기계가 고장난 위치를 이해하는 데 매우 중요합니다. 산업 시스템에서는 결함을 격리하고, 결함 유형을 발견하고, 그 위치를 정확히 찾아내야 합니다. 결함이 감지되면 엔지니어는 근본 원인도 파악하기 위해 노력할 것입니다. 그런 다음 결함을 수정하고 다시 발생하지 않도록 유지 보수 작업을 수행합니다.

 

기계 학습과 결함 진단의 통합은 결함 진단 기술의 정교함을 높이고 엔지니어가 수행하기 어려운 작업(예: 센서 또는 산업용 라우터에서 매우 많은 양의 데이터를 빠르게 분석)을 자동화하고 있습니다. 또한 머신 러닝 통합은 데이터를 분석하여 결함이 발생하기 전에 예측함으로써 예측 유지 관리를 가능하게 하여 엔지니어가 조기에 개입할 수 있도록 합니다.

 

 

 

 

 

반응형

 

1) 고장진단 기술

제조에서는 여러 가지 고장 분석 및 고장 찾기 기법과 기술이 고장 진단을 위해 사용됩니다. 

 

• 상태 모니터링: 상태 모니터링은 일반적으로 회전 기계 및 압축기, 펌프 및 모터와 같은 구성 요소에 사용됩니다. 여기에는 결함을 나타낼 수 있는 특정 매개변수(예: 온도 변화)를 모니터링하는 것이 포함됩니다. 상태 모니터링은 예측 유지보수의 중요한 부분입니다. 기계 성능의 미세한 변화를 분석하면 사전에 고장을 알 수 있으며 엔지니어가 개입할 수 있습니다
• 진동 모니터링: 진동 모니터링 시스템은 기계에 배포된 센서 네트워크에서 데이터를 수집합니다. 진동을 측정함으로써 시스템은 베어링, 기어, 샤프트 및 기타 구성 요소의 정렬 불량 또는 느슨한 부품과 같은 문제를 감지합니다. 진동 모니터링은 고장 진단 기법의 가장 일반적인 형태 중 하나이며 예측 유지 보수를 가능하게 합니다]
• 오일 분석: 오일 분석에는 기계에서 오일 샘플을 채취하여 기계와 기계의 상태를 평가하는 작업이 포함됩니다. 예를 들어, 오일이나 기타 윤활유에서 발견되는 작은 금속 입자는 기계 마모를 나타낼 수 있습니다. 엔지니어는 또한 오일의 점도를 측정하여 오일이 올바른지 확인하고 오일을 교체해야 하는지 확인합니다. 이는 회전 장비의 건강한 기능에 매우 중요합니다. 
• 열화상: 열화상은 전기 및 전자 장비의 고장 진단에 사용됩니다. 온도 변화를 감지하여 작동합니다. 이러한 변화는 장비가 과열되었거나, 원하는 속도로 냉각되지 않았거나, 빌드에 결함이 있음을 나타낼 수 있습니다
• 초음파 검사: 초음파 검사는 고장 진단을 위한 여러 비파괴 검사(NDT) 기법 중 하나입니다. 물체나 물질을 통해 초음파를 보내 작동합니다. 음파는 석유 및 가스, 자동차, 항공 우주, 건설 및 의학과 같은 분야의 결함을 드러내거나 재료를 특성화하기 위해 전송됩니다. 이를 위한 일반적인 엔지니어링 응용 분야는 배관의 부식을 평가하기 위한 초음파 두께 테스트입니다.

 

고장 진단을 위한 장비에는 케이블과 커넥터가 포함됩니다. 또한 산업용 이더넷 스위치, 산업용 무선 액세스 포인트, 산업용 게이트웨이 및 산업용 미디어 컨버터와 같은 상태 모니터링을 위한 지원 전자 장치도 공급합니다.

 

 

 

 

반응형

 

2. 기계 학습

기계 학습은 인공 지능의 일부입니다. 간단히 말해서 AI는 인간의 지능을 모방하는 컴퓨터의 능력입니다. 따라서 AI 시스템은 사람과 유사하게 문제를 해결하고 작업을 수행할 수 있습니다. 기계 학습 시스템은 프로그래밍과 같은 명시적 지침을 따르지 않고 학습합니다. 대신 엔지니어는 대량의 데이터(예: 기계의 센서 데이터)를 제공하고 머신 러닝 모델은 패턴을 식별하거나 모든 정보에서 추론을 도출하기 위해 자체적으로 '학습'합니다.

 

기계 학습은 제조 센서 데이터와 같이 데이터가 많은 상황에서 특히 유용합니다. 기계 학습은 사람들에게 어렵거나 불가능할 수 있는(또는 너무 시간이 많이 걸리는) 방식으로 해당 데이터에 대한 인사이트를 생성할 수 있습니다.

 

 

 

 

반응형

 

1) 기계 학습을 통한 오류 진단

기계 학습을 사용한 고장 진단은 기계 성능에 대한 매우 많은 양의 데이터를 분석하여 문제를 식별합니다. 표준에서 벗어난 정도는 데이터를 과거 추세와 비교하여 식별됩니다. 이러한 편차를 식별함으로써 기계 학습은 장비 고장이 발생하기 전에 예측할 수 있습니다. 따라서 기계 학습과 유지 관리를 결합하는 것은 예측 유지 관리 체제의 핵심 요소입니다.

 

2) 경고

기계 학습의 예측 기능을 사용하여 방대한 데이터 세트를 빠르게 분석할 수 있습니다. 또한 문제가 있을 경우 엔지니어가 개입할 수 있도록 경고합니다. 따라서 가능한 고장에 대한 예측이 식별되면 시스템이 자동으로 엔지니어에게 경고합니다.

 

3) 고장 예측

예측 유지보수는 센서의 상태 모니터링 데이터를 사용하여 결함이 발생하고 있음을 나타내는 성능 문제를 식별합니다. 대량의 데이터를 분석할 수 있는 머신 러닝의 기능과 결합하면 시스템은 고장을 예측할 수 있으므로 가동 중지 시간과 사후 유지 관리의 필요성을 방지할 수 있습니다.

  

 

 

 

반응형

 

3. AI 및 예측 유지보수

AI가 산업용 IoT, 빅 데이터 및 자동화 트렌드와 같은 인더스트리 4.0의 다른 측면과 함께 예측 유지 관리의 효율성을 높이는 데 도움이 됨에 따라 AI 및 유지 관리는 미래의 스마트 팩토리가 실현됨에 따라 더욱 널리 보급될 것입니다. AI는 개별 기계의 성능뿐만 아니라 궁극적으로 대규모 기계 네트워크를 분석하여 유지 보수 결정을 내릴 수 있는 가능성을 가지고 있습니다.

 

 

 

 

반응형

 

1) 예측 유지보수의 이점

예측 유지보수의 이점은 다음과 같습니다.

• 장비 가동 시간 증가: 예측 유지보수는 계획되지 않은 기계 가동 중단을 방지하는 데 도움이 됩니다.
• 생산성 향상: 엔지니어가 개입하여 장비가 고장나기 전에 수리하기 때문에 기계를 더 오래 생산할 수 있어 생산성이 향상됩니다.
• 비용 절감: 기계를 고장 나게 하려면 비용이 매우 많이 들 수 있습니다. 예측 유지보수는 문제가 심각해져 비용이 많이 드는 피해를 초래하기 전에 문제를 해결합니다.
• 더 나은 품질: 잘 관리된 기계는 고품질 생산 공정으로 이어집니다.
• 건강 및 안전 개선: 기계 고장은 작업자에게 위험을 초래할 수 있습니다. 고장이 발생하기 전에 문제를 식별하면 시설의 건강과 안전을 개선할 수 있습니다

 

2) 머신러닝의 이점

AI의 핵심 부분인 머신 러닝 알고리즘은 예측 유지 관리를 용이하게 하는 엔진입니다. 이를 통해 사람이 힘들게 할 수 있는 정보를 분석하고, 장비 성능을 개선하고, 생산성을 높이고, 예정되지 않은 사후 유지 보수 및 기계 가동 중단을 방지할 수 있습니다.

  

 

 

반응형

 

4. 고장 진단의 미래

AI를 기반으로 한 정교한 예측 유지 관리는 현재 표준이라기보다는 예외에 가깝습니다. 이 기술과 그 이점이 확립됨에 따라 상황이 바뀔 것입니다. 미래에는 기계 학습과 유지 관리가 더욱 복잡해질 것이며, 이로 인해 인력에 대한 의존도가 줄어들고 비용이 절감되며 보다 정확하고 효율적인 예측 기술이 약속될 것입니다.

 

기계 학습 자체의 미래에는 엔지니어가 더 작은 데이터 샘플로 작업할 수 있는 알고리즘을 개발하려고 할 것입니다. 그들은 또한 유지 관리를 개선하기 위해 더 넓은 범위의 정보(예: 이미지 및 센서 데이터)를 분석하기 위한 기계 학습의 잠재력을 탐구하는 데 열심입니다.

 

AI를 사용한 예측 유지보수가 널리 확립되면 머신 러닝을 사용하여 전체 시설에 대한 복잡한 워크플로를 실행하거나 작업자와 완전히 독립적으로 기계 작동을 감독할 수도 있습니다. 당분간 엔지니어들은 기계 고장을 미리 예측하기 위해 이 기술의 성장 잠재력을 계속 활용할 것입니다.