설비 센서 데이터 기반 이상 탐지

• 1. 설비 상태 모니터링(CBM)의 핵심 센서
• 2. 시계열 이상 탐지 알고리즘의 원리
• 3. 현장 적용 시 주의점

• 설비가 완전히 멈추거나 굉음을 내기 직전에 알람이 울리면 이미 늦음
• 진동, 전류, 온도 센서의 고주파 데이터를 분석하여 설비가 내는 미세한 ‘숨소리의 변화(Anomaly)’를 사전에 탐지해야 함

1. 설비 상태 모니터링(CBM)의 핵심 센서

• 설비 상태 모니터링(Condition-Based Monitoring)에서 데이터를 수집할 때,

• 어떤 물리적 신호를 측정해야 설비의 초기 고장 징후를 알아차릴 수 있는가?

• 진동(Vibration) 센서: “회전체 설비의 청진기”
  • 수집 데이터 특성:
    • 초당 수천~수만 번(kHz 단위) 수집되는 초고주파 파형 데이터
  • 주요 탐지 대상:
    • 모터, 베어링, 감속기, 펌프 등 회전체가 존재하는 모든 설비
  • 메커니즘 및 현장 예시:
    • 불균형(Unbalance):
      • 회전체의 무게 중심이 맞아떨어지지 않을 때 1x 회전주파수 진동 발생
    • 정렬 불량(Misalignment):
      • 모터 축과 가공 축의 중심이 어긋났을 때 2x 회전주파수 진동 발생
    • 베어링 결함:
      • 베어링 내/외륜에 미세 흠집이 생기면
      • 주파수 스펙트럼(FFT 변환) 상에서 특정 고유 결함 주파수(BPFO, BPFI)에 뾰족한 피크(Peak) 노이즈 발생
• 전류 센서 (MCSA: Motor Current Signature Analysis): “비침습적 심전도 검사”
  • 수집 데이터 특성:
    • 모터로 들어가는 3상 전류 파형 데이터
  • 주요 탐지 대상:
    • 모터 내부 권선 단선, 로터 바(Rotor Bar) 균열, 기어 박스 부하 변동
  • 메커니즘 및 현장 예시:
    • 설비 외부에 진동 센서를 붙이기 어려운 밀폐형 설비나 고온/위험 환경 설비에
      🡪 비침습식(클램프 온 타입)으로 전선에 찝어서 설치
    • 부하가 걸리거나 내부 회전체에 미세 걸림이 발생하면
      🡪 전류 파형의 고주파 고조파(Harmonics) 왜곡을 감지하여 전기적/기계적 이상을 동시에 진단
• 온도(Temperature) 및 음향 방출(Acoustic Emission, AE) 센서: “초기 마찰 탐지기”
  • 수집 데이터 특성:
    • 온도:
      • 완만하게 변하는 저주파 시계열 데이터
    • 음향 방출(AE):
      • 사람 귀에는 들리지 않는 100 kHz ~ 1 MHz 대역의 초음파 파형
  • 메커니즘 및 현장 예시:
    • 음향 방출(AE):
      • 윤활유가 말라 베어링 부품 간 미세 마찰이 시작되는 가장 극초기 단계의 파형 신호 감지
    • 온도:
      • 마찰이 심해져 열이 발생하는 고장 직전 단계의 최종 확인 신호
      • 주의: 온도가 올라갔을 땐 이미 베어링 마모가 80% 이상 진행된 상태임

2. 시계열 이상 탐지 알고리즘의 원리

• 단순한 기준선(Threshold) 설정과 AI 이상 탐지가 어떻게 다른가?
  
  

• 전통적 통계 기법 (3-Sigma, SPC - Statistical Process Control)
  • 원리:
    • 정상 상태 데이터의 평균(\(\mu\))과 표준편차(\(\sigma\))를 구한 뒤,
    • Upper/Lower Control Limit(\(\mu \pm 3\sigma\)) 범위를 벗어나면 이상(Anomaly)으로 판정
  • 장점:
    • 계산이 매우 빠르고 알고리즘이 직관적임
  • 한계:
    • 설비의 가동 상태가 계속 변하거나,
    • 여러 센서 수치가 복합적으로 작용하여 발생하는 은밀한 이상은 감지하지 못함
• 비지도학습 AI 기법 (Unsupervised Anomaly Detection)
  • 현장에서는 불량/고장 데이터(NG)가 거의 없으므로,

  • 오직 정상 가동 파형만 학습시켜 이상도(Anomaly Score)를 측정

  • Autoencoder (오토인코더):
    • 원리:
      • 정상 센서 신호를 입력받아 압축(Encoder) 후 복원(Decoder)하는 신경망
    • 이상 탐지 메커니즘:
      • 정상 신호가 들어오면 입력과 거의 똑같이 복원하지만,
      • 한 번도 보지 못한 이상 신호(진동 튐 등)가 들어오면 복원해 내지 못하고 오차(Reconstruction Error)가 급증함
      • 이 복원 오차 수치를 이상 점수(Anomaly Score)로 활용
  • Isolation Forest (고립 숲):
    • 원리:
      • 데이터를 무작위로 분할하여 고립시키는 의사결정 나무 구조
    • 이상 탐지 메커니즘:
      • 정상 데이터들은 한데 뭉쳐 있어 고립시키려면 선을 많이 그어야 하지만,
      • 이상 데이터(Outlier)는 몇 번만 무작위로 선을 그어도 금방 고립(Isolation)된다는 수학적 특성을 이용

3. 현장 적용 시 주의점

• Operating State(가동 상태)별 Baseline 분리

• 실제 공장에 이상 탐지 AI를 도입할 때 엔지니어들이 가장 많이 실수하여 AI 시스템을 폐기하게 만드는 결정적 원인
  
  

• 발생 문제: “가속/감속 구간의 과검(False Alarm) 폭발”
  • 현상:
    • 설비가 처음 켜질 때(가속 구간)나 가공 부하가 갑자기 걸릴 때, 혹은 가동을 멈출 때(감속 구간)는
    • 정상적인 가동 과정임에도 진동과 전류 수치가 평소 정속 가동 시보다 2 ~ 3배 이상 치솟음
  • 오작동:
    • AI에 단 하나의 기준선(Single Baseline)만 학습시켜 놓으면,
    • 설비가 켜지고 꺼질 때마다 “비상 고장 감지!” 알람이 울려 작업자가 알람을 꺼버림
• 현장 해결책: State-based Anomaly Detection (상태 기반 이상 탐지)
  1. Operating State (가동 상태) 분기:
     • 설비의 PLC 신호(가동 모드)나 RPM 수치를 바탕으로
     • 구간을 **① 대기/비가동 🡪 ② 가속 🡪 ③ 정속(가공) 🡪 ④ 감속** 4가지 상태로 자동 분할
  2. 상태별 독립 모델/Baseline 구축:
     • 정속 가공 구간의 이상 탐지 기준과 가속 구간의 이상 탐지 기준을 별도로 관리 및 추적
     • 가속 구간에서는 높아진 진동 수치를 정상으로 인정하고,
       • 동일한 ‘가속 상태’ 안에서 패턴이 이탈할 때만 진짜 이상 알람을 발생시킴

• 설비 이상 탐지의 핵심은 ‘얼마나 민감한 센서를 달았는가’가 아니라 ‘어느 상태의 기준선(Baseline)과 비교하고 있는가’
• 온도가 오르는 것은 고장의 마지막 단계
• 진동이나 음향 센서처럼 초고주파 신호를 통해 고장의 극초기 징후를 감지해야 함
• AI 이상 탐지 모델을 적용할 때는 반드시 설비의 가속/정속/부하 상태를 구분하여 가동 상태별 맞춤형 Baseline을 잡아주어야만,
  가짜 알람(False Alarm) 없는 완벽한 스마트 이상 탐지 시스템을 만들 수 있음