예측유지관리

Predictive maintenance
아스팔트 열화 특성 및 정도는 도로의 예측 정비를 위해 분석한다. 자세한 내용은 포장 상태 지수를 참조하십시오.

예측 유지보수 기법은 유지보수 수행 시기를 추정하기 위해 사용 중인 장비의 상태를 결정하는 데 도움이 되도록 설계된다. 이 접근방식은 작업이 보증된 경우에만 수행되기 때문에 일상적인 또는 시간 기반의 예방 정비에 비해 비용 절감을 약속한다. 따라서, 항목의 열화상태 추정에서 제안하는 조건부 유지보수로 간주한다.[1][2]

예측 정비의 주요 약속은 교정 정비를 편리하게 스케줄링할 수 있도록 하고, 예상치 못한 장비 고장을 방지하는 것이다. 핵심은 "적절한 인포어 장비 수명, 발전소 안전성 증가, 환경에 부정적인 영향을 미치는 사고 감소, 최적화된 예비 부품 취급"이다.

예측 유지보수는 평균 또는 기대 수명 통계보다는 장비의 실제 상태에 의존하여 언제 유지보수가 필요할지를 예측하기 때문에 예방 유지보수와 다르다. 일반적으로 머신러닝 접근방식은 시스템의 실제 상태를 정의하고 미래 상태를 예측하기 위해 채택된다.[3]

예측 유지보수를 구현하는 데 필요한 주요 구성 요소로는 데이터 수집 및 사전 처리, 초기 장애 감지, 장애 감지, 장애 예측 시간, 유지보수 스케줄링 및 리소스 최적화 등이 있다.[4] 예측 유지 보수도 생산성 향상의 원동력 중 하나로 꼽혀 왔으며, 제조업에서 '정시적(just-in-time)'을 달성할 수 있는 방법 중 하나로 꼽혀 왔다.[5]

개요

예측 정비는 주기적(오프라인) 또는 연속적(온라인) 장비 상태 모니터링을 수행하여 장비의 상태를 평가한다. 접근방식의 궁극적인 목표는 유지보수 활동이 가장 비용 효율적인 시점과 한계치 이내에서 기기가 성능을 상실하기 전에 예정된 시점에 유지보수하는 것이다. 이로 인해 장애로 인한 계획되지 않은 다운타임 비용이 감소하며, 이에 따라 산업계에 따라 매일 수십만 개의 다운타임 비용이 절감될 수 있다.[6] 에너지 생산에서는 수익 손실과 부품 비용 외에 미배달에 대해서도 과태료를 부과할 수 있어 비용은 더욱 늘어날 수 있다. 이는 장비 일부가 필요 여부에 관계없이 유지되는 시간 및/또는 작동 횟수 기반 유지 보수와는 대조적이다. 시간 기반 유지보수는 노동 집약적이며, 예정된 검사 사이에 발생하는 문제를 식별하는 데 효과적이지 않기 때문에 비용 효율적이지 않다.

예측 유지보수의 "예측적" 구성요소는 장비 상태의 미래 추세를 예측하는 목표에서 비롯된다. 이 접근방식은 통계적 프로세스 통제의 원칙을 사용하여 향후 유지보수 활동의 어느 시점에 적절할지를 결정한다.

대부분의 예측 검사는 장비 사용 중에 수행되므로 정상적인 시스템 운영의 중단을 최소화한다. 예측 정비를 채택하면 상당한 비용 절감과 높은 시스템 신뢰도를 얻을 수 있다.

신뢰성 중심의 유지보수는 기존의 예방조치 외에 예측보수 기법도 활용한다는 점을 강조한다. 적절하게 시행되면, 그것은 기업들에게 주어진 성과와 위험 수준에 대해 가장 낮은 자산 순현재원가를 달성할 수 있는 도구를 제공한다.[7]

한 가지 목표는 예측 유지보수 데이터를 전산화된 유지보수 관리 시스템으로 전송하여 장비 조건 데이터를 올바른 장비 객체로 전송하여 유지보수 계획 수립, 작업 순서 실행, 보고 등을 실행하는 것이다.[8] 이를 달성하지 않는 한 최소한 수만 개의 장비를 갖춘 중대형 발전소에서 솔루션을 구현한다면 예측 유지관리 솔루션은 가치가 제한적이다. 2010년, 광업 회사 볼리덴은 설비 전산 유지관리 시스템과 통합된 분산제어시스템 및 예측유지관리 솔루션을 오브젝트 대 오브젝트 레벨로 구현하여, 프로세스 c에 대해 고속도로 어드레싱 가능 원격변환기 프로토콜, IEC61850, OLE 등의 프로토콜을 이용하여 장비 데이터를 전송한다.온톨롤

기술

예측 정비는 장비 상태를 평가하기 위해 적외선, 음향(부분방출 및 공기중 초음파), 코로나 검출, 진동 분석, 음량 측정, 오일 분석, 기타 특정 온라인 시험 등의 비파괴 시험 기술을 활용한다. 이 영역의 새로운 접근방식은 실제 장비에 대한 측정을 다른 장치에 의해 측정된 공정 성능 측정과 결합하여 장비 유지보수를 촉발하는 것이다. 이는 주로 협업 프로세스 자동화 시스템(CPAS)에서 이용할 수 있다. 사이트 측정은 배선 비용을 줄이기 위해 무선 센서 네트워크에서 지원하는 경우가 많다.

진동 분석은 고속 회전 장비에서 가장 생산적이며, PdM 프로그램의 가장 비싼 구성 요소가 되어 가동될 수 있다. 진동 분석은 적절히 수행되면 사용자가 장비의 상태를 평가하고 고장을 방지할 수 있다. 최신 세대의 진동 분석기는 이전 세대보다 더 많은 기능과 자동화된 기능을 포함하고 있다. 많은 유닛이 세 축의 전체 진동 스펙트럼을 동시에 표시하여 특정 기계에서 무슨 일이 일어나고 있는지 스냅숏을 제공한다. 그러나 그러한 능력에도 불구하고, 가장 정교한 장비조차도 운영자가 진동 분석의 기본을 이해하고 적용하지 않는 한, 발전 문제를 성공적으로 예측하지 못한다.[9]

특정 상황에서는 여러 경쟁 공급원에서 발생하는 강한 배경 소음 간섭이 관심 신호를 가리고 진동 센서의 산업적 적용을 방해할 수 있다. 결과적으로, 모터 전류 시그니처 분석(MCSA)은 전기 및 기계 시스템 모두의 고장을 모니터링할 수 있는 잠재력이 있는 진동 측정의 비침해적 대안이다.

원격 육안 검사는 첫 번째 비파괴 검사다. 그것은 비용 효율적인 1차 평가를 제공한다. 접힘, 깨짐, 균열, 부식 등 피사체의 외관상으로부터 필수 정보와 디폴트를 추론할 수 있다. 원격 육안 검사는 충분한 조명(최소 350LUX)으로 양호한 조건에서 수행해야 한다. 조종할 부분의 부분이 직접 접근할 수 없을 때는 내시경이라 불리는 거울과 렌즈로 만들어진 기구를 사용한다. 외부 불규칙성이 있는 숨겨진 결함은 내부에 더 심각한 결함을 나타낼 수 있다.[citation needed]

음향 분석은 소닉이나 초음파 레벨에서 할 수 있다. 상태 모니터링을 위한 새로운 초음파 기법은 회전하는 기계에서 마찰과 응력을 "히어"할 수 있게 해 기존 기법보다 빨리 열화를 예측할 수 있다.[10] 초음파 기술은 사람의 귀에 들리지 않는 고주파 음에 민감해 저주파음, 기계진동과 구별된다. 기계 마찰과 응력파는 상위 초음파 범위에서 독특한 소리를 낸다. 이러한 마찰과 응력파의 변화는 진동이나 석유 분석과 같은 기술보다 훨씬 더 빨리 악화되는 상태를 암시할 수 있다. 적절한 초음파 측정과 분석을 통해 자산과 운용 조건의 직접적인 관계를 바탕으로 정상적인 마모, 물리적 손상, 불균형 상태, 윤활 문제 등과 구별할 수 있다.

소닉 모니터링 장비는 비용이 적게 들지만 초음파 기술보다 사용량도 적다. 소닉 기술은 기계 장비에만 유용하며 초음파 장비는 전기적 문제를 감지할 수 있고 기계적인 문제를 감지하는 데 더 유연하고 신뢰성이 높다.

적외선 감시 및 분석은 (고속 장비에서 저속 장비에 이르기까지) 적용 범위가 가장 넓으며, 기계적 및 전기적 고장을 모두 찾아내는 데 효과적일 수 있다. 일부에서는 현재 가장 비용 효율적인 기술로 보고 있다. 석유 분석은 관련성이 있는 경우, 결국 다른 어떤 기술보다 예측성이 높을 수 있는 장기 프로그램이다. 식물의 석유 프로그램이 이 정도의 정교함과 효과에 도달하려면 몇 년이 걸릴 수 있다. 오일 샘플에 대해 수행되는 분석 기법은 사용된 오일 분석과 마모 입자 분석의 두 가지 범주로 분류할 수 있다. 사용한 오일 분석은 윤활유 자체의 상태를 결정하고 윤활유의 품질을 판단하며, 지속적인 사용 적합성을 확인한다. 마모 입자 분석은 윤활된 기계 구성 요소의 기계적 상태를 결정한다. 마모 입자 분석을 통해 존재하는 고체 물질의 성분을 파악하고 입자 유형, 크기, 농도, 분포, 형태학을 평가할 수 있다.[11]

예측 정비 프로그램을 위한 모델 기반 상황 모니터링의 사용은 시간이 지남에 따라 점점 더 인기를 얻고 있다. 이 방법은 모터의 전류 및 전압 신호에 대한 스펙트럼 분석을 수행한 다음 측정된 파라미터를 모터의 알려진 학습된 모델과 비교하여 다양한 전기 및 기계적 이상을 진단한다. 이러한 "모델 기반" 상태 모니터링 과정은 원래 NASA의 우주왕복선에서 우주왕복선의 주 엔진에 발생하는 결함을 감시하고 감지하기 위해 설계되어 사용되었다.[12] 데이터 수집 및 분석 작업의 자동화를 가능하게 하여, 고장 발생 시 상시 모니터링 및 경고 기능을 제공한다.

애플리케이션(업종별)

철도

  • 선형, 고정 및 모바일 자산의 다운타임을 유발하기 전에 문제를 감지하십시오.[13]
  • 신차 택시 기반 모니터링 시스템을 통한 안전 및 트랙 보이드 감지 개선
  • 또한 공백이 위치하는 트랙 자산의 유형을 식별하고 공백의 심각성을 표시할 수 있다.
  • 지점 기계(철도 개찰구 운용에 사용되는 장치)의 상태 모니터링은 고장 전 열화의 초기 증상을 감지하는 데 도움이 될 수 있다.·

제조업

  • 제조업의 초기 고장 감지 및 진단.[5]
  • 제조사들은 점점 더 그들의 공장과 제품에 있는 사물인터넷(IoT) 센서로부터 빅데이터를 수집하고 수집된 데이터에 다른 알고리즘을 사용하여 고가의 실패가 발생하기 전에 경고 신호를 감지한다.[14]

[15]

오일 앤드 가스

  • 석유 및 가스 회사들은 특히 멀리 떨어진 연안 및 심해 지역에서 장비의 상태에 대한 가시성이 부족한 경우가 많다.[16]
  • 빅데이터는 석유 및 가스회사에 통찰력을 제공할 수 있으며, 이렇게 하면 장비 고장과 시스템 및 부품의 최적 수명을 분석하고 예측할 수 있다.[16]

참고 항목

참조

  1. ^ Goriveau, Rafael; Medjaher, Kamal; Zerhouni, Noureddine (2016-11-14). From prognostics and health systems management to predictive maintenance 1 : monitoring and prognostics. ISTE Ltd and John Wiley & Sons, Inc. ISBN 978-1-84821-937-3.
  2. ^ Mobley, R. Keith (2002). An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann. pp. 4–6. ISBN 978-0-7506-7531-4.
  3. ^ Susto, Gian Antonio (2015). "Machine Learning for Predictive Maintenance: A Multiple Classifier Approach". IEEE Transactions on Industrial Informatics. 11 (3): 812–820. doi:10.1109/TII.2014.2349359. S2CID 18888927.
  4. ^ Amruthnath, Nagdev; Gupta, Tarun (February 2018). "Fault Class Prediction in Unsupervised Learning using Model-Based Clustering Approach". ResearchGate. doi:10.13140/rg.2.2.22085.14563. Retrieved 19 January 2022.
  5. ^ a b Amruthnath, Nagdev; Gupta, Tarun (April 2018). "A Research Study on Unsupervised Machine Learning Algorithms for Fault Detection in Predictive Maintenance". ResearchGate. doi:10.13140/rg.2.2.28822.24648. Retrieved 19 January 2022.
  6. ^ "How Much Does Predictive Maintenance Save You Money?". LearnOilAnalysis.com. Archived from the original on 2017-10-03. Retrieved 2017-12-03.
  7. ^ Mather, D. (2008). "The value of RCM". Plant Services.
  8. ^ Peng, K. (2012). Equipment Management in the Post-Maintenance Era: A New Alternative to Total Productive Maintenance (TPM). CRC Press. pp. 132–136. ISBN 9781466501942. Retrieved 18 May 2018.
  9. ^ Yung, Chuck (June 9, 2006). "Vibration analysis: what does it mean?". Plant Services.
  10. ^ Kennedy, Sheila (2006). "New tools for PdM". plantservices.com. Putman Media. Retrieved 19 Nov 2019.
  11. ^ Robin, Lana (August 15, 2006). "Slick tricks in oil analysis". Plant Services.
  12. ^ Duyar, Ahmet; Merrill, Walter (March 1992). "Fault diagnosis for the Space Shuttle main engine". Journal of Guidance, Control, and Dynamics. 15 (2): 384–9. doi:10.2514/3.20847.
  13. ^ Predictive maintenance benefits for the railway industry, retrieved 19 November 2016
  14. ^ 5 Use Cases for Predictive Maintenance and Big Data, Oracle Corporation, CA 94065 USA., retrieved 8 November 2018
  15. ^ Oracle 2018, 22 Big Data Use Cases You Want to Know, 2nd edition, Oracle Corporation, CA 94065 USA. (PDF), retrieved 12 November 2018
  16. ^ a b 22 Big Data Use Cases You Want to Know, Oracle Corporation, CA 94065 USA., retrieved 31 October 2018