유압 프레스 모니터링을 위한 AI: 실시간 압력 이상 탐지

지난 3월, 미시간의 한 스탬핑 공장에 있는 600톤 유압 프레스가 성형 사이클 중 드웰 압력에서 2.3%의 편차를 보이기 시작했습니다. 부품이 여전히 규격을 충족하고 있었기 때문에 작업자는 이를 알아차리지 못했습니다. AI 모니터링 시스템은 이 편차를 비례 밸브 스풀의 초기 마모와 일치하는 패턴으로 감지했습니다. 2주 후, 계획된 금형 교체 작업 중에 유지보수 팀이 해당 밸브를 교체했습니다. 비용: 부품비 $3,400과 이미 예정된 정지 시간 중 추가 45분의 다운타임이었습니다.

공장 관리자는 나중에 밸브가 생산 중에 고장 났다면, 그로 인한 압력 급등이 금형을 손상시킬 수 있었을 것으로 추정했습니다. 이 금형은 $180,000짜리 도구로 납기가 16주나 걸리는 것이었습니다.

유압 압력 데이터의 형태

현대 유압 프레스는 매 사이클마다 압력 파형을 생성합니다. 분당 15스트로크로 작동하는 일반적인 스탬핑 프레스의 경우, 시간당 900개의 파형이 생성되며, 각 파형에는 스트로크의 접근, 접촉, 성형, 드웰, 복귀 단계에 대한 데이터가 포함됩니다. 각 단계에는 유압 시스템의 상태와 금형의 컨디션을 반영하는 고유한 압력 시그니처가 있습니다.

AI 시스템은 메인 실린더, 쿠션 실린더, 유압 매니폴드에 장착된 트랜스듀서를 통해 1,000Hz 이상의 속도로 압력을 샘플링합니다. 4초 사이클에서 1kHz 샘플링 시, 각 스트로크는 센서당 약 4,000개의 데이터 포인트를 생성합니다. 프레스당 3~6개의 센서가 있으므로, 시스템은 사이클당 12,000~24,000개의 데이터 포인트를 처리합니다.

이 데이터가 머신러닝에 흥미로운 이유는 유압 시스템이 정상 상태일 때 매우 높은 반복성을 보이기 때문입니다. 동일한 부품, 동일한 금형, 동일한 소재, 동일한 프레스 설정이라면 사이클마다 거의 동일한 압력 파형을 생성해야 합니다. 이 기준선에서의 편차는 거의 항상 의미 있는 것입니다.

AI가 감지하는 이상 유형

비례 밸브 열화는 드웰 단계에서 압력 제어의 변동성 증가로 나타납니다. 정상적인 밸브는 드웰 압력을 설정값의 ±0.5% 이내로 유지합니다. 스풀이 마모되면 이 변동성이 1%, 2%로 증가하고, 결국에는 밸브가 압력을 전혀 유지할 수 없게 됩니다. AI는 이 추세를 추적하고 변동성이 허용 가능한 부품 품질 임계값을 초과하는 시점을 예측합니다.

씰 누출은 특징적인 압력 감쇠 시그니처를 생성합니다. 내부 누출(피스톤 씰 바이패스)은 드웰 중 누출률에 비례하고 오일 체적에 반비례하는 느린 압력 강하를 유발합니다.

펌프 캐비테이션은 유량 수요가 가장 높은 접근 단계에서 고주파 압력 진동을 발생시킵니다. AI는 프레스의 정상 작동 주파수보다 훨씬 높은 200~800Hz 사이의 주파수에서 이러한 진동을 감지합니다. 캐비테이션은 일반적으로 흡입 라인 제한, 저장조 유량 부족 또는 오일 점도 문제를 나타냅니다.

어큐뮬레이터 프리차지 손실도 흔한 문제입니다. 어큐뮬레이터의 질소 프리차지는 수개월에 걸쳐 서서히 누출되어 빠른 접근 시 피크 유량을 공급하는 시스템의 능력을 저하시킵니다. AI는 이를 접근 시간의 점진적 증가와 압력 파형 형상의 변화로 감지합니다.

압력 파형 분석을 위한 모델 아키텍처

대부분의 생산 시스템은 두 가지 접근 방식 중 하나를 사용합니다. 첫 번째는 통계적 공정 관리를 활용한 템플릿 매칭입니다. 시스템이 수백 또는 수천 개의 양품 사이클로부터 기준 파형을 구축한 다음, 각 새로운 사이클에 대해 편차 지표를 계산합니다. 통계적 임계값을 초과하는 편차가 발생하면 경고가 트리거됩니다.

두 번째 접근 방식은 시퀀스 모델, 일반적으로 1D 합성곱 신경망 또는 LSTM 네트워크를 사용하며, 레이블링된 고장 데이터로 학습됩니다. 이 모델들은 특정 고장 모드와 관련된 파형 패턴을 분류하는 법을 학습하여, 단순한 이상 감지뿐만 아니라 고장 진단까지 가능하게 합니다. AI 기반 모니터링을 갖춘 스탬핑 공장은 하나의 알림에서 경고와 추정 원인을 동시에 받을 수 있습니다.

통합 및 응답 시간

실시간 처리는 다른 많은 예측 유지보수 응용 분야와 달리 유압 프레스 모니터링에서 매우 중요합니다. 베어링 고장은 수일 또는 수주의 경고 시간을 줍니다. 하지만 유압 고장은 씰이 터지거나 호스가 파열되면 감지 가능한 이상에서 치명적 고장까지 수분 내에 진행될 수 있습니다.

현재 시스템은 500밀리초 미만의 지연 시간으로 사이클별 분석을 달성합니다. 이상 심각도가 임계 임계값을 초과하면, 시스템은 프레스 컨트롤러와 인터페이스하여 자동 정지 또는 제어된 감속을 트리거할 수 있습니다.

대부분의 공장은 단계별 경고 시스템을 구현합니다. 레벨 1 경고(추세 편차)는 유지보수 계획 담당자에게 전달됩니다. 레벨 2 경고(중대한 이상)는 유지보수 감독자와 프레스 작업자에게 통보됩니다. 레벨 3 경고(치명적 이상)는 자동 프레스 정지를 트리거합니다. 임계값을 올바르게 설정하는 데는 2~3개월의 보정 기간이 필요합니다.

비용 및 실무 고려사항

유압 프레스에 AI 모니터링을 위한 계측 장비를 설치하는 비용은 실린더 수와 기존 센서 인프라에 따라 프레스당 $8,000~$15,000입니다. 소프트웨어 플랫폼은 프레스 수와 벤더에 따라 연간 $12,000~$25,000이 추가됩니다.

과소평가되는 이점 중 하나는 이러한 시스템이 공정 엔지니어링을 위해 생성하는 데이터입니다. 압력 파형에는 유지보수를 넘어 유용한 소재 변동, 금형 마모, 공정 드리프트에 대한 정보가 포함되어 있습니다. 여러 공장에서 과거 파형 데이터를 활용하여 프레스 파라미터를 최적화하고 스크랩률을 3%~8% 줄였다고 보고했으며, 이는 원래 도입 근거에 포함되지 않았지만 상당히 의미 있는 효율성 향상으로 밝혀졌습니다.