진동 분석 AI가 CNC 기계 고장을 3주 앞서 예측하는 방법

지난 2월, Mazak HCN-5000의 스핀들이 황삭 사이클 중 1,247Hz에서 0.3g 스파이크를 보이기 시작했습니다. 현장에서는 아무도 눈치채지 못했습니다. 진동 분석 시스템이 이를 초기 단계 베어링 결함으로 플래그 처리하고, 고장 가능 시점까지 18일이 남았다고 알려주었으며, 유지보수 팀은 예정된 토요일 셧다운 때 베어링을 교체했습니다. 총 비용: 부품비 약 $1,200과 4시간의 인건비. 해당 공장의 비계획 스핀들 고장 이력에 기반한 대안 시나리오는 긴급 수리, 생산 손실, 불량품으로 인해 $47,000의 비용이 발생했을 것입니다.

이것이 바로 진동 분석 AI에 주목해야 하는 이유를 보여주는 계산입니다.

센서가 실제로 측정하는 것

CNC 기계용 최신 진동 모니터링은 일반적으로 스핀들 하우징에 장착된 3축 가속도계를 사용하며, 때로는 샤프트 자체에 근접 프로브를 보조적으로 설치합니다. 이 센서들은 20,000~50,000Hz로 샘플링하여 기계의 기계적 거동에 대한 전체 주파수 스펙트럼을 포착합니다.

원시 진동 데이터는 밀도가 높습니다. 초당 25,600개의 샘플을 생성하는 단일 센서는 하루에 약 2GB를 생성합니다. 이를 중규모 공장의 15~30대 기계에 곱하면, 분석이 시작되기도 전에 상당한 데이터 인프라가 필요합니다.

이 데이터로 훈련된 AI 모델은 여러 도메인에 걸친 패턴을 찾습니다. RMS 진폭, 피크값, 크레스트 팩터와 같은 시간 영역 특성은 큰 변화를 포착합니다. FFT를 사용한 주파수 영역 분석은 베어링 형상, 기어 맞물림, 샤프트 불균형과 관련된 특정 결함 주파수를 식별합니다. 포락선 분석(진폭 복조)은 초기 베어링 손상을 특징짓는 미세한 주기적 충격을 추출하며, 이는 종종 정상 작동 진동 아래에 묻혀 있습니다.

패턴 인식에서 고장 예측으로

이상 감지에서 잔여 유효 수명 예측으로의 도약이 바로 머신러닝이 진가를 발휘하는 부분입니다. 대부분의 생산 시스템은 과거 고장 데이터로 훈련된 순환 신경망 또는 트랜스포머 아키텍처의 변형을 사용합니다. 모델은 현재 상태뿐만 아니라 열화 궤적을 학습합니다.

외륜 볼 통과 주파수(BPFO)에서 0.1g의 미세한 증가로 나타나는 베어링 결함은 표면 스폴링이 치명적 고장을 일으키는 시점까지 진행되는 데 6주가 걸릴 수 있습니다. 또는 기계가 티타늄에서 중단삭을 수행하는 경우 급격히 가속될 수도 있습니다. AI는 운전 조건, 부하 프로파일, 열 데이터를 고려하여 타임라인 추정을 정밀화합니다.

실제로 3주 예측 기간은 여러 요인의 조합에서 나옵니다. 대부분의 베어링 결함은 잘 문서화된 단계(표면 하부 피로에서 가시적 스폴링, 케이지 파손까지)를 거쳐 진행되며, 각 단계의 진동 시그니처는 훈련된 모델이 해당 베어링이 그 곡선의 어디에 위치하는지 매핑할 수 있을 만큼 충분히 구별됩니다.

실제 공장의 실제 수치

22대의 VMC와 HMC를 운영하는 제조 업체가 진동 기반 예측 유지보수를 도입한 후 14개월간 결과를 추적했습니다. 시스템 도입 전에는 연간 평균 11.4건의 비계획 스핀들 관련 셧다운이 발생했으며, 이벤트당 평균 다운타임은 14시간이었습니다. 도입 후 첫해에 비계획 셧다운은 2건으로 줄었으며, 두 건 모두 시스템이 감지했지만 부품 가용성 문제로 일정 조정이 늦어진 경우였습니다.

스핀들 관련 문제에 대한 연간 유지보수 비용은 $312,000에서 $89,000으로 감소했습니다. 진동 모니터링 시스템(하드웨어, 소프트웨어, 설치 및 첫해 구독료)은 전체 공장 기준 $145,000이었습니다. 투자 회수 기간: 약 7개월.

이 수치는 업계 전반의 보고와 일치합니다. 2024년 딜로이트의 이산 제조업 예측 유지보수 연구에 따르면, 진동 기반 시스템의 중간 ROI는 8~12개월이며, 비계획 다운타임 감소율은 평균 35%~50%였습니다.

기술의 한계

진동 분석 AI는 만능이 아닙니다. 특정 절삭 조건에서만 채터링이 발생하는 약간 마모된 테이퍼를 가진 공구 홀더와 같은 간헐적 결함에는 취약합니다. 진동 시그니처가 정상 마모 패턴과 크게 겹치기 때문에 리니어 가이드의 느린 열화를 놓칠 수 있습니다. 또한 정확한 훈련을 위해 상당한 양의 고장 데이터가 필요하므로, 도입 후 첫 6~12개월은 시스템의 예측 신뢰도가 낮은 학습 기간인 경우가 많습니다.

센서 배치는 매우 중요합니다. 주철 하우징의 스핀들 노즈에서 6인치 떨어진 곳에 장착된 3축 가속도계는 판금 커버 패널에 장착된 것과 극적으로 다른 판독값을 제공합니다. 대부분의 벤더가 배치 가이드를 제공하지만, 현실적으로 모든 기계 모델은 고유한 공진 특성을 가지고 있으며, 최적의 센서 위치는 때때로 반복적인 시행착오가 필요합니다.

데이터 품질도 지속적인 과제입니다. 절삭유 분사, 열팽창, 고정구 클램핑 힘은 모두 모델이 필터링하거나 고려해야 하는 진동 성분을 유발합니다. 다양한 고정 방식과 절삭 파라미터로 여러 종류의 부품을 가공하는 기계는 24시간 동일한 부품을 가공하는 기계보다 기준선 설정이 더 어렵습니다.

기존 유지보수 워크플로우와의 통합

가장 성공적인 구현 사례는 진동 AI를 의사결정자가 아닌 우선순위 지정 도구로 활용합니다. 시스템은 심각도와 예상 고장 시점별로 순위가 매겨진 알림을 생성하고, 유지보수 계획 담당자는 이를 활용하여 기존 셧다운 기간에 작업을 배치합니다. 모든 알림에 실시간으로 대응하려는 공장은 유지보수 팀을 지치게 하고 결국 시스템 자체를 무시하게 되는 경향이 있습니다.

대부분의 최신 플랫폼은 표준 API를 통해 CMMS와 통합되어, 임계값이 초과되면 자동으로 작업 지시서를 생성합니다. 더 우수한 플랫폼은 작업 지시서에 진단 데이터를 포함하여, 기술자가 기계에 가기 전에 무엇을 점검해야 하는지 알 수 있게 합니다.

MEMS 가속도계는 대량 구매 시 개당 $15 이하로 가격이 떨어져, 공장의 모든 스핀들, 모든 축 구동 모터, 모든 절삭유 펌프에 센서를 설치하는 것이 경제적으로 가능해졌습니다. 5년 전에는 가장 중요하거나 비싼 기계에만 우선순위를 두었을 것입니다. 이제는 선택적 모니터링에 대한 비용 논리를 주장하기가 점점 어려워지고 있습니다.