베어링 분석:고장이 아닌 문제를 해결하십시오

이 기사의 목적은 단순히 실패를 감지하는 것이 아니라 문제를 감지하고 수정하는 사고 방식을 개발하는 것입니다. 우리는 종종 완전히 파손된 베어링의 예와 함께 고장을 감지한 스펙트럼 및 진동 데이터를 봅니다. 이를 위해서는 다단계 접근 방식이 있어야 합니다. 진동 모니터링 프로그램을 사용하여 가능한 한 빨리 문제를 감지하고 유지 관리 부서에서 조치를 취해야 합니다(베어링을 변경하는 것이 아닐 수도 있습니다. 윤활 문제 일뿐입니다). 베어링을 교체했다면 적시에 교체하는 것이 중요합니다. 그것이 핵심이다. 너무 일찍 바꾸면 시스템에 결함이 있다고 사람들이 말합니다. 너무 늦게 변경하면 다른 구성 요소에 손상을 줄 수 있으며 문제가 무엇인지 알 수 있는 증거가 파괴될 수 있습니다. 목표는 사후 대응이 아닌 사전 예방입니다.

의사 결정 지원 시스템 SKF Bearing Inspector는 베어링 의사 결정 과정에서 향상된 속도, 일관성 및 높은 품질을 제공하는 것을 목표로 합니다. 베어링 손상이나 고장의 재발을 방지하는 데 도움이 되어야 합니다. 지식 기반 컴퓨터 시스템과 마찬가지로 SKF Bearing Inspector는 기본 원칙에서 실제 엔지니어링 결과에 이르기까지 구름 베어링 손상에 대해 사용할 수 있는 모든 관련 정보와 경험을 수집합니다. 증상과 가능한 원인 사이의 인과 관계는 현실에 존재하지 않으며 쉽게 잘못된 결론으로 ​​이어질 수 있습니다. 이는 단순히 이유(예:잘못된 베어링 장착)로 인해 손상 증상(예:프렛팅의 징후)이 발생하고 그 반대가 아니기 때문입니다. "고장 가능성"에 불확실성이 부가된 원인에서 증상까지의 관계 모델링은 베어링 수명 동안 발생하는 물리적 현상에 훨씬 더 잘 맞습니다. 최첨단 컴퓨터 지능 기술의 도움으로 이 접근 방식을 따라 프로그램을 개발했습니다.

이 문서는 ISO 15243:2004 표준을 참조용으로 따릅니다.

문제
상태 모니터링 도구는 종종 회전 기계의 결함이나 고장 패턴을 감지하는 방법으로 사용됩니다. 우리는 종종 상태 모니터링 도구를 사용하여 유지 관리 계획에서 예측하여 실제로 수행하는 작업에 반응합니다. 실패를 방지하기 위해 도구를 사용하는 방법을 연구하기 전에 이러한 유행어 중 일부를 이해하고 수집된 데이터를 사용하기 위해 수행해야 하는 작업을 살펴봐야 합니다. 또한 무엇을 수집하고 데이터를 효과적인 정보로 전환할지 결정하기 위한 전략이 있어야 합니다. 베어링의 경우(아래 그림):문제를 잘 감지했습니까? 아니면 오류를 감지했습니까? 기계의 치명적인 오류를 방지했다고 말할 수 있지만 원인은 무엇이며 다시는 이러한 일이 발생하지 않도록 방지할 수 있습니까?

그림 1. 베어링의 엔벨로프 스펙트럼

그림 2. 베어링의 파형

그림 3. 베어링의 주기적인 시간 분석

이 베어링은 여러 번 고장 났지만 베어링을 교체하기만 하면 되며 이는 매우 비용이 많이 들고 시간이 많이 소요되는 작업입니다. 데이터의 시간 블록을 사용하면 끝을 결합하여 프로필 플롯에 데이터를 표시할 수 있습니다. 이 시간 블록은 베어링의 1회전을 나타냅니다. 그런 다음 데이터는 1rpm의 시간 길이로 설정된 가상 트리거를 사용하여 시간 동기 평균을 얻습니다. 이 데이터는 이제 이 베어링에 두 개의 하중 영역이 있고 결국 내부 레이스와 케이지에 응력을 일으키고 고장이 발생한다는 것을 분명히 보여줍니다. 저널을 검사한 결과 타원형인 것으로 나타났습니다. 그런 다음 기계가공되고 베어링이 올바르게 장착되었습니다. 베어링은 그 이후로 사용되었으며 문제의 징후가 없습니다.

근본 원인 장애 분석 및 사전 예방적 유지 관리가 작동했습니다. 기능 장애가 발생하기 전에 이러한 기술을 사용하는 것이 중요합니다. 핵심은 실패가 아니라 문제를 해결하는 것입니다.

윤활
베어링의 윤활이 실패하기 시작하면 일반적으로 진동, 소음 또는 음향 방출이 증가합니다. 윤활 관리 체제는 종종 베어링을 듣는 것을 기반으로 합니다. 이것은 작동할 수 있지만 가장 좋은 방법은 엔지니어링 단위에 대한 데이터의 추세를 파악하는 것입니다. 다음 경향은 윤활을 했을 때 베어링에 어떤 일이 일어났는지 보여줍니다.

그림 4.

분명히 문제를 해결했지만 진동 수준이 문제 이전 수준으로 돌아 가지 않음을 알 수 있습니다. 윤활 후 증가된 수준은 그리스에 여전히 남아 있는 작은 파편 입자 때문입니다. 베어링에 그리스를 바르는 동안 시간 파형 데이터를 가져왔습니다. 그리스로 인해 문제가 숨겨져 있음을 분명히 알 수 있습니다.

그림 5.

베어링 고장 모드 분석을 위한 의사결정 지원 시스템
구름 베어링 손상 및 고장으로부터 통찰력과 정보를 얻는 것은 SKF와 고객에게 전략적으로 중요합니다. 베어링 손상에 대해 수집된 지식은 SKF Bearing Inspector라는 웹 기반 의사 결정 지원 시스템으로 SKF 엔지니어가 액세스할 수 있습니다. 상태 모니터링 시스템에서 베어링 결함 패턴이 어떻게 나타나는지에 대한 지식과 결합하면 근본 원인 오류 분석이 크게 향상될 수 있습니다.

의사 결정 지원 시스템인 SKF Bearing Inspector는 베어링 의사 결정 과정에서 향상된 속도, 일관성 및 고품질을 제공하는 것을 목표로 합니다. 베어링 손상이나 고장이 재발하는 것을 방지하는 데 도움이 되어야 합니다. 지식 기반 컴퓨터 시스템과 마찬가지로 SKF Bearing Inspector는 기본 원칙에서 실용적인 엔지니어링 결과에 이르기까지 구름 베어링 손상에 대해 사용할 수 있는 모든 관련 정보와 경험을 수집합니다.

현재의 지식 기반 시스템은 1980년대에 개발된 전문가 시스템의 경험으로부터 이점을 얻었지만 추론 능력과 컴퓨터 성능 측면에서 큰 결함을 겪었습니다. 이러한 시스템은 종종 증상에서 가능한 원인으로 이어지는 의사 결정 트리로 구성되었습니다. 증상과 가능한 원인 사이의 인과 관계는 현실에 존재하지 않으며 쉽게 잘못된 결론으로 ​​이어질 수 있습니다. 이는 단순히 원인(예:잘못된 베어링 장착)으로 인해 손상 증상(예:프렛팅 징후)이 발생하고 그 반대가 아니기 때문입니다. 불확실성이 "가능한 고장 상태"에 첨부되는 원인과 증상 간의 관계 모델링은 베어링 수명 동안 발생하는 물리적 현상에 훨씬 더 잘 맞습니다. 최첨단 컴퓨터 지능 기술의 도움으로 이 접근 방식을 따라 프로그램을 개발했습니다.

지식 시스템
지식 시스템 내에서 일반적으로 문제 해결 능력을 도출하기 위해 특정 지식 표현으로 지식을 모델링하는 것과 추론 원리를 구별합니다. 지식 표현과 관련하여 다음과 같은 여러 형식이 있습니다.

케이스: 사례 사례에서 많은 베어링 고장 경험을 찾을 수 있습니다. 불행히도 많은 실제 사례가 잘 문서화되지 않았으며 문서화된 매개변수 또는 고장 모드 결론에 대한 균일성이 없습니다. 그러나 예시 사례는 다른 지식 표현을 모델링하거나 확인하는 데 사용할 수 있습니다.

규칙: 관찰된 증상과 가능한 원인 사이의 if-then 규칙을 일반화하는 것이 가능합니다. 그러나 이는 원인에 따라 유사한 증상으로 나타나는 유사한 효과가 있을 수 있으므로 적절하지 않습니다.

인공 신경망: 증상과 원인 사이의 수학적 관계는 예제 실패 사례를 사용하여 파생될 수 있습니다. 그러나 이를 수행하기 위한 판별 사례의 수가 충분하지 않습니다. 또한 시스템 사용자는 이러한 설명이 없는 '블랙박스' 인공 신경망 관계보다 추가 설명이 필요합니다.

확률적 네트워크: 베어링 고장 이론과 경험을 바탕으로 노드가 인과 관계로 연결된 시각적 네트워크를 도출할 수 있습니다. 또한 이러한 관계의 약점 또는 강점을 나타내는 확률이 할당됩니다. 조건에서 관찰까지 정확한 인과관계를 도입함으로써 이 지식 표현은 베어링 고장 진단 문제에 가장 잘 맞습니다. 베어링 손상 및 고장 분석은 주로 진단 작업입니다. 특정한 불만을 가지고 의사를 방문하는 환자를 상상해 보십시오. 의사는 먼저 체중, 흡연 등과 같은 특정 신체 및 생활 습관 매개변수(상태)에 대해 환자에게 질문합니다. 그 정보를 바탕으로 의사는 가능한 질병(고장 모드)에 대한 가설을 세웁니다. 의사는 환자(증상)에 대한 추가 질문과 검사를 통해 이러한 가설을 확인하거나 거부합니다. 손상 또는 실패 분석 프로세스는 의사의 접근 방식과 유사합니다. 올바른 진단에는 두 가지 추론 단계가 있습니다.

<올>

가설 생성은 데이터를 기반으로 가능한 고장 가설을 생성하는 것입니다. 예를 들어, 의사는 무엇이 잘못될 수 있는지에 대한 아이디어(가설)를 얻기 위해 질문을 시작합니다.

가설 확인 또는 거부. 생성된 가설을 하나씩 조사하고 검증하거나 기각합니다. 예를 들어 의사는 특정 의료 검사(혈압, 심박수 등)를 수행하여 가장 가능성이 높은 질병을 조사하기 시작합니다.

확률적 네트워크에서는 순방향 및 역방향 확률 계산에 의해 2단계 추론이 구현됩니다.

확률적 네트워크에 대한 추가 정보
확률적 네트워크는 노드가 인과 관계로 연결되어 확률 계산이 적용되는 시각적 네트워크입니다. 베어링 고장 분석을 위한 네트워크에는 조건, 내부 메커니즘, 고장 모드 및 관찰된 증상의 네 가지 노드 범주가 있습니다. 조건은 베어링이 작동하는 조건을 나타냅니다. 예를 들어 속도, 베어링 유형, 하중, 온도, 설치 세부 사항, 환경 요인 등이 있습니다. 내부 메커니즘은 윤활, 필름 파괴, 슬라이딩 접촉 등과 같은 작동 중 발생하는 물리적 현상을 나타냅니다. 고장 모드는 고장 유형을 나타내며, 지하 시작 피로 및 프레팅 부식과 같은.

표 1에는 다양한 고장 모드가 나열되어 있습니다. 관찰된 증상은 변색, 스폴링, 녹 등을 포함하여 베어링 내부 및 외부에서 관찰 가능한 현상을 나타냅니다. 약 150개의 노드가 베어링 적용 조건, 숨겨진 메커니즘, 물리적 고장 모드 및 관찰된 증상 사이의 인과 관계로 연결됩니다. 네트워크 모델링에는 다양한 정보 소스가 사용되었습니다. 노드를 정의하는 것 외에도 인과관계와 확률, 예제 및 그림을 포함한 설명 텍스트(각 노드에 대한)를 개발합니다. 총 약 250장의 사진이 시스템에 포함되었습니다.

그림 6. ISO 15243:2004

그림 7.

베어링 검사기의 사례 연구
Bearing Inspector에는 "Typical Cases" 아래에 있는 몇 가지 일반적인 베어링 손상 사례가 포함되어 있습니다. 이것은 베어링 검사자가 베어링 손상 조사 분석을 지원하는 방법을 보여주기 위한 교육 자료로 사용할 수 있습니다. 한 가지 예는 제지 공장의 전기 모터입니다. 이 경우 전기적으로 절연된 원통형 롤러 베어링 NU 322 ECM/C3VL024가 티슈 페이퍼 기계의 릴 섹션에 있는 페이퍼 와인더의 전기 모터에 사용됩니다. 전기 모터 속도는 가변적이며(주파수 변환기가 있는 400VAC) 1,000분에서 1,500분-1 사이에서 작동합니다. 그러나 가동한 지 한 달 만에 내륜과 외륜에 심한 마모가 관찰되었습니다. SKF Bearing Inspector에 예제 케이스를 로드하면 알려진 모든 적용 조건이 설정됩니다(1단계).

가능한 고장 모드의 첫 번째 가설은 이러한 적용 조건을 기반으로 계산됩니다. 분석의 이 시점에서 Bearing Inspector는 잘못된 브리넬링, 접착 마모 및 전류 누출 가능성이 높습니다. 기계가 절연 베어링을 사용하고 모든 기계가 고무 패드로 적절히 지지되기 때문에 첫눈에 전류 누출 및 잘못된 브리넬링이 발생할 가능성이 없어 보입니다. 그런 다음 사용자는 고장 증상에 대한 베어링을 검사하여 분석의 두 번째 단계를 수행해야 합니다. "검사"를 클릭하면 선택한 오류 모드와 가장 관련이 있는 손상 증상 목록이 표시됩니다.

베어링은 먼저 잘못된 브리넬링이 있는지 검사합니다. 잘못된 브리넬링을 확인할 수 있는 얕은 함몰이 없기 때문에 이 실패 모드는 거부됩니다. 분석은 접착 마모 증상의 검사와 함께 계속됩니다. 접착 마모와 관련된 증상도 발견되지 않았습니다. 마지막으로 누설전류의 증상을 조사하여 궤도면을 확대한 후 작은 구멍의 존재를 발견하였다. 이를 통해 누설전류 고장모드를 확인하였다. 그 후 고객은 실제로 와인더 구조에서 전류 누출을 일으키는 접지 문제를 발견했습니다.

그림 8. 예제 1단계:다른 베어링 유형, 코팅, 속도 등 전기 모터 와인더 데이터를 로드하여 적용 조건을 채웁니다. 자세한 정보 및 정보 버튼 아래에 예시가 나와 있습니다.

그림 9. 예제 2단계:Bearing Inspector는 지금까지의 정보를 기반으로 초기 진단을 제공합니다. 신뢰 요인이 포함됩니다.

그림 10. 예시 3단계:전류 누설 고장 모드의 증상 검사. 활주로 표면의 검사 및 확대 후 작은 구멍이 확인됩니다. 정보 버튼 아래에 몇 가지 예가 제공됩니다.

그림 11. 최종 진단 예:결과는 제공된 적용 조건(1단계) 및 베어링 시스템 검사(2단계)를 기반으로 합니다. 가장 관련성이 높은 고장 모드 및 관련 내부 메커니즘이 나열됩니다. 결과는 Microsoft Word 문서 또는 HTML 보고서로 인쇄할 수 있습니다.

가능한 모든 관찰 및 채워지지 않은 조건을 조사하는 대신 조사해야 하는 고장 가설(또는 내부 메커니즘)에 따라 가장 관련성이 높은 항목이 제안됩니다. 즉, 이들은 실패 가설에 가장 큰 영향을 미치는 적용 조건 또는 관찰입니다. 식별 효과는 수학적 측정에 의해 결정됩니다.

채워지지 않은 모든 가능한 조건 또는 관찰에 대해 이 측정값은 0에서 100 사이로 조정됩니다. 예가 그림에 나와 있습니다. 결국, 적용 조건과 관찰을 조사하여 실패 가설과 내부 메커니즘의 가능성이 결정되고 순위가 매겨집니다. 그런 다음 베어링 손상 분석의 결론을 형성합니다. 시스템은 사용자에게 도움이 될 수 있는 다양한 기능으로 더욱 확장됩니다. 시작하기 위한 사용자 지침이 포함된 간단한 파일이 제공됩니다. 세션 데이터 제어는 세션 데이터 저장 및 검색에 사용할 수 있습니다. 또한 "Typical Examples"라고 표시된 파일에서 사용자는 프로그램의 적용을 안내받을 수 있습니다. 편의를 위해 관련 조건, 관찰 및 실패 모드 확률을 포함하는 광범위한 보고서를 Microsoft Word 또는 HTML 형식으로 생성할 수 있습니다.

결론
Bearing Inspector는 베어링 손상 및 고장 조사를 위한 빠르고 일관된 고품질 의사 결정 프로세스의 필요성을 충족합니다. 이 웹 기반 시스템은 SKF 엔지니어가 베어링 손상 및 고장 조사에서 고객을 지원하는 데 사용할 수 있습니다. 베어링이 어떻게 고장났는지, 따라서 동일한 고장이 다시 발생하지 않도록 하는 방법을 결정하는 데 도움이 될 수 있습니다. 그런 다음 이러한 오류 패턴을 사용하여 진동 기반 상태 모니터링 프로그램을 구성하는 방법을 결정해야 합니다.