장비 유지보수의 오류 감지 및 진단

장비 고장을 이해하고 이를 감지하고 진단하기 위한 전략을 개발하는 것은 장비 유지보수의 핵심 요소 중 하나입니다.

이 기사의 목적은 장비 유지 관리 프로세스를 개선하고 자산 신뢰성을 높이는 데 적용되는 결함 감지 및 진단에 대한 개요를 제시하는 것입니다.

오류 감지 및 진단 비하인드 스토리

초기에는 장비 유지 보수가 엄격한 시간 간격에 따라 결함 자산을 수리하고 기본적인 일상 유지 보수를 수행하는 것으로 제한되었습니다. 유지 관리 전문가는 원하더라도 이보다 더 적극적일 수 없었습니다. 장비 상태 및 성능에 대한 데이터를 수집, 저장 및 분석하는 능력이 너무 제한적이었습니다.

그러나 마이크로프로세서 기반 제어, 자동화, 실시간 데이터 수집, FDD(오류 감지 및 진단)와 같은 시스템의 지속적인 발전으로 인해 장비 유지 관리를 수행하는 방식이 크게 바뀌었습니다.

장비 유지보수의 FDD

장비 유지 관리의 맥락에서 오류 감지 및 진단의 목적은 유지 관리 비용을 최적화하는 동시에 장비의 안정성, 가용성, 유지 관리 가능성 및 안전성(RAMS)을 개선하는 것입니다.

FDD는 상태 모니터링 데이터를 지속적으로 모니터링 및 분석하고 이상(있는 경우)을 감지하여 작동합니다. 그런 다음 장비 상태 데이터 세트는 때때로 장비 자체에 내장된 오류 진단 알고리즘에 의해 처리되어 장비 운영자에게 오류 경고를 생성하고 적시에 유지 보수 개입을 가능하게 합니다.

어떤 경우에는 알고리즘이 오류 자체를 자동 수정하고 장비를 정상 상태로 복원하기 위해 오류 억제 조치를 시작할 만큼 정교합니다.

고장 감지 및 진단 시스템의 핵심 요소

FDD는 이름에서 알 수 있듯이 장비 고장의 감지 및 진단을 포함합니다. 장애 진단은 장애 격리와 식별로 나눌 수 있습니다.

장애 평가는 유지 관리의 중요한 측면인 시스템 성능에 대한 장애의 심각도를 이해하는 데 도움이 되기 때문에 FDD 범위 내에 추가되는 경우가 많습니다.

그럼에도 불구하고 모든 장비에 대한 오류 감지 및 진단 알고리즘에는 아래에 나열된 최소한 4가지 핵심 프로세스가 포함되어야 합니다(일부 단계가 동시에 발생하는 경우 비선형 프로세스도 구성할 수 있음).

결함 감지 및 진단이 작동하는 방식을 실제로 이해하려면 각 요소에 대해 더 자세히 논의해야 합니다.

1. 오류 감지

결함 감지는 고장의 형태로 나타나기 전에 모든 장비에서 결함의 존재를 발견하는 프로세스입니다. 모든 다운스트림 프로세스가 정확도에 달려 있기 때문에 FDD의 가장 중요한 단계입니다.

장비가 올바른 오류 모드를 발견할 수 없는 경우(또는 감지가 잘못되어 잘못된 경보를 트리거하는 경우) 격리, 식별 및 평가도 효과가 없습니다.

오류 감지에는 두 가지 주요 접근 방식이 있습니다.

<올>

모델 기반 오류 감지: 신호 및 프로세스의 수학적 모델링을 통해 수행됩니다.

지식 기반 오류 감지: 장비 성능에 대한 이력 데이터를 활용하는 방법입니다.

모델 기반 오류 감지

모델 기반 탐지에서 우리는 장비 내의 하위 시스템과 구성 요소의 관계를 정의하는 물리적 법칙에 따라 작성된 엔지니어링 규칙 세트를 정의합니다. 규칙이 위반될 때마다 알고리즘이 오류를 감지하고 오류 진단을 실행할 수 있습니다.

모델 기반 오류 감지의 한 가지 예는 지하 케이블의 오류를 감지하기 위해 TDR(시간 영역 반사 측정)을 사용하는 것입니다. TDR에서 신호는 테스트 케이블을 통해 전송되고 오류 지점에서 반사된 후 수신됩니다.

케이블에 불연속성이 있거나 높은 임피던스가 있는 경우 신호의 일부가 테스트 장비 또는 수신기로 다시 반사됩니다. 신호 반환 시간과 반사 신호의 속도를 분석하여 테스트 장비는 케이블의 결함 특성을 개방 회로 결함 또는 단락 회로 결함으로 감지할 수 있습니다.

또 다른 간단한 규칙 기반 감지 예는 컨베이어 벨트 시스템에서 병 채우기, 캡핑 및 포장 시스템의 연속 작동에서 비롯됩니다. 다음과 같은 프로세스 계층을 나타내는 간단한 규칙을 설정할 수 있습니다.

<울>

병에 액체가 채워질 때까지 병 뚜껑을 닫을 수 없습니다.

병을 채우고 뚜껑을 닫지 않으면 포장할 수 없습니다.

병 마개 메커니즘에 결함이 있는 경우 알고리즘은 포장 시스템에서 들어오는 중단을 감지합니다. 포장 운영자에게 미리 알릴 것입니다. 컨베이어 벨트의 포장 측면에서 운영 손실을 최소화하기 위해 필요한 준비를 할 수 있습니다.

지식 기반 오류 감지

지식 기반 오류 감지가 작동하려면 먼저 기준선을 설정해야 합니다. 이것은 장비 성능 매개변수를 검색하여 수행됩니다. 전압, 전류, 진동, 온도, 압력 등 및 기타 관련 프로세스 변수 – 장비가 정상 조건에서 작동하는 동안.

목적은 정상 작동 상태에서 장비 서명을 개발하는 것입니다.

그 후, 동일한 매개변수가 지속적으로 검색되고 "건강한" 서명과 상관되어 통계 분석 인터페이스(머신 러닝 또는 인공 신경망을 통해 수행되는 패턴 인식)를 통해 편차를 캡처합니다.

이 기술을 사용하여 일반적으로 베어링과 모터에서 수집된 감각 데이터를 통해 모터 베어링 고장을 예측할 수 있습니다.

시간이 지남에 따라 수집된 많은 양의 데이터(프로세스 이력)는 통계 알고리즘을 사용하여 분석할 수 있습니다. 이렇게 하면 열 정격, 기계적 스트레스 또는 특수한 상황에서 발생하는 기타 작동 조건과 같이 모터가 받는 다양한 조건의 영향을 이해하는 데 도움이 됩니다.

그런 다음 알고리즘은 베어링 상태의 저하에 대한 이러한 조건의 영향을 연관시키고 전체 모터의 고장률과 상태를 예측합니다.

이러한 데이터 서명을 기반으로 분석을 수행하여 장비의 미래 상태를 예측할 수 있습니다. 또한 필요한 경보를 발생시키고 고장 진단을 수행할 수 있으므로 작업자/기술자가 적절한 조치를 취할 수 있습니다.

동일한 데이터를 사용하여 모터의 남은 수명에 대한 예측 유지보수 전략을 수립할 수 있습니다.

2. 오류 격리

결함 격리 프로세스의 목표는 결함을 교체할 수 있는 가장 낮은 구성 요소에 국한시키는 것입니다. 일부 애플리케이션에서는 오류 감지와 격리가 함께 진행됩니다. 물론 프로세스의 별도 모듈일 수 있습니다. 이는 FDI(Fault Detection and Isolation) 알고리즘에 의해 수행되는 오류 감지 및 위치 파악 프로세스가 기본적으로 동시에 발생하기 때문입니다.

예를 들어, 지하 케이블에 대한 TDR 테스트의 예를 고려하십시오. 케이블에서 반환된 펄스 신호는 반환된 펄스 신호의 시간과 속도를 통해 오류의 존재와 위치를 동시에 나타냅니다.

오류 격리의 중요한 측면은 오류가 가장 낮은 구성 요소에 위치해야 한다는 것입니다. 교체 가능 . 이는 격리 정확도를 높이고 가동 중지 시간의 영향을 줄이기 위해 수행됩니다.

앞서 설명한 병 컨베이어 시스템 예의 경우 감지를 통해 병 마개 메커니즘의 제어 카드 오류와 같은 오류 위치를 정확히 찾아낼 수 있어야 합니다.

감지가 컨베이어 벨트의 높은 수준의 오류를 지적하면 진단을 수행하는 기술자에게 실제로 도움이 되지 않습니다. 동일한 컨베이어에 잠재적으로 실패할 수 있는 여러 시스템이 있습니다.

수리 프로세스의 속도를 높이는 정보는 결함의 정확한 위치를 아는 것입니다.

3. 오류 식별

오류 식별의 목적은 기본 오류 모드를 이해하고 오류의 크기를 결정하며 근본 원인을 찾는 것입니다. 고장 진단 방법은 다를 수 있지만 일반적으로 따라야 할 단계는 동일합니다.

기본 실패 모드 이해

실패 모드에 대한 심층적인 이해를 위해서는 다음 작업이 필요합니다.

<울>

오류가 다른 시간에 어떻게 작동하는지 분석해야 합니다.

실패 모드의 시변 서명을 개발할 수 있도록

다양한 카테고리로 분류하기

결함의 크기 결정

적용된 결함 감지 방법에 관계없이 결함의 크기 또는 크기는 장비 설계에 구축해야 하는 원하는 결함 허용 수준을 정의하는 데 중요한 역할을 합니다.

오류 크기가 낮으면 시스템은 오류가 저절로 해결될 때까지 추가 시간 동안 오류를 견딜 수 있으면 됩니다. 완벽한 예는 장비 성능에 큰 영향을 미치지 않는 한 전기 제품에서 일시적인 스위칭 과전류를 허용하는 것입니다.

이제 결함 규모가 정말 높으면 다른 방법론이 필요합니다. 즉, 엔지니어는 능동 또는 수동 중복을 사용하여 장치의 내결함성을 강화해야 합니다.

근본 원인 찾기

결함 감지 및 진단 알고리즘은 우수한 결함 진단 시스템의 핵심입니다. 이는 기계 학습 원칙을 기반으로 하며 장비에서 발생하는 데이터 스트림의 이상을 식별하고 그 이면의 근본 원인을 파악하는 데 사용할 수 있습니다.

일부 고장 모드를 식별하는 것은 정말 간단하지만 다른 것은 어려울 수 있고 광범위한 수학적 계산이 필요할 수 있습니다.

고전압, 고전력 3상 AC 유도 전동기를 예로 들어 보겠습니다.

종종 근본적인 고장 모드는 본질적으로 기계적이며 모터의 회전 부분과 관련이 있습니다:단락된 로터 권선, 베어링 고장 및 로터 고장. 로터는 빠르게 움직이는 부품이기 때문에 로터에 직접 센서를 설치할 수 없습니다.

고급 FDD 알고리즘을 사용하여 정상적인 모터 고정자 단자 전류 서명을 생성하고 결함이 있는 조건의 전류 서명과 비교할 수 있습니다.

예를 들어, 회전자 막대가 끊어지면 고정자 전류에서 생성된 펄스는 모터 고정자 전류 주파수의 두 배입니다. 회전자 바의 기계적 차단과 고정자 전류의 변동 사이에는 간접적인 상관 관계가 있습니다.

이러한 새로운 경향은 오류 감지 및 진단 알고리즘에 의해 분석되며 라이브 대시보드에서 실시간으로 파생되고 표시되는 가능한 근본 원인을 찾는 데 사용할 수 있습니다.

<블록 인용>

이러한 오류 식별 알고리즘을 사용하면 기술자가 장비 문제를 해결하고 오류의 근본 원인에 도달하는 데 필요한 시간이 크게 줄어듭니다. 자동 근본 원인 진단은 장비 가동 중지 시간을 줄이고 평균 수리 시간을 개선하며 플랜트의 전반적인 신뢰성을 높이는 데 크게 기여했습니다.

4. 오류 평가

고장 모드와 관련 근본 원인이 식별되면 다음 단계는 해당 오류 유형이 시스템의 전체 성능에 미치는 영향을 평가하는 것입니다.

다음과 같은 요소를 고려해야 합니다.

<울>

환경 및 시스템의 나머지 부분에 대한 오류의 영향

시스템 안전에 대한 오류의 영향

다운타임으로 인한 재정적 손실

자본 교체 결정을 내려야 할 필요성(고장의 심각도가 장비를 수리하는 것이 아니라 교체를 보증하기에 충분한 경우)

GIPHY를 통해

오류 평가는 결함의 심각성을 이해하는 것을 목표로 하기 때문에 전체 프로세스의 중요한 요소입니다. . 이를 통해 안정성 엔지니어는 검증을 제공하고 유지 관리 요구 사항, 권장 사항 및 최적화에 큰 영향을 미치는 고장 위험을 계산할 수 있습니다.

예를 들어, 한 장비에 대한 FDD의 결과는 빠르게 증가하는 고장률을 의미할 수 있습니다. 그러나 해당 오류가 전체 시스템 성능에 미치는 영향은 최소화될 수 있으므로 전체 위험이 중간 수준이 될 수 있습니다. 이 경우, run-to-failure 또는 예방적 유지보수와 같은 덜 엄격한 유지보수 전략으로 위험을 관리하기에 충분할 수 있습니다.

다른 장비에 대한 오류 감지 및 진단은 전체 시스템 성능에 대한 오류의 높은 영향과 함께 증가하는 오류율을 나타낼 수 있습니다. 이 경우 높은 비용에도 불구하고 가장 엄격한 예측 유지 보수 프로그램을 채택해야 합니다. 더 많은 비용이 소요될 주요 낙진을 방지하기 위해 유지 관리 비용이 증가해야 하기 때문입니다.

FDD로 유지 관리 최적화

요컨대, 결함 감지 및 진단은 수명 주기 전반에 걸쳐 장비의 유지 관리 체제를 최적화하는 데 결정적인 역할을 합니다.

빠른 컴퓨팅 기술, 빅 데이터 처리 및 고급 학습 알고리즘의 출현으로 기존의 오류 감지는 오류를 감지할 뿐만 아니라 근본 원인을 식별하고 향후 재발을 방지하기 위한 시정 조치를 구현하는 자동 오류 관리 시스템으로 발전했습니다.

이러한 일련의 수동 프로세스 자동화를 통해 안정성 및 유지보수 엔지니어는 장비 상태에 대한 예측을 적용하고 미래 장비 성능을 도출하며 최적의 유지보수 간격을 형성할 수 있었습니다.

그들이 할 수 있는 유일한 일은 CMMS(Computerized Maintenance Management Software)를 실행하고 중요한 자산의 상태를 추적하고 적절한 유지 관리 작업을 예약하는 것뿐입니다.