PFT, 선전
예정된 CNC 스핀들 고장의 조기 감지는 계획되지 않은 가동 중단 시간과 비용이 많이 드는 수리를 최소화하는 데 매우 중요합니다. 이 기사에서는 예측 유지 보수를 위해 진동 신호 분석과 인공 지능(AI)을 결합하는 방법론을 자세히 설명합니다. 다양한 부하 조건에서 작동하는 스핀들의 진동 데이터는 가속도계를 사용하여 지속적으로 수집됩니다. 시간 도메인 통계(RMS, 첨도), 주파수 도메인 구성 요소(FFT 스펙트럼 피크) 및 시간-주파수 특성(웨이블릿 에너지)을 포함한 주요 특징이 추출됩니다. 이러한 특징은 시간적 패턴 인식을 위한 Long Short-Term Memory(LSTM) 네트워크와 강력한 분류를 위한 Gradient Boosting Machines(GBM)을 결합한 앙상블 머신 러닝 모델의 입력으로 사용됩니다. 고속 밀링 센터의 데이터 세트에 대한 검증은 모델이 기능 고장 전에 최대 72시간 전에 평균 정밀도 92%로 베어링 결함 및 불균형을 감지할 수 있음을 보여줍니다. 이 접근 방식은 기존의 임계값 기반 진동 모니터링보다 크게 개선되어 사전 예방적 유지 보수 일정을 잡고 운영 위험을 줄일 수 있습니다.
CNC 공작 기계는 현대 정밀 제조의 중추를 형성합니다. 스핀들은 가장 중요하고 비용이 많이 드는 구성 요소로, 가공 정확도, 표면 마감 및 전반적인 생산성에 직접적인 영향을 미칩니다. 갑작스러운 스핀들 고장은 치명적인 가동 중단, 폐기된 공작물, 값비싼 긴급 수리로 이어져 제조업체에 시간당 수천 달러의 비용을 초래합니다. 고정된 시간 간격 또는 간단한 런타임 카운터를 기반으로 하는 기존의 예방 유지 보수 일정은 비효율적이며, 건강한 구성 요소를 교체하거나 임박한 고장을 놓칠 수 있습니다. 고장 후의 사후 유지 보수는 비용이 많이 듭니다. 결과적으로 상태 기반 모니터링(CBM), 특히 진동 분석이 두각을 나타내고 있습니다. 심각한 결함을 식별하는 데 효과적이지만 기존의 진동 모니터링은 종종 초기 고장의 조기 감지에 어려움을 겪습니다. 이 기사에서는 AI 기반 분석과 결합된 고급 진동 신호 처리를 활용하여 스핀들 고장을 훨씬 전에 정확하게 예측하는 통합 접근 방식을 제시합니다.
핵심 목표는 치명적인 고장 전에 초기 단계의 열화를 나타내는 미묘한 진동 신호를 식별하는 것입니다. 18개월 동안 3교대 자동차 부품 생산에서 작동하는 32개의 고정밀 CNC 밀링 스핀들에서 데이터를 수집했습니다. 압전 가속도계(감도: 100mV/g, 주파수 범위: 0.5Hz ~ 10kHz)는 각 스핀들 하우징에 방사형 및 축 방향으로 장착되었습니다. 데이터 수집 장치는 25.6kHz로 진동 신호를 샘플링했습니다. 작동 매개변수(스핀들 속도, 부하 토크, 이송 속도)는 CNC의 OPC UA 인터페이스를 통해 동시에 기록되었습니다.
원시 진동 신호는 1초 에포크로 분할되었습니다. 각 에포크에 대해 포괄적인 특징 세트가 추출되었습니다.
시간 도메인: RMS(Root Mean Square), 크레스트 팩터, 첨도, 왜도.
주파수 도메인(FFT): 특징적인 베어링 결함 밴드(BPFO, BPFI, FTF, BSF) 내의 지배적인 피크 진폭 및 주파수, 특정 밴드(0-1kHz, 1-5kHz, 5-10kHz)의 전체 에너지, 스펙트럼 첨도.
시간-주파수 도메인(웨이블릿 패킷 변환 - Daubechies 4): 에너지 엔트로피, 결함 주파수와 관련된 분해 노드의 상대적 에너지 레벨.
작동 컨텍스트: 스핀들 속도, 부하 백분율.
앙상블 모델 아키텍처가 사용되었습니다.
LSTM 네트워크: 시간적 열화 패턴을 캡처하기 위해 60개의 연속적인 1초 특징 벡터(즉, 1분의 작동 데이터)의 시퀀스를 처리했습니다. LSTM 레이어(64개 유닛)는 시간 단계 간의 종속성을 학습했습니다.
Gradient Boosting Machine(GBM): LSTM에서 동일한 분 단위 집계 특징(평균, 표준 편차, 최대값)과 출력 상태를 받았습니다. GBM(100개 트리, 최대 깊이 6)은 높은 분류 견고성과 특징 중요도 통찰력을 제공했습니다.
출력: 다음 72시간 이내의 고장 확률을 제공하는 시그모이드 뉴런(0 = 정상, 1 = 높은 고장 확률).
훈련 및 검증: 24개의 스핀들(18개의 고장 이벤트 포함)의 데이터가 훈련(70%) 및 검증(30%)에 사용되었습니다. 나머지 8개의 스핀들(4개의 고장 이벤트)의 데이터는 홀드아웃 테스트 세트를 구성했습니다. 모델 가중치는 복제 연구를 위해 요청 시 제공됩니다(NDA 적용).
앙상블 모델은 테스트 세트에서 기존 RMS 임계값 경보 및 단일 모델 접근 방식(예: SVM, 기본 CNN)보다 훨씬 뛰어난 성능을 보였습니다.
평균 정밀도: 92%
재현율(결함 감지율): 88%
오경보율: 5%
평균 리드 타임: 68시간
표 1: 테스트 세트의 성능 비교
| 모델 | 평균 정밀도 | 재현율 | 오경보율 | 평균 리드 타임(시간) |
| :------------------- | :------------- | :----- | :--------------- | :------------------- |
| RMS 임계값(4mm/s) | 65% | 75% | 22% | < 24 |
| SVM(RBF 커널) | 78% | 80% | 15% | 42 |
| 1D CNN | 85% | 82% | 8% | 55 |
| 제안된 앙상블(LSTM+GBM) | 92% | 88%| 5% | 68 |
초기 시그니처 감지: 모델은 기능 고장 50시간 이상 전에 고주파 에너지(5-10kHz 대역)의 미묘한 증가와 첨도 값의 증가를 안정적으로 식별하여 미세한 베어링 박리 시작과 상관 관계를 보였습니다. 이러한 변화는 표준 스펙트럼에서 작동 소음에 의해 종종 가려졌습니다.
컨텍스트 민감도: 특징 중요도 분석(GBM을 통해)은 작동 컨텍스트의 중요한 역할을 확인했습니다. 고장 시그니처는 8,000RPM과 15,000RPM에서 다르게 나타났으며, LSTM은 이를 효과적으로 학습했습니다.
임계값보다 우수함: 간단한 RMS 모니터링은 충분한 리드 타임을 제공하지 못했고 고부하 작동 중에 빈번한 오경보를 생성했습니다. AI 모델은 작동 조건에 따라 동적으로 임계값을 조정하고 복잡한 패턴을 학습했습니다.
검증: 그림 1은 외부 레이스웨이 베어링 결함이 발생하는 스핀들의 모델 출력 확률과 주요 진동 특징(첨도, 고주파 에너지)을 보여줍니다. 모델은 완전한 고장 65시간 전에 경고(확률 > 0.85)를 트리거했습니다.
높은 예측 정확도는 모델이 작동 컨텍스트 내에서 다중 도메인 진동 특징을 융합하고 시간적 열화 궤적을 학습하는 능력에서 비롯됩니다. LSTM 레이어는 스냅샷 분석에서 종종 간과되는 차원인 시간 경과에 따른 결함 시그니처의 진행을 효과적으로 캡처했습니다. 초기 지표로서 고주파 에너지와 첨도의 지배는 초기 표면 결함이 더 높은 주파수에 영향을 미치는 과도 응력파를 생성하는 마찰학 이론과 일치합니다.
데이터 범위: 현재 검증은 주로 베어링 및 불균형 결함에 적용됩니다. 덜 일반적인 고장(예: 모터 권선 결함, 윤활 문제)에 대한 성능은 추가 연구가 필요합니다.
센서 종속성: 정확도는 적절한 가속도계 장착 및 보정에 달려 있습니다. 센서 드리프트 또는 손상은 결과에 영향을 미칠 수 있습니다.
계산 부하: 실시간 분석에는 기계 근처의 엣지 컴퓨팅 하드웨어가 필요합니다.
가동 중단 시간 감소: 사전 예방적 경고를 통해 계획된 중단 시간 동안 유지 보수 일정을 잡을 수 있어 중단을 최소화할 수 있습니다.
비용 절감: 치명적인 손상(예: 파괴된 스핀들 샤프트)을 방지하고, 예비 부품 재고 요구 사항을 줄이며(적시 교체), 유지 보수 인력을 최적화합니다.
구현: 센서, 엣지 게이트웨이 및 소프트웨어 통합에 대한 초기 투자가 필요합니다. 클라우드 기반 솔루션이 등장하여 소규모 제조업체의 진입 장벽을 낮추고 있습니다. ROI는 일반적으로 고활용 스핀들의 경우 6-12개월 이내에 달성됩니다.
이 연구는 CNC 스핀들 고장의 조기 예측을 위해 포괄적인 진동 특징 추출과 LSTM-GBM 앙상블 AI 모델을 통합하는 효과를 보여줍니다. 이 접근 방식은 높은 정밀도(92%)와 상당한 리드 타임(평균 68시간)을 달성하여 기존의 진동 모니터링 방법을 크게 능가합니다. 주요 혁신 사항으로는 다중 도메인 특징의 융합, LSTM을 통한 시간적 열화 패턴의 명시적 모델링, GBM 앙상블 학습에서 제공하는 견고성이 있습니다.
