🔧 고장 나기 전에 먼저 알려 주는 예지정비(PdM) 완전 정복: 진동·열·오일 신호로 기계의 속마음 읽기 📡

1. 정비에도 '세대'가 있다: 고쳐 쓰기의 진화 🧬

예지정비를 제대로 이해하려면 먼저 정비 방식이 어떻게 진화해 왔는지 보는 게 좋아. 크게 네 단계로 나눠 볼 수 있어.

여기에 최근에는 한 단계 더 나아간 처방정비(Prescriptive Maintenance)라는 말도 써. "고장 날 것 같다"에서 끝나지 않고 "부하를 20% 줄여 운전하면 다음 정기 보수까지 버틸 수 있다"처럼 무엇을 해야 하는지까지 제안하는 방식이지. 다만 용어는 업계마다 조금씩 다르게 쓰여서, CBM과 PdM을 거의 같은 뜻으로 쓰는 곳도 많아.

2. 왜 '시간 맞춰 교체'만으론 부족할까? 욕조 곡선의 반전 🛁

오랫동안 기계 고장은 이른바 욕조 곡선(Bathtub Curve)을 따른다고 여겨졌어. 초기에는 제조 결함 때문에 고장이 많고(초기 고장), 중간에는 낮고 일정하다가(우발 고장), 나중에 마모로 다시 늘어난다(마모 고장)는 모양이야. 이 모델대로라면 "마모가 시작되기 전에 교체"하면 되니 예방정비가 딱이지.

그런데 반전이 있어. 1978년 미국 유나이티드 항공의 F. Stanley Nowlan과 Howard Heap이 미 국방부를 위해 작성한 보고서 Reliability-Centered Maintenance는 항공기 부품의 고장 패턴을 6가지로 분류했는데, 그 결과가 꽤 충격적이었어.

즉, 뚜렷하게 '나이 들어서' 고장 나는 패턴(A·B·C)은 합쳐도 약 11%였고, 나머지 대부분은 사용 시간과 크게 상관없이 무작위로 발생했다는 거야. 물론 이건 항공기 부품 데이터라서 모든 산업에 그대로 적용할 순 없지만, "정해진 시간에 교체하면 고장을 막는다"는 믿음에 큰 금이 간 사건이었지.

결론은 이래. 고장이 시간과 별 관계없이 찾아온다면, 달력을 볼 게 아니라 기계 상태를 봐야 한다. 이 깨달음이 신뢰성 중심 정비(RCM)와 상태기반·예지정비의 철학적 뿌리가 됐어.

3. 예지정비의 핵심 무기: P-F 곡선 📉

예지정비를 설명할 때 빠지지 않는 그래프가 있어. 바로 P-F 곡선이야. 여기서 P는 Potential Failure(잠재 고장, 즉 감지 가능한 이상이 나타나는 시점), F는 Functional Failure(기능 고장, 기계가 제 역할을 못 하게 되는 시점)를 뜻해.

그림처럼 결함은 처음엔 아주 미세하게 시작해. 초음파처럼 민감한 방법이 가장 먼저 낌새를 채고, 그다음 진동 변화, 오일 속 마모 입자, 귀에 들리는 소음, 손으로 느껴지는 열 순으로 드러나는 경향이 있어. 이 순서는 업계 교육 자료에서 흔히 쓰는 일반적인 경향이고, 실제로는 고장 모드에 따라 달라져. 예를 들어 전기 접속부 과열은 열화상이 먼저 잡아내는 게 당연하겠지?

4. 기계는 어떻게 아프다고 말할까? 대표 감시 기술 6종 🩻

사람이 아프면 열이 나고, 맥박이 빨라지고, 피검사 수치가 바뀌잖아. 기계도 똑같아. 다만 언어가 '진동', '온도', '전류', '오일 성분'일 뿐이지. 대표적인 상태감시(Condition Monitoring) 기술을 정리해 볼게.

이 중에서 회전기계 예지정비의 간판 스타는 단연 진동 분석이야. 그러니 진동부터 조금 깊게 파 보자.

5. 진동 분석 깊게 보기: 기계의 '심전도' 읽는 법 📳

5-1. 무엇을 재나: 변위, 속도, 가속도

진동은 세 가지 물리량으로 표현할 수 있어. 위치가 얼마나 움직였는지(변위, μm), 얼마나 빨리 움직였는지(속도, mm/s), 속도가 얼마나 빨리 변했는지(가속도, m/s² 또는 g). 셋은 미분·적분 관계라서 서로 변환할 수 있는데, 주파수에 따라 어느 걸 보느냐가 달라져.

기계 전체 진동의 심각도를 판단하는 기준으로는 국제 표준 ISO 10816 시리즈(현재는 ISO 20816으로 개정·통합되는 중)가 대표적이야. 기계 종류·크기·설치 조건에 따라 등급(A: 신규 수준, B: 장기 운전 가능, C: 장기 운전 부적합, D: 손상 위험)을 나눠 평가하지. 등급 경계 수치는 기계 분류마다 다르니까 실제로는 해당 기계군의 표준 표를 꼭 확인해야 해.

5-2. FFT: 섞인 소리를 악기별로 분리하기 🎼

센서가 받은 진동 신호는 시간에 따라 출렁이는 파형이야. 그런데 이 파형에는 불평형, 베어링, 기어, 벨트가 만들어 내는 진동이 몽땅 섞여 있어. 오케스트라 녹음 파일 하나에 바이올린·첼로·드럼이 다 섞인 것처럼 말이야.

이걸 악기별로 분리하는 마법이 고속 푸리에 변환(FFT)이야. 시간 영역 신호를 주파수 영역으로 바꿔서 "30Hz에 큰 성분, 108Hz에 작은 봉우리…"처럼 보여 줘. 이렇게 얻은 그래프를 스펙트럼이라고 하고, 진동 분석가는 이 봉우리들의 위치와 높이로 기계의 병명을 진단해.

5-3. 스펙트럼으로 병명 진단하기 🔍

회전 속도를 기준 주파수(1X)로 놓고, 그 배수 관계를 보면 흔한 고장들을 꽤 잘 구분할 수 있어. 예를 들어 1,800rpm 모터라면 1X = 1800/60 = 30Hz야.

물론 실제 진단은 이렇게 교과서처럼 깔끔하지 않아. 위상(phase) 측정, 방향별 비교, 운전 조건 변화 등을 종합해야 하지. 그래도 이 표만 알아도 진동 스펙트럼이 훨씬 친근해질 거야.

6. 베어링이 보내는 비밀 주파수 해독하기 ⚙️

회전기계 고장의 단골 원인 중 하나가 구름 베어링이야. 베어링은 외륜, 내륜, 전동체(볼이나 롤러), 케이지(리테이너)로 이루어져 있어. 어느 한 곳에 작은 박리(flaking)나 균열이 생기면, 전동체가 그 위를 지날 때마다 '톡' 하는 충격이 생기는데, 이 충격의 반복 주기가 결함 위치마다 달라. 이게 바로 베어링 결함 주파수야.

전동체 수를 n, 전동체 지름을 d, 피치원 지름을 D, 접촉각을 φ, 축 회전 주파수를 f_r이라고 하면(내륜 회전·외륜 고정 기준), 대표 결함 주파수는 이렇게 계산해.

숫자로 한 번 감 잡아 보자. 전동체 9개, d/D = 0.2, 접촉각 0°(깊은 홈 볼베어링을 단순화), 회전수 1,800rpm(f_r = 30Hz)라고 해 볼게.

재밌는 점은 이 값들이 회전수(30Hz)의 깔끔한 정수배가 아니라는 거야. 그래서 스펙트럼에 108Hz와 216Hz, 324Hz 같은 봉우리가 보이면 "어? 외륜 쪽 같은데?" 하고 의심할 수 있어. 실제 베어링은 미끄럼 때문에 계산값과 약간(대개 몇 % 이내) 차이가 날 수 있고, 베어링 제조사들은 모델별 결함 주파수 계수를 제공하기도 해.

6-1. 초기 결함은 왜 잘 안 보일까? 포락선 분석의 등장 ✉️

문제는 베어링 결함 초기에는 이 충격이 아주 작아서 일반 스펙트럼에서 불평형 같은 큰 성분에 묻혀 버린다는 거야. 그래서 쓰는 기법이 포락선 분석(Envelope Analysis, 복조 분석)이야.

비유하자면, 시끄러운 공사장 소음 속에서 누군가 일정한 박자로 문을 두드리는 소리를 찾는 거야. 우선 문 두드리는 '딱' 소리 음역대만 남기고, 그 '딱'의 박자를 세는 거지. 이 밖에 충격성을 숫자로 보여 주는 첨도(Kurtosis), 피크값과 RMS의 비율인 크레스트 팩터 같은 통계 지표도 초기 결함 탐지에 함께 활용돼.

7. 진동 말고도 있다! 다른 감시 기술 깊게 보기 🔬

7-1. 적외선 열화상: 온도로 보는 X-레이 🌡️

모든 물체는 온도에 따라 적외선을 방출해. 열화상 카메라는 이 적외선을 받아 온도 분포를 색으로 보여 주지. 전기 설비에서는 접속부가 느슨해지거나 부식되면 접촉 저항이 커지고, 전류가 흐를 때 발열(P = I²R)이 늘어나. 그래서 배전반, 차단기, 케이블 단자 점검에 특히 강력해.

7-2. 오일 분석: 기계의 피검사 🛢️

윤활유는 기계 속을 돌아다니며 마모 흔적을 고스란히 품고 나와. 그래서 오일 분석은 사람으로 치면 혈액검사야. 주요 항목은 이래.

오일 분석의 강점은 기어박스처럼 진동 신호가 복잡한 설비에서 내부 마모 진행을 직접 보여 준다는 점이야. 반대로 샘플 채취 위치와 방법이 일정하지 않으면 데이터가 들쑥날쑥해지니 채취 절차 표준화가 정말 중요해.

7-3. 초음파: 사람 귀가 못 듣는 비명 👂

사람은 대략 20kHz 이상의 소리를 듣지 못해. 그런데 압축공기 누설, 베어링의 윤활 부족, 전기 코로나 방전 같은 현상은 그 위 대역에서 소리를 내. 초음파 검출기는 이 신호를 받아 사람이 들을 수 있는 소리로 변환(헤테로다인)해 줘. 공기 전파 초음파 점검에서는 보통 40kHz 근처를 많이 써.

재밌는 실무 활용이 있어. 베어링에 그리스를 넣으면서 초음파 레벨을 들으면, 윤활이 부족할 땐 소리가 높다가 적정량이 들어가면 내려가고, 너무 많이 넣으면 다시 올라가. 그래서 "감으로 넣던 그리스"를 "소리로 넣는 그리스"로 바꿔 주지. 과윤활도 베어링 온도 상승의 원인이 되거든.

7-4. 전동기 전류 분석(MCSA): 전기선만 잡아도 안다 ⚡

모터에 센서를 붙이기 어려운 곳(고온, 위험 지역, 잠수 펌프 등)에서도 배전반에서 전류만 측정하면 많은 걸 알 수 있어. 유도전동기의 회전자 바가 끊어지면 전원 주파수 양옆에 (1 ± 2s)·f (s: 슬립, f: 전원 주파수) 위치의 측대파가 나타나는 것이 대표적인 진단 근거야. 부하 변동이나 구동 대상 설비의 이상도 전류 패턴에 흔적을 남겨.

7-5. 공정 데이터: 이미 가진 보물 📊

의외로 많은 공장이 이미 SCADA, DCS, PLC에 엄청난 데이터를 쌓아 두고 있어. 펌프의 유량 대비 전력, 압축기의 토출 온도, 열교환기의 온도 차 같은 값의 추세만 잘 봐도 효율 저하나 막힘을 일찍 잡을 수 있지. 새 센서를 달기 전에 "우리가 이미 모으고 있는 데이터"부터 살펴보는 게 가성비 좋은 출발점이야.

8. 데이터가 예측이 되기까지: 예지정비 시스템 구조 🏗️

센서 값이 들어온다고 저절로 "3주 뒤 고장"이 나오진 않아. 국제 표준 ISO 13374(기계 상태감시 및 진단의 데이터 처리·통신·표현)는 이 흐름을 여러 처리 블록으로 정리하고 있는데, 이해하기 쉽게 풀어 보면 이런 단계야.

기술적으로는 센서 → 엣지(현장 근처에서 1차 처리) → 클라우드나 사내 서버(저장·분석) → 대시보드·CMMS(설비보전관리시스템) 연계로 흘러가는 구조가 흔해. 진동처럼 데이터 양이 많은 신호는 원시 파형을 다 보내기보다, 엣지에서 특징값만 계산해 보내고 이상이 감지될 때만 파형을 올리는 식으로 통신량을 줄이기도 해.

9. AI는 어떻게 고장을 예언할까? 🤖

요즘 예지정비 하면 AI 이야기가 빠지지 않지. 하지만 마법 상자는 아니야. 접근 방식을 크게 셋으로 나눠 볼게.

9-1. 이상 탐지: "평소와 달라!"를 잡아내기

현실에서 가장 큰 고민은 고장 데이터가 거의 없다는 거야. 잘 관리되는 공장일수록 고장이 드무니, "고장 사진"을 잔뜩 보여 주고 학습시키는 지도학습이 어렵지. 그래서 정상 데이터만으로 "정상의 모습"을 배우고, 거기서 벗어나면 경고하는 비지도 이상 탐지가 많이 쓰여.

원리를 맛보기로 보여 줄게. 아래는 진동 RMS 값이 평소 기준선에서 얼마나 벗어났는지 보는 아주 단순한 예시야.

import numpy as np

# 정상 운전 시 측정한 진동 RMS 값 (mm/s)
baseline = np.array([2.1, 2.0, 2.2, 2.1, 1.9, 2.0, 2.2, 2.1])
mu, sigma = baseline.mean(), baseline.std()

def check(rms):
    z = (rms - mu) / sigma
    if z > 6:
        return "위험: 즉시 점검"
    elif z > 3:
        return "경고: 추세 관찰 강화"
    return "정상"

for v in [2.1, 2.6, 3.4]:
    print(v, check(v))

실제 시스템은 이보다 훨씬 정교해서 운전 조건(속도·부하)별로 기준선을 따로 두고, 여러 특징값을 함께 봐. 그래도 핵심 아이디어는 같아. "이 기계의 평소 모습을 알고 있어야, 이상을 알아챌 수 있다."

9-2. 잔존수명(RUL) 예측: "얼마나 남았어?"

이상을 감지했다면 다음 질문은 "그래서 언제까지 버텨?"야. 이게 잔존수명(Remaining Useful Life) 예측이야. 열화 지표(예: 진동 RMS)의 추세를 곡선으로 맞추고, 그 곡선이 고장 임계값에 닿는 시점을 추정하는 게 기본 아이디어지. 여기에 칼만 필터·파티클 필터 같은 확률 기반 추적이나, LSTM 같은 시계열 신경망을 쓰기도 해.

연구 분야에서 아주 유명한 데이터셋으로 NASA가 공개한 C-MAPSS 터보팬 엔진 열화 시뮬레이션 데이터가 있어. 여러 센서 값을 바탕으로 엔진이 고장까지 몇 사이클 남았는지 맞히는 문제인데, 수많은 RUL 예측 논문의 '단골 시험장'이야. 2008년 PHM 학회 데이터 챌린지에도 쓰였지.

9-3. 디지털 트윈: 쌍둥이에게 미리 물어보기 👯

디지털 트윈은 실제 설비의 상태를 실시간 데이터로 반영하는 가상 모델이야. 이 쌍둥이에게 "부하를 높이면 베어링 온도가 어떻게 될까?" 같은 질문을 던져 시뮬레이션해 볼 수 있지. 예지정비에서는 물리 모델과 운전 데이터를 결합해 열화를 추정하는 하이브리드 접근의 무대가 되기도 해. 다만 "디지털 트윈"이라는 말이 마케팅에서 넓게 쓰이다 보니, 실제로 어떤 수준의 모델인지 꼭 따져 봐야 해.

10. 그래서 돈이 되나? 효과와 현실 💰

예지정비의 효과로 자주 인용되는 자료가 미국 에너지부(DOE) 연방에너지관리프로그램(FEMP)의 Operations & Maintenance Best Practices Guide야. 이 가이드는 업계 조사를 인용해 예지정비가 예방정비 대비 약 8~12%, 사후정비 대비 최대 약 40%까지 비용 절감 효과가 있다고 소개해. 물론 이건 업계 평균적 추정치라서, 실제 효과는 설비 특성과 도입 수준에 따라 크게 달라.

그래서 현명한 기업들은 "모든 설비에 센서 달기"부터 하지 않아. 설비 중요도 분석(Criticality Analysis)으로 멈추면 피해가 큰 설비, 고장이 잦은 설비, 예비품 조달이 오래 걸리는 설비부터 골라. 반대로 싸고 교체 쉬운 설비는 사후정비가 더 경제적일 수도 있어. 예지정비는 모든 것을 대체하는 게 아니라, 정비 전략 조합의 한 축이라는 게 포인트야.

11. 산업 현장 사례로 보기 🏭✈️🌬️

공통점이 보이지? 모두 "멈추면 손해가 크고, 고장에 전조가 있는" 설비야. 이 두 조건이 맞을 때 예지정비가 가장 빛나.

12. 우리 공장에 도입한다면? 단계별 로드맵 🗺️

13. 예지정비가 실패하는 흔한 이유 🚧

기술은 멋진데, 현장에서 흐지부지되는 프로젝트도 적지 않아. 자주 언급되는 함정을 정리해 볼게.

특히 센서 장착 방법은 생각보다 중요해. 가속도계는 장착 방식(스터드 나사, 접착, 자석, 손으로 대는 탐침)에 따라 측정할 수 있는 고주파 범위가 달라져. 일반적으로 스터드 장착이 가장 넓은 주파수 대역을 확보하고, 손 탐침은 가장 좁아. 고주파 충격을 봐야 하는 베어링 초기 결함 진단이라면 이 차이가 결과를 바꿀 수 있어.

사람 이야기도 빼놓을 수 없지. 진동 분석에는 ISO 18436 시리즈처럼 상태감시 인력의 자격 요건을 다루는 국제 표준이 있고, 이에 기반한 교육·인증 프로그램이 운영되고 있어. 이런 전문 역량은 요즘 프리랜서나 컨설팅 형태로도 많이 거래되는데, 재능넷 같은 재능 공유 플랫폼에서 데이터 분석, PLC·센서 연동, 설비 진단 관련 전문가를 찾아보는 것도 작은 공장의 현실적인 첫걸음이 될 수 있어.

14. 예지정비의 한계와 오해 바로잡기 🧐

15. 앞으로의 예지정비: 어디까지 갈까? 🚀

최근 흐름을 몇 가지 짚어 보면 이래.

결국 방향은 하나야. "기계가 스스로 상태를 말하고, 사람은 그 말을 듣고 더 좋은 결정을 내리는 것." 기계와 제조공학의 오래된 지식(진동학, 트라이볼로지, 신뢰성 공학)이 데이터 과학과 만나 새로운 꽃을 피우는 중이라고 보면 돼.

다음에 공장에서 "윙~" 하고 돌아가는 모터를 보면, 그 소리 속에 숨은 30Hz, 108Hz의 이야기를 한번 떠올려 봐. 기계는 생각보다 수다스럽고, 우리는 이제 그 말을 알아듣는 법을 배우는 중이야. 😉