1진동 분석의 기초

진동 분석은 예측 정비의 가장 성숙한 기술로, 회전 기계(모터, 펌프, 팬, 컴프레서)의 상태 진단에 핵심적입니다. 진동 신호는 시간 영역(Time Domain)과 주파수 영역(Frequency Domain)에서 분석됩니다.

진동 신호 분석 파이프라인
가속도 센서
• 진동측정 • 축방향 • 반경방향
신호 전처리
• 필터링 • 리샘플링 • 윈도잉
특징 추출
• 시간영역 RMS/Peak • 주파수영역 FFT/스펙
결함 진단
• 언밸런스 • 미스얼라인먼트 • 베어링/기어결함
분석 영역별 특징
시간 영역
RMS, Peak Crest Factor Kurtosis
주파수 영역
FFT 스펙트럼 고조파 분석 결함 주파수
시간-주파수
STFT, Wavelet 오더 분석 변속 기계
분석 영역주요 지표적용 사례
시간 영역 RMS, Peak, Crest Factor, Kurtosis 전반적 상태 평가, 충격 탐지
주파수 영역 FFT 스펙트럼, 고조파 분석 특정 결함 식별 (언밸런스, 미스얼라인먼트)
시간-주파수 STFT, Wavelet, 오더 분석 변속 기계, 과도 현상
RMS (Root Mean Square): RMS = √(1/N × Σ xi²)
Crest Factor: CF = Peak / RMS (충격성 결함 지표, 정상 < 3)
# 진동 분석 기본 함수 (수도코드) # === 시간 영역 특징 추출 === # RMS = 제곱평균제곱근 (전체 에너지) # Peak = 최대 절대값 # Peak-to-Peak = 최대값 - 최소값 # Crest Factor = Peak / RMS (충격성 지표, 정상 < 3) # Kurtosis = 첨도 (충격성 결함에 민감) # Skewness = 왜도 (비대칭성) # === FFT 분석 순서 === # 1. 윈도우 함수 적용 (Hann 또는 Hamming) # 2. FFT 변환 수행 # 3. 양의 주파수 성분만 추출 # 4. 크기(Magnitude) 계산 # === 주파수 영역 특징 추출 === # 평균 주파수 = 가중 평균 (에너지 기준) # 주파수 표준편차 = 주파수 분산의 제곱근 # 피크 주파수 = 최대 크기 성분의 주파수 # 총 파워 = 크기 제곱의 합 # === 고조파 분석 === # 기본 주파수(1X)의 정수배 성분 식별 # 허용 오차 내에서 고조파 크기 측정 # 2X, 3X, ... 10X까지 분석

2베어링 결함 주파수

베어링은 회전 기계의 가장 흔한 고장 부품입니다. 베어링 결함은 특정 결함 주파수에서 진동이 증가하는 특성이 있어 조기 탐지가 가능합니다.

베어링 결함 위치와 주파수
외륜 (BPFO)
내륜 (BPFI)
볼/롤러 (BSF)
케이지 (FTF)
결함 발생 비율
BPFO (외륜)
40%
BPFI (내륜)
30%
BSF (볼)
20%
FTF (케이지)
10%
결함 진행 단계
정상
모니터링
초기
주기단축
중간
정비계획
심각
조기정비
위험
즉시교체
결함 위치약어계산식특징
외륜 결함 BPFO n/2 × (1 - Bd/Pd × cos(θ)) × RPM/60 가장 흔함 (40%)
내륜 결함 BPFI n/2 × (1 + Bd/Pd × cos(θ)) × RPM/60 하중 영역 변조
볼/롤러 결함 BSF Pd/(2×Bd) × (1 - (Bd/Pd × cos(θ))²) × RPM/60 2배 주파수 특징
케이지 결함 FTF 1/2 × (1 - Bd/Pd × cos(θ)) × RPM/60 저주파, 진단 어려움

n: 볼/롤러 개수, Bd: 볼 직경, Pd: 피치 직경, θ: 접촉각 (일반적으로 0°)

# 베어링 결함 주파수 분석 (수도코드) # === 베어링 제원 === # n: 볼/롤러 개수 # Bd: 볼 직경 (mm) # Pd: 피치 직경 (mm) # θ: 접촉각 (도) # === 결함 주파수 계산 공식 === # 축 주파수 = RPM / 60 (Hz) # BPFO(외륜) = n/2 × (1 - Bd/Pd × cosθ) × 축주파수 # BPFI(내륜) = n/2 × (1 + Bd/Pd × cosθ) × 축주파수 # BSF(볼) = Pd/(2×Bd) × (1 - (Bd/Pd × cosθ)²) × 축주파수 # FTF(케이지) = 0.5 × (1 - Bd/Pd × cosθ) × 축주파수 # === 결함 탐지 프로세스 === # 1. 결함 주파수 계산 # 2. 기준선(배경 노이즈) 설정 # 3. 각 결함 주파수에서 피크 탐지 # 4. SNR(신호대잡음비) 계산 # 5. 고조파(2X, 3X) 확인 # 6. 심각도 판정 # === 심각도 기준 === # none: SNR < 10dB # incipient(초기): SNR 10-20dB, 고조파 없음 # moderate(중간): SNR 20-30dB 또는 고조파 1개 # severe(심각): SNR 30-40dB 또는 고조파 2개 이상 # critical(위험): SNR > 40dB # === 권장 조치 === # none: 정기 모니터링 유지 # incipient: 주 1회 점검으로 단축 # moderate: 1-3개월 내 정비 계획 # severe: 2주 내 조기 정비 # critical: 즉시 정비/교체

3엔벨로프 분석

베어링 초기 결함은 에너지가 작아 일반 FFT로 탐지가 어렵습니다. 엔벨로프 분석(Envelope Analysis)은 고주파 공진 대역의 진폭 변조를 복조하여 초기 결함을 탐지합니다.

# 엔벨로프 분석 (수도코드) # === 엔벨로프 분석 원리 === # 베어링 초기 결함은 고주파 공진을 결함 주파수로 변조 # 엔벨로프 분석은 이 변조를 복조하여 결함 성분 추출 # === 분석 순서 === # 1. 대역통과 필터 (고주파 공진 대역, 2-5kHz) # 2. 힐버트 변환 → 해석 신호 생성 # 3. 절대값 취함 → 엔벨로프 (진폭 변조 신호) # 4. DC 성분 제거 # 5. 엔벨로프의 FFT → 결함 주파수 추출 # === 공진 대역 자동 선택 === # 1. 전체 스펙트럼을 여러 대역으로 분할 # 2. 각 대역별 에너지 계산 # 3. 고주파 대역 중 에너지 높은 대역 선택 # 4. 일반적으로 2-5kHz가 베어링 공진 대역 # === 고급 베어링 진단 === # 1. 일반 FFT 분석 + 시간 영역 특징 추출 # 2. 엔벨로프 분석 수행 # 3. 엔벨로프 스펙트럼에서 결함 주파수 탐지 # === 종합 진단 기준 === # 엔벨로프 결함 + 높은 Kurtosis → 초기 결함 의심 # 엔벨로프 결함만 → 결함 발전 중, 모니터링 강화 # 높은 Kurtosis만 → 충격성 신호, 추가 분석 필요 # 둘 다 없음 → 정상 상태

엔벨로프 분석의 원리: 베어링 결함은 고주파 공진(2-20kHz)을 결함 주파수(수십-수백 Hz)로 변조합니다. 엔벨로프 분석은 이 변조를 복조하여 저주파 결함 성분을 추출합니다.

4회전체 결함 유형

베어링 외에도 회전 기계에서 발생하는 다양한 결함 유형과 그 진동 특성입니다.

결함 유형주파수 특성방향성원인
언밸런스 1X (회전 주파수) 반경 방향 우세 질량 불균형, 부착물
미스얼라인먼트 1X, 2X (축 방향) 축 방향 우세 축 정렬 불량
기계적 느슨함 1X, 2X, 3X... 고조파 다방향 볼트 풀림, 베이스 불량
기어 결함 GMF ± 사이드밴드 반경/축 치면 마모, 파손
전기적 결함 2 × 라인 주파수 (120Hz) 반경 방향 로터 바, 고정자
# 기어 결함 분석 (수도코드) # === 기어 맞물림 주파수(GMF) === # GMF = 치수 × 축 주파수 # 축 주파수 = RPM / 60 # === 예시 계산 === # 20치 기어, 1800 RPM # 축 주파수 = 1800/60 = 30 Hz # GMF = 20 × 30 = 600 Hz # === 결함 시 특징 === # GMF ± 1X, ± 2X 사이드밴드 발생 # 사이드밴드 간격 = 축 주파수

5딥러닝 기반 진동 분류

전통적 진동 분석을 넘어 CNN, LSTM 등 딥러닝을 활용한 자동 결함 분류가 확산되고 있습니다.

# CNN 기반 진동 분류 (수도코드) # === 1D CNN 구조 (원본 신호 입력) === # 입력: 진동 시계열 (1채널, 2048 샘플) # # Block 1: Conv1D(32필터) → BatchNorm → ReLU → MaxPool # Block 2: Conv1D(64필터) → BatchNorm → ReLU → MaxPool # Block 3: Conv1D(128필터) → BatchNorm → ReLU → AvgPool # # 분류기: Flatten → Dense(256) → Dropout → Dense(클래스수) # === 2D CNN 구조 (스펙트로그램 입력) === # 입력: 스펙트로그램 이미지 (1채널, 주파수×시간) # # Conv2D(32필터) → BatchNorm → ReLU → MaxPool # Conv2D(64필터) → BatchNorm → ReLU → MaxPool # Conv2D(128필터) → BatchNorm → ReLU → AvgPool(4×4) # # 분류기: Flatten → Dense(256) → Dropout → Dense(클래스수) # === CWRU 베어링 데이터셋 분류 === # 0: 정상 (Normal) # 1: 내륜 결함 (Inner Race Fault) # 2: 외륜 결함 (Outer Race Fault) # 3: 볼 결함 (Ball Fault) # 4: 복합 결함 (Compound Fault)

CWRU 데이터셋: Case Western Reserve University 베어링 데이터셋은 진동 기반 예측 정비 연구의 표준 벤치마크입니다. 내륜, 외륜, 볼 결함의 진동 신호가 포함되어 있습니다.

6진동 분석 베스트 프랙티스

효과적인 진동 기반 예측 정비를 위한 실무 가이드라인입니다.

항목권장 사항
센서 위치 베어링 하우징에 직접 부착, 하중 방향 고려
샘플링 주파수 최대 관심 주파수의 2.56배 이상 (FFT 라인수 고려)
측정 조건 정상 운전 상태, 동일 부하 조건에서 측정
기준선 설정 신품/정비 직후 상태를 기준선으로 저장
트렌드 분석 절대값보다 시간에 따른 변화 추이가 중요