1열화상(Thermography) 분석의 원리
열화상 분석은 설비의 적외선 방사를 측정하여 온도 분포를 이미지화합니다. 과열(Overheating)은 전기 연결 불량, 과부하, 마찰 증가, 절연 열화 등 다양한 고장의 전조 증상입니다. 열화상 카메라로 비접촉, 비정지 상태에서 넓은 영역을 빠르게 스캔할 수 있어, 전기 패널, 모터, 베어링, 배관 등의 예방 보전에 널리 활용됩니다. AI 기반 열화상 분석은 자동으로 핫스팟(Hot Spot)을 탐지하고 심각도를 분류하여, 사람의 해석 부담을 줄이고 일관된 진단 품질을 보장합니다.
| 온도 상승 | 심각도 | 권장 조치 | 점검 주기 |
|---|---|---|---|
| 1~10°C | 관심 | 다음 정기 점검 시 확인 | 6개월 |
| 11~20°C | 주의 | 보수 계획 수립 | 3개월 |
| 21~40°C | 심각 | 가능한 빠른 시일 내 조치 | 1개월 |
| >40°C | 위험 | 즉시 조치 필요 | 즉시 |
2열화상 이미지 AI 분석
열화상 이미지는 일반 RGB 이미지와 다르게 온도 정보를 픽셀 값으로 담고 있습니다. CNN 기반 딥러닝 모델은 열화상 이미지에서 자동으로 이상 영역을 검출하고, 고장 유형(전기 연결 불량, 과부하, 냉각 불량 등)을 분류합니다. 객체 탐지(Object Detection) 기법을 적용하면 이미지 내 여러 설비를 인식하고 각각의 온도 상태를 개별 평가할 수 있습니다. 시계열 열화상을 분석하면 온도 트렌드를 추적하여 열화 진행 속도를 예측합니다.
# === 열화상 전처리 ===
# 온도 범위: 20-150°C
# 정규화: (온도 - 최소) / (최대 - 최소) → 0~1
# === 핫스팟 탐지 순서 ===
# 1. 기준 온도 대비 온도 상승 계산
# 2. 임계값(10°C) 초과 영역 마스킹
# 3. 연결된 영역(Contour) 찾기
# 4. 최소 면적(50픽셀) 이상 필터링
# 5. 각 영역의 최대/평균 온도, 면적 계산
# === 심각도 분류 ===
# ≤10°C: 정상 (normal)
# 11-20°C: 관심 (attention)
# 21-40°C: 심각 (serious)
# >40°C: 위험 (critical)
# === CNN 모델 구조 ===
# 입력: 1채널 열화상 이미지
# Conv(32) → BN → ReLU → Pool
# Conv(64) → BN → ReLU → Pool
# Conv(128) → BN → ReLU → AvgPool(4×4)
# Dense(256) → Dropout → Dense(4클래스)
3모터 전류 시그니처 분석(MCSA)
MCSA(Motor Current Signature Analysis)는 모터 구동 전류를 분석하여 기계적, 전기적 고장을 진단하는 기법입니다. 모터 전류에는 회전자 결함, 고정자 결함, 베어링 문제, 축 정렬 불량, 부하 이상 등의 정보가 주파수 스펙트럼 형태로 담겨 있습니다. MCSA의 장점은 기존 전류 센서(CT)만으로 분석이 가능하여 추가 센서 설치 없이 PdM을 구현할 수 있다는 점입니다. 특히 모터 구동 전류의 사이드밴드(Sideband) 분석으로 회전자 바 파손, 에어갭 편심을 조기에 탐지합니다.
# === 시스템 설정 ===
# 샘플레이트: 10,000 Hz
# 전원 주파수: 60 Hz (또는 50 Hz)
# === 전류 분석 항목 ===
# 1. 스펙트럼 분석 (FFT)
# 2. 회전자 바 결함 분석
# 3. 에어갭 편심 분석
# 4. 베어링 결함 분석
# === 회전자 바 결함 분석 ===
# 사이드밴드 주파수: f_line × (1 ± 2×slip)
# 기본 주파수 대비 사이드밴드 비율 측정
# === 회전자 상태 판정 기준 (dB 비율) ===
# > 54 dB: 양호 (Good)
# 48-54 dB: 경미한 결함 (Slight)
# 42-48 dB: 중간 결함 (Moderate)
# 36-42 dB: 심각한 결함 (Severe)
# < 36 dB: 위험 (Critical)
# === 에어갭 편심 분석 ===
# 정적 편심: 2×라인주파수 성분 분석
# 동적 편심: 라인주파수 ± 회전주파수
# 기본 주파수 대비 40dB 미만이면 주의
4전류 품질 분석
전류 파형의 품질 분석은 전력 시스템과 모터 드라이브의 건강 상태를 평가합니다. THD(Total Harmonic Distortion)는 고조파 왜곡 정도를 나타내며, 전력 품질 문제나 드라이브 고장의 지표가 됩니다. 불평형 전류는 3상 모터의 권선 문제나 공급 전압 불평형을 나타냅니다. 인버터 구동 모터의 경우 스위칭 주파수 성분과 그 고조파도 분석하여 드라이브 상태를 진단합니다.
# === THD (전고조파왜율) 계산 ===
# 1. FFT로 스펙트럼 계산
# 2. 기본 주파수(60Hz) 크기 측정
# 3. 고조파(2차~10차) 크기 합산
# THD% = √(고조파²의합) / 기본주파수 × 100
# 기준: THD < 5% (IEEE 519)
# === 3상 불평형 분석 ===
# 각 상의 RMS 계산
# 평균 RMS = (A + B + C) / 3
# 최대 편차 = 평균 대비 가장 큰 차이
# 불평형% = 최대편차 / 평균 × 100
# === 불평형 판정 기준 (NEMA MG1) ===
# < 1%: 양호 (Good)
# 1-2%: 허용 (Acceptable)
# 2-5%: 불량 (Poor)
# > 5%: 위험 (Critical)
# === 기동 전류 분석 ===
# 1. 포락선 추출 (힐버트 변환)
# 2. 피크 전류 측정
# 3. 정상 상태 시작점 탐지
# 4. 돌입 비율 = 피크 / 정상상태
# 정상 범위: 돌입 비율 4~8배
5다중 센서 융합 분석
온도와 전류 데이터를 융합(Fusion)하면 개별 센서보다 정확한 진단이 가능합니다. 예를 들어, 전류는 정상이지만 온도가 상승하면 냉각 문제를, 전류 이상과 온도 상승이 동시에 발생하면 기계적 과부하를 의심할 수 있습니다. 멀티모달 학습(Multimodal Learning)으로 온도 이미지, 전류 시계열, 진동 데이터를 동시에 학습하는 AI 모델은 복합적인 고장 패턴을 인식합니다.
# === 종합 진단 순서 ===
# 1. 열화상 분석 (핫스팟, 온도 상승)
# 2. MCSA 분석 (전류 시그니처)
# 3. 전류 품질 분석 (THD)
# 4. 융합 진단
# === 조합 패턴 진단 ===
# 온도↑ + 전류이상 → 기계적 과부하 의심
# 온도↑ + 전류정상 → 냉각 문제 의심
# 온도정상 + 전류이상 → 전기적 결함 의심
# THD 높음 → 전력 품질 문제
# === 건강 점수 계산 ===
# 점수 = 열화상점수×30% + MCSA점수×50% + THD점수×20%
# === 권장 조치 ===
# ≥80점: 정상 운전, 정기 모니터링
# 60-80점: 점검 주기 단축, 상세 분석 권고
# 40-60점: 조속한 점검, 보수 계획 수립
# <40점: 즉시 조치, 가동 중단 검토
핵심 포인트: 열화상은 비접촉으로 넓은 영역을 스캔하고, MCSA는 기존 센서만으로 심층 진단이 가능합니다. 두 기법을 융합하면 복합 고장을 정확히 진단할 수 있습니다.
6엣지 기반 실시간 모니터링
온도와 전류 데이터의 실시간 모니터링은 엣지 디바이스에서 수행하여 즉각적인 이상 탐지가 가능합니다. 라즈베리파이나 Jetson Nano 같은 엣지 디바이스에서 경량화된 모델을 실행하고, 임계값 초과 시 즉시 알람을 발생시킵니다. 상세 분석이 필요한 경우에만 클라우드로 데이터를 전송하여 대역폭과 비용을 최적화합니다. 이러한 엣지-클라우드 하이브리드 아키텍처가 대규모 설비 모니터링의 표준이 되고 있습니다.