프로젝트 요약

  • 개요: 산업용 회전 장비의 진동 신호를 이용한 이상 탐지 및 예지보전 모델링
  • 기간: 2023.06-
  • 데이터: 회전 장비에서 수집되는 진동 시계열 및 주파수 영역 특징
  • 기술 스택: Time Series Analysis, FFT/STFT, Feature Engineering, Anomaly Detection, Edge AI
  • 성과(성능): 진동 기반 고장 징후 탐지를 위한 분석 파이프라인과 현장 적용 구조 설계

문제 정의

산업용 회전 장비는 고장이 발생한 뒤 대응하면 생산 중단과 유지보수 비용이 크게 늘어납니다. 따라서 고장이 명확히 드러나기 전에 진동 신호의 작은 변화를 감지하고, 이상 상태로 이어질 가능성을 조기에 파악하는 것이 중요합니다.

이 프로젝트는 진동 시계열을 바탕으로 정상 상태와 이상 상태를 구분하고, 예지보전 관점에서 유지보수 의사결정에 활용할 수 있는 분석 흐름을 만드는 데 초점을 둡니다.

데이터와 EDA

데이터는 회전 장비에서 수집되는 진동 시계열을 기본 입력으로 둡니다. EDA에서는 시간 영역의 RMS, peak-to-peak, kurtosis 같은 통계량과, FFT/STFT 기반 주파수 영역 특징을 함께 확인합니다.

특히 다음 질문을 중심으로 신호를 해석합니다.

  • 정상 상태에서도 진동 세기가 얼마나 변동하는가?
  • 특정 주파수 대역에서 이상 상태의 에너지가 증가하는가?
  • 베어링 이상, 불균형, 정렬 불량이 서로 다른 패턴을 만드는가?
  • 실시간 추론을 위해 어떤 특징을 최소한으로 유지해야 하는가?

접근 방법

문제는 신호 전처리 → 특징 추출 → 이상 점수 계산 → 현장 적용 가능성 검토의 흐름으로 나눴습니다.

  1. 원시 진동 신호에서 노이즈와 이상치를 정리합니다.
  2. 시간 영역 특징과 주파수 영역 특징을 동시에 추출합니다.
  3. 정상 패턴을 기준으로 벗어나는 정도를 anomaly score로 계산합니다.
  4. 엣지 환경 적용을 고려해 모델 크기와 추론 비용을 함께 검토합니다.

성과(성능)

현재 성과는 고장 유형별 진동 패턴을 분석하고, 이상 탐지 모델로 연결할 수 있는 feature pipeline을 설계한 데 있습니다. 이후 성능 평가는 F1-score, false alarm rate, detection lead time, edge inference latency를 함께 확인하는 방식이 적합합니다.

포트폴리오 관점의 의미

이 프로젝트는 시계열 분석이 실제 산업 문제에서 어떻게 쓰이는지 보여주는 사례입니다. 단순 모델 정확도보다 센서 데이터의 해석, 주파수 분석, 실시간 적용 가능성까지 함께 고려했다는 점에서 실전형 포트폴리오 주제로 적합합니다.

업데이트: