A Novel Energy Efficiency Based Predictive Maintenance optimization and Failure Prognosis for Centrifugal Gas Compressor

육지나 해상에 위치한 거대하고 웅웅거리는 산업 가스 시설의 광활한 세계에서, 원심식 가스 압축기라고 불리는 거대한 기계는 운영의 고동치는 심장 역할을 합니다. 이 기계의 임무는 단순하지만 매우 중요합니다. 바로 가스를 압축하여 파이프라인을 통해 이동시키는 것입니다. 그러나 열심히 일하는 모든 기계와 마찬가지로, 이 장치도 시간이 흐름에 따라 마모됩니다. 내부 부품이 저하됨에 따라, 기계는 동일한 작업을 수행하기 위해 더 많은 노력을 기울이게 되며, 이는 원래 그래야 하는 것보다 더 많은 전력이나 연료를 소비하게 만듭니다. 이러한 비효율성은 단순히 돈을 낭비하는 것만이 아닙니다. 이는 안전 문제이기도 합니다. 압축기가 제대로 작동하지 않으면 갑작스럽게 고장이 날 가능성이 높아지며, 이는 시설 전체의 예기치 않은 가동 중단을 초래합니다. 이러한 계획되지 않은 정지는 생산 손실과 긴급 수리로 인해 수백만 달러의 비용을 발생시킬 수 있습니다. 수십 년 동안 엔지니어들은 기계의 진동을 듣거나 오일을 점검함으로써 이러한 고장을 예측하려고 노력해 왔지만, 이러한 방법들은 기계가 실제로 고장 나기 전에 단순히 효율성이 떨어지고 있다는 미세한 징후를 놓치는 경우가 많았습니다.

The University of Larkano의 Mukhtiar Ali Shar가 발표한 새로운 연구는 이 문제에 대한 다른 관점을 제시합니다. 연구자는 기계가 흔들리거나 누출될 때까지 기다리는 대신, 에너지를 얼마나 사용하는지를 관찰할 것을 제안합니다. 핵심 아이디어는 고장이 시작되는 압축기는 동일한 양의 가스를 밀어내기 위해 더 많은 전력을 소모하며 비효율적으로 변한다는 것입니다. 이 에너지 소비량을 면밀히 추적함으로써, 치명적인 고장이 발생하기 훨씬 전에 문제를 포착하는 것이 가능합니다. 이를 테스트하기 위해 연구자는 기계의 일상적인 행동으로부터 학습하는 스마트 컴퓨터 시스템을 구축했습니다. 이 시스템은 단순히 부품이 언제 부서질지 추측하는 것이 아니라, 기계가 주의를 기울여야 하기 전까지 얼마나 더 효율적으로 작동할 수 있는지를 정확히 계산합니다.

연구자는 많은 시설에서 발견되는 특정 유형의 가스 압축기에 집중했는데, 이 압축기는 초기 작업을 수행하는 저압 섹션과 작업을 마무리하는 고압 섹션의 두 단계로 구성되어 있습니다. 1년 동안 연구는 이 기계들로부터 실시간 데이터를 수집하여 회전하는 축의 속도부터 유닛에서 나오는 가스의 온도에 이르기까지 모든 것을 기록했습니다. 목표는 컴퓨터에게 건강하고 효율적인 기계와 서서히 저하되는 기계의 차이를 인식하도록 가르치는 것이었습니다. 연구자는 하이브리드 머신 러닝 모델이라고 불리는 기술을 사용했습니다. 쉽게 말해, 이는 컴퓨터가 단 한 가지 방식의 사고에만 의존하지 않는다는 것을 의미합니다. 대신, 세 가지 서로 다른 유형의 학습 알고리즘의 강점을 결합하여, 단일 방식으로는 놓칠 수 있는 패턴을 볼 수 있게 했습니다. 이 결합된 접근 방식은 각 멤버가 퍼즐을 풀기 위해 서로 다른 관점을 가져오는 전문가 팀처럼 작동합니다.

이 접근 방식의 결과는 놀라웠습니다. 컴퓨터 모델은 매우 미세한 효율성 저하를 감지하는 법을 배웠습니다. 저압 압축기의 경우, 시스템은 에너지 성능이 단 0.91% 저하되는 것을 포착했습니다. 고압 유닛의 경우, 0.87%의 하락을 발견했습니다. 이 수치들은 매우 작아 보일 수 있지만, 중공업의 세계에서 이들은 기계가 따라잡기 위해 애쓰고 있다는 초기 경고 신호입니다. 더 중요한 것은, 모델이 이러한 추세를 살펴보고 미래를 예측할 수 있었다는 점입니다. 모델은 기계가 위험한 비효율성 단계로 넘어가기 전까지 약 1,000시간의 효율적인 작동 시간이 남아 있다고 결정했습니다. 이는 유지보수 팀에게 수리를 계획할 수 있도록 약 42일이라는 상당한 사전 통지 기간을 제공하며, 갑작스러운 고장을 기다리는 상황을 방지합니다. 모델은 심지어 기계가 고장 날 가능성이 높은 정확한 시점까지 짚어내어, 7,256 작동 시간째에 발생할 것이라고 예측했습니다.

이 새로운 방법이 얼마나 신뢰할 수 있는지 확인하기 위해, 연구자는 기계 건강을 점검하는 표준 방식들과 대조하여 테스트했습니다. 컴퓨터 모델은 어떤 데이터 포인트가 건강한 기계를 나타내고 어떤 것이 고장 난 기계를 나타내는지 식별하도록 요청받았습니다. 결과가 측정되었을 때, 새로운 하이브리드 모델은 기존의 단일 방식 모델들보다 훨씬 더 정확하다는 것이 증명되었습니다. 모델은 훈련 데이터에서 0.96의 AUC를, 새로운 미지의 데이터에 대한 테스트에서 0.97의 AUC를 기록하며 고장 난 기계를 정확하게 식별했습니다. 또한 모델은 0.1이라는 낮은 허위 양성률(false positive rate)을 보여주었는데, 이는 가짜 알람을 거의 울리지 않아 시간과 비용을 절약하는 동시에 실제 문제를 무시하지 않음을 의미합니다. 연구는 또한 이 결과를 다른 해상 압축기의 데이터를 사용하여 검증하였으며, 이는 이 방법이 컴퓨터가 한 번도 본 적 없는 기계에도 적용될 수 있음을 보여주었습니다. 이 두 번째 테스트에서, 시스템은 80시간의 남은 효율적 수명을 성공적으로 예측했고 720시간째에 고장이 발생할 것을 예보함으로써, 이 접근 방식이 실제 환경에서도 견고하게 작동함을 입 chứng했습니다.

이 연구는 에너지 효율을 관리할 때 진동이나 오일 분석과 같은 전통적인 유지보수 지표에만 의 Rely하는 것에 대해 명시적으로 반론을 제기합니다. 그러한 방법들은 기계적 균열이나 부서진 부품을 찾는 데는 유용하지만, 에너지 낭비를 초래하는 느리고 서서히 진행되는 성능 저하를 포착하는 데는 종종 실패합니다. 연구자는 진동이 급증하기를 기다리는 것은 이미 기계가 오랫동안 비효율적으로 작동한 후에 너무 늦게 대응하는 것임을 발견했습니다. 에너지 성능으로 초점을 전환함으로써, 이 새로운 프레임워크는 운영자가 더 일찍 개입할 수 있게 해줍니다. 연구는 유지보수가 부품이 부서졌을 때가 아니라, 에너지 효율이 특정 안전 한계치 아래로 떨어졌을 때 트리거되어야 한다고 제안합니다. 이 접근 방식은 유지보수를 사후 대응적인 수리에서 선제적인 전략으로 바꾸어, 기계가 가능한 한 오랫동안 최상의 상태로 작동하도록 보장합니다.

궁극적으로, 이 연구는 가스 산업을 위한 명확한 경로를 제시합니다. 가스 압축기가 사용하는 에너지를 관찰하기 위해 스마트 컴퓨터 시스템을 사용함으로써, 시설들은 예기치 않은 가동 중단으로 인한 막대한 비용을 피할 수 있습니다. 시스템은 엔지니어들에게 기계에 남은 "에너지 효율적 수명"이 정확히 얼마인지를 알려주는 명확한 타임라인을 제공합니다. 이를 통해 엔지니어들은 계획된 가동 중단 시간에 맞춰 수리를 일정에 반영할 수 있으며, 시설을 원활하게 운영하고 에너지 및 수리 비용에서 수백만 달러를 절약할 수 있습니다. 이 연구는 이 방법이 단순한 이론적 아이디어가 아니라 다양한 유형의 압축기에 적용할 수 있는 실질적인 도구이며, 가장 중요한 기계들이 비효율적으로 작동하는 시간을 최소화함으로써 산업을 더 신뢰할 수 있고 지속 가능하게 만들 수 있다고 결론짓습니다.