디지털 트윈을 활용한 컨베이어 벨트의 예측 유지보수

수익성은 복잡한 기계 및 시스템의 개발 및 운영에서 중요한 목표 중 하나입니다. 새로운 데이터 기반 방법론인 빅 데이터와 기계 학습은 스마트 서비스(예: 예측 보수)를 통해 이 목표를 달성하는 데 도움이 됩니다. 이를 통해 예기치 않은 다운타임을 피하고 운영 및 유지 관리 비용을 줄일 수 있습니다. 이에 관해 마이 ESI 동료인 Jörg Arloth, 마이닝 어카운트 매니저와 이야기를 나눴습니다.

Q. 빅 데이터와 기계 학습은 모든 산업에서 중요한 트렌드입니다. 채굴 기계 제조업체와 운영자들을 살펴보면, 현재 어떤 분야가 가장 관심을 끌고 있는지 알려주세요.

Jörg. 현재 가장 큰 과제는 데이터 기반 방법론과 현실의 전문 지식을 결합하고 기존 측정 데이터를 결함이나 마모의 원인에 할당하여 다른 시스템으로 전달하는 것입니다. 이를 통해 데이터 기반 패턴 인식의 개발이 성공적으로 이루어질 수 있습니다. 물리적 시스템 시뮬레이션은 이러한 작업을 실무에 적용하고 다양한 분야의 전문가들 간의 소통을 지원하는 데 도움이 됩니다. 모델은 자동으로 생성되며, 원하는 오류 행동을 목표로 지정하여 다양한 가상 운영 데이터를 생성할 수 있습니다.

Q. 벨트 컨베이어 컨퍼런스에서의 강의에서, 벨트 컨베이어의 SRA 기반 상태 분석의 워크플로우를 개요로 설명했습니다. 이 개념의 시작점과 기초는 벨트 컨베이어를 예로 들어 디지털 트윈을 사용하는 것입니다. 이 과정은 어떻게 작동하는지 자세히 설명해 주십시오.

Jörg. 벨트 컨베이어와 같은 시스템 모델이 일반화될 수 있다면, 이를 자동으로 생성할 수 있습니다. 시스템 시뮬레이션(ESI SimulationX)을 통해 벨트 컨베이어 라이브러리를 적용함으로써 이를 달성할 수 있습니다. 포함된 요소들로부터, 스크립트 기반 모델 생성기가 시스템 모델을 생성합니다. 저는 이러한 프로세스를 라이브러리에서 디지털 트윈까지 간단히 설명했습니다.

결과적으로 생성된 시뮬레이션 모델은 시스템의 구조를 설명하고 데이터 컨테이너에 중앙 집중식으로 매개변수화됩니다. 왼쪽 그림은 벨트 컨베이어의 시뮬레이션 모델을 보여주는데, 이 모델은 실제 측정 데이터에서 생성된 표준 질량 흐름을 로드하여 시간 경과에 따른 실제 로딩 과정 (하중)을 나타냅니다.

Q. 디지털 트윈의 품질과 신뢰성을 고려할 때 데이터 일관성은 중요한 기준입니다. 실제 상황에서 측정된 데이터와 시뮬레이션 결과 간의 차이에 대해 어떻게 생각하시나요?

Jörg. 이는 매우 중요한 측면입니다. 시뮬레이션 모델을 검증하기 위해 실제 컨베이어 시스템에서 얻은 데이터를 사용했습니다. 오른쪽 그림에서 실제 측정값과 시뮬레이션 결과를 비교하면 둘 간에 충분히 큰 일치가 보입니다. 이는 품질 기준을 충족하는 것으로 여겨집니다.

Q. SRA 분석에 대해 이야기해보겠습니다. 이 새로운 기술의 핵심은 무엇인가요?

Jörg. 아래 그림은 벨트 컨베이어 응용 분야에서의 SRA 분석 접근 방식을 보여줍니다. 이를 통해 시뮬레이션 모델에서 새로운 아이디어를 개발, 테스트 및 평가할 수 있습니다. 이는 복잡한 측정 전략을 개발하는 대신 아이디어를 개발하기 전에 완전히 가상으로 검토할 수 있는 핵심입니다. 이러한 디지털 접근 방식은 때로는 새로운 측정 기술의 필요성을 도출할 수도 있습니다.

Q. 그러니까, 실제 작동 중에 발생할 수 있는 다양한 문제들을 수집하여 라이브러리에 담으셨군요?

Jörg: 맞습니다. 저희가 생성한 결함 모델은 여기 보시는 것과 매우 유사합니다. 매개 변수 오류가 있는 모든 모델 요소는 빨간색 "F"로 표시되어 있으며 자동으로 생성된 오류 라이브러리에 포함됩니다.

벨트 컨베이어 모델의 구조적인 측면을 명확하게 볼 수 있습니다. 여기에는 드럼에 얼어붙는 등 직접 할당할 수 있는 오류뿐만 아니라 마찰 계수의 변화와 같은 복잡한 문제도 포함됩니다. 이것은 일반적인 노화와 마모를 표시하기 위해 전역적으로 적용될 수 있습니다. 그러나 이것은 또한 이동 벨트에서 비롯된 안정 상태의 영향이나 효과를 지역적으로 매핑하기 위해 사용될 수도 있습니다.

일반적인 측정 신호로는 속도(모터, 회전 드럼) 및 구동 토크가 있습니다. 이 실험에서는 추가로 현재 총 부하를 가상 센서로 측정하고 개별 모델 구역의 벨트 장력력을 측정합니다. 여러 가지 실패 효과가 동시에 발생할 때도 이를 감지하고 식별할 수 있는지 확인하기 위한 것입니다.

예를 들어, 최대 벨트 장력, 정규화된 전력 및 정규화된 구동 토크 및 명목 모델을 기반으로 한 정규화된 벨트 장력력과 같은 다양한 기능이 지속적으로 모니터링됩니다. 이렇게 함으로써 엔지니어들은 여러 가지 변형(결함 크기 및 조합)을 계산하고 이것이 컨베이어의 성능에 미치는 영향을 이해할 수 있습니다.

Q. 머신 러닝 알고리즘은 모델에 오류의 효과를 분석하는 데 사용됩니다. 이것이 어떻게 예측 유지보수 전략에 기여하나요?

Jörg. 맞습니다. 우리는 머신 러닝 알고리즘을 사용하여 변형 계산 결과를 평가합니다. 예를 들어, 결정 트리의 품질은 생성된 기능과 오류 사이의 종속성 및 정밀한 임계값을 정의하는 데 명확히 보여줍니다. 케이킹은 서로 다른 엔진 및 드럼 속도의 비율을 사용하여 매우 쉽게 감지될 수 있지만, 노화 효과를 할당하는 것은 훨씬 어렵습니다. 운전 중에 다양한 부하 조건으로 인해 매우 견고한 임계값을 선택해야 합니다.

더 잘 설명하기 위해, 위의 이미지를 다시 보면 각 섹션의 표준화된 벨트 장력력이 나타납니다. 아이디어의 시작점은 모델의 각 섹션(여기서 BCS1, BCS2, BCS3, 헤드 스테이션)에 대해 벨트 장력력을 측정할 수 있다는 것입니다. 고려된 벨트 장력력은 해당 벨트 섹션으로 이동되는 벨트 장력력을 지역화합니다. 적절한 센서를 개발하거나 설치하지 않고도 엔지니어들은 이러한 신호로부터 어떤 결론을 도출해야 하는지 알고 있습니다. 이를 위해, 벨트 장력력은 명목 모델의 계산된 벨트 장력력을 사용하여 정규화됩니다.

Q. 많은 이론적 및 기술적 사실들이었습니다. 요약하자면, 어떻게 결론 내리겠습니까?

Jörg. 지능형(스마트) 서비스 및 해당 서비스에 사용되는 머신 러닝 알고리즘은 충분한 양의 운영 데이터를 제공해야 합니다. 이것은 이 시점에서 어떤 필드 데이터도 가지고 있지 않은 새로운 시스템에 대한 서비스 전략의 준비에 이미 적용됩니다. 기사에서 설명한 시스템의 데이터 기반 분석은 이러한 현실적인 데이터 양을 생성하는 효과적인 방법입니다. 오류 및 이러한 오류의 상호 작용을 포함하고 평가함으로써 운영 및 서비스 직원의 경험을 포함하고 넓은 범위로 활용할 수 있게 하는 한편 시스템을 센서 과부하로부터 보호하는 것을 나타냅니다. 표시된 SRA 기반 워크플로우는 데이터 획득 및 새로운 솔루션 개발을 지원하며, 시스템 가용성을 높이는 데 도움이 되고 예측 유지보수 전략에도 도움이 됩니다.

더 안전하고 깨끗하며 생산적인 기계를 제공하기 위한 가상 프로토타입 기술에 대한 자세한 내용은 저희의 Heavy Machinery페이지를 방문하세요.

제품 설계뿐만 아니라 제조, 조립 및 운영과 관련된 도전에 대응하기 위한 주요 기술에 대한 토론을 활용하고 싶으신가요? ESI LIVE Heavy Machinery를 시청하세요.