설비진단 진동전문가 자격증 (ISO 18436-2)

설비진단 진동전문가 자격증 (ISO 18436-2)

-------------------------------------------------------------------------------------

진동분석기법을 이용하여 기계가 아픈 곳을 추정하는 방법인 설비진단기술은 전문가가 되기 위해서 많은 경험과 지식을 가지고 있어야 한다. 자격을 취득하는 방법을 통해서도 많은 간접적인 지식을 쌓을 수 있다. 과거 및 현재에도 설비진단에 관련된 검사 및 관리도구인 진동 계측기를 제조하는 제조사를 중심으로 전문기술교육과정이 있었다. 그 전문성이 매우 높고 같은 목적을 가지고 있었으므로 ISO과 ASNT에서는 이러한 교육과정을 세분화하고 각 분야에 전문가의 인증을 위한 자격제도를 창출하였다. 대체로 4등급(4등급으로 갈수록 높은 수준의 기술력을 보유한 전문가)으로 분류하고 있으며 해당분야의 경력자가 공인된 훈련기관에서 일정기간 교육을 수료하였을 경우에 비로소 시험과정을 통해서 자격증(License)을 발급받을 수 있다. 대체로 하급과정의 자격증을 보유하여야 상급과정에 대한 시험을 볼 수 있는 제도이다.

ISO18436-2
(회전기계의 상태감시 및 진단관련규격을 위한 진단기술자의 자격인증제도에 관한 규격-진동분야)

유수한 설비진단 훈련 및 자격발행 및 인증기관은 미국의 Vibration Institute, TAC, Emerson, ASNT, Mobius가 있으며 미국은 ANSI에서 인정하고 있다. 일본은 일본기계학회에서, 영국에서는 영국비파괴연구소의 인정을 받은 RMS , 호주 및 싱가포르 등 전세계적으로 인증기관(Accredited Training Organization (ATO) and Approved Examination Centre (ATC))으로부터 자격이 발행되고 있다. 이는 자국 내에서도 활용되지만 해외에서 동일하게 활용할 수 있는 국제자격증이다. 국내에서는 소음진동공학회 산하 ‘설비진단자격인증원(사)’에서 훈련기관의 인정과 시험과 자격증 발행을 진행하고 있으며 국가인정기구(Korea Accreditation Board)로 부터 인정받고 있다.

 자격증 실전 예상문제---> https://contents.premium.naver.com/bisope/visope

​

국내에는 2007년부터 시작하여 2015년 현재 약 1200여명의 자격보유자가 있으며 국가자격증과는 아직 동등하지 않지만 공공기업에 입찰제한에 자격보유자 유무, 인원, 등급을 정하는 등 저변이 확대되고 있는 중이다. 자격증은 5년마다 갱신이 필요하며 동일업종에서 이탈될 경우, 재발행이 불가하다. 현재 자격시험 응시자와 보유자가 계속 증가추세이고 설비관리 및 전문분야에서 실제로 현업에 필요한 지식을 쌓을 수 있고 분명 즉시 해외에서 통용되는 자격증이므로 미래는 밝을 것으로 예상된다. (매년 5월, 11월 시험).

자격증 실전 예상문제---> https://contents.premium.naver.com/bisope/visope

키워드	PDM, 예지보전, 설비진단, 진동자격, 기계진단, 설비진단자격, ISO18436, 진동분석

 

 

빅데이타와 빅시그널의 차이

빅데이타와 빅시그널의 차이

------------------------------------------------------------------------------------

우리가 사용하는 기본적인 데이터는 상상하기에 볼 수 있는 현실적인 외형을 꼽는다면 엑셀스프레드시트에 나열된 난수표 또는 시간 및 공간 등에 관한 결과들일 것이다 그러나 엑셀은 연산하고 저장하기에 최대한계가 있는 데이터 창고이고 그 보다 많은 수의 데이터 모음을 ‘빅데이터, big data)’라고 하며 그 데이터를 운용하고 계산하는 S/W도 별도로 있다. 그런데 인공지능의 결과물을 위한 연료로 사용되는 빅데이타와 빅시그널은 구분해야한다. 그 차이를 생각해 보았는가?

 

Big data & Big signal

빅데이타는 인구, 교통, 날씨, 경제, 사고, 재난, 역사 등의 자료를 모집한 큰 자료로서 통계적 흐름을 판단하고 최종적으로 결정적인 판단을 할 수 있는 용도로 사용되며 멀리는 인공지능에 요구되는 핵심적인 두뇌학습에 근간이 되는 경험자료로 볼 수도 있다. 그런데 ‘1/n초’단위로 흐르는 시간에 대한 물리량의 데이터(진동, 소음, 온도, 압력, 유량 등)도 빅데이타라고 불러야 할까?

많은 사람들, 심지어 인공지능 관련 과학자들도 잘 구분하기 어려운 것이 이 것이다. 이 물리량의 데이터는 통계적인 결과나 패턴의 흐름을 판단하기 위한 결정적인 자료로 활용하기에는 결과가 너무 순간이며 너무나도 벅찰 만큼 많다. 이 것은 빅데이타가 아닌 빅시그널(Big signal)로 불러야 한다고 생각한다. 우리는 이 빅시그널에서 원하는 결과를 얻을 수 있는 어떤 특징(Featuring)을 찾아야 하는데 그 특징은 어떤 구분자(패턴분석 또는 정량분석을 위한 경계설정, threshold)를 통한 개별적 결과들을 모두 모아서 비로소 저장하면 이 것을 ‘빅데이타’로 부른다. 이 것을 기본으로 탑재된 자동분석을 이용하는 것이 바로 인공지능이라 할 것이다.

즉, 다시 설명하면 인공지능은 빅데이타가 필요하며 빅데이타는 빅시그널을 분석한 결과들이고 빅시그널은 순간적인 디지털 물리량으로 설명하는 것이다. 이 것을 구분하는 이유는 간단하다. 이러한 빅사이즈 시그널은 특징을 분석하거나 구분자가 없으면 직접 빅데이타로 옮기지도 못하고 장기간 저장도 하지 못하며 쓸모가 없는 데이터인 단순한 시그널이기 때문이다.

요리하지 않은 재료는 먹을 수 없다는 것을 예를 들어 비교해 본다.

관련 Tag

PDM, 예지보전, 설비진단, 진동, 기계진단, 인공지능, 기계학습, 딥러닝, 빅데이타, 빅시그널

All copyright  한국CBM  written by BISOPE , vs72@naver.com, 070-4388-0415,  www.kCBM.kr

빅시그널과 빅데이터 그리고 인공지능

빅시그널과 빅데이터 그리고 인공지능

-----------------------------------------------------------------------------------

최근 산업동향, 설비진단 및 예지보전 분야에서도 주인공이 되고 있는 인공지능(AI)은 많은 데이터와 그 학습의 결과를 기반으로 하고 있다. 정답과 오답을 구분하는 정도가 아닌 정답/오답이 없이 스스로 결과를 예측하는 학습인 딥러닝(Deep learning)기법도 폭발적으로 연구되고 있다. 그런데 신호(signal)를 데이터로 분리해 내는 과정에서 너무나도 많은 이들이 신호자체를 마치 데이터인량 착각하고 있다. 다음은 인공지능으로 파악할 수 있는 현실적 수준의 신호 또는 데이터를 각 단계에서 구분하여 자칫 혼동하기 쉬운 본인의 전문분야를 명확히 하는데 도움이 되고자 정리된 자료이다.

Big signal & big data & AI & Robot

우선 ‘빅시그널’이라는 말은 여기서 처음 사용하며 정의되지 않았으나 빅데이타를 포함한 위의 네 가지 단어를 예로 표현하여 이해해보도록 다음의 실사례로 구분하였다.

1.     로봇에 센서를 장착하여 구조를 이동이나 정지작업을 수행한다.

2.     센서는 아날로그 신호를 측정하고 전문가 특성화 알고리즘이 장착된 DAQ를 통해서 디지털데이타로 거듭난다.

3.     여기서 DAQ는 적절한 샘플링을 통해서 신호를 디지탈화한다. 이 때 각종 특성화 파라미터를 추출할 알고리즘을 초당 데이터로 만든다.

4.     나노~초당 데이터~는 한 화면에 연산이 가능한 블록사이즈와 평균화를 통해서 보통의 waveform을 만든다.

5.     Waveform에서 초~수초~수시간이상의 자료를 다시 평균화하는데 이 것이 Trend이며 예측수준의 그래프가 된다. 이 것을 빅데이타로 보고 그 이전은 ‘빅시그널’로 보는 것이 옳다.

6.     인공지능은 센서에서 들어오는 실시간 신호를 직접 데이터화하여 분석할 능력이 없으므로 위의 5번 단계에서 데이터를 만들어 놓고 학습해야 한다.

7.     즉 인공지능은 다음의 두 가지에서 활약할 수 있는데 위의 5번단계에서의 빅데이타의 추이를 통한 ‘고장예측’과 3번 단계에서 빅시그널에서 이상패턴을 분류화하는 ‘특성화 알고리즘’을 찾는 것이다.

8.     그리고 이 AI가 장착된 시스템을 로봇에 탑재할 수 있다.

정리하면 실시간 데이터를 통해서 많은 결과를 유추해 낼 수 있으려면 다음의 전제조건을 갖추어야 한다.

첫째, 수많은 시그널(Raw date) 중에서 빅데이터로 패턴을 정리하는 능력이 가능해야 한다.

둘째, 빅데이터(Trend, Scattering)를 통해서 고장시점을 분류해 내는 능력이 있어야 한다.

주제에서 약간 벗어난 이야기이지만, 그 다음에 이루어지는 것이 인공지능의 판단에 대한 권리 부여이다. 이제까지 좋은 결과나 최종적인 판단을 위한 결정적 조치는 수행할 수 있으나 과연 최종판단도 인공지능에 맡겨야 할지는 모든 사람들이 생각하고 있어야 할 것이다. 왜냐하면 그 때는 사람이 필요 없기 때문이다.

All copyright 한국CBM(주) written by BISOPE , vs72@naver.com, 070-4388-0415, www.kCBM.kr

관련 Tag

PDM, 예지보전, 설비진단, 진동, 기계진단, 인공지능, 기계학습, 딥러닝, 빅데이타, 빅시그널

진동과 기계의 상태

진동과 기계의 상태

-----------------------------------------------------------------------------------

사람에게서 측정한 체온이 지나치게 높다거나 낮다면 누구라도 지금 몸이 좋지 않다는 것을 동감한다. 이 전제는 과학을 알지 못해도 오랫동안 수많은 결과를 통해서 학습해 왔기 때문에 당연하다고 생각한다. 어떤 청강생이 질문을 하였다. 중급연구원으로 보였는데 처음 듣는 참신한 생각이었다. “진동이 높으면 기계의 상태가 나쁜가요? 왜 그런 전제가 당연하다고 하시나요?” 옆에 있던 다른 모든 청강생들도 그를 이상하게 보았지만 나는 “진동도 온도처럼 상태를 표현한다”라고 에둘러 대답할 수 밖에 없었다.

진동신호에는 기계의 상태가 포함되어 있다.

진동으로 설비진단을 수행하는 저명한 전문기업체의 기본교제의 제일 앞장에는 이런 말이 적혀있다. ‘당신이 지금 기계로부터 측정하는 진동신호에는 기계의 모든 결함신호를 내포하고 있습니다. 이 신호를 잘 분석하면 기계가 어디가 아픈지 알 수 있습니다.’

기계로부터 측정한 온도가 평상시보다 높거나 지나치게 많이 상승하면 설비의 결함으로 판단하고 그 원인을 파악하기 위해서 많은 검토를 수행한다. 그런데 이 것은 회전하는 기계이건 회전하지 않는 기계이건 간에 동일한 예측과 현상의 검토가 당연하다. 왜냐하면 열을 표현한다는 것은 반드시 마찰로부터 출발하지 않더라도 열의 이동이 당연할 수 있기 때문이다. 여기서 온도는 정적현상과 동적현상에서 모두 관찰 될 수 있다는 것을 알 수 있다. 그런데 진동과 소음은 이와 달리 반드시 움직여야(동적현상) 신호가 발생한다. 즉, 진동은 시간에 따른 변동이 있는 힘을 가하고 물체나 공간이 구성하고 있는 강성과 질량에 달리 반응하는 것을 읽는 현상이다. 움직이지 않아도 된다는 다양한 물리적인 현상에 대해서 판단한다면 온도가 더 강력한 상태량이지만, 온도는 진동에 비해서 예측하거나 짐작하기에는 너무 늦고 자세하지 못한 점이 있다.

진동신호가 포함하는 기계의 상태는 ‘충격과 마찰’과 관련이 있다. 고체와 고체의 마찰(베어링, 기어 등), 고체와 기체에서 발생하는 힘의 불평형이나 마찰의 정도는 진동소음으로 측정되고 온도보다 더 자세한 신호의 원인분석의 근거가 되며 기계의 상태를 추정하며 수명을 예측할 수 있도록 한다. 추가로 진동의 용도가 부러지거나 파손되기 전의 위험의 상태를 이야기하거나 생산을 지속하지 못하는 상태를 미리 방지할 수 있는 곳으로 까지 쓰이기 시작하면서부터 중요한 상태진단요소가 되었다. 무엇보다도 진동은 온도처럼 하나의 값이 아닌 여러 가지 특성의 합으로 분리되었고 이를 수없이 다양하게 분리해 낼 수 있기 때문에 연구하고 학습하고 계측하고 진단하는 것이다.

이제 다시 한번 이야기 한다. ‘ 움직이고 있는 기계의 상태는 진동으로 판단할 수 있다. 

All copyright  한국CBM(주)  written by BISOPE , vs72@naver.com, 070-4388-0415,  www.kCBM.kr

키워드	PDM, 예지보전, 설비진단, 진동, 기계진단, 진동분석, 진동결함, 상태진단, CBM

인공지능과 설비진단

인공지능과 설비진단

------------------------------------------------------------------------------------

휴대폰은 인류의 역사상 의식주 이외에 가장 필수적인 사항이 되어 있다. 그런데 우리는 곁에서 항상 소지하고 있는 휴대폰에 중독되어 눈을 떠서 잠이 들 때까지 벗어날 수 없는 상태로 본인은 물론 가족과 전세계인에게 놀람을 넘어서 많은 실망이 되고 있는 상황도 알 것이다. 과연 10년 후에도 계속 그 핸드폰에게 우리의 습관을 정복당하고 살고 있을까? 필자는 그 때에는 휴대폰을 뛰어 넘는 어떤 개체가 우리의 개인 ‘비서’역할을 하고 있을 것이라 상상한다. 휴대폰 중독걱정은 사라지는 대신, 스스로 아무 것도 할 수 없는 비서의 시대가 올 것이다.

개인비서 개체, 인공지능(AI)

개인비서는 개인에게 필요한 것을 편리하게 해주는 정보와 서비스를 해주는 직업이다. 이를 대신하려 하는 개인비서 개체는 우리의 취향, 습관을 학습하여 검색, 예약, 통역, 운전, 구매 등을 수행하므로 우리는 언어를 배울 필요도, 공부를 할 필요도, 운전을 배울 필요도 없다. 왜냐하면 개인비서 개체와 연결된 인터넷과 자율 수송수단 등이 이를 대신하여 주기 때문이다.  마치 대기업의 임원처럼, 고위계층 및 군장성처럼 편리함과 고도의 정보를 보유한 최고 결정자로 개인비서개체가 나를 만들어 줄 것이며 우리는 똑똑하고 철두철미한 참모를 둔 지휘자가 될 것이며 더 나아가 더 뛰어나고 고가격인 개인비서개체를 남들에게 자랑하고 다닐 것이다. 그래서 지금의 핸드폰 사랑은 없어진다는 이야기가 되고 각기 다른 등급과 가격의 개인비서개체를 소유한 개인들의 빈부격차도 느끼게 될 수 있다. 이 것을 거꾸로 생각해서 보면 비서의 능력이 우리의 빈부를 결정하게 될 수도 있다.  이 것은 모두 인공지능 AI의 세상을 짐작하는 것이다.

반면에 최고 결정자는 가장 최고의 능력을 보유한 참모를 가지고 있었다는 것을 우리는 알고 있어야 한다. 즉, 참모가 없으면 알지도 못하고, 컴퓨터 로그온도, 라면도 못 사거나 운전도 못할 수 있다는 것이다. 더욱이 인공지능이 로봇에 탑재가 되면 우리는 힘과 지능을 같이 자동화시키는 것이고 인공지능이 판단을 하기 시작할 때 우리는 역전되는 것이다.

설비진단에도 인공지능의 도입이 출발하고 있다. 사실 인공지능은 법의 기억, 의술의 데이터, 회계의 정산분야에 빅데이터가 이미 존재하므로 더 빠른 발전을 볼 수 있으나 아마도 쉽게 깨뜨리지는 못하는 것 같다. ‘가진자’들은 그 것의 능력을 너무나도 잘 알고 있고 따라서 적어도 그 분야의 혁신은 제일 나중에 있도록 조절할 것이기 때문이다. 그런데 설비진단으로 말할 것 같으면 실시간과 다양한 데이터 생산상황, 경험과 직감이 축적된 고도의 진단기술 등을 판단하여 내린 결론인데 여기에 인공지능의 적용을 먼저 하려고 하고 있는 것이다. 더 어렵고 더 사람이 필요한 분야인 진단이나 분석을 더 쉽다고 하고 있는 것이다. 그 것은 기계고장을 일으키는 원인과 주요관찰을 통해 특성(feature)을 찾는 작업을 기계학습, 딥러닝을 통해 쉽게 알 수 있고, 할 수 있고, 안전과 비용을 쉽게 향상시킬 수 있을 것이라는 막연한 기대를 하고 있는 것은 아닐까? 그러나 나는 더 쉽고 더 많은 인류에게 편리성을 안겨주는 그리고 더 많은 사람을 대체할 수 없는 다른 분야를 연구할 것을 제안한다. 무엇보다 설비진단은 실시간과 과거의 통합 무한정 데이터에 대한 판단에 많은 고도의 판단책임자들에 의한 종합적인 결정이 필요하므로 힘들인 노력과 시간에 비해 효과가 미흡하고 예를 들어 법이나 기본 의약학, 회계, 언어, 교통, 각종 공학적 설계, 금융 등의 분야보다 더 어렵기 때문이다. 무엇보다 공장에 전문가가 없어지면 누구에게 이득이 생기는 가를 생각해 보자. 

따라서 가장 좋은 방향은 전문가들의 판단에 빅데이타를 잘 활용하도록 인공지능이 돕는 것이다. 즉, 측정과 신호처리는 사람과 자동 장치가, 진단과 예측은 인공지능과 사람이, 그리고 최종 결정은 반드시 사람이 해야 한다. 결정과 판단을 놓게 되면 인류는 결국 비서에 자리를 놓는 것이다.    

All copyright  한국CBM(주)  written by BISOPE , vs72@naver.com, 070-4388-0415,  www.kCBM.kr

관련 Tag

PDM, 예지보전, 설비진단, 진동, 기계진단, 인공지능.

모달해석과 ODS;운전중변형형상(물체의 움직임을 본다면 얼마나 해석하기 쉬울까?)

모달해석과 ODS;운전중변형형상(물체의 움직임을 본다면 얼마나 해석하기 쉬울까?)------------------------------------------------------------------

물체, 건물, 기계의 움직이는 형상(Shape)을 인지한다면, 가장 많이 흔들리는 부분에 고무를 삽입하거나 버팀목을 붙이는 보강조치 등을 쉽게 적용할 수 있을 것이다. 그러나, 움직이는 형상이 그리 쉽게 보이지 않는다는 점이다. 만져서 느끼는 것 조차도 고주파일 경우에는 거의 불가능하다. 그래서 ‘모드해석(Modal Analysis)’이란 개념이 나타나게 되었다. 형상의 거동은 주파수;초당 반복수(Hz)에 따라 모두 다르고 또한 고유주파수와 가진 주파수가 일치하면(공진,공명;Resonance) 생각하지도 못했던 파괴에 이를 수도 있다.

모달해석(Modal Analysis)

시간에 따라 힘이 변동하는 동적상태(Dynamic)에서 본다면 구조물은 형상에 따라, 지지상태에 따라, 각기 고유한 특성을 가지는데 이를 동특성이라 하며, 이 동특성(고유주파수, 감쇠비, 고유벡터, 고유모드형상)을 찾는 방법을 모달해석 또는 고유치 해석이라고도 한다. 이 고유치(동특성)을 알아 낸다면, 주파수가 변동함에 따라 변동하는 물체의 모양(Mode shape)등 을 시뮬레이션을 통해 미리 알 수 있고, 최대 변형점이나 절대로 움직이지 않는 점(Node)도 알 수 있다. 그리고 위험한 주파수 대역을 알아내어 그 주파수와 운전속도가 일치하지 않도록 설계조치의 변경작업도 할 수 있는 것이다.

이 동특성을 미리 알아내기 위해 사용되는 방법은 크게 두 가지로 첫째, 유한요소법(FEM), 경계요소법(BEM) 등을 이용한 수학적인 해석적 방법이 있으며, 둘째, 실제로 가진력을 주어 반응하는 것(응답함수)을 신호분석하여 동특성을 구하는 방법(EMA; Experimental Modal Analysis)이 있다. 위의 방법론과 연구분야는 실제로 진동연구가 진행되는 학교 및 연구기관 산업현장에서 가장 많이 하고 있는 연구과정이나 목표의 하나이며, 진동해석의 기본이기도 하다.

운전중 변형형상(ODS; Operational Deflection Shape)

구조물, 특히 기계는 대부분 설계시점에 동특성을 기본으로 참고하였고 일정한 가진력을 계속 받고 있으며 일정한 속도로 운전하고 있다. 이 기계의 운전상태가 좋지 않다는 것은 진동을 통해 인지하게 되므로, ‘운전중 변형상태를 형상’으로 확인해 본다면 실제로 구조물의 안정적인 운전에 기여할 것이다. ODS는 이렇게 복잡한 해석의 절차를 달리하여 간편화한 것으로서, 구조물의 주요부분을 각각 진동을 측정하여, 그 상대적인 위상차로 거동을 표현하는 방법이다. 따라서 입력 값에 대한 동특성을 아는바 없어도 현상 중 분석으로, 각종 Trouble Shooting에 대처할 수 있는 것이다. 즉, 거동이 가장 심한 곳에 대한 문제를 먼저 해결하는 근거로 사용하는 것이다.  

ODS는 주성분해석법과 전달행렬법으로 나눌 수 있으며, 주성분해석은 전달행렬법과 달리 여러 개의 기준점을 사용하여 운전중 변형형상을 구해내기 때문에, 기준점이 절점(Node)에 위치했을 경우의 오류를 배제할 수 있으며, 여러 개의 랜덤소스가 있을 경우에는 그 개수와 중요도도 구할 수 있는 장점이 있다.

All copyright  한국CBM(주)  written by BISOPE , vs72@naver.com, 070-4388-0415,  www.kCBM.kr

관련 Tag

진동, 기계진단, 모달해석, Mode, 모드해석, ODS.

설비진단 진동을 학습하기 위한 범위 (진동분석을 위한 기본적인 진동개념 목록)

설비진단 진동을 학습하기 위한 범위 (진동분석을 위한 기본적인 진동개념 목록)

-------------------------------------------------------------------------------------

진동을 공부하는 방법은 분야에 따라 큰 차이를 보이고 있다. 연구나 학업의 개념에서 본 진동학은 내진이나 환경진동 또는 설계의 입장에서 가깝지만 현장의 실무개념에서 본 진동학은 자산관리나 진동문제해결(Trouble shooting)에 가깝고 이 것을 진동이 위험상태를 알리는 골치 아픈 개념으로 인식하게 된다면 매우 중요하고 해결이 어려운 분야이다. 가끔 연구소나 학교 강의에서 현장에 진동문제를 의뢰 받아서 해결하지 못하는 경우를 자주 있던 것을 본 경험이 있기 때문에 설계상에서 가지고 있는 이상적인 진동해결방법은 대부분 많은 조정(tuning)을 거쳐야 엔지니어링으로 정확

히 결론 지을 수 있는 것이다. 정리해 보면 진동엔지니어링에는 설계엔지니어(박사, 교수, 제조사 설계직, CAE)와 현장엔지니어(기술사, ISO Certified Vibration Analyst, Test engineer)가 있다고 짐작할 수 있을 것이다. 해당분야에 따라 우대 분야는 다르나 인력의 필요성이나 업무기여도에 따라서 기업에서는 연구와 실무적인 분야가 모두 필요하므로 두 분야의 우열을 가릴 수는 없을 것이다. 그러나 결국은 기업문화는 실무적인 해결을 할 수 있어야 기본이라고 말하는 것을 당연하게 여긴다는 것임을 알고 있어야 한다.

 

진동의 실무적인 학습개념에 대한 평가목록

진동분야에 현장진동분야 엔지니어는 다음과 같은 학습개념을 이해하고 잘 사용할 수 있어야 한다.

- 진동단위의 선정과 활용(주단위와 보조단위의 이해 주파수와 각 단위의 용도를 알고 있어야 한다.)

- 진동 위상 측정법 (위상은 매우 중요한 결함을 판단하는 증거자료나 교정자료로 활용된다.)

- 고유 진동수 측정과 축의 위험 속도 이해 (진동이 증가 또는 감소하는 원인의 동력학 이해)

- 진동 센서의 선정과 사용법 (센서를 잘 선정해야 함)

- 센서 설치 방법과 진동 데이터 취득 (센서를 잘 설치하고 계측기를 적절히 설정해야 함)

- FFT 개념과 Spectrum 분석(주파수를 이해하고 분석할 수 있어야 함)

- Rotor Dynamic 이해와 축 진동(회전체 동력학을 알고 그래프를 분석할 수 있는 능력)

- Bump Test, Modal Test 이해와 응용법(동특성을 추출하는 방법)

- 질량 불평형의 원인과 진단법

- 축정렬 불량의 원인과 진단법

- Mechanical Looseness 원인과 진단법

- Bearing(Rolling, Sleeve) 의 결함 원인과 진단법

- Gear 및 Belt 진동의 원인과 진단법

- Motor의 원리와 진동 진단법

- Fan, Pump, Compressor의 구조와 동작 이해 및 진단법

- 위험도 평가와 진동 규격 이해

- 설비 교정 원리 이해

위에 대한 개념의 이해로 원리와 원인의 파악 및 진단을 할 수 있으나 그 다음에는 그 것보다 힘든 대책에 대해서 플랜을 작성하는 대책설계가 있다는 것이다. 대책설계는 진동을 낮추는 엔지니어링으로 원인분석과는 다른 또 하나의 엔지니어링(기술창출)으로 보아야 하는 이유는 당장 발생하고 있는 것을 해결하는 것이 원인을 알고 나서도 더 이상 추진을 할 수 없는 경우가 빈번하기 때문이다.

All copyright  한국CBM  written by BISOPE , vs72@naver.com, 070-4388-0415,  www.kCBM.kr

관련 Tag

PDM, 예지보전, 설비진단, 진동, 기계진단, 설비진단자격, ISO18436, 진동분석