Application of CBM+ to Shot-Blast Rotating Components Based on Current Signal

본 연구는 차량용 진동 억제 고무 부싱 생산 공정에서 사용되는 샷블라스트 장비를 대상으로, 그 회전체 구성품에 대한 고장 진단 및 예측 기법을 적용하여 분석을 수행하였다. 장비 매뉴얼의 교체 주기를 기준으로 블레이드와 디스트리 뷰터를 취약 품목으로 선정하고, 관련 유도전동기의 전류·전압 데이터를 1초 간격으로 측정하였다. 분석 기간은 실제 고장이 발생한 시점을 전후한 2025년 2월 9일부터 19일까지로 설정하였으며, NEMA MG-1 규격을 참조하여 전류 데이터를 무부하, 정상, 경고, 위험, 기동으로 분류하였다. 추출된 특징점은 평균(Mean), 표준편차(Std), 제곱평균제곱근(RMS), 최대값(Max), 지수이동평균 차이(Ema_diff)이며, 이를 활용해 머신러닝 모델(Random Forest, SVM, KNN, LightGBM)을 적용하였다. 성능은 t-SNE 시각화와 F1-score 및 예측 소요 시간을 동일 가중치(0.5)로 반영한 비용 함수로 평가하였다. 그 결과 LightGBM이 가장 우수한 성능을 보였다. 또한 2분 이내 반복되는 과부하 조건을 고장 징후로 정의한 결과, 장비의 상태를 기반으로 조기 감지가 가능함을 확인하였다. 제안한 기법은 예방 정비 시점 도출을 지원하여 우발 고장의 발생을 줄이고 장비 가동 중단을 최소화할 수 있으며, 나아가 CBM+(Condition-Based Maintenance Plus) 기반 유지보수 전략 수립에 활용될 수 있다.