CDA 공기압축기 저효율 호기 진단 및
성능저하 원인분석을 통한 효율개선

1. 같은 압축공기를 생산하는데 왜 특정 압축기만 전력을 더 사용할까?

동일하거나 유사한 용량의 압축기라도 실제 운전에서는 호기별 효율차이가 발생할 수 있다. 단순히 소비전력 kW가 큰 설비를 저효율이라고 판단하면 안 되고, 생산한 압축공기량과 소비전력을 함께 비교해야 한다.

즉 같은 양의 압축공기를 만드는 데 얼마나 많은 전력이 필요한지를 비교한다.

2. 배경 — 압축공기는 설비효율과 시스템효율을 함께 관리해야 한다

압축공기는 제조현장에서 사용하기 편리하지만 전기에너지를 압축공기로 변환하는 과정의 손실이 큰 Utility다. 미국 DOE Better Plants도 투입에너지의 80% 이상이 열로 손실될 수 있다고 설명하며, 수요측 사용량과 공급측 설비·제어를 함께 최적화하는 System Approach를 강조한다.

따라서 누설·과압·과다가동 같은 System Loss를 줄이는 것과 동시에, 같은 서비스를 생산하는 개별 Compressor의 성능이 정상 수준을 유지하는지도 관리해야 한다. CASE59는 이 가운데 개별 설비의 Efficiency Drift를 찾아 원인을 확인하고 성능을 회복하는 영역에 초점을 둔다.

3. 국제적인 평가방향도 Supply·Transmission·Demand 전체를 본다

ISO 11011:2013은 압축공기 에너지효율 평가를 Supply, Transmission, Demand의 세 기능영역으로 나누고, 에너지 입력에서 실제 작업에 사용되는 압축공기까지 전체 시스템을 평가하도록 구성한다. 2026년에는 이를 대체할 Edition 2가 개발단계에 들어갔다.

CASE59의 호기별 성능진단은 Supply 영역의 중요한 일부지만, 특정 Compressor의 Specific Energy가 높다고 해서 즉시 기계적 열화로 결론내리지 않는 이유도 여기에 있다. Header Pressure, Distribution Loss와 실제 Demand가 함께 변하면 호기효율 지표도 영향을 받기 때문이다.

4. 실제 프로젝트에서도 ‘저효율 호기 원인·개선’이 독립 활동이었다

UT 운전최적화 계획에는 “압축기 저효율 호기 점검 및 저하 원인/개선”이 별도의 최적화 활동으로 명시되어 있었다. 압축기 Setting 압력 통합제어, CDA Demand 분석을 통한 최소 가동대수 운전과도 구분된 활동이었다.

즉 이 프로젝트는 ‘몇 대를 돌릴 것인가’나 ‘몇 bar로 공급할 것인가’뿐 아니라 개별 압축기의 성능상태 자체를 진단하고 회복하는 축을 별도로 두었다.

5. 당시 CDA 시스템 전체에도 효율개선의 단서가 있었다

1년 운전데이터 분석에서는 전계절에 걸쳐 1~2대의 Compressor가 Idling 상태였고, 기기별 압력은 약 8.3~9.0 kg/cm²로 서로 달랐다. 수요대비 약 2대가 추가 가동되어 평균 부하율은 약 74% 수준으로 분석되었다.

압축공기 제조원단위는 약 7.0 m³/kWh 수준으로 기록되었고 자료상 이론원단위 8.0~8.3 m³/kWh와 비교되었다. 이 값들은 특정 저효율 호기 하나의 성능저하를 직접 증명하는 숫자는 아니지만, 시스템 차원에서 호기별 효율과 운전상태를 세분해 볼 필요가 있었던 배경을 보여준다.

6. 먼저 모든 압축기를 같은 KPI로 비교한다

각 Compressor에 대해 같은 시간축으로 소비전력, CDA 생산유량, 토출압력, 부하율, Loading/Unloading과 운전시간을 수집한다.

호기별 SE 분포를 비교하면 동일 부하영역에서 반복적으로 원단위가 높은 설비를 Outlier 후보로 찾을 수 있다.

7. 압력과 부하율이 다르면 바로 기계고장으로 판단하지 않는다

Specific Energy가 높은 이유가 반드시 설비 열화 때문인 것은 아니다. 더 높은 토출압력에서 운전하거나 낮은 부하율에서 Loading/Unloading이 반복되면 정상 설비도 원단위가 악화될 수 있다.

따라서 가능한 한 유사한 Flow·Pressure·Load Factor 조건에서 호기를 비교하고, 운전조건의 영향을 먼저 분리한 뒤에도 지속적으로 비효율적인 호기를 정밀점검 대상으로 선정한다.

8. 성능저하 원인을 Supply Side와 Machine Side로 나눠 본다

9. Benchmark는 절대값 하나보다 ‘동일 설비군의 정상범위’가 유용하다

압축기의 종류, 용량, 압력과 운전조건이 다르면 특정 kW/Nm³ 하나를 모든 설비의 합격기준으로 쓰기 어렵다. 대신 동일 Maker·Type·Capacity 또는 유사한 압력조건의 설비군에서 정상 호기의 SE 분포를 Benchmark로 만들 수 있다.

Median, 정상범위와 부하구간별 Efficiency Curve를 구축하면 특정 호기가 언제부터 정상군에서 벗어나기 시작했는지를 추적하기 쉬워진다.

10. 저효율 호기 발견 후에는 원인진단 → 조치 → 재검증한다

정비를 했다는 사실 자체가 개선의 증거는 아니다. 정비 전·후를 유사한 Flow·Pressure·Load 조건에서 다시 측정해 Specific Energy가 정상범위로 회복됐는지를 확인해야 한다.

11. Maintenance를 ‘작업완료’가 아니라 ‘성능회복’으로 관리한다

필터교체, Cooler 세정, 윤활관리, Valve 점검과 압축부 정비 등을 완료한 뒤 에너지 KPI가 회복됐는지를 확인하면 Maintenance 성과를 정량적으로 관리할 수 있다.

이 방식은 정비주기를 단순 Calendar 기준으로만 운영하는 대신 Condition-based Maintenance와 연결하는 기반이 된다.

12. CASE52·54와 연결하면 CDA 최적화 구조가 완성된다

즉 압축공기 최적화는 가동대수 × 공급압력 × 호기효율 × 설비상태를 함께 관리하는 문제다.

13. 20단계 성능진단·회복 Process

① Compressor Inventory → ② 정격조건 → ③ kW → ④ CDA Flow → ⑤ Pressure → ⑥ Load/Unload → ⑦ SE 계산 → ⑧ 호기 Benchmark → ⑨ 정상범위 → ⑩ Outlier 식별 → ⑪ 동일 부하영역 재비교 → ⑫ 압력조건 → ⑬ Load/Unload 영향 → ⑭ 운전조건/설비성능 분리 → ⑮ 원인후보 → ⑯ 현장점검 → ⑰ 운전조정·정비 → ⑱ 동일 KPI 재측정 → ⑲ 정상범위 복귀 → ⑳ 실시간 감시기준

14. 장기 Trend를 보면 Efficiency Drift를 조기에 발견할 수 있다

정상상태에서 호기별 SE Baseline을 만들어 두고 부하율·압력조건별 예상범위를 관리하면, 장기간에 걸쳐 조금씩 악화되는 성능저하를 감지할 수 있다.

한 번의 Threshold 초과보다 일정 기간 지속되는 Drift와 정상군 대비 편차를 함께 보면 불필요한 Alarm을 줄이면서 정비시점을 결정하는 데 도움이 된다.

15. 확대응용 — 다중 Utility 설비의 성능저하 감시로

이 방법은 공기압축기뿐 아니라 Chiller kW/RT, Pump kW/Flow, Boiler Fuel/Useful Heat처럼 서비스량으로 에너지를 정규화할 수 있는 병렬 Utility 설비에 응용할 수 있다.

핵심은 동일 서비스를 만드는 설비끼리 정상 성능범위를 만들고, 시간에 따른 원단위 변화로 성능저하를 찾는 것이다.

16. 기술동향 — 단순 Alarm에서 Continuous Performance Monitoring으로

압축기 상태감시는 과거의 압력·온도 High/Low Alarm 중심에서 전력, 유량, 압력, 운전상태와 시간에 따른 성능변화를 함께 보는 방향으로 발전하고 있다. DOE Better Plants의 산업사례에서도 Flow·Pressure·Current Meter를 설치하고 Web 기반으로 Compressor Performance를 지속적으로 Monitoring하는 접근이 활용되고 있다.

이때 중요한 것은 센서를 많이 설치하는 것보다 정상 운전조건에서 기대되는 성능과 현재 성능의 차이를 지속적으로 추적하는 것이다. CASE59의 Specific Energy Benchmark는 이러한 Continuous Performance Monitoring의 기본 KPI가 될 수 있다.

17. 해외사례에서도 계측과 지속관리의 중요성이 확인된다

미국 Johnson Controls의 Compressed Air Efficiency Program은 Flow·Pressure·Compressor Current Meter를 설치하고 Web 기반 Continuous Monitoring을 적용했다. 계측데이터는 누설과 비효율 운전을 찾아내고 현장 운영자가 Compressor Performance를 지속적으로 확인하는 데 활용되었다.

PLENCO 사례도 Ultrasonic Flow Meter를 활용한 진단에서 시작해 누설수리뿐 아니라 Compressor Downsizing과 Control 개선으로 확대되었다. 이 사례들의 숫자를 CASE59 성과로 사용하는 것은 아니며, 측정 → 문제식별 → 조치 → 지속관리라는 방법론의 유사성을 보여주는 참고사례로 활용한다.

18. 성능저하 감시는 정비와 에너지관리를 연결한다

기존 예방정비는 운전시간이나 Calendar 주기에 따라 수행되는 경우가 많다. 여기에 Specific Energy와 운전조건별 Benchmark를 결합하면 정비시점 결정에 에너지성능 정보를 추가할 수 있다.

예를 들어 같은 Flow·Pressure 영역에서 SE가 장기간 상승하고, 흡입필터 차압이나 토출온도 같은 상태변수도 함께 악화된다면 점검 Priority를 높일 수 있다. 반대로 정비 후 SE가 정상범위로 회복되지 않는다면 추가 원인분석이 필요하다는 신호가 된다.

19. 확대응용 — 여러 공장의 동일설비를 비교하는 Performance Benchmark로

한 공장 안의 호기비교에서 출발해 동일 Maker·Model 또는 유사 Capacity의 Compressor가 여러 사업장에 설치되어 있다면 Site 간 성능비교로 확장할 수 있다. 다만 토출압력, 흡입조건, 부하율과 계측방식이 다르므로 원시 kW/Nm³를 그대로 순위화하기보다 운전조건을 보정한 Benchmark가 필요하다.

이렇게 축적된 데이터는 설비별 Performance History, 정비 우선순위, Overhaul 효과, 교체시점과 고효율 설비투자 판단에도 활용할 수 있다.

20. Digital Twin·예측모델로 발전시키면 ‘고장 전 성능저하’를 찾을 수 있다

충분한 이력데이터가 축적되면 Flow, Pressure, Load Factor, 흡입온도와 운전모드에 따른 정상 Power 또는 Specific Energy를 예측하는 모델을 만들 수 있다. 실제값이 예측범위에서 지속적으로 벗어나면 고장 Alarm이 발생하기 전에 성능저하 가능성을 알려주는 Early Warning으로 활용할 수 있다.

여기서 AI의 목적은 고장을 임의로 단정하는 것이 아니라 정상모델 대비 편차가 커진 설비를 점검대상으로 우선 제시하는 것이다. 최종 원인판정은 현장계측과 정비점검으로 확인한다.

21. AI 기반 이상진단·예지보전으로 확장

Flow, Pressure, Load Factor, Inlet Temperature, Power와 Load/Unload 데이터를 충분히 축적하면 정상상태에서의 예상 Specific Energy를 예측하는 모델을 만들 수 있다.

단순 임계값 Alarm보다 ‘현재 운전조건이라면 이 정도 에너지가 정상’이라는 모델과 비교하면 운전조건 변화와 실제 성능저하를 더 잘 구분할 수 있다.

22. Evidence & Measurement Boundary

다만 저효율 호기 원인별 정비결과나 이 활동만의 독립적인 최종 절감 kW·절감률·연간 절감금액은 본 CASE의 확정성과로 귀속하지 않는다. 성능회복 검증은 동일·유사 Flow·Pressure·Load 조건의 Before/After Specific Energy 비교를 원칙으로 한다.

23. Review 상태

Status: APPROVED / FINAL-LOCK