AI를 탑재한 더 스마트한 전기 장비 설계하기

모델 기반 설계와 전기 시스템의 AI 결합으로 산업 운영 개선

현대 생활의 모든 구성 요소는 전기 시스템의 작동에 달려 있습니다. 산업 규모에서 이러한 시스템의 오류는 데이터 손실, 낭비 및 어둠을 의미합니다. 특히 심각한 마모를 견디는 한 가지 구성 요소는 전류를 켜거나 끄는 기기인 접촉기입니다. 그러나 최근까지는 접촉기를 정비한다는 것은 기기가 언제 고장나거나 오작동할 수 있는지 예측하는 것을 의미했습니다. 이 문제를 해결하기 위해 Schneider Electric의 엔지니어들은 AI(인공 지능)와 모델 기반 설계를 결합하여 접촉기 자체에 예측 정비 알고리즘을 내장했습니다. 그 결과 그들은 수 개월이 걸리는 정비 테스트를 점심 시간 정도로 압축할 수 있었습니다.

접촉기의 남은 수명을 계산하려면 수개월에 걸친 집중적인 테스트가 필요했습니다. 그러나 엔지니어링을 위한 AI 도구의 접근성이 높아짐에 따라 Schneider Electric의 엔지니어들은 테스트 시간을 단축했을 뿐만 아니라 새로운 접촉기 개발 시간을 3년에서 6개월로 단축했습니다.

Schneider Electric의 수석 기술 전문가인 Silvio Rizzuto는 “이 새로운 방법 이전에는 고객이 정비 캠페인 중에 설치를 꺼야 했습니다.”라고 말했습니다. "예를 들어 식품 제조에서 생산을 중단하면 생산 라인에 남아 있는 모든 것이 낭비됩니다."

사후 대응에서 사전 대응으로

이 중요한 장비는 높은 전류와 전압을 처리하기 때문에 접촉기는 동작 조건에 따라 10년을 훨씬 초과할 수 있는 수명 동안 마모 및 손상을 겪습니다. 그러나 환경의 압박으로 인해 기기의 수명이 줄어들 수 있으며 사전 예방적인 개입으로 수명이 길어질 수 있습니다. 이러한 변화로 인해 작동 중인 개별 접촉기의 RUL(잔여 수명)을 예측하기가 어렵습니다.

Schneider Electric 팀은 차세대 접촉기부터 시작하여 고객이 사후 대응이 아닌 사전 대응을 할 수 있는 능력을 제공하는 것을 목표로 했습니다. AI를 통해 팀은 접촉기 수명 모니터링과 작동 보존 사이의 긴장을 제거하여 예측 정비 알고리즘을 접촉기에 내장하려고 했습니다.

Rizzuto와 그의 동료들은 오랫동안 이러한 문제에 관심을 가져왔습니다. Rizzuto는 “우리 제품은 항상 전원이 켜져 있는 상태에서 20년 동안 고객 설치에 참여할 수 있습니다.”라고 말합니다. "전기 부품은 이런 응용 사례로 설계되지 않았습니다."

접촉기의 RUL에 대한 대략적인 아이디어를 얻기 위해 기술자는 작업을 일시 중지하여 접촉점을 육안으로 검사하고 접촉기 노후화를 나타내는 변색이나 구멍이 있는지 찾습니다. 그러나 이러한 기기의 수명을 최적화하고 운영을 보호하기 위해 고객이 할 수 있는 일은 한계가 있습니다.

Schneider Electric 팀은 차세대 접촉기부터 시작하여 고객이 사후 대응이 아닌 사전 대응을 할 수 있는 능력을 제공하는 것을 목표로 했습니다. AI를 통해 팀은 접촉기 수명 모니터링과 작동 보존 사이의 긴장을 제거하여 예측 정비 알고리즘을 접촉기에 내장하려고 했습니다.

TeSys Giga 접촉기 설치. (이미지 출처: Schneider Electric)

처음부터 시작하기

2016년 Schneider Electric은 잔여 수명 예측 기능을 갖춘 최초의 접촉기인 TeSys Giga 접촉기 개발을 시작했습니다. 그러나 노력의 첫 번째 단계는 Rizzuto가 말했듯이 "재난"으로 끝났습니다.

“복잡성을 관리하기 위해 모델 기반 설계와 코드 생성을 포함하기로 결정했습니다.”
Silvio Rizzuto, Schneider Electric 수석 기술 전문가

프로젝트 팀은 접촉기가 겪는 마모 수준을 분류하기 위해 머신러닝을 통해 처음부터 수명 추정 알고리즘을 구축하기 시작했습니다. 알고리즘 훈련에 필요한 데이터를 생성하기 위해 접촉기 내부에서 전류, 전압, 작동 횟수 등 필요한 측정항목을 캡처하고 기기를 작동시켜 해당 수치를 얻을 수 있는 전기 카드를 만들었습니다.

2년 반 동안 AI를 개발한 후 그들은 새로운 TeSys Giga 접촉기를 테스트하기 시작했습니다. 이 최초의 반복은 내구성 테스트에 실패했으며 아무도 근본 원인을 식별할 수 없었습니다. 손으로 알고리즘을 만드는 것은 사람의 실수가 발생할 가능성이 높은 복잡한 프로세스입니다. Rizzuto는 “관리가 불가능해졌습니다.”라고 말합니다. "그 당시 우리는 복잡성을 관리하기 위해 모델 기반 설계와 코드 생성을 포함하기로 결정했습니다."

블록 연결부(Adv), 베이스, 앰플, 중간 프레임 및 모빌 자석, CMD, 코일 및 고정 자석을 포함한 개별 부품을 보여주는 TeSys Giga 접촉기의 분해 그림입니다.

TeSys Giga 접촉기. (이미지 출처: Schneider Electric)

AI와 모델 기반 설계의 결합

모델 기반 설계와 AI는 모두 수십 년 동안 존재해 왔지만 두 가지를 결합하고 엔지니어가 사용자 친화적인 AI 도구를 사용할 수 있게 된 것은 비교적 최근의 발전입니다. Rizzuto와 해당 지역의 다른 고객을 지원하는 MathWorks 애플리케이션 엔지니어인 Cédric Tridon은 "오늘 우리는 이 방법론을 사용하기 시작하는 단계에 있습니다."라고 말합니다. "이제 엔지니어들은 AI를 사용하는 방법을 알고 있으며 우리는 그들이 문제를 해결하기 위해 AI 알고리즘을 개발하는 데 도움이 되는 도구를 보유하고 있으며 이를 점점 더 많은 애플리케이션에 사용할 수 있습니다."

자동화를 위해 수동 방법을 교환하면서 팀은 MATLAB 사용하여 머신러닝 알고리즘 성능의 개발, 모델링 및 시뮬레이션을 재개했습니다. 그들은 모델의 결과를 초기 데이터셋과 비교하여 계획대로 작동하는지 확인하고 Simulink 활용하여 알고리즘 아키텍처를 개발, 시뮬레이션 및 시각화했습니다. 또한 MATLAB 프로젝트 팀이 접촉기에 내장할 코드를 생성했습니다.

MATLAB^®을 사용해 모델 기반 설계와 AI를 결합함으로써 프로젝트 팀은 이전에는 갖지 못했던 두 가지 이점을 얻었습니다. 즉, 복잡한 알고리즘을 위한 시각적 인터페이스와 실제 접촉기에서 테스트하기 전에 나머지 수명 기능을 시뮬레이션할 수 있는 빠르고 정확한 방법입니다.

AI에 대한 풍부한 배경 지식이 없었던 Rizzuto는 교육, 기술 지원, 온라인 예제 등 MathWorks 리소스에 의존하여 TeSys Giga 접촉기 재개발을 시작했습니다. Rizzuto의 팀은 실수로부터 교훈을 얻었습니다. Rizzuto는 “우리는 블랙박스를 갖고 싶지 않습니다.”라고 말합니다. "우리는 알고리즘이 어떻게 작동하는지에 대한 모든 것을 알고 싶습니다."

자동화를 위해 수동 방법을 교환하면서 팀은 MATLAB 사용하여 머신러닝 알고리즘 성능의 개발, 모델링 및 시뮬레이션을 재개했습니다. 그들은 모델의 결과를 초기 데이터셋과 비교하여 모델이 계획대로 작동하고 Simulink^®를 활용한 알고리즘 아키텍처 개발, 시뮬레이션 및 시각화를 보장했습니다. 또한 MATLAB 프로젝트 팀이 접촉기에 내장할 코드를 생성했습니다.

Rizzuto는 "우리는 일반적으로 4개월 반이 걸리는 접촉기에 대한 RUL을 테스트할 수 있기를 원했습니다."라고 설명했습니다. "모델을 사용하면 단 한 시간 만에 이 프로세스를 시뮬레이션할 수 있어 개발 시간을 많이 절약할 수 있습니다."

AI와 모델링을 통해 구현된 새로운 개발 경로는 더 원활한 프로세스임이 입증되었지만 장애물은 남아 있었습니다. Rizzuto는 MathWorks 엔지니어의 지도가 매우 중요하다고 말했습니다. 예를 들어 Schneider 팀에는 알고리즘의 메모리 사용량을 최소화하기 위한 필터링 기능이 필요했습니다. Schneider 펌웨어 개발자가 맞춤형 필터를 요구했을 때 MathWorks 필터 개발을 도왔습니다. 또한 Rizzuto와 그의 팀은 MathWorks의 온라인 예제를 사용하여 다양한 하드웨어 계층에서 생성된 코드가 제공하는 데이터 표시를 최적화하는 코드 생성을 위한 사용자 정의 스토리지 클래스를 만들었습니다.

이번에 소프트웨어와 하드웨어 모두에 대한 첫 번째 테스트에서 Rizzuto 팀은 결과에 대해 더 큰 확신을 갖게 되었습니다. 실제로 이 프로젝트는 성공적이었습니다. 모델 기반 설계와 AI를 통해 팀은 해당 리소스가 없었다면 거의 3년이 걸렸던 동일한 작업을 단 6개월만 수행했습니다. 또한 새로운 절차는 Schneider Electric 팀이 처음에 직면했던 문제(하드웨어에서 테스트하기 전에 시뮬레이션할 방법 없이 오류가 발생하기 쉬운 방법인 손으로 알고리즘을 생성함)를 피했습니다.

고객들은 2021년부터 RUL 추정 기능이 탑재된 Schneider Electric의 TeSys Giga 접촉기를 사용해 왔습니다. "이 새로운 기능 덕분에 그들은 이 제품의 정비를 계획하고 보다 효율적으로 사용할 수 있습니다."라고 Rizzuto는 말합니다. 더 이상 접촉기를 검사하기 위해 작업을 중단할 필요가 없으며 전략적으로 수리 또는 교체를 계획할 수 있습니다. 이제 Schneider Electric은 해당 모델을 활용해 단 한 시간 만에 가능한 솔루션을 시뮬레이션함으로써 고객에게 지속적인 엔지니어링 지원을 제공할 수 있습니다.

마모 신호 LED 표시기를 보여주는 TeSys Giga 접촉기의 클로즈업.

LED 표시기를 통한 접점 마모 진단 및 로컬 결함 검출을 통해 고객은 스위칭 모듈 세트 교체 시기를 계획할 수 있습니다. (이미지 출처: Schneider Electric)

Rizzuto는 MATLAB 과 Simulink 제품 개발 속도를 높이는 것 외에도 팀 구성원 간의 워크플로를 더욱 원활하게 만들어 줬다고 말합니다. 국제적인 팀과 소통하고 모두에게 프로젝트 상태에 대한 최신 정보를 제공하는 것이 특히 어려웠습니다. 그러나 MATLAB 과 Simulink 이러한 어려움을 완화하는 데 도움이 되었습니다. "많은 엔지니어가 이미 이러한 도구를 사용하는 방법을 알고 있기 때문에 MATLAB 과 Simulink 사용하는 것은 확실히 이점이 있습니다."라고 그는 말합니다. Simulink 사용하여 알고리즘 아키텍처를 보는 것도 복잡한 알고리즘을 이해하기 위한 공통 언어를 제공했습니다.

예측 정비의 미래

AI와 모델 기반 설계를 결합함으로써 이미 Schneider Electric의 개발 시간과 비용이 절약되었으며 Rizzuto와 그의 동료들이 더욱 야심찬 프로젝트를 추구할 수 있게 되었습니다. TeSys Giga의 성공에 힘입어 Schneider Electric은 이제 새로운 접촉기 개발을 통해 접촉기 예측 정비로의 업그레이드를 진행하고 있습니다. 이 접촉기에는 RUL 추정 외에도 다음 작업에서 발생할 수 있는 오류를 나타내는 내부 진단 기능이 포함됩니다.

“이러한 도구의 사용자 친화적인 인터페이스는 이해하기 쉽게 만들었습니다. 진단 특징 디자이너 및 분류 학습기 앱을 사용하면 AI 배경 지식 없이도 AI 기반 기능을 탐색할 수 있습니다.”
Silvio Rizzuto, Schneider Electric 수석 기술 전문가

Rizzuto는 “이러한 도구의 사용자 친화적인 인터페이스 덕분에 이해하기가 쉽습니다.”라고 말합니다. "진단 특징 디자이너 및 분류 학습기 앱을 사용하면 AI 배경 지식 없이도 AI 기반 기능을 탐색할 수 있습니다." 분류 학습기 앱은 모델 설계 속도를 높여 AI 개발을 더욱 가속화했습니다. “한 달도 안 되어 접촉기에 내장된 정비 기능을 위한 실시간 프로토타입을 만들 수 있었습니다.”라고 그는 덧붙였고, 이 말은 그의 개발 관리자에게 깊은 인상을 남겼습니다.

현재 프로토타입으로 남아 있는 새로운 접촉기에서는 중간 신경망이 정비 문제가 발생할 때 고객에게 경고하는 진단 기능을 강화합니다. 이 추가 기능은 예측할 수 없는 장비 손상, 생산 지연 및 낭비에 대한 고객의 방어력을 더욱 강화합니다.

진단 특징 디자이너와 다기능 그래픽 인터페이스를 통해 팀은 AI 배경 없이도 AI 기반 기능을 탐색할 수 있었습니다.

다른 사례 읽기

머신러닝