Predictive Maintenance란?

Predictive Maintenance가 중요한 이유

Predictive Maintenance가 매력적인 이유를 이해하기 위해서는 사후 정비와 예방 정비라는 일반적으로 수행되는 두 가지 방식의 정비를 이해하는 것이 중요합니다.

사후 정비 및 예방 정비

사후 정비 접근법에서는 기계에 고장이 생기는 경우에만 정비를 수행합니다. 이런 접근법은 전구에는 적합할 수 있지만, 산업용 기계의 경우 예기치 않은 고장이나 가동 중단 시간은 매우 많은 비용이 들고 심지어 위험할 수 있습니다.

따라서 많은 운영자가 예방 정비를 수행하는데, 이는 기계의 실제 상태를 고려하지 않고 정기적으로 정비를 계획하는 접근법입니다. 이 접근법에서는 사후 정비에 비해 고장 발생의 위험이 완화되지만, 정비 비용이 증가하고 가동 중단 시간이 늘어나며, 이에 따라 인벤토리 및 예비 부품이 증가하게 됩니다. 또한 기계의 상태를 실시간으로 지속적으로 모니터링하고 분석하지 않고 단지 주기적으로만 측정하기 때문에 예기치 못한 고장은 예방할 수 없습니다.

데이터 수집

데이터 수집은 모든 Predictive Maintenance 알고리즘 개발에서 첫 번째 단계입니다. AI 알고리즘은 예측하려는 고장의 유형을 포함하는 견고한 훈련 데이터가 있는 경우에만 정확합니다. 따라서 기계의 정상 상태와 고장 상태를 나타내는 데이터를 모두 수집하는 것이 중요합니다.

하지만 모든 정비 프로그램의 목적은 고장을 예방하는 것이므로 고장 데이터는 구하기 어려운 경우가 많습니다. 따라서 엔지니어가 정확한 알고리즘을 구축할 수 있도록 적합한 종류의 데이터를 수집하기란 쉬운 일이 아닙니다.

이 문제를 해결하기 위한 한 가지 해결책은 Simulink^®와 Simscape™에서 구축된 것과 같은 물리 기반 모델로부터 합성 데이터를 생성하는 것입니다. 예를 들어, 엔지니어는 오일 펌프의 모델을 구축하고 밸브 누출이나 파이프 막힘으로 인한 고장을 시뮬레이션할 수 있습니다. 이렇게 하면 실제 오일 펌프의 성능에 영향을 미치지 않으면서 안전하고 비용 효율적인 방식으로 고장 데이터를 생성하는 것이 가능합니다. 그러면 이러한 물리 기반 모델은 운영 중에 디지털 트윈으로 사용되어 향후 성능을 예측할 수 있습니다.

상태 지표 식별

적합한 데이터를 확보했다면 다음 단계는 예측 알고리즘을 훈련시키기 위한 상태 지표로 사용할 수 있는 일련의 특징으로 데이터를 축소하는 것입니다. 상태 지표는 정상 작동과 결함 작동 간의 차이를 나타내는 특징입니다. 이러한 특징은 일반적으로 MATLAB 같은 분석 및 설계 툴에서 통계, 신호 처리 및 모델 기반 기법의 조합을 사용해 추출됩니다. 여기서는 엔지니어링 팀의 전문 지식이 핵심적인데, 엔지니어링 팀은 기계가 어떻게 작동하는지를 잘 이해하고 있으며 최적의 특징을 식별하는 데 도움을 줄 수 있기 때문입니다.

적합한 특징을 식별하는 것은 Predictive Maintenance 알고리즘을 성공으로 이끄는 열쇠입니다. 적합한 특징은 쉽게 관찰될 수 없는 추세를 검출하기 위한 알고리즘을 훈련시키는 데 사용할 수 있습니다. 또한 특징 추출을 통해 원시 데이터셋의 크기를 축소할 수도 있습니다. 예를 들어, 상업용 항공기는 매 비행마다 테라바이트에 육박하는 데이터를 생성합니다. 이러한 방대한 크기의 데이터를 전송하고 저장하며 분석하기란 어려울 수 있으므로 특징 추출의 중요성이 점점 증가하고 있습니다.

알고리즘 개발

최적의 특징을 추출했다면 다음 단계는 예측 알고리즘을 훈련시키는 것입니다. 이러한 알고리즘은 이상 감지, 결함 식별(진단), 잔여 수명 추정(예측)의 세 가지 주요 범주로 나뉠 수 있습니다. 궁극적으로 Predictive Maintenance 알고리즘의 목표는 센서 데이터를 정비 여부 결정으로 전환하는 것입니다.

데이터가 고장 모드로 레이블이 지정되면 엔지니어는 지도 학습 방법을 사용해 예측 모델을 훈련시켜 이러한 고장 모드를 구별할 수 있습니다. 그런 다음 이러한 모델을 현장의 운영 시스템에 연결해 성능 저하의 근본 원인을 파악할 수 있습니다.

비지도 학습 방법은 장비에서 수신되는 상태 지표 값을 정상 또는 이상으로 분류하는 것이 목표인 이상 감지 등의 응용 사례에 가장 적합합니다. 비지도 학습 방법에는 서로 다른 고장 모드에 대응하는 레이블이 지정된 훈련 데이터가 필요하지 않으므로, Predictive Maintenance 알고리즘을 처음으로 개발하는 엔지니어에게 매우 널리 사용되는 방법입니다.

다른 종류의 확률 및 시계열 기반 방법을 사용해 기계의 RUL(잔여 수명)을 계산할 수 있습니다. 이러한 모델은 상태 지표의 현재 값을 수용하고 정의된 신뢰구간 내에서 장비가 고장 날 시기를 추정합니다. 기계의 고장 시점을 안다면 엔지니어는 정비를 계획하거나 예비 부품을 주문하거나 수명을 연장하기 위해 운영을 제한할 수 있습니다.

운영 환경에 알고리즘 배포

Predictive Maintenance 솔루션은 단순한 알고리즘 그 이상입니다. 이 알고리즘은 운영 환경에서 배포되어야 가동 중단 시간 감소, 정비 비용 절감, 작동 효율성 개선 등의 이점을 실현할 수 있습니다.

운영 환경은 반드시 데이터를 안전하게 관리하고 컴퓨팅 리소스를 확장하여 알고리즘이 임베디드 시스템 또는 IT/OT 시스템에서 효율적으로 실행될 수 있도록 해야 합니다. 또한 인벤토리를 관리하고 서비스 티켓을 발행하며 알고리즘 결과를 운영 팀에 대시보드로 제공하기 위해 다른 IT 시스템과 통합되어야 합니다.

많은 운영 응용 사례에서 Predictive Maintenance 알고리즘은 단순히 클라우드나 온프레미스 서버에서만 실행되지 않습니다. 신호 처리 및 특징 추출 등의 일부 알고리즘은 고주파 센서 데이터를 실시간으로 빠르게 처리할 수 있는 산업용 제어기 같은 에지 기기에 직접 배포할 수 있습니다. 이를 통해 데이터 저장공간 과 전송 비용을 줄일 수 있습니다.

MATLAB 및 Simulink를 사용한 Predictive Maintenance

엔지니어는 MATLAB, Simulink 및 Predictive Maintenance Toolbox™를 사용해 사용자 지정 상태 모니터링 및 Predictive Maintenance 알고리즘을 설계하고 테스트하며 배포할 수 있습니다.

MATLAB 및 Simulink를 사용해 다음과 같은 작업을 수행할 수 있습니다.

• 클라우드 저장공간, 데이터베이스, 데이터 기록 및 산업 프로토콜에서 스트리밍 데이터와 아카이브 데이터에 액세스.
• 진단 특징 디자이너를 활용해 대화형 방식으로 특징 탐색, 추출, 순위 지정.
• 예측 모델을 개발해 이상 감지, 고장 식별 및 RUL(잔여 수명) 예측.
• 물리 기반 모델을 구축해 합성 센서 데이터 생성 및 디지털 트윈 배포.
• 실시간 에지 처리를 위한 C/C++ 코드 생성.
• 재코딩 없이 원하는 IT/OT 시스템에 통합: 클라우드에서 공유 라이브러리, 패키지, 웹 앱, Docker 컨테이너 등으로 알고리즘 확장.