건전성 예측 및 관리(PHM)는 실시간 및 과거 센서 데이터를 사용하여 정비 결정에 참고하고 이를 최적화하는 기계 정비 접근법입니다.
건전성 예측 및 관리(PHM)는 다음 두 가지 핵심 개념을 결합한 통합 접근법입니다.
- 예측은 시스템 또는 컴포넌트의 잔여 수명을 추정하기 위한 알고리즘을 설계하는 접근법을 말합니다. 이 용어는 종종 예측 정비와 구분 없이 사용되기도 합니다.
- 건전성 관리는 무엇보다도 시스템 건전성과 안정성을 보장하기 위해 예측 및 진단 알고리즘에서 확보한 통찰력을 적용하는 포괄적인 정비 접근법입니다.
건전성 예측 및 관리가 중요한 이유
건전성 예측 및 관리를 통해 장비 운영업체와 제조업체는 다음과 같은 이점을 얻을 수 있습니다.
- 장비 가동 중단 시간 감소: PHM 알고리즘을 통해 장비의 이상을 감지하고 결함 및 고장의 근본 원인을 파악하며 잠재적인 문제가 발생하기 전에 이를 예측할 수 있습니다.
- 정비 일정 최적화: PHM를 통해 필요할 때만 정비 서비스 일정을 예약하여 불필요한 정비 비용의 발생을 방지할 수 있습니다.
- 운영 효율성 향상: PHM을 통해 장비 고장 위험을 식별하고 완화하여 장비 수명을 연장하고 전반적인 생산성을 개선할 수 있습니다.
예측과 진단의 비교
PHM를 온전히 이해하려면 종종 함께 사용되지만 서로 다른 목적을 갖는 두 가지 접근법, 즉 예측과 진단을 구별하는 것이 중요합니다. 비록 진단이라는 단어가 건전성 예측 및 관리라는 용어에서 직접적으로 언급되지는 않지만PHM 성공에 있어 핵심 접근법이 되는 경우가 많습니다.
진단은 시스템 내에서 이미 발생한 결함 또는 고장의 원인을 식별하고 분리하며 파악하는 데 초점을 맞춥니다. “무엇이 잘못되었는가?”라는 질문에 대한 답을 얻을 수 있는 것입니다. 진단은 장비의 현재 건전성 상태 모니터링을 기반으로 하는 PHM 전략인 CBM(상태 기반 정비) 프로그램의 한 요소입니다.
반면에 예측은 미래를 내다보는 데 중점을 둡니다. 시스템이나 컴포넌트가 더 이상 의도된 기능을 수행하지 못하게 되는 시점을 예측하는 것이 수반됩니다. RUL(잔여 수명)이라고 하는 이 예측을 통해 고장을 예방하는 선제적 정비가 가능합니다. 예측은 기계 거동에 대한 더 높은 수준의 이해를 요구하지만, 예기치 않은 가동 중단 시간과 정비 비용을 줄이는 데 더 큰 영향을 미칩니다. 예측은 “언제 문제가 발생할 것인가?”라는 질문에 대한 답을 얻을 수 있습니다.
PHM은 진단과 예측을 결합하여 기계 건전성에 대한 포괄적인 정보를 제공하므로 정비 및 운영과 관련하여 보다 정보에 근거한 의사결정을 내릴 수 있습니다.
CBM(상태 기반 정비)은 장비의 현재 성능 상태에 기반한 정비 전략입니다. CBM이 어떻게 동작하고 예측 정비와는 어떻게 다른지 알아볼 수 있습니다.
건전성 관리
PHM 맥락 내에서의 건전성 관리는 운영 시스템의 건전성과 안정성을 유지하거나 개선하기 위한 전략을 의미합니다. 이 접근법은 모니터링, 진단, 예측, 정비 계획, 현재 및 잠재적 문제 해결을 위한 시정 조치 실행 등 다양한 작업을 통합합니다. 건전성 관리는 정비 및 운영 실무에 대한 결정을 내리는 데 데이터를 활용하여 시스템이 라이프사이클 동안 효율적이고 효과적으로 작동하도록 보장하는 총체적 접근법입니다.
효과적인 건전성 관리는 모니터링, 분석 및 조치의 지속적인 순환에 의존합니다. 이는 운영 장비의 센서 데이터를 실시간 모니터링하는 것으로 시작됩니다. 수집된 데이터는 현재 건전성 상태를 이해하기 위한 진단과 미래 상태를 예상하기 위한 예측을 모두 사용하여 분석됩니다. 이러한 분석을 바탕으로 예방 정비든 사후 정비 또는 예측 정비든 가장 적절한 정비 조치에 관한 결정을 내릴 수 있습니다.
MATLAB을 사용한 예측 알고리즘 개발
예측 알고리즘은 예측 정비 프로그램의 목표입니다. 예측 알고리즘을 개발하려면 기계 또는 기계군에서 얻은 데이터로 시작해야 합니다. 이 데이터는 정상 상태와 열화 상태를 모두 나타내야 합니다. Predictive Maintenance Toolbox™의 잔여 수명 알고리즘과 같은 툴을 사용하여 MATLAB®에서 예측 알고리즘 개발에 적용할 수 있는 몇 가지 접근법이 있습니다.
예측 알고리즘 개발 워크플로.
건전성 예측 및 관리를 위한 데이터
일정 기간동안 수집된 온도, 압력, 전압, 잡음 또는 진동 측정값 등 예측 알고리즘 개발을 위한 데이터는 일반적으로 기계 센서에서 얻을 수 있지만, 계획 정비 프로그램은 보수적인 경우가 많기 때문에 예측을 위한 고장 데이터를 수집하기 어려울 수 있습니다. 센서 데이터는 기계 파라미터와 일치하도록 조정된 물리 기반 모델에서 생성된 고장 데이터로 보강될 수 있습니다.
상태 지표 설계
All Nippon Airways - MATLAB을 사용한 항공기 컴포넌트 결함 예측 사례
All Nippon Airways는 MATLAB을 사용하여 머신러닝 모델을 훈련시키고, 이를 데이터 파이프라인에 배포하여 실시간 센서 데이터를 평가합니다.
예측 알고리즘의 유형
사용 가능한 데이터와 지식을 기반으로 예측 알고리즘을 설계하는 몇 가지 접근법이 있습니다. 엔지니어는 과거 데이터를 사용하여 데이터 주도 예측 알고리즘을 설계하거나 분야별 전문지식을 사용하여 물리 기반 모델을 만들 수 있으며, 또는 이 둘을 조합할 수도 있습니다. 그러면 다음 고장 이벤트가 발생할 가능성이 있는 시기를 예상할 수 있는 예측 알고리즘이 만들어집니다.
데이터 주도 알고리즘
회귀 모델은 기본 예측에 종종 사용되는 머신러닝 알고리즘의 한 유형입니다. 회귀 모델은 출력 변수(예: 고장 시간)와 하나 이상의 입력 변수(상태 지표) 간의 관계를 설명합니다. 이 접근법은 현재 상태를 기반으로 배터리와 같은 자산의 수명을 정적으로 예측하는 것이 목표일 때 유용할 수 있습니다.
배터리의 사이클 수명을 예상하는 예측을 위한 단순 회귀 모델의 결과. (MATLAB 코드 예제 참조.)
그러나 많은 예측 응용 사례에서 목표는 운영 이력을 기반으로 특정 자산의 고장 수명을 정확하게 예측하는 것입니다. 이런 경우, 잔여 수명 알고리즘을 사용합니다.
RUL(잔여 수명) 모델은 유사성, 열화 또는 생존 모델과 같이 예측에 특화된 알고리즘입니다. 어떤 모델을 사용할지는 사용 가능한 과거 데이터의 양에 따라 달라집니다. 이러한 모델에는 대표적인 상태 지표를 설계하기 위한 특징 엔지니어링이 필요합니다. 이러한 모델은 더 많은 데이터가 수집됨에 따라 정의된 신뢰구간 내에서 지속적으로 업데이트된 예측을 제공할 수 있습니다.
MATLAB의 열화 모델을 사용한 베어링 예측을 위한 RUL 추정. (MATLAB 코드 예제 참조.)
딥러닝 모델은 특히 복잡한 패턴을 자동으로 학습하고 대량의 데이터에서 특징을 추출하는 데 우수합니다. LSTM(장단기 기억 신경망) 및 CNN(컨벌루션 신경망)과 같은 예측에 대한 딥러닝 접근법은 원시 데이터로 작업할 수 있으므로 정확한 상태 지표 및 특징을 설계하는 데 분야별 전문지식이 필요하지 않습니다. 하지만, 딥러닝 모델에는 상당한 양의 데이터와 연산 리소스가 필요하며 안전 필수 설정에 필요한 설명 가능성이 부족할 수 있습니다.
더 알아보기
물리 기반 모델
예측을 위해 Simscape에서 구축한 결함 주입 가능한 펌프의 물리 기반 모델. (Simulink 모델 참조.)
하이브리드 알고리즘
상태 추정기 및 식별된 모델은 시스템의 물리 관련 지식과 운영 데이터를 결합하는 하이브리드 알고리즘입니다. 상태공간 모델이나 자기회귀 모델과 같이 기계 거동을 설명하는 식별된 동적 모델을 구축하는 경우, 시간 순방향으로 모델을 전파하고 알려진 상태 지표의 거동을 분석하여 예측에 해당 모델을 사용할 수 있습니다. 마찬가지로, 칼만 필터와 같은 상태 추정기를 예측에 사용하여 고장이 발생하게 될 미래 상태를 예측할 수 있습니다.
또한 데이터 주도 방법과 물리 기반 방법을 결합하여 운영 데이터와 심층적인 분야별 전문지식을 모두 사용하는 견고한 예측 접근법을 구성할 수도 있습니다. 예를 들어 사용자 지정 분야 특정 특징을 표준 특징 엔지니어링 기법과 결합하면 AI 모델의 정확도를 개선할 수 있습니다. 해당 시스템과 컴포넌트에 대한 지식의 출처를 분석하면 PHM 접근법의 신뢰성을 높일 수 있습니다.
배포 및 운영
PHM 알고리즘은 실제 운영 환경에 배포되기 전까지는 유용하지 않습니다. 요구사항에 따라 예측 알고리즘을 운용화하기 위한 몇 가지 접근법이 있습니다.
알고리즘은 온프레미스 서버 또는 클라우드 플랫폼과 같은 IT 환경에 배포할 수 있습니다. 클라우드 배포는 요구에 따라 다양한 연산 및 저장공간 요구사항에 맞게 빠르게 조정할 수 있습니다. 이는 특히 여러 사이트 또는 대규모 장비군에서 대량의 데이터와 복잡한 분석을 처리하는 데 유용합니다. 온프레미스 배포는 인프라에 대한 더 많은 선행 투자가 필요하지만, 민감하거나 규제가 엄격한 산업의 응용 분야에 매우 중요한 데이터 보안 및 시스템 성능에 대해 강화된 제어 권한을 제공합니다.
또는, 예측 알고리즘을 장비의 임베디드 시스템에 직접 구현할 수 있습니다. 이 접근법은 실시간 모니터링과 의사결정을 가능하게 하여 분석을 위해 중앙화된 시스템으로 데이터를 전송하는 데 따르는 지연 시간을 대폭 줄여줍니다. 또한 임베디드 시스템은 데이터를 로컬에서 처리함으로써 네트워크를 통해 전송해야 하는 데이터의 양을 크게 줄여 대역폭 제약 조건을 완화하고 잠재적인 고장 지점을 줄일 수 있습니다. 이는 자율주행 차량이나 중요한 제조 공정 등 예측 통찰력을 기반으로 즉각적인 조치가 필요한 시나리오에서 특히 유용합니다.
배포 전략에 관계없이 예측 알고리즘의 운영에는 지속적인 모니터링과 정비가 수반되어야 시간이 지나도 효과를 그대로 유지할 수 있습니다. 여기에는 새로운 고장 모드 또는 운영 조건의 변화를 반영하기 위한 알고리즘 업데이트는 물론, 알고리즘의 지속적인 정확성을 보장하기 위한 모니터링 및 드리프트 탐지가 포함됩니다. 예측 알고리즘의 효과적인 운영에는 지속적인 지원 및 정비를 위한 잘 계획된 전략이 필요합니다. 그래야 라이프사이클 동안 계속해서 예측 알고리즘이 제공하는 가치를 누릴 수 있습니다.
