기계 학습 기술 없이 예측 유지 관리 구현

오늘날 엔지니어들 사이에서 예측 유지 관리는 이제 인공 지능(AI) 기술의 거의 독점적인 영역이며 이러한 응용 프로그램을 구현하려면 먼저 기계 학습(ML) 및 신경망 기술을 배워야 한다는 인식이 커지고 있습니다. MathWorks의 수석 제품 마케팅 관리자인 Aditya Baru에 따르면 엔지니어는 새로운 AI 및 ML 기술을 배우지 않고도 예측 유지 관리를 배포할 수 있습니다.

EDN과의 최근 대화에서 , Baru는 예측 유지 관리를 구현하기 위한 4가지 기본 단계를 설명하고 각 단계에 특수 도구를 사용할 수 있다고 덧붙였습니다.

그림 1. 기본 예측 유지 관리 워크플로는 4가지 기본 단계로 구성됩니다. 출처:MathWorks

1. 데이터 처리

데이터 과학자가 아니거나 ML에 대한 배경 지식이 없는 엔지니어의 경우 풍력 터빈, 발전기, 펌프 및 모터와 같은 산업 장치 및 센서에서 생성되는 많은 양의 데이터를 살펴보는 것은 쉽지 않습니다. 엔지니어가 다루는 데이터는 주로 원시 데이터입니다. 지저분하고 불결해요.

탐사 작업의 제트 엔진이나 오일 펌프는 매일 테라바이트의 데이터를 쉽게 생성할 수 있습니다. 이제 테라바이트의 데이터에서 잘못된 조건을 찾는 것을 상상해 보십시오. 그렇다면 엔지니어는 무엇을 할 수 있습니까? Baru는 "엔지니어는 대량으로 들어오는 데이터를 보고 원시 데이터에 변경 사항이 있는지 파악하고 시스템 성능 저하를 식별하고 시스템이 비정상적으로 작동하는 이유를 파악할 수 있습니다."라고 말했습니다.

예를 들어, 석유 탐사 펌프에서 엔지니어가 볼 수 있는 원시 데이터는 계속 회전하는 펌프에 대한 스펙트럼 분석입니다. 따라서 결함이 나타나는 빈도를 식별할 수 있습니다. "엔지니어는 이미 기계를 이해하고 있지만 지금 해야 할 일은 가장 잘 작동하는 것을 식별하는 것입니다."

그림 2. 엔지니어는 모터 마찰의 변화를 추적하여 펌프의 누출과 막힘을 감지할 수 있습니다. 출처:MathWork

이를 통해 두 번째 기본 단계인 상태 표시기, 데이터 축소 방법으로 이동합니다.

2. 상태 표시기

엔지니어에게 시계열 데이터 샘플이 100개 있는 경우 이를 단일 숫자로 줄여야 하며 단일 숫자는 해당 100개 샘플에서 모든 관련 정보를 캡처해야 합니다. "아이디어는 거대한 데이터 세트를 가져와 더 적은 수의 기능으로 줄이는 것입니다."

Baru는 MathWorks가 Daimler Mercedes와 함께 대량의 시계열 데이터를 분석하고 제조 라인에 이상이 있는지 파악하는 이상 감지 애플리케이션에서 작업한 최근 프로젝트에 대해 언급했습니다. 여기에서 MathWorks 도구는 많은 양의 데이터를 패턴 및 시간 지연과 같은 더 작은 기능 세트로 줄여 데이터 처리를 250배 줄입니다.

그림 3. 엔지니어는 원시 센서 데이터에서 기능을 추출하고 시간 및 주파수 기반 기술을 사용하여 상태 표시기를 생성할 수 있습니다. 출처:MathWork

이제 엔지니어는 더 적은 수의 상태 지표를 살펴보고 있으므로 이러한 상태 지표를 기반으로 예측 모델을 구축할 수 있습니다.

3. 예측 모델

전체 대규모 데이터 세트를 나타내고 고유한 정보를 캡처하는 훨씬 작은 데이터 세트를 사용하여 엔지니어는 AI 및 ML 기술을 학습할 필요 없이 적절한 도구를 사용하여 예측 학습 모델을 생성할 수 있습니다.

시계열 모델, 통계 모델 및 확률 기반 모델과 같은 다양한 모델을 예측 모델 구축에 동일하게 적용할 수 있습니다. Baru는 "예측 모델을 구축하기 위한 전통적인 엔지니어링 기술이 많이 있습니다."라고 말했습니다.

그림 4. 엔지니어는 Predictive Maintenance Toolbox를 사용하여 잔여 유효 수명(RUL)을 추정하고 예측과 관련된 신뢰 구간을 제공할 수 있습니다. 출처:MathWorks

엔지니어는 약간 다른 응용 프로그램을 위해 도구의 용도를 변경할 수도 있습니다. Baru는 신호 컨디셔닝 기술을 사용하여 시스템이 실패할 시기를 예측하는 항공우주 회사인 Safran을 언급했습니다. 작업은 알고리즘 개발, 데이터 분석, 시각화 및 수치 계산을 위한 프로그래밍 환경인 MATLAB에서 수행됩니다.

4. 알고리즘 배포

네 번째 단계는 아마도 가장 중요할 것입니다. 프로덕션 환경에서 예측 모델에 대한 알고리즘을 배포하는 것입니다. 엔지니어는 여러 가지 방법으로 알고리즘을 배포할 수 있습니다. 여기에는 머신에 로컬로 내장된 예측 모델, 온프레미스 서버로 로컬에서 실행되는 소형 컴퓨터 또는 연결이 가능할 때 클라우드 서비스로 스트리밍되는 데이터가 포함됩니다.

이 4단계 워크플로에서 구현된 예측 유지 관리를 통해 엔지니어는 기계가 90%의 시간 동안 작동 상태를 유지하도록 보장할 수 있는 유지 관리 서비스를 배포할 수 있습니다. 그리고 이 4가지 기본 단계를 모두 효율적으로 관리할 수 있는 도구를 사용할 수 있습니다.

>> 이 기사는 원래 다음 날짜에 게시되었습니다. 자매 사이트인 EDN.