기계 학습을 통한 자산 성능 개선

오늘날 업계 경영진은 자산의 신뢰성과 가치를 극대화할 수 있는 새로운 방법을 찾고 있습니다. IIoT(산업용 사물 인터넷) 및 머신 러닝을 기반으로 하는 자산 성능 관리를 통해 기업은 장비와 프로세스 데이터를 모두 활용하여 자산의 수명을 연장하고 최적의 안정성을 달성할 수 있습니다.

평균적으로 총 마진의 최대 15%가 계획되지 않은 다운타임으로 인해 소모됩니다. 이에 비해 동급 최고의 성능은 5%로 추정됩니다. 이러한 손실을 제거하려면 유지 관리와 생산이 새로운 방식으로 함께 작동해야 합니다.

신뢰성에 대한 전통적인 접근 방식은 자산의 첫 번째 원칙 모델을 구축하고, 실시간 데이터로 모델을 조정하고, 수정 요소를 구현하거나 정확성을 위한 규칙을 만들고, 모델 출력을 실시간 데이터와 비교하고, 정상 조건과의 통계적 편차를 강조하는 것이었습니다. . 그러나 이러한 모델은 자산 데이터만 봅니다. 그들은 자산을 저하시키는 인과적 행동을 식별하는 프로세스의 업스트림을 "볼" 수 없으며 손상의 시작이 분명해지면, 즉 손상이 이미 완료된 경우에만 신호를 보낼 수 있습니다.

성능을 예측하는 이 전통적인 방법은 40년 전에 공학 방정식, 통계 기술 및 규칙 엔진을 기반으로 하는 모델에서 개발되었지만 많은 사람들이 여전히 그것에 의존합니다. 머신 러닝은 최근에야 등장했습니다. 두 기술은 종종 동일한 문제를 해결하는 것처럼 보이지만 사람의 개입과 예측 정확도 영역에서 다릅니다.

적절한 보정 기술과 함께 광범위한 경험과 기술을 필요로 하는 모델링 기술은 매우 성공적이었고 계속해서 성공했습니다. 첫 번째 원칙으로 특정 행동을 이해해야 합니다. 실시간 동적 모델은 예상되는 성능에 대한 심층적인 이해를 제공하여 특정 시점의 예측 동작에 대한 예측을 제공합니다.

계획되지 않은 중단 및 다운타임 문제를 해결하는 것을 어렵게 만드는 것은 생산 프로세스의 동적 특성입니다. 프로세스 내에서 수천 개의 변형이 동시에 발생하기 때문에 모델이 계획되지 않은 이벤트로 이어질 패턴이나 추세를 정확히 예측하기 어렵습니다.

첫 번째 원칙(엔지니어링) 모델은 위생적으로 깨끗한 최상의 성능을 기반으로 예상, 예상 또는 인지된 행동만을 보여줍니다. 얼마나 자주 기계 장비가 이런 식으로 작동합니까?

30, 50, 100 또는 110% 처리량에서 동일합니까? 대조적으로, 머신 러닝은 계절적 변화, 다양한 운영 캠페인, 시작/종료 및 변화하는 듀티 사이클을 포함한 모든 조건에서 장비의 실제 실제 동작을 기반으로 학습할 수 있습니다. 또한 악화되는 프로세스 및 기계적 성능을 고려할 수 있습니다.

기계 학습은 조기 경고를 위해 프로세스 및 자산 데이터를 마이닝합니다. 미래의 자산 문제를 나타내는 프로세스에서 패턴을 찾는 무거운 작업을 수행합니다. 성능 저하의 근본 원인인 프로세스 동작을 식별함으로써 문제를 훨씬 더 일찍 식별할 수 있습니다.

이 접근 방식을 사용하면 위험 분석과 기계 학습이 함께 작동하여 몇 주 또는 몇 달 전에 자산 실패를 지속적이고 정확하게 예측합니다. 이는 단순히 반응하는 것이 아니라 계획, 조정 및 조치를 취할 시간을 제공할 수 있습니다. 이 시간은 유지 관리와 생산이 새로운 방식으로 협력할 수 있는 시간입니다.

기계 학습 응용 프로그램은 열/재료 균형, 열역학적 다방성 방정식, 논리 및 규칙, 통계적 해석이라는 전통적인 의미의 모델을 구축하지 않습니다. 그들은 모델 기계가 아니라 고장 신호를 측정합니다.

기술 및 도메인 지식을 적용한 머신 러닝은 장기간에 걸쳐 수집된 단단하고 측정된 센서 및 유지 관리 데이터를 흡수하여 인간이 볼 수 없는 미세한, 다변수 및 시간 패턴을 식별합니다.

발견된 패턴은 정상적인 동작과 성능 저하 및 실패로 이어지는 이탈을 모두 정의하는 정확한 시그니처입니다. 적합성을 위해 이러한 서명 모델을 호출할 수 있지만 개념적으로는 엔지니어링 또는 수학적 모델의 개념과 거리가 멉니다.

기계 학습으로 개발된 실패의 서명은 기계의 유형, 기계가 사용되는 산업 또는 기계 작동 이면의 엔지니어링 원칙을 알지 못하거나 신경 쓰지 않습니다. 서명은 정상 및 성능 저하/고장 상황을 통해 자산의 작동 동작을 정확하게 선언하기 위해 센서 간의 학습 가능한 관계를 포함하는 충분한 데이터를 제공하는 충분한 센서가 있는지에만 관심을 둡니다.

125개 모델의 라이브러리라도 보호가 필요한 수십만 개의 고유 자산에 접근할 수 없습니다. 그러나 머신 러닝은 강력한 엔지니어링 기술 없이도 몇 시간 또는 몇 분 만에 이전에 본 적이 없는 패턴을 빠르게 평가하고 자산에 배포할 수 있습니다. 동급 최고의 접근 방식은 데이터 과학 기술 없이도 이 작업을 수행하고 인라인 및 실시간으로 자동 실행되며 몇 초 안에 실행 가능한 결과를 제시할 수 있습니다.

여전히 첫 번째 원칙 모델에만 의존하고 있다면 현대화할 때입니다. 모델과 기계 학습의 조합을 사용하는 것은 위험한 프로세스 작동 조건을 감지하고 방지하는 가장 강력한 방법입니다. 이 조합은 사람의 안내나 프로그래밍 규칙 없이도 머신 러닝이 모델을 자동으로 보정하고 미세 조정하여 모델을 사용하여 언제든지 명시적 조건을 설명할 수 있습니다.

보다 간단한 교정과 함께 시기 적절하고 정확한 프로세스 상태를 제공하는 두 가지 장점이 있습니다. 또한 유지 관리 및 운영 팀이 최상의 성능을 위해 협력하는 데 필요한 통찰력을 제공합니다.

더 읽어보기:전반적인 장비 효율성

저자 소개

Michael Brooks는 AspenTech의 자산 성과 관리 수석 자문 컨설턴트입니다.