머신 러닝으로 안정성 향상 및 유지 관리 결과 개선

AspenTech의 Mike Brooks

추측보다는 데이터 기반 진실을 사용하여 장애 예방을 수행할 필요가 있습니다. The McKinsey Global Institute의 2012년 보고서에 따르면 기계적 및 공정 유발 고장의 조합은 전 세계 1조 4천억 달러 제조 시장의 최대 10%에 해당합니다. .

기업은 이 문제를 해결하고 궁극적으로 계획되지 않은 다운타임을 방지하기 위해 수백만 달러를 투자했지만, 지금까지는 마모 및 노후화된 고장만 해결할 수 있었습니다. 현재의 기술은 문제를 충분히 조기에 감지할 수 없으며 계획되지 않은 가동 중지 시간의 80% 이상을 유발하는 겉보기에 무작위적인 장애의 배후 원인에 대한 통찰력이 부족합니다. 여기서 기계 학습 소프트웨어를 사용하여 기계 주위에 "더 넓은 망"을 던지면 프로세스 유도 실패를 포착할 수 있습니다.

계획되지 않은 다운타임을 피하기 위해 기업은 임박한 장애의 조기 지표를 식별하고 효과적으로 대응해야 합니다. AspenTech의 수석 비즈니스 컨설턴트인 Mike Brooks는 기존 유지 관리 방식으로는 프로세스 이탈로 인한 오류를 예측하지 못한다고 말합니다. 및 전 Mtell 사장 겸 최고 운영 책임자.

이를 위해서는 기계와 프로세스를 결합하는 고유한 기술 접근 ​​방식이 필요합니다. 특히 제조 및 운송과 같은 자산 집약적 산업에 적합합니다. 적절한 기술을 사용하면 조직은 실패를 방지하고 결과를 변경하기 위한 충분한 경고와 함께 다가오는 성능 저하 패턴을 감지할 수 있습니다.

<노스크립트>

머신 러닝 소프트웨어로 다운타임 예측

고급 기계 학습 소프트웨어는 이미 장비 고장의 조기 식별에서 놀라운 성공을 입증했습니다. 이러한 소프트웨어는 거의 자율적이며 기계 및 프로세스 주변의 센서에서 생성되는 디지털 데이터 스트림에서 행동 패턴을 학습합니다.

자동으로 최소한의 리소스만 필요로 하는 이 고급 기술은 작동 조건이 변경될 때 새로운 신호 패턴을 지속적으로 학습하고 적응합니다. 한 시스템에서 학습된 오류 서명은 동일한 조건이 반복되지 않도록 해당 시스템에 "접종"합니다. 또한, 학습된 서명은 동일한 저하 조건의 영향을 받는 것을 방지하기 위해 유사한 기계로 전송됩니다.

<노스크립트>

예를 들어, 북미의 한 에너지 회사는 전기 수중 펌프의 반복적인 고장으로 인해 최대 백만 달러의 수리 손실과 수익 손실을 보고 있었습니다. 고급 기계 학습 애플리케이션은 18개 펌프의 동작을 학습했습니다. 소프트웨어는 한 펌프에서 환경 사고를 일으킨 초기 케이싱 누출을 감지했습니다. 나머지 펌프에 고장 시그니처를 적용하여 조기 경고를 제공하여 조기 조치를 통해 반복 사고를 방지함으로써 주요 문제를 예방했습니다.

또 다른 경우에는 미국의 23개 주에서 운영되는 선도적인 철도 화물 회사가 기계 학습을 사용하여 수백만 달러의 수리, 벌금 및 수익 손실이 발생하는 기관차 엔진 고장을 해결했습니다. 기계 학습 애플리케이션은 인라인으로 실시간으로 작동하며 엔진 고장의 극히 초기 지표에 대한 윤활유 데이터를 검사하는 대규모 기관차에 배포되었습니다.

응용 프로그램은 엔진이 저압 테스트를 통과하는 동안 성능 저하 신호를 감지했습니다. 기관차를 즉각적인 서비스로 전환함으로써 "회사는 비용이 많이 드는 가동 중지 시간과 벌금으로 수백만 달러를 절약했습니다."

머신 러닝 소프트웨어를 구현할 때입니다

<노스크립트>

기업은 더 이상 기존 유지 관리 방식에만 의존할 수 없으며 데이터 기반 솔루션 배포 시 운영 방식도 통합해야 합니다. 오늘날의 필수 요건은 기존 자산에서 추가 가치를 추출하고 고급 기계 학습 프로그램을 구현하여 빠른 개선을 제공하는 것을 의미합니다.

올바른 소프트웨어 솔루션을 사용하면 예측 기술이 자산 효율성을 제한하는 조건을 감지하는 동시에 기업의 수익성을 유지하고 마진을 개선할 수 있는 규범적 지침을 제공합니다.

이 블로그의 저자는 Mike Brooks, 선임 비즈니스 컨설턴트, AspenTech 및 전 Mtell 사장 겸 최고 운영 책임자입니다.