'기계의 혈액을 테스트'하여 다운타임 없는 성능을 얻으십시오

2000년대 중반, 켄터키주 조지타운에 있는 Toyota North America 공장의 압축 공기 시스템은 평균 1년에 한 번 이상 고장났습니다. 이로 인해 공장의 일부는 기계 학습과 AI를 활용하여 이상 감지, 오류 식별, 그리고 가장 중요한 것은 발생하기 전에 임박한 장애 예측을 제공하여 이 문제를 해결할 수 있는지 궁금해했습니다.

압축 공기 시스템의 계획되지 않은 가동 중지는 물론 공장 전체에 문제가 있음을 의미했습니다. 도장 공장에서는 압축 공기를 사용하여 새 차량에 스프레이를 뿌렸습니다. 이 시스템은 공기 도구에 생명을 불어넣었으며, 샌딩 및 기타 잔여물을 날려 버리는 압축 공기에 비하면 아무것도 아닙니다.

완성된 차량이 2교대 동안 25초마다 공장의 3개 라인 중 하나에서 굴러떨어지는 상황에서 압축 공기 유틸리티가 고장날 경우 그 결과는 상당했습니다.

공장의 프로젝트 관리자이자 전기 분야 전문가인 Mark Rucker는 "라인이 중단되면 비용이 엄청나다"고 말했습니다. "따라서 훌륭하고 안정적이며 안정적인 유틸리티를 사용할 수 있는 좋은 인센티브가 있습니다."

수백만 달러 규모의 압축 공기 시스템은 각각 소형 세미 트럭 크기인 12개의 Ingersoll Rand 원심 공기 압축기로 구성되어 있습니다. 각 압축기의 최종 단계 블레이드는 하우징에서 20,000rpm으로 회전합니다. 블레이드가 사양에서 조금 벗어나 작동하고 하우징에 닿으면 사라집니다. 전체 기계는 약 $100,000의 비용으로 다시 제작되어야 합니다.

블레이드의 흔들림이 충돌의 원인은 아닙니다. 결과입니다.

충돌 - 일명. 서지 또는 역류—압축기에서 파이프로의 정상적인 공기 흐름이 자체적으로 역전하려고 하고 파이프의 공기가 뒤로 밀려날 때 발생합니다.

충돌의 빈도, 비용 및 결과로 인해 Toyota는 Intelligent Maintenance Systems의 창립 이사인 Jay Lee에게 도움을 요청했습니다.

Industry 4.0 곡선을 앞서간 Jay Lee

새 천년이 시작될 무렵, Toyota로부터 전화를 받기 전에 Lee는 공장의 모든 기계가 연결되어 지능형 유지 관리를 위한 데이터를 제공하는 것을 상상했던 University of Cincinnati의 공학 교수였습니다. 그러나 그 당시에는 Lee의 비전을 실현하는 데 필요한 많은 기술이 아직 존재하지 않았습니다.

현재 휴학 중이며 위스콘신주 Foxconn Technology Group의 부회장이자 이사인 Lee는 "20년 전에는 그것이 가능하다고 믿는 사람이 거의 없었습니다."라고 말했습니다.

그의 산업 비전에서 기계는 환자와 같으며 기계를 모니터링하는 센서에서 수집된 데이터는 건강에 대한 정보를 제공합니다. 전문가는 수집 및 분석한 데이터를 해석하여 예측을 도출합니다.

"왜 기계의 혈액을 검사하지 않습니까?'라고 물었습니다. 그리고 기계의 혈액은 무엇입니까?" 리는 말했다. "데이터. 질문은 '어떤 데이터를 얻고 싶습니까?'입니다. 분석하려는 대상에 따라 다릅니다. 맥락과 내용을 이해하고 보이지 않는 미지의 관계 모델을 더욱 구체화해야 합니다.”

데이터에 숨겨진 것은 기계 또는 프로세스의 비정상적인 동작에 대한 의미입니다. 그 의미를 풀면 품질을 예측하고 기계 또는 프로세스의 안정성을 결정하며 잠재적인 오류를 예방할 수 있습니다. Lee는 "바로 이것이 오늘날 Industry 4.0에 대한 것입니다."라고 말했습니다.

물론 "Industry 4.0"이라는 용어는 2013년 독일 정부의 주도로 대중화되지 않았습니다.

2006년 이후 충돌 없음

한때 Toyota에 있을 때 Lee와 그의 데이터 분석가 팀은 Rucker 및 숙련된 유지보수 작업자 및 공장 엔지니어 그룹과 함께 압축 공기 시스템 문제를 해결했습니다.

질문의 단순함은 앞으로 해야 할 일의 복잡성을 압도했습니다.

"충돌을 일으키기 전에 역류 문제를 예측할 수 있습니까?" 러커가 말했다. "시간이 지나면서 무언가를 할 수 있는 무언가가 발전하는 것을 볼 수 있습니까?"

2005년 몇 달 간의 시행착오를 통해 팀은 압축기 중 하나에서 충실도가 높은 데이터를 수집 및 분석하고 이상을 찾았습니다. 때때로 팀은 서지 또는 서지 접근 방식을 생성하여 기계가 비정상적인 동작을 보이기 시작하고 데이터 세트에서 어떻게 보이는지 볼 수 있도록 했습니다.

결국 팀의 노력은 결실을 맺었습니다. 회원들은 2단계(4단계 중 압축기가 정상 압력에서 제곱인치당 압력 120파운드(PSI)까지 진행하는 단계)에서 발생하는 초기 서지 상태를 가장 잘 예측할 수 있음을 보았습니다.

"그 배후의 물리학은 무엇이며, 이것이 예측 변수인 이유는 무엇입니까?" 러커가 말했다. “몰라, 신경 쓰지 마. 우리는 이것이 미래의 급증을 안정적으로 예측하고 몇 초의 경고로 예측한다는 것을 방금 보았습니다."

다음 단계는 각 압축기에 차동 센서를 설치하고 중앙 제어 장치를 위한 기계 학습 알고리즘을 만드는 것이었습니다. 테스트 결과 2단계가 "흔들리기 시작"하자마자 압축기가 물러나기 시작하는 것으로 확인되었습니다.

"우리가 테스트할 때마다 문제가 발생하지 않았습니다."라고 그는 말했습니다. "2006년 이후로 충돌이 한 번도 없었습니다."

압축기-서지 프로젝트는 성공했지만 압축 공기 거물에서 베어링의 수명을 예측하는 데 중점을 두었던 또 다른 프로젝트는 실패했습니다. Rucker는 팀이 신뢰할 수 있는 유지 관리 데이터를 충분히 찾아 기계 작동 데이터와 연결하여 유용한 상관 관계를 도출할 수 없다고 말했습니다.

"그건 아마도 R&D의 올바른 조합에 관한 것입니다."라고 그는 말했습니다. “당신은 무언가를 시도하고 그것이 효과가 있을지 없을지 모릅니다. 그리고 절반의 시간 동안 돈을 돌려받는다면 그것은 승리입니다. 그리고 종종 서지 제어와 같은 다른 모든 비용을 지불하는 장치를 찾을 수 있습니다."

유연성이 핵심

Lee는 이후 Toyota 프로젝트에 대한 논문을 발표했으며 2013년에는 Intelligent Maintenance Systems의 직원인 Patrick Brown과 두 명의 대학생 David Siegel 및 Edzel Lapira와 함께 Predictronics를 공동 설립하는 데 도움을 주었습니다. 갈색. Lapira와 Siegel은 Predictronics C 제품군을 구성합니다.

Toyota의 Rucker가 Lee에게 AI의 도움을 요청한 것처럼 기업은 다운타임 제로를 목표로 Predicttronics에 도움을 요청합니다.

CEO인 Lapira는 "일반적으로 고객마다 성숙도가 다릅니다. “이미 데이터 수집 구조를 갖춘 일부 고객이 있습니다. 데이터 레이크가 있지만 데이터로 무엇을 해야 할지 모릅니다. 처음부터 다시 시작해야 하는 고객도 있습니다.”

50~60년 된 자산을 보유한 고객은 더 이른 단계에서 시작해야 합니다.

레거시 머신을 사용하는 고객이 점점 더 Predicttronics에 접근하고 있습니다. Lapira와 그의 동료들은 그들에게 가속도계 및 변환기와 같은 부품을 쇼핑하도록 보냅니다.

"이것은 데이터를 내보내는 데 필요한 다양한 아날로그-디지털 변환기입니다."라고 그는 말했습니다.

Predicttronics는 2013년에 설립된 이래 AI 솔루션으로 70개 이상의 공장을 지원했으며 그 중 다수는 Fortune 500대 기업입니다.

Predictronics는 반도체 제조업체인 한 고객과 협력하여 센서와 측정 변수 간의 관계를 학습할 수 있는 가상 계측 예측 솔루션을 구축했습니다.

반도체 장비에서 방출되는 수백 개의 측정된 신호로 인해 프로젝트가 어려웠습니다.

그러나 가능성의 수를 좁힐 수 있는 잘 알려진 통계 방법이 있다고 Siegel은 말했습니다.

"이러한 방법 외에도 지난 몇 년 동안 내장된 변수 선택 부분이 있는 분류 회귀 알고리즘을 통합하는 방법을 개발한 것은 머신 러닝 커뮤니티가 더 많았습니다."라고 그는 말했습니다. "그래서 상위 10개, 또는 20개 또는 30개의 변수로 범위를 좁힙니다. 그런 다음 고객과 함께 작업하거나 자신의 지식을 사용하여 소프트웨어 및 분석 모델에 포함하는 것이 가장 적합한 것을 결정합니다."

Predictronics가 템플릿 기반 접근 방식에서 이전 경험에서 얻은 지식을 적용하여 비용 절감에 도움이 되는지, 아니면 회사의 한 부분에서 공식화된 솔루션을 적용하여 사내에서 확장할 수 있는지, "가장 중요한 문제를 직접 해결하는 솔루션을 찾는 문제이지만 다른 문제에 적용할 수 있을 만큼 충분히 유연합니다.”라고 Brown이 말했습니다.