예측 유지 관리의 기계 학습

머신 러닝(ML)이 기존의 예측 유지 관리 모델을 파괴하고 자산 중심 조직 전체에서 새로운 차원의 장비 생산성과 성능을 높이는 데 어떻게 도움이 되는지 살펴봅니다.

머신 러닝(ML) 예측 유지 관리

예상치 못한 장비 가동 중지 시간은 자산 중심 조직에 점점 더 높은 운영 위험을 나타내며, IoT 및 기존의 예측 유지 관리가 촉진할 수 있는 자산 상태에 대한 더 깊은 통찰력이 필요합니다.

이러한 배경에서 우리는 기존의 CMMS(Computerized Maintenance Management System)가 EAM(Enterprise Asset Management), APM(Asset Performance Management), 그리고 보다 최근에는 완전히 새로운 세대의 예측 유지 관리 중심 도구로 바뀌는 것을 보았습니다. 자산 안정성과 성능이 의제에서 제대로 진행되었다고 말할 수 있습니다.

그러나 이러한 예측 유지 관리 도구는 이미 오늘날 비즈니스의 세부 사항 및 성능 요구 사항을 충족하지 못하는 변화의 속도입니다. 더 포괄적이고 실시간 데이터 수집을 제공하는 IoT와 클라우드의 수렴으로 인해 중단된 Machine Learning Predictive Maintenance는 플래그가 표시되기 훨씬 전에 잠재적인 장비 오류를 식별할 수 있습니다. 마찬가지로, 일반적인 사용을 기반으로 하는 엄격한 시간 프레임을 고수하기보다 전용 모니터링 및 유지 관리를 통해 자산의 잔여 유효 수명(RUL)을 연장할 수 있습니다.

기존 예측 유지 관리 대 기계 학습 예측 유지 관리

기존의 예측 유지 관리 기계 학습 모델은 기능 엔지니어링을 기반으로 합니다. 이러한 모델은 경험, 전문 지식, 표준 메트릭 및 방법을 기반으로 수동으로 생성됩니다. 이 접근 방식은 특히 제조 작업에서 매우 효과적일 수 있지만 모델은 조직 내의 기계에 따라 다르므로 해당 기계가 교체되면 중복됩니다. 대규모 기계 학습을 적용함으로써 네트워크는 데이터에서 올바른 기능을 자동으로 추출하여 가장 일반적인 오류 패턴을 식별하고 새 자산이 도입될 때마다 수동으로 모델을 다시 생성할 필요가 없습니다.

기계 학습 예측 유지 관리는 알고리즘을 적용하여 과거 데이터에서 학습하고 라이브 데이터를 사용하여 오류 패턴을 분석합니다. 여러 조직의 자산 네트워크를 통해 시간이 지남에 따라 데이터가 수집되어 장비 고장을 예측하는 패턴이 감지되고 딥 러닝 알고리즘이 적용됩니다.

실시간 데이터를 현재 환경 요인과 같은 과거 추세 및 변수와 결합하여 조치를 취해야 하는 시점을 결정하고 해당 조치가 무엇이어야 하는지 제안할 수 있습니다. 그러면 프로덕션 팀은 필요한 알고리즘을 실제로 이해하지 않고도 적절한 조치를 취할 수 있습니다.

기계 학습 예측 유지 관리를 사용하면 온도 및 압력과 같은 주요 지표를 수동으로 수집하여 부정확할 위험이 있고 업로드 시간이 걸릴 뿐만 아니라 직원의 안전 위험. 전략적으로 이 접근 방식을 통해 엔지니어는 가장 중요한 부분, 즉 주의가 필요한 유지 관리 계획과 자산에 기술을 집중할 수 있습니다.

모범 사례 예시

버스 중 하나가 고장났다는 정보를 받은 운송 회사를 생각해 보십시오. 레거시 예측 유지 관리는 해당 엔진이 서비스를 받기 시작한다는 사실을 가리킬 수 있으므로 권장 조치는 이 서비스를 신속하게 처리하고 문제를 식별하는 것입니다. Machine Learning Predictive Maintenance는 풍부한 통찰력을 활용하여 버스에 사용되는 엔진 유형이 공통 결함의 대상인지 식별하여 빠른 진단, 올바른 기술 배포 및 문제 해결을 위한 수정 조치를 허용할 수 있습니다. 이는 차량의 '다운타임'을 최소화할 뿐만 아니라 리소스 활용도를 최소화하고 회사의 신뢰성에 대한 평판에 기여합니다.

지연된 중단; 지속적인 혁신

머신 러닝은 특정 영역에서 증가하는 수요를 수용하기 위해 처리량을 늘리거나 공급 또는 수요가 감소하거나 변화하는 경우 적시에 생산에 적응하는 등 새로운 목표를 신속하게 충족하는 데 사용할 수 있습니다. 결정적으로, 이는 상당한 투자와 교육이 필요한 데이터 과학 팀에 대한 투자가 아닌 전환으로 달성할 수 있습니다.

최근 몇 년 동안 우리가 익숙해진 불확실한 시대를 감안할 때, 알고리즘을 사용하여 데이터에서 패턴을 찾아 미래 사건을 예측하는 데 뿌리를 둔 접근 방식이 광범위한 산업 분야에서 채택된 것은 놀라운 일이 아닙니다. 기계 학습 예측 유지 관리는 레거시 예측 유지 관리 부문을 혼란에 빠뜨릴 분명한 이유가 있습니다.

머신 러닝의 글로벌 시장은 2021년 171억 달러에서 2026년 901억 달러로 성장할 뿐만 아니라 2026년까지 IoT 지원 예측 유지 관리 솔루션의 60%가 기업의 일부로 제공될 것이라는 이러한 혼란의 모멘텀이 있습니다. 자산 관리 제품.

성공 예측

모든 조직이 액세스할 수 있고 설정 또는 지속적인 모니터링에 필요한 최소한의 직원 리소스와 필요에 따라 확장할 수 있는 유연성으로 이러한 방식으로 영향력을 달성하는 데 방해가 되는 유일한 것은 전통적인 수동 방식에서 벗어나려는 조직의 야심입니다. 작업.

머신 러닝을 공장에 도입하면 자산과 주요 상태 지표의 잠재력이 발휘됩니다. 머신 러닝에는 모니터링할 자산의 최대 수가 없으며 입력된 데이터의 양만큼 또는 적은 양의 데이터를 관리할 수 있습니다. 또한 추가 데이터가 모델링 및 분석 경험을 풍부하게 하므로 시간이 지남에 따라 통찰력이 더욱 정확해집니다. 공장 엔지니어는 임계값을 직접 모니터링하는 대신 통찰력을 제공하여 시간이 가장 필요한 곳에 집중하고 계획에 없던 가동 중지 시간을 줄이고 기계 수명을 연장하여 더 효율적으로 작업할 수 있습니다.

자산 관리에 대한 이 심층적인 지식 기반 접근 방식의 이점은 직원이 새로운 기회를 식별하고 수용하도록 권한을 부여하고 도전 과제를 부여하기 때문에 조직의 모든 구석으로 확대됩니다.

백서:기계 학습을 통한 인간의 전문성 강화

무료 백서를 다운로드하여 시스템 사용자를 지속적으로 유지하는 것의 중요성, Asset Health라는 개념이 오해의 소지가 있는 이유, Attention Index가 생산성이 크게 향상되는 자산의 우선 순위를 지정하는 더 효과적인 방법을 제공하는 방법에 대해 알아보십시오.