머신러닝 전문 지식 없이 예측 유지보수 구현하기

엔지니어들 사이에서는 예측 유지보수가 이제 AI 기술의 전유물처럼 여겨져 머신러닝 기술을 습득해야 한다는 인식이 커지고 있습니다. 하지만 MathWorks의 전문가들은 깊은 ML 지식 없이도 견고한 예측 유지보수 시스템을 구축할 수 있음을 보여줍니다.

최근 EDN과의 인터뷰에서 시니어 제품 마케팅 매니저 아디티아 바루(Aditya Baru)는 4단계 워크플로와 각 단계를 지원하는 전문 도구들을 소개했습니다.

그림 1. 기본적인 예측 유지보수 워크플로는 4단계로 구성됩니다. 출처: MathWorks

1. 데이터 처리

데이터 과학자가 아닌 엔지니어들에게 풍력 터빈, 발전기, 펌프, 모터 같은 산업 자산에서 생성되는 방대한 양의 원시 센서 데이터를 분석하는 것은 벅찬 일입니다. 제트 엔진이나 탐사 작업의 오일 펌프는 하루에 테라바이트급 데이터를 쉽게 생성하므로, 이런 데이터 양에서 결함을 감지하는 것은 불가능해 보입니다.

바루는 엔지니어들이 들어오는 데이터 스트림의 미세한 변화를 모니터링하여 열화의 초기 징후를 파악하고, 비정상적 행동의 근본 원인을 결정하는 것으로 시작할 수 있다고 설명합니다. 예를 들어, 지속적으로 회전하는 펌프의 스펙트럼 분석을 통해 정상 작동과 임박한 고장을 구별하는 결함 주파수를 밝혀낼 수 있습니다.

그림 2. 엔지니어는 모터 마찰 변화를 추적하여 펌프의 누수와 막힘을 감지할 수 있습니다. 출처: MathWorks

2. 상태 지표

100개의 시계열 데이터 샘플에 직면했을 때, 목표는 이를 정보가 풍부한 단일 숫자인 '상태 지표'로 축소하는 것입니다. 이 데이터 축소 단계는 방대한 데이터셋을 관련 동역학을 모두 포착하는 관리 가능한 특성 집합으로 압축합니다.

다임러 메르세데스와의 최근 협업에서 MathWorks 도구는 제조 라인의 방대한 시계열 데이터를 패턴, 시간 지연, 기타 통계로 구성된 간결한 특성 세트로 증류하여 데이터 풋프린트를 250배 줄였습니다.

그림 3. 엔지니어는 원시 센서 데이터에서 특성을 추출하고 시계열 및 주파수 기반 기법을 사용해 상태 지표를 생성할 수 있습니다. 출처: MathWorks

3. 예측 모델

원본 데이터를 충실히 대표하는 압축된 데이터셋을 통해, 엔지니어들은 깊은 AI나 ML 전문 지식 없이도 시계열, 통계, 확률 기반의 다양한 고전적 모델링 기법을 활용할 수 있습니다. 이 방법들은 엔지니어링 커뮤니티에서 잘 정립되어 있으며 MATLAB의 Predictive Maintenance Toolbox에서 지원됩니다.

바루는 항공우주 기업 사프란(Safran)이 MATLAB의 신호 컨디셔닝 기법을 활용해 부품 고장을 예측하는 사례를 들며, 전통적인 엔지니어링 방법이 여전히 매우 효과적임을 입증했습니다.

그림 4. Predictive Maintenance Toolbox는 엔지니어가 잔여 수명(RUL)을 추정하고 예측과 관련된 신뢰 구간을 제공할 수 있게 합니다. 출처: MathWorks

4. 알고리즘 배포

마지막이자 가장 중요한 단계는 예측 모델을 실제 운영 환경에 배포하는 것입니다. 엔지니어들은 여러 옵션을 가집니다: 모델을 기계에 로컬로 임베디드하거나, 근처 엣지 컴퓨터에서 실행하거나, 연결이 허용될 때 데이터를 클라우드 서비스로 스트리밍할 수 있습니다.

이 4단계 워크플로를 통해 예측 유지보수를 구현하면 엔지니어들이 기계를 90%의 시간 동안 가동 상태로 유지하는 유지보수 서비스를 제공할 수 있게 됩니다. 각 단계를 효율적으로 관리하기 위한 전문 도구 모음이 제공됩니다.

>> 이 기사는 원래 자매 사이트인 EDN에 게시되었습니다.