예측 유지보수: 지속적 인텔리전스로 자산 신뢰성 극대화

센서와 IoT 데이터 분석 기반의 지속적 인텔리전스(CI)는 디바이스의 상태 변화를 포착하고 자산의 고장 확률을 예측하는 데 도움을 줍니다.

자산에 대한 실시간 및 과거 데이터 분석은 부품이나 디바이스 고장으로 이어질 수 있는 문제를 포착할 수 있습니다. 캘린더 기반 자산 교체와 비교할 때, 예측 유지보수는 다운타임 예방에 훨씬 효과적이며 부품이나 장비의 수명을 최대한 끌어낼 수 있습니다. 따라서 예측 유지보수는 지속적 인텔리전스(CI)의 킬러 앱입니다.

참고: 거대하고 '잔혹한' 환경에서의 실시간 분석

이러한 기능은 예정된 교체 및 유지보수 시간 전에 고장날 가능성이 있는 부품이나 장비를 식별하는 데 도움이 됩니다. 진정한 혜택은 인공지능이 잠재적 문제를 탐지하는 데 사용될 때 옵니다. 이 인텔리전스가 전문가 시스템에 의해 활용되면 문제 발생 전에 알림을 보낼 수 있고, 도출된 정보를 기반으로 한 시정 조치를 장비 유지보수 담당자에게 전달할 수 있습니다.

왜 이런 기능이 그렇게 중요할까요?

제조, 항공, 에너지 탐사, 유틸리티, 통신 등 산업에서의 다운타임 비용은 엄청납니다. 평균적인 해양 석유 및 가스 회사는 연간 약 27일의 계획되지 않은 다운타임을 경험하며, 이는 3,800만 달러의 손실로 이어질 수 있습니다. 경우에 따라 이 수치는 8,800만 달러까지 치솟을 수 있습니다.

2018년 계획되지 않은 유지보수로 항공사는 200억 달러 이상의 비용을 지출했으며, 이는 전체 유지보수 지출의 약 27%에 달합니다. 이는 항공기 접지(AOG) 사건으로 인해 전체 항공편 지연 및 취소의 거의 3.8%가 발생하는 연쇄 효과를 낳았습니다. 이러한 문제의 정량화와 예측 유지보수의 혜택을 보면, 데이터와 분석이 계획되지 않은 유지보수 비용을 거의 절반으로 줄여 항공사가 관련 비용을 전체 유지보수 지출의 약 14%로 줄일 수 있음을 보여줍니다.

예측 유지보수에서 CI의 역할

센서와 사물인터넷(IoT) 데이터 분석 기반의 CI는 디바이스의 상태 변화를 포착하고 자산의 고장 확률을 예측하는 데 도움을 줄 수 있습니다.

왜 CI가 필요할까요? 문제가 생기기를 기다리는 전통적인 유지보수 접근법은 비즈니스에 매우 나쁩니다. 그리고 제조사의 캘린더 기반 유지보수 일정에 따라 부품을 교체하면 고장나기 훨씬 전에 좋은 부품이 교체될 수 있습니다.

사후 대응보다는, CI가 다운타임, 결함, 비효율, 놓친 기회로 이어지는 문제의 근본 원인에 대한 인사이트를 사전에 제공함으로써 잠재적으로 비용을 절감하고 운영 효율성을 개선할 수 있습니다.

점점 더 많은 산업이 IoT 디바이스를 사용해 이러한 인사이트를 수집하며, 운영의 모든 측면에 대한 정보를 얻기 위해 디바이스를 사용합니다. 불행히도 대부분의 기업이 직면하는 한 가지 문제는 IoT 디바이스가 매우 큰 볼륨의 데이터를 생성한다는 것입니다. 한 업계 보고서는 IoT가 생성하는 데이터량이 2013년 0.1 제타바이트에서 2020년 4.4 제타바이트에 달할 것으로 추정합니다.

지속적으로 생성되는 이러한 데이터를 활용하려면 새로운 전략이 필요합니다. 데이터를 단순히 저장했다가 나중에 분석할 수는 없습니다. 진정한 가치는 데이터가 스트리밍되는 동안 실시간 분석을 수행하는 데서 나옵니다. 이러한 데이터 스트림에서 인사이트를 도출하기 위해 많은 기업이 전통적인 분석을 실시간 인공지능(AI)과 머신러닝(ML) 알고리즘으로 보완하고 있습니다. 이러한 접근법은 기업이 데이터에서 의사결정 정보를 기업이 사전 조치를 취할 수 있는 시간대 안에 얻어낼 수 있게 합니다.

구체적으로, IoT 데이터에 적용된 AI와 ML의 산업적 활용은 유지보수 예측과 운영의 다른 측면을 개선하는 좋은 방법으로 여겨집니다. 이유: AI와 ML은 복잡한 시스템에 대한 예측을 도울 수 있습니다. 이는 예측 유지보수를 통해 기계 다운타임을 줄이는 데 도움이 될 수 있습니다.

CI의 예방 유지보수 급속 도입을 막는 유일한 장애물은 인프라입니다. 오늘날 대부분의 조직은 스트리밍 IoT 데이터에 적용된 CI를 충분히 활용할 인프라를 갖추지 못하고 있습니다.

문제는 무엇일까요? 대형 산업 조직은 기계, 센서, 내부 비즈니스 애플리케이션에서 수십억 개의 데이터 세트를 수집할 수 있습니다. 조직이 새로운 IoT 이니셔티브로 이동함에 따라, 이 거대한 데이터 유입을 따라잡을 새로운 기술과 프로세스를 고려하는 것이 중요합니다.