고급 상태 모니터링을 위한 기계 학습 활용

우리는 산업용 사물 인터넷(IIoT) 및 기타 디지털 전환 전략과 관련하여 상태 모니터링 공간에서 무슨 일이 일어나고 있는지에 대해 많은 이야기를 들었습니다. 상태 모니터링의 한 형태로 기계 학습(ML)과 인공 지능(AI)을 활용함으로써 약속된 결과는 다양한 업계의 많은 조직에서 데이터 과학을 활용하도록 장려했습니다.

이러한 방식으로 유지 관리 노력의 효율성을 높이고 중요 자산의 지속적인 상태를 보장할 수 있기를 바랍니다. 인간과 마찬가지로 컴퓨터도 과거 경험을 통해 학습하여 잠재적인 미래 결과에 대해 정보를 바탕으로 예측할 수 있습니다.

그런데 상태 모니터링이 정말 그렇게 간단할까요?

대답은 '아니요'입니다. 

기계가 3번 이상 실패할 경우 특정 실패 모드를 식별할 수 있다고 조직에 알리고 데이터를 통해 특정 실패 모드에 대한 패턴을 식별할 수 있다고 상상해 보십시오. 이로 인해 귀하는 현장 밖으로 호송되고 귀하의 기술은 비웃음을 당하게 될 것입니다. 그러므로 머신러닝에 문제가 있는 것입니다.

머신러닝

초기 설정 단계 이후에는 인간의 상호 작용이 거의 없이 임박한 자산 오류와 같은 미래 결과를 예측할 수 있는 데이터 소프트웨어 프로그램의 능력을 향상시키는 인공 지능 데이터 기술입니다.
출처:믿음직한 식물

우리는 개별 고장 모드 수준을 인식하도록 모델을 훈련시키고 싶지 않으며 특정 자산이 확립된 표준에서 벗어나는 데이터를 제시할 때만 알림을 받으면 된다고 주장할 수도 있습니다. 머신러닝은 이 일을 훌륭하게 해낼 수 있습니다. 그러나 수십 년 동안 사용되어 추가 자본 투자가 필요하지 않은 추세 데이터도 마찬가지입니다.

상태 모니터링에서 머신러닝의 가치

그렇다면 이러한 머신러닝 모델을 만드는 것의 실제 가치는 무엇입니까?

여기서 이야기를 끝내려면 별로 많지 않습니다. 그러나 우리는 우리를 돕고 지원할 수 있는 엄청난 양의 데이터를 가지고 있습니다. 이러한 방식으로 우리는 허용되지 않는 조건과 비교하여 허용 가능한 조건이 어떤 것인지 이해하도록 기계 학습 모델을 훈련할 수 있습니다.

또한 이 전략에 다중 기술 및 프로세스 데이터를 적용할 수 있으며, 이를 통해 어떤 데이터 조각이나 어떤 특정 센서가 이상값을 생성하는지 정확하게 식별할 수 있습니다. 그러면 이것이 분석 팀의 목표 초점이 될 수 있습니다.

하지만 이렇게 하는 것의 가치는 무엇입니까?

과거 데이터에 따르면 대부분의 시설은 자산의 약 80%가 양호한 상태이며, 이는 자산의 약 20%에 식별 가능한 결함이 있음을 의미합니다. 이 프로세스를 활용함으로써 분석가에게 필요한 데이터 검토 시간을 거의 80% 정도 효과적으로 줄일 수 있습니다.

이를 통해 일정에 여유가 생기고 해결을 위해 장비, 프로세스 및 도메인 지식의 조합이 필요한 더 높은 수준의 데이터와 더 복잡한 문제에 집중할 수 있습니다. 그렇게 하면 정상적인 장비의 비율을 높이고 식별 가능한 결함의 수를 줄일 수 있습니다.

분석을 위한 머신러닝

대부분의 엔지니어와 분석가는 문제를 찾기 위해 데이터 세트를 뒤지는 것을 좋아하지 않습니다. 대부분의 경우, 그들의 진정한 기쁨은 문제의 원인을 알아내는 데서 옵니다. 기계 학습을 활용하면 분석가의 시간을 극대화할 수 있으므로 유지 관리 및 신뢰성 대응 노력이 더 많이 가능하고 추가 자산이나 기술을 추가하여 프로그램 확장이 가능합니다.

알고 계셨나요?

"기계 학습 알고리즘은 92%의 정확도로 장비 고장을 예측하여 자산 신뢰성과 제품 품질을 향상시킬 수 있습니다."
출처:IT컨버전스

앞서 언급한 것처럼 알고리즘은 고장 모드 수준까지 이상 현상을 식별하기 위해 생성될 수 있지만 기계, 전기 및 고정 장비의 우선순위를 지정하는 것과 같은 여러 분야에 걸쳐 강력한 도메인 지식이 수반되어야 합니다. 해당 분야 전문가는 장비 및 측정 장치에 대한 기본적인 이해를 갖추고 있어야 합니다.

이 프로세스는 소심한 사람을 위한 것이 아니며 이러한 정확한 모델을 구축하려면 소프트웨어 엔지니어, 데이터 과학자 및 상태 모니터링 분야 전문가의 협력이 필요하지만 그 이점은 엄청납니다.

알고리즘 생성의 이점은 다음과 같습니다:

• 상태 기반 유지 관리 적용 범위 모델을 확장하여 가동 중지 시간을 줄였습니다.
• 모니터링 자산당 비용을 낮춰 지출을 줄였습니다. 
• 시간 기반 PM을 제거하여 지출을 줄였습니다.
• 생산성 향상.
• 직원 생산성 향상.
• 장비 신뢰성이 향상되었습니다.
• 로컬 모델 및 임계값을 개선하여 조기 오류 및 실패 감지.
• 모든 이해관계자의 삶의 질을 향상시킵니다.

예를 들어 석유 분석을 고려할 때 알고리즘에는 자산의 개별 구성 요소, 부품 및 메타데이터에 대한 정보와 지식이 포함되어야 합니다.

또한, 윤활 분석을 위한 적절한 기계 학습 모델을 생성하려면 소스 자료를 특정 테스트 슬레이트에 매핑하는 것이 필수이며 적절한 임계값에 대한 지식이 중요합니다.

마찬가지로, 진동 분석에서 관심 영역을 정의하고 파형 및 고속 푸리에 변환(FFT) 내에서 패턴을 발견하는 것은 팀의 시작점일 뿐입니다. 이러한 기본 수준 지식에는 특정 실패 모드 및 실패 원인과 관련된 메타데이터 및 고유한 계산에 대한 이해가 포함됩니다.

귀하의 팀은 다음 사항에 대한 지식과 기본적인 이해도 갖추고 있어야 합니다.

• 고유한 실패 모드
• 고유한 고장 모드를 식별할 수 있는 데이터
• 가장 유능하고 사용하기에 적합한 센서는 무엇입니까?
• 데이터 내에서 실패 모드가 식별되는 위치

이러한 기능은 오늘날 사용 가능한 기성 제품의 전부는 아니더라도 대부분에서 누락되는 경우가 많습니다. 이러한 기본 지식을 제거하고 단순 선형 회귀에만 의존하면 잘못된 긍정과 부정을 모두 포함하는 부정확한 판독값의 수가 엄청나게 늘어납니다. 이는 머신러닝 기술에 나쁜 평판을 줄 뿐입니다.

결론

상태 모니터링 분석가의 역할은 시간이 지남에 따라 발전하고 발전하겠지만 이는 긍정적인 전환으로 보아야 합니다. 이러한 기계 학습 애플리케이션을 만들고 유지 관리하는 데 참여하고 모델을 지속적으로 업데이트하려는 노력은 조직에 매우 귀중한 것입니다.

이러한 데이터베이스 생성 및 유지 노력은 모든 상태 모니터링 프로그램의 핵심이 되며 모든 기계 학습 및 인공 지능 알고리즘의 정확성은 분석가의 기술, 끈기 및 지식에 따라 달라집니다.