산업용 사물인터넷(IIoT)과 기타 디지털 전환 전략 측면에서 상태 모니터링 분야에서 무슨 일이 일어나고 있는지에 대해 많은 이야기를 듣습니다. 머신러닝(ML)과 인공지능(AI)을 상태 모니터링의 한 형태로 활용했을 때 약속되는 결과는 다양한 산업의 많은 조직들이 데이터 과학을 업무에 활용하도록 장려했습니다.
이를 통해 정비 노력의 효과를 높이고 중요 자산의 지속적인 건전성을 보장하기를 희망합니다. 인간과 마찬가지로 컴퓨터도 과거 경험에서 학습하여 잠재적 미래 결과에 대한 정보에 입각한 예측을 할 수 있습니다.
하지만 상태 모니터링이 정말 그렇게 단순할까요?
답은 '아니오'입니다.
조직에게 특정 고장 모드를 식별할 수 있다고 말하려면, 기계가 최소 3번 고장 나게 하여 그 데이터에서 학습하고 해당 고장 모드의 패턴을 식별하게 해야 한다고 상상해 보십시오. 아마도 여러분은 건물 밖으로 쫓겨나고 기술은 조롱받을 것입니다. 이것이 머신러닝의 문제점입니다.
초기 설정 단계를 넘어 인간의 개입이 거의 없이 임박한 자산 고장과 같은 미래 결과를 예측하는 데이터 소프트웨어 프로그램의 능력을 향상시키는 인공지능 데이터 기술.
출처: Reliable Plant
개별 고장 모드 수준을 인식하도록 모델을 훈련시키는 것이 아니라, 특정 자산이 설정된 표준에서 벗어난 데이터를 나타낼 때 알림을 받기만 하면 된다고 주장할 수 있습니다. 머신러닝은 이 작업을 훌륭하게 수행할 수 있습니다. 그러나 수십 년 동안 사용되어 왔고 추가 자본 투자가 필요 없는 추세 데이터도 마찬가지입니다.
그렇다면 이러한 머신러닝 모델을 만드는 진정한 가치는 무엇일까요?
이야기를 여기서 끝낸다면 그다지 크지 않습니다. 하지만 우리를 돕고 지원할 엄청난 양의 데이터가 있습니다. 이렇게 하면 머신러닝 모델을 훈련시켜 허용 가능한 조건과 허용 불가능한 조건이 어떻게 보이는지 이해하게 할 수 있습니다.
또한 다중 기술 및 공정 데이터를 이 전략에 적용할 수 있으며, 그렇게 함으로써 어떤 데이터나 특정 센서가 이상치를 생성하는지 정확하게 식별할 수 있습니다. 이는 분석 팀의 표적화된 초점이 될 수 있습니다.
하지만 이것을 하는 가치는 무엇일까요?
과거 데이터에 따르면 대부분의 시설은 자산의 약 80%가 양호한 상태이며, 이는 약 20%의 자산에 식별 가능한 결함이 있음을 의미합니다. 이 프로세스를 활용하면 분석가들이 필요로 하는 데이터 검토 시간의 거의 80%를 효과적으로 제거할 수 있습니다.
이는 분석가들의 일정을 자유롭게 하여, 장비, 공정, 도메인 지식의 조합이 필요한 더 높은 수준의 데이터와 더 복잡한 문제에 집중할 수 있게 합니다. 그렇게 함으로써 건전한 장비 비율을 높이고 식별 가능한 결함 수를 줄일 수 있습니다.
대부분의 엔지니어와 분석가는 문제점을 찾기 위해 데이터 세트를 뒤지는 것을 즐기지 않습니다. 대부분의 경우 그들의 진정한 즐거움은 문제의 원인을 파악하는 데서 옵니다. 머신러닝은 분석가의 시간을 극대화하는 데 활용될 수 있으며, 이는 더 큰 정비 및 신뢰성 대응 노력을 가능하게 하고 추가 자산이나 기술을 추가하여 프로그램을 확장할 수 있게 합니다.
"머신러닝 알고리즘은 92%의 정확도로 장비 고장을 예측하여 자산 신뢰성과 제품 품질을 향상시킵니다."
출처: ITConvergence
앞서 언급했듯이 알고리즘은 고장 모드 수준까지 이상을 식별하도록 생성될 수 있지만, 기계, 전기, 정지 장비를 우선시하는 여러 분야에 걸친 강력한 도메인 지식이 동반되어야 합니다. 전문가는 장비와 측정 장치에 대한 기본적인 이해를 가져야 합니다.
이 과정은 용기 없는 사람을 위한 것이 아니며, 소프트웨어 엔지니어, 데이터 과학자, 상태 모니터링 도메인 전문가의 협력이 필요하지만, 그 혜택은 심대합니다.
알고리즘 생성의 혜택에는 다음이 포함됩니다.
예를 들어 오일 분석을 고려할 때, 알고리즘에는 자산의 개별 구성 요소, 부품, 메타데이터에 대한 정보와 지식이 포함되어야 합니다.
또한 소스 자료를 특정 테스트 슬레이트에 매핑하는 것은 필수이며, 적절한 임계값 값을 아는 것은 윤활 분석을 위한 적절한 머신러닝 모델을 만드는 데 중요합니다.
마찬가지로 진동 분석에서 관심 영역을 정의하고 파형 및 고속 푸리에 변환(FFT) 내 패턴을 발견하는 것은 팀의 출발점일 뿐입니다. 이 기본 지식에는 특정 고장 모드 및 고장 원인과 연결된 메타데이터와 고유 계산에 대한 이해가 포함됩니다.
팀은 또한 다음에 대한 지식과 기본적인 이해가 있어야 합니다.
이러한 요소는 오늘날 사용 가능한 대부분의 기성품 솔루션에서 누락되어 있는 경우가 많습니다. 이 기본 지식을 배제하고 단순 선형 회귀에만 의존하면, 거짓 양성과 거짓 음성을 포함한 부정확한 판독 횟수가 엄청나게 증가합니다. 이는 머신러닝 기술에 나쁜 평판만 줄 뿐입니다.
상태 모니터링 분석가의 역할은 시간이 지남에 따라 발전하고 진화할 것이지만, 이는 긍정적인 전환으로 보아야 합니다. 이들이 이러한 머신러닝 애플리케이션을 생성하고 유지하는 데 참여하고 모델을 지속적으로 업데이트하려는 노력은 조직에 매우 귀중할 것입니다.
이러한 데이터베이스 생성 및 유지 노력은 모든 상태 모니터링 프로그램의 핵심이 될 것이며, 모든 머신러닝 및 인공지능 알고리즘의 정확성은 분석가의 기술, 끈기, 지식에 달려 있을 것입니다.
사물 인터넷 기술
ABB 로보틱스는 40년 로봇 산업 역사 동안 끊임없이 혁신의 경계를 넓혀왔습니다. ABB 유미(YuMi)는 인간과 로봇의 더 쉬운 협업을 가능하게 하는 듀얼암 로봇으로 다시 한번 그 저력을 보여줍니다. 듀얼암 정밀도와 전자제품 조립 유미(YuMi)는 You and Me의 약자로, 겉보기엔 머리가 없는 사람 같지만 그리 혐오스럽지 않습니다. 독립·협업 가능한 듀얼암으로 고정밀 작업을 수행해 가전제품 산업에 최적입니다. 휴대폰이나 컴퓨터 부품을 한 손이 아닌 두 손으로 조립하는 로봇이라니, 소형 부품 조립에서 더 높은 정밀도나 단일암
초록 본 연구는 Ge 비율을 고정했을 때 GeSiSn 박막의 2차원-3차원(2D-3D) 임계 전이 두께가 Sn 조성에 어떻게 의존하는지 규명한다. 150°C 성장과 최대 16% Sn 함량에서 전이 두께가 Sn 증가에 따라 감소함을 보여주며, 아일랜드 형성의 변형 구동 개시를 확인한다. Si(100)과 Ge(100) 상의 Sn 증착 중 표면 초격자 진화를 설명하는 위상 다이어그램을 제시하여, RHEED를 통한 정밀한 Sn 커버리지 모니터링과 Sn 편석 방지를 가능하게 한다. 성장 온도를 신중히 조절하여 준단결정 GeSiSn 층과 최대
