고급 데이터 관리로 산업 플랜트 리스크 완화하기

자산 고장은 모든 산업 조직에 파괴적인 사건입니다. LNS 리서치에 따르면 자산 고장은 안전 문제와 오염으로 끝나는 사고의 상위 3대 원인 중 하나입니다. 또한 생산을 중단시키고 장비 손상을 초래하여 막대한 재정적 손실을 야기합니다. 실제로 매년 계획되지 않은 가동 중단으로 인해 산업 제조업체는 약 500억 달러의 비용을 부담합니다.

조직은 효율성을 높이고 소비를 줄여야 하는 압박을 받고 있으며, 신뢰성 관리자와 임원은 플랜트 운영에 역할을 하는 가장 작은 밸브부터 가장 큰 터빈까지 모든 자산을 설명할 수 있어야 합니다.

소프트웨어가 분석을 실행하고 기본 성과 지표를 생성할 수는 있지만, 1천만 달러짜리 잘 보호된 터빈이 98% 신뢰성을 가진다는 사실을 아는 것은, 작은 밸브 하나가 고장 나서 플랜트 전체를 중단시킬 때는 쓸모가 없습니다.

기계 열화의 3가지 핵심 동인은 다음과 같습니다.

1. 모든 기계는 여러 열화 원인에 직면합니다.
2. 여기에는 화학 물질, 피로, 마모, 마찰이 포함됩니다.
3. 이러한 열화 메커니즘의 비율은 기계 설계, 사용, 환경에 따라 달라집니다.
4. 기계는 다양한 구성 요소로 구성된 복잡한 시스템이며, 다양한 열화 원인이 각 구성 요소에 서로 다른 속도로 영향을 미칩니다.

초기 여정: 예방 정비에서 사전 정비로

예방 정비(PM)는 고장이 발생하기 전에 열화를 감지하고 예방하기 위해 등장했습니다. 그러나 3가지 핵심 열화 동인의 복잡성과 상호작용으로 인해 언제 어디서 개입할지 결정하는 것이 복잡해졌습니다. 교육된 가정에 기반하여 PM 일정을 수립하는 대신, 시간 기반 PM이 최선의 선택이 되었고, 곧 상태 기반 정비가 뒤따랐습니다.

다양한 예측 정비(PdM) 기술이 개발되었습니다.

• 회전 장비용 진동 분석
• 전기 시스템용 열화상
• 배관 및 용기 두께 측정용 초음파

그러나 "예측 정비"라는 이름은 다소 부적절합니다. 이 기술들은 고장을 예측하지 않으며, 정비 팀이 고장 발생 전에 개입할 수 있도록 열화 징후를 감지하고 드러냅니다. 이 방법들은 다른 고장 모드에 초점을 맞추고 이를 감지하는 센서 기술을 중심으로 구축되어 중요한 데이터를 생성합니다.

연결된 센서 기술의 데이터 통찰 없이는 플랜트 운영자는 조직의 리스크와 관리 방법에 대해 불충분한 이해를 가집니다. 결정을 내리는 데 필요한 데이터는 특정 자산이나 시설로 제한될 수 있습니다. 하지만 데이터가 회사 전체 및 전 세계 평균과 비교될 때 유용해지며, 리스크를 이해하고 통제하는 방법을 아는 기업에 경쟁 우위를 제공합니다.

데이터와 새로운 인텔리전스 수용

데이터 생성 센서의 채택으로 조직은 막대한 양의 데이터를 해석하고 고급 패턴 인식 작업을 실행하여 장비 이상과 열화를 감지하는 관리 시스템을 구현하고 있습니다.

관리 시스템 탐지 기술은 실용적입니다. 센서 데이터를 분석하고 '정상' 작동 모델을 구축한 후 비정상 상태가 발생하면 경보를 울립니다. 이는 실시간으로 일어나며 열화로 인한 미세한 변화를 감지할 수 있습니다. 이러한 기술로 조직은 모니터링되는 장비의 치명적 고장을 크게 줄임으로써 투자 수익을 보고 있습니다.

알고 계셨나요?

"빅데이터 분석을 활용하면 고장을 최대 26% 줄이고 계획되지 않은 가동 중단을 거의 25% 줄일 수 있습니다."
출처: engineering.com

기술은 또한 아카이브된 센서 데이터와 기업 자산 관리 시스템 데이터에서 통찰을 최적화하기 위해 데이터 마이닝을 변화시켰습니다. 데이터 마이닝과 이상 탐지를 결합하면 실시간 진단과 고장까지의 시간 예측이 개선됩니다. 여기서 자산 성과 관리(APM) 시스템이 중요한 역할을 합니다.

대부분의 머신러닝(ML) 및 인공지능(AI) 기술은 데이터 중심이지만 광범위한 데이터 분석을 위해 설계되지 않았습니다. APM은 ML 데이터 통합 기능을 사용하여 수십억 개의 데이터 포인트를 수집하고 빠르게 리스크를 측정하고 고장을 방지하는 모델로 구성함으로써 ML과 AI가 할 수 없는 데이터를 코딩합니다.

오늘날 산업에서 조직은 연결된 자산이 수집된 데이터를 적절히 활용하기 위해 APM 시스템에 정보를 공급해야 한다는 것을 인식하고 있습니다. 예를 들어, 사우디아라비아의 한 대형 화학 회사는 APM 시스템을 배포하여 파이프 평균 고장률을 172일에서 2,100일 이상으로 개선했으며, 이는 1,135%의 향상을 나타냅니다.

더 나은 예지 정비를 위한 데이터 공유

엔드투엔드 IoT(사물인터넷) 환경을 갖춘 조직의 경우, 빅데이터 분석은 몇 개의 데이터 소스에만 집중할 수 없습니다. APM은 조직이 데이터 사일로를 결합하고 산업 자산의 고유한 특성을 운영 맥락 내에서 모델링할 수 있게 합니다.

이는 산업 및 소비자 부문 간에 상당한 차이가 있는 영역 중 하나입니다. 산업 세계에서는 고장이 매우 다양할 수 있습니다. 현재 기업 간 기계 데이터를 결합하는 구글이나 아마존 같은 산업계의 등가물이 없기 때문에, 이러한 분석을 개발하는 데 필요한 데이터 풀은 대기업과 원장비 제조업체(OEM)로 제한됩니다. 기업들은 운영 데이터에 민감하지만, 많은 기업이 자사의 고장 및 결함 데이터를 타사와 공유하는 것이 업계 전체에 매우 유익하다는 것을 이해하기 시작했습니다.

이 데이터 풀로 차세대 데이터 분석은 엄청난 잠재력을 가집니다. 이 데이터를 분석함으로써 새로운 고장 패턴을 '라이브러리'의 이전 유사 사례 과거 데이터와 매칭 및 비교할 수 있습니다. 이를 통해 자동화된 진단이 문제 설명과 잠재적 고장 시간 예측을 제공할 수 있습니다.

센서가 장착되지 않은 장비의 경우에도, 유사한 운영 조건의 장비를 기반으로 한 더 나은 통계 분석을 위해 더 큰 데이터 풀이 지원합니다. 이는 엔지니어와 운영자가 진정한 구성 요소 고장률을 이해하므로 정비 전략을 수립할 때 더 많은 정보에 입각한 결정을 내릴 수 있게 합니다. 현재 기술은 주로 OEM 권장 사항이나 수년 전에 수행된 업계 연구에 의존합니다.

결론

많은 기업에서 정비 전략 개발은 주관적이고 경험 중심의 프로세스입니다. 객관적 결정을 내리는 데 필요한 데이터는 종종 희소하거나 존재하지 않거나 접근하기 어렵습니다. 상태 기반 접근으로 전환하면 활동을 자산의 현재 상태에 기반하게 함으로써 이 문제의 많은 부분을 해결할 수 있지만, 이러한 기술조차도 여전히 상당한 전문 지식을 필요로 하며 개선의 여지를 남깁니다.

기계 작동에 고급 데이터 분석을 적용할 잠재력은 유망하지만 여전히 과제가 있습니다. 올바른 종류의 데이터에 접근하는 것이 중요하며, 많은 기업의 경우 이는 다른 기업과 데이터를 공유하고 거래할 의향이 있음을 의미할 수 있습니다. 기업들이 정보 공유를 시작하고 운영을 개선함에 따라, 경쟁사 돕는 것에 대한 우려보다 혜택이 더 크다는 것을 깨닫게 될 것입니다.

조직은 가동 중단의 직접 비용이 비즈니스에 해롭다는 것을 이해합니다. 많은 경우, 평판 손상과 같은 가동 중단의 간접 비용은 직접 비용 못지않게, 아니면 더 파괴적일 수 있습니다. 산업 운영자는 수익성과 성장을 유지하기를 원한다면 자산에 최상의 결과를 제공하는 빅데이터 전략을 수용해야 합니다. 데이터로 고장 추세와 특성을 조기에 식별함으로써 산업 조직은 단기 및 장기적으로 전반적인 자산 신뢰성을 개선하고 비용을 절감합니다.