고급 데이터 관리를 통한 산업 플랜트 위험 완화

자산 실패는 모든 산업 조직에 있어 파괴적인 사건입니다. LNS Research에 따르면 자산 고장은 안전 문제와 환경 오염으로 이어지는 사고의 3대 원인 중 하나입니다. 또한 생산이 중단되고 장비가 손상되어 상당한 재정적 손실이 발생합니다. 실제로, 계획되지 않은 가동 중지 시간으로 인해 매년 산업 제조업체는 약 500억 달러의 손실을 입고 있습니다.

조직은 효율성을 높이고 소비를 줄여야 한다는 압력을 받고 있으며 신뢰성 관리자와 경영진은 가장 작은 밸브부터 가장 큰 터빈에 이르기까지 공장 운영에서 역할을 하는 각 자산을 설명해야 합니다.

소프트웨어는 분석을 실행하고 기본 성능 지표를 생성할 수 있지만 잘 보호된 1,000만 달러 규모의 터빈이 98% 신뢰할 수 있다는 지식은 작은 밸브가 고장나 전체 공장을 정지시키는 경우에는 유용하지 않습니다.

시스템 성능 저하의 세 가지 주요 원인은 다음과 같습니다.

1. 모든 기계는 다양한 성능 저하 원인에 직면해 있습니다.
2. 여기에는 화학물질, 피로, 마모 및 마찰이 포함됩니다.
3. 이러한 성능 저하 메커니즘의 비율은 기계 설계, 사용, 환경에 따라 다릅니다.
4. 기계는 복잡하며 다양한 구성 요소로 구성되어 있으며 다양한 성능 저하 원인이 해당 구성 요소에 다양한 속도로 영향을 미칩니다.

초기 여정:예방에서 사전 예방까지

고장이 발생하기 전에 성능 저하를 감지하고 방지하기 위해 예방정비(PM)가 등장했습니다. 그러나 세 가지 주요 성능 저하 동인의 복잡성과 상호 작용으로 인해 개입 시기와 위치에 대한 결정이 복잡해졌습니다. 교육받은 가정을 기반으로 PM 일정을 수립하는 대신 시간 기반 PM이 최선의 선택이 되었고 곧 상태 기반 유지 관리가 이어졌습니다.

다음과 같은 다양한 예측 유지 관리(PdM) 기술이 개발되었습니다.

• 회전 장비의 진동 분석
• 전기 시스템용 온도 측정
• 배관 및 용기 두께에 대한 초음파

그러나 "예측 유지 관리"라는 이름은 약간 잘못된 이름입니다. 이러한 기술은 실패를 예측하지 않습니다. 성능 저하 징후를 감지하고 밝혀내므로 유지 관리 팀이 고장이 발생하기 전에 이를 차단할 수 있습니다. 이러한 방법은 다양한 오류 모드에 중점을 두고 이를 감지하고 중요한 데이터를 생성하는 센서 기술을 기반으로 구축되었습니다.

연결된 센서 기술을 통한 데이터 통찰력이 없으면 공장 운영자는 조직의 위험과 이를 관리하는 방법을 충분히 이해하지 못합니다. 의사결정에 필요한 데이터는 특정 자산이나 시설로 제한될 수 있습니다. 하지만 이 데이터는 회사 전체와 글로벌 평균을 비교하면 유용해지며, 위험을 이해하고 이를 제어하는 방법을 알고 있는 회사에 경쟁 우위를 제공합니다.

데이터와 새로운 인텔리전스 수용

데이터 생성 센서를 채택함으로써 조직은 대량의 데이터를 해석하고 고급 패턴 인식 작업을 실행하여 장비 이상 및 성능 저하를 감지하는 관리 시스템을 구현하고 있습니다.

관리 시스템 탐지 기술은 실용적입니다. 센서 데이터를 분석하고 "정상" 작동 모델을 구축하고 비정상적인 상황이 발생하면 경고합니다. 이는 실시간으로 발생하며 품질 저하로 인한 미묘한 변화를 감지할 수 있습니다. 이러한 기술을 통해 조직은 모니터링되는 장비의 치명적인 오류를 크게 줄여 투자 수익을 얻을 수 있습니다.

알고 계셨나요?

"빅 데이터 분석을 활용하면 고장을 최대 26% 줄이고 예상치 못한 가동 중지 시간을 거의 25% 줄일 수 있습니다."
출처:Engineering.com

기술은 또한 데이터 마이닝을 혁신하여 보관된 센서 데이터와 기업 자산 관리 시스템 데이터의 통찰력을 최적화하여 작업 실행을 지원합니다. 데이터 마이닝과 이상 탐지를 결합하면 실시간 진단 및 오류 발생 시간 예측이 향상됩니다. 자산 성과 관리(APM) 시스템이 작동하는 곳이 바로 여기입니다.

대부분의 기계 학습(ML) 및 인공 지능(AI) 기술은 데이터 기반이지만 광범위한 데이터 분석을 위해 설계되지 않았습니다. APM은 ML 데이터 통합 기능을 사용하여 수십억 개의 데이터 포인트를 수집하고 이를 위험을 측정하고 실패를 방지하는 모델로 신속하게 구성함으로써 ML과 AI가 할 수 없는 데이터를 코딩합니다.

오늘날 업계에서 조직은 연결된 자산이 수집된 데이터를 적절하게 활용하기 위해 APM 시스템에 정보를 공급해야 한다는 점을 인식하고 있습니다. 예를 들어, 사우디아라비아의 한 대형 화학 회사는 APM 시스템을 배포하여 파이프의 평균 고장률을 172일에서 2,100일 이상으로 개선하여 1,135%의 개선을 나타냈습니다.

더 나은 예측을 위한 데이터 공유

엔드 투 엔드 IoT(사물 인터넷) 환경을 갖춘 조직의 경우 빅 데이터 분석은 단지 몇 가지 데이터 소스에만 집중할 수 없습니다. APM을 사용하면 조직은 데이터 사일로를 결합하고 운영 컨텍스트 내에서 산업 자산의 고유한 특성을 모델링할 수 있습니다.

이는 산업 부문과 소비자 부문 사이에 상당한 차이가 있는 영역 중 하나입니다. 산업계에서는 실패가 매우 다양할 수 있습니다. 현재 기업 전반에 걸쳐 기계 데이터를 결합하는 데 Google이나 Amazon과 같은 업계 제품이 없기 때문에 이러한 종류의 분석을 개발하는 데 필요한 데이터 풀은 대기업과 OEM(Original Equipment Manufacturer)으로 제한됩니다. 기업은 운영 데이터에 대해 민감하지만 많은 기업은 결함 및 실패 데이터를 다른 사람과 공유하는 것이 전체 업계에 매우 유익하다는 점을 이해하기 시작했습니다.

이러한 데이터 풀을 통해 차세대 데이터 분석의 물결은 엄청난 잠재력을 가지고 있습니다. 이 데이터를 분석함으로써 새로운 결함 패턴을 일치시키고 이전 유사한 사례의 "라이브러리"에 있는 과거 데이터와 비교할 수 있습니다. 이를 통해 자동화된 진단을 통해 문제에 대한 설명과 잠재적인 실패 시간에 대한 예측을 제공할 수 있습니다.

센서가 장착되지 않은 장비의 경우에도 더 큰 데이터 풀은 유사한 작동 조건의 장비를 기반으로 더 나은 통계 분석을 지원합니다. 이를 통해 엔지니어와 운영자는 실제 구성 요소 고장률을 이해하게 되므로 유지 관리 전략을 수립할 때 더 많은 정보를 바탕으로 결정을 내릴 수 있습니다. 현재 기술은 일반적으로 OEM 권장 사항이나 수년 전에 자주 수행된 업계 연구에 의존합니다.

결론

많은 회사에서 유지보수 전략 개발은 주관적이고 경험 중심 프로세스입니다. 객관적인 결정을 내리는 데 필요한 데이터는 드물거나, 존재하지 않거나, 접근하기 어려운 경우가 많습니다. 상태 기반 접근 방식으로 전환하면 자산의 현재 상태에 따라 활동을 기반으로 하여 이 문제의 대부분이 해결되지만, 이러한 기술에도 여전히 상당한 전문 지식이 필요하며 개선의 여지가 있습니다.

고급 데이터 분석을 기계 작업에 적용할 수 있는 잠재력은 유망하지만 여전히 과제가 있습니다. 올바른 종류의 데이터에 액세스하는 것이 중요하며, 많은 기업의 경우 이는 다른 기업과 데이터를 공유하고 거래할 의향이 있음을 의미할 수 있습니다. 기업이 정보를 공유하고 운영을 개선하기 시작하면 경쟁사를 돕는 데 대한 우려보다 이점이 더 크다는 것을 깨닫게 될 것입니다. 

조직은 다운타임으로 인한 직접적인 비용이 비즈니스에 해롭다는 것을 이해하고 있습니다. 대부분의 경우, 이러한 다운타임으로 인해 평판 손상과 같은 간접적인 비용이 직접 비용보다 더 큰 지장을 초래하지는 않더라도 동일하게 발생합니다. 산업 운영자가 수익성과 성장을 유지하려면 자산에 대한 최상의 결과를 제공하는 빅 데이터 전략을 수용해야 합니다. 산업 조직은 데이터를 통해 장애 추세와 특성을 조기에 식별함으로써 단기 및 장기적으로 전반적인 자산 신뢰성을 향상하고 비용을 절감합니다.