AI 기반 예지보전으로 제로 다운타임 달성

2000년대 중반, 켄터키주 조지타운에 있는 토요타 북미 공장의 압축 공기 시스템이 연평균 1회 이상 다운되었습니다. 이로 인해 머신러닝과 AI를 활용해 이상 탐지, 결함 식별, 그리고 무엇보다 임박한 고장을 발생 전에 예측함으로써 이 문제를 해결할 수 있을지 고민하게 되었습니다.

압축 공기 시스템의 예기치 않은 다운타임은 당연히 공장 전체에 문제를 야기했습니다. 도장 공장은 신차 도장에 압축 공기를 사용했고, 에어 공구에 동력을 공급했으며, 샌딩 잔여물 등을 불어내는 데 압축 공기만큼 좋은 것은 없었습니다.

두 교대 근무 중 25초마다 한 대의 완성 차량이 세 라인 중 하나에서 나오던 상황에서, 압축 공기 유틸리티가 고장 나면 결과는 심각했습니다.

"라인이 멈추면 비용이 엄청납니다."라고 공장의 프로젝트 매니저이자 전기 분야 전문가인 마크 러커(Mark Rucker)는 말했습니다. "그래서 믿을 수 있고 안정적인 유틸리티를 갖추는 데 큰 동기가 있습니다."

수백만 달러 규모의 압축 공기 시스템은 인거솔랜드(Ingersoll Rand) 원심 공기 압축기 12대로 구성되며, 각 압축기는 소형 세미트럭만 한 크기입니다. 각 압축기의 최종 단계 블레이드는 하우징에서 1인치도 안 되는 거리에서 20,000rpm으로 회전합니다. 블레이드가 사양에서 조금이라도 벗어나 하우징에 닿으면 끝장입니다. 기계 전체를 약 10만 달러 비용으로 재조립해야 합니다.

블레이드의 흔들림은 충돌의 원인이 아니라 결과입니다.

충돌(서지 또는 역류라고도 함)은 압축기에서 파이프로 가는 정상 공기 흐름이 역전하려 하고 파이프 안의 공기가 밀어낼 때 발생합니다.

충돌의 빈도, 비용, 결과 때문에 토요타는 지능형 유지보수 시스템의 창립 디렉터 제이 리(Jay Lee)에게 도움을 요청했습니다.

인더스트리 4.0 곡선을 앞서간 제이 리

새 천년이 시작될 무렵, 토요타의 요청 이전에 리는 신시내티 대학의 공학 교수로 공장의 모든 기계가 연결되어 지능형 유지보수를 위한 데이터를 제공하는 비전을 그렸습니다. 당시에는 리의 비전을 현실화하는 데 필요한 기술의 대부분이 아직 존재하지 않았습니다.

"20년 전에는 거의 아무도 가능하다고 믿지 않았습니다."라고 현재 위스콘신 폭스콘 테크놀로지 그룹의 부회장 겸 이사회 멤버로 재직 중인 리는 말했습니다.

그의 산업 비전에서 기계는 환자이고, 기계를 모니터링하는 센서에서 수집된 데이터는 기계의 건강 상태에 대한 정보를 제공합니다. 전문가들은 수집하고 분석한 데이터를 해석해 예후를 도출합니다.

"'기계의 피를 검사해보면 어떨까?'라고 말했습니다. 기계의 피는 무엇일까요? 데이터입니다. 문제는 '어떤 데이터를 얻고 싶은가?'입니다. 분석하고자 하는 대상에 따라 다릅니다. 맥락과 내용을 이해하고, 보이지 않는 미지의 것들 사이의 관계 모델을 추가로 정립해야 합니다."라고 리는 말했습니다.

데이터 속에 기계나 공정의 일탈 행동에 대한 의미가 숨어 있습니다. 그 의미를 풀어내면 품질 예측, 기계나 공정의 안정성 판단, 잠재적 고장 예방으로 이어집니다. "그것이 바로 오늘날 인더스트리 4.0의 핵심입니다."라고 리는 말했습니다.

'인더스트리 4.0'이라는 용어는 물론 2013년 독일 정부의 이니셔티브 무렵에야 널리 알려지게 되었습니다.

2006년 이후 충돌 제로

토요타에 합류한 리와 그의 데이터 분석가 팀은 러커와 숙련된 유지보수 작업자들, 플랜트 엔지니어 그룹과 함께 압축 공기 시스템 문제 해결에 나섰습니다.

그들의 질문이 단순해 보였지만 앞으로의 과제는 복잡했습니다.

"역류 문제를 충돌을 일으키기 전에 예측할 수 있을까? 무언가 발전하는 것을 보고 제때 조치할 수 있을까?"라고 러커는 말했습니다.

2005년 몇 달간의 시행착오 끝에 팀은 압축기 한 대에서 고충실도 데이터를 수집·분석하고 이상 징후를 찾았습니다. 때로는 팀이 서지 또는 서지 접근 조건을 만들어 기계가 일탈 행동을 보이게 강제하고, 그것이 데이터 세트에서 어떻게 보이는지 관찰했습니다.

결국 팀의 노력은 결실을 맺었습니다. 압축기가 거치는 4단계(정상 압력에서 120 PSI까지 진행) 중 2단계에서 임박한 서지 조건의 최적 예측 지표가 발생한다는 것을 발견했습니다.

"그 뒤에 숨은 물리학은 무엇일까, 왜 이것이 예측 지표가 되는가?"라고 러커는 말했습니다. "모르고, 알 필요도 없습니다. 이것이 미래의 서지를 안정적으로 예측하고, 몇 초의 경고 시간으로 예측한다는 것만 확인했습니다."

다음 단계는 각 압축기에 차압 센서를 장착하고 중앙 제어 장치용 머신러닝 알고리즘을 만드는 것이었습니다. 테스트 결과 2단계가 '흔들리기' 시작하면 압축기가 즉시 후퇴하기 시작함을 확인했습니다.

"테스트할 때마다 우리를 위험에서 지켜주었습니다. 2006년 이후 충돌이 단 한 건도 없었습니다."라고 그는 말했습니다.

압축기 서지 제어 프로젝트는 성공했지만, 압축 공기 거대 설비의 베어링 수명 예측에 초점을 맞춘 또 다른 프로젝트는 실패했습니다. 팀은 충분한 신뢰성 있는 유지보수 데이터를 찾아 기계 작동 데이터와 짝지어 유용한 상관관계를 도출할 수 없었다고 러커는 말했습니다.

"그게 아마 R&D의 적절한 비율일 겁니다. 이것저것 시도해보고, 작동할지 알 수 없습니다. 절반 정도 투자 회수하면 성공이고, 가끔 모든 비용을 충당하는 대박(서지 제어 같은)을 터뜨립니다."라고 그는 말했습니다.

유연성이 핵심

리는 이후 토요타 프로젝트에 대한 논문을 발표했고, 2013년에는 지능형 유지보수 시스템의 직원 패트릭 브라운(Patrick Brown)과 대학원생 데이비드 시겔(David Siegel), 에드젤 라피라(Edzel Lapira)와 함께 프레딕트로닉스(Predictronics)를 공동 설립했습니다. 브라운, 라피라, 시겔이 프레딕트로닉스 C-수트를 구성합니다.

토요타의 러커가 압축 공기 문제로 AI 도움을 요청했듯, 기업들은 제로 다운타임 열망을 위해 프레딕트로닉스를 찾습니다.

"고객마다 성숙도 수준이 다릅니다."라고 CEO인 라피라는 말했습니다. "이미 데이터 수집 구조를 갖춘 고객도 있습니다: 데이터 레이크가 있지만 데이터를 어떻게 활용할지 모릅니다. 아예 처음부터 시작해야 하는 고객도 있습니다."

50~60년 된 자산을 가진 고객은 더 이른 단계부터 시작해야 합니다.

점점 더 많은 레거시 기계를 가진 고객들이 프레딕트로닉스에 접근하고 있습니다. 라피라와 동료들은 그들에게 가속도계, 변환기 같은 구성 요소 구매를 안내합니다.

"이것들이 데이터를 끌어내기 위해 필요한 다양한 아날로그-디지털 변환기들입니다."라고 그는 말했습니다.

2013년 설립 이후 프레딕트로닉스는 70개 이상의 공장에 AI 솔루션을 도왔으며, 그중 다수는 포춘 500대 기업입니다.

프레딕트로닉스는 한 반도체 제조업체와 협력해 센서 변수와 측정 변수 간의 관계를 학습하는 가상 계측 예지 솔루션을 구축했습니다.

이 프로젝트는 반도체 장비가 쏟아내는 수백 개의 측정 신호 때문에 어려웠습니다.

가능성을 좁히는 잘 알려진 통계적 방법들이 있다고 시겔은 말했습니다.

"그런 방법들 외에도 지난 몇 년간 머신러닝 커뮤니티가 내장된 변수 선택 부분을 가진 분류 회귀 알고리즘을 개발해 왔습니다. 그래서 상위 10개, 20개, 30개 변수로 좁힐 수 있습니다. 그런 다음 고객과 협력하거나 자체 지식을 활용해 소프트웨어와 분석 모델에 포함시킬 가장 적절한 변수를 결정합니다."

프레딕트로닉스가 이전 경험에서 얻은 지식을 템플릿 기반 접근법(비용 절감에 도움)에 적용하든, 회사 한 부분에서 공식화된 솔루션을 사내에서 확장하든, "가장 중요한 문제를 직접 해결하면서도 다른 문제에 적용할 수 있을 만큼 충분히 유연한 솔루션을 찾는 것이 핵심입니다."라고 브라운은 말했습니다.

AI 도입 시 실사(due diligence) 필수

토요타가 압축 공기 문제로 AI 솔루션 제공업체를 찾아다녔듯, 공장들은 적합한 AI 솔루션 제공업체를 찾을 때 실사를 철저히 해야 합니다.

올바른 질문을 아는 것이 도움이 된다고 프레딕트로닉스 전문들은 조언합니다:

• 귀사 서비스가 이전에 어디에 사용되었습니까?
• 귀사 솔루션이 다운타임 감소나 품질 향상 측면에서 비즈니스 운영에 명확한 개선을 입증했습니까?
• 귀사 솔루션이 제 업계에서 사용되었습니까?
• 귀사 팀에 산업 도메인 지식이 있습니까?
• 귀사 솔루션이 레거시 장비와 호환됩니까?
• 귀사 솔루션이 다양한 센서와 호환됩니까?
• 귀사 솔루션이 머신러닝을 사용합니까?
• 모델 훈련에 얼마나 많은 데이터가 필요합니까?
• 건전한 기계 데이터만 필요한가, 저하되거나 고장 난 기계 데이터도 학습에 필요한가?

로봇도 AI를 원한다

작업장의 공작 기계가 AI 영향으로 더 나은 성능을 내는 동안, 로봇도 똑같이 할 수 있습니다.

화낙 아메리카(Fanuc America)는 최근 로봇 컨트롤러와 로봇 비전 기능인 iRVision에 'AI 오류 방지'를 추가했습니다. 이는 머신러닝(ML)을 사용해 부품을 검사합니다.

오류 방지 기능을 사용하면 조작자가 이미지를 사용해 ML을 학습시켜 두 가지 뚜렷한 상황(예: 용접 너트 존재 여부)을 확인하고 부품을 승인하거나 거부하게 할 수 있습니다.

iRVision은 최대 27대의 카메라를 지원하므로 오류 방지 기능을 제조 공정의 많은 지점에서 작동시킬 수 있습니다.

"나쁜 부품에 계속 가치를 더하기 전에 거부나 오류를 식별하고 싶습니다."라고 화낙의 머신 비전 그룹 스태프 엔지니어 조시 퍼슨(Josh Person)은 말했습니다.

"종종 한 단계에서 오류를 볼 수 있는데 다음 단계가 그것을 덮어버립니다."라고 그는 덧붙였습니다.

설정 시 조작자는 여러 작업물 예시를 제시하고 좋음/나쁨 두 범주로 분류할 수 있습니다. 예시가 어느 범주에도 속하지 않으면 '미정'을 출력합니다. 미정 예시는 학습 모델 개선에 추가할 수 있습니다.

LIMS 에지 디바이스로 인더스트리 4.0 도입 가속화: 생산성 및 경쟁력 강화 항공우주·방위 분야, 특징 기반 제품 라인 엔지니어링 도입으로 탁월성 달성