기계 학습이 자산 가용성을 향상시키는 방법

제조 산업의 기계 학습 응용 프로그램은 수년 동안 사용되어 왔습니다. 초기(10년 전)에는 막대한 자원을 보유한 대기업 전용이었습니다. 응용 프로그램을 구입하고 배포하는 데 비용이 많이 들었습니다. 일단 배포된 애플리케이션은 자산 모델을 유지 관리하고 기계 학습 애플리케이션의 결과를 평가하기 위해 광범위한 엔지니어링 직원이 필요했습니다. 오늘날에는 단기간에, 어떤 경우에는 시험적으로 배포할 수 있는 산업용 응용 프로그램용 기계 학습 응용 프로그램이 많이 있습니다. 이 백서에서는 머신 러닝 애플리케이션을 활용하여 자산을 모니터링하는 방법에 대한 개요를 제공하고 현재 제공되는 다양한 머신 러닝 애플리케이션에 대해 논의하고 향후 애플리케이션에 대해 자세히 설명합니다.

제조 장비 가용성 향상을 위한 머신 러닝

기계 학습 응용 프로그램은 가장 빨리 발생하는 기계 오류 지점을 식별하는 데 사용됩니다. PF 곡선에 익숙하다면 잠재적인 고장을 일찍 식별할수록 더 좋다는 것을 알 수 있습니다. 기계 학습 소프트웨어 애플리케이션에서는 자산 모델을 구축하는 것으로 시작합니다. 모델은 특정 자산과 연관된 모든 프로세스 매개변수 및 제조 장비 매개변수로 구성됩니다. 이러한 매개변수는 일반적으로 플랜트 DCS, 관련 PLC, 전자 로그 등에서 데이터를 캡처하는 데이터 히스토리안에 저장됩니다. 펌프를 예로 사용하면 흡입 압력, 토출 압력, 제어 밸브 위치, 베어링 온도 및 베어링 진동이 모델에 포함할 매개변수의 몇 가지 좋은 예입니다. 대부분의 모델에는 10-30개의 매개변수가 있지만 일부 모델에는 100개에 가까운 매개변수가 있습니다.

모델이 생성되면 과거 운영 데이터를 모델로 가져옵니다. 이것은 일반적으로 훈련 데이터 세트로 알려져 있으며 1년의 데이터를 포함합니다. 1년 간의 데이터를 통해 모델은 운영의 계절적 변화를 설명할 수 있습니다. 자산 운용에 정통한 사람은 훈련 데이터 세트에 "포함"할 데이터(양호한 작업)와 훈련 데이터 세트에서 "제외"할 데이터(잘못된 작업)를 식별합니다. 그런 다음 기계 학습 애플리케이션은 훈련된 데이터 세트를 사용하여 자산에 대한 운영 매트릭스를 개발합니다. 매트릭스는 기본적으로 매트릭스를 생성하는 데 사용된 교육 데이터를 기반으로 주어진 시간에 기계가 어떻게 작동해야 하는지 식별합니다.

이제 여기에서 마법이 발생합니다. 소프트웨어 애플리케이션 내에 기계 매트릭스가 배포되어 기계 작동을 지속적으로 모니터링하고 개발한 매트릭스를 기반으로 기계 매개변수가 실행되어야 하는 위치를 예측합니다. 매개변수가 모델 예측에서 상당한 비율로 벗어나면 시스템은 해당 특정 매개변수에 대한 경고 조건을 생성합니다. 그런 다음 자산에 대한 엔지니어링 평가를 수행하여 상태 변화를 평가합니다. 평가 시 다음과 같은 세 가지 일반적인 결과가 발생할 수 있습니다. 1) 경보가 유효하고 공장에 상태를 알리고 문제를 해결하기 위해 현지 자원과 협력합니다. 2) 경보에는 추가 연구/운영 데이터가 필요하며 경보 조건에 대해 매개변수 및 모든 관련 매개변수를 계속 모니터링해야 합니다. 3) 경고가 가양성인 경우 추가 운영 데이터로 모델을 재교육하고 모델을 재배포합니다.

어떤 경우든 기계 학습 애플리케이션에는 모델을 유지 관리하고 공장 장비 소유자와 함께 제조 장비 문제를 해결하기 위한 전용 리소스가 필요합니다. 정규직 자원은 일반적으로 모델 유지 관리 시간의 40%, 문제 해결을 위해 공장 자원과 협력하는 시간의 40%, 프로그램에서 생성된 지원을 평가하는 시간의 20%를 사용합니다.

기계 학습 결과

기계 학습 응용 프로그램의 결과는 매우 강력합니다. 이러한 소프트웨어 응용 프로그램은 사람의 눈에는 감지할 수 없는 제조 기계 조건 또는 공정 매개변수의 변경 사항을 식별합니다. 그림 1은 베어링으로의 오일 흐름 손실로 인해 1차 공기 팬에서 증가된 베어링 진동을 보여줍니다. 팬의 아웃보드 베어링에 경보 조건이 들어왔습니다. 기계 학습 애플리케이션은 베어링 진동이 현재 작동 조건에서 약 3.5mil이어야 한다고 예측했습니다. 베어링 진동은 예상 값에서 천천히 벗어났고 경고 조건은 4.7mils에서 발생했습니다. 공장은 경보 상태를 통보받았고 팬을 육안으로 검사한 결과 베어링 캡 연결부에서 오일 라인에 누출이 발생한 것으로 확인되었습니다. 팬의 흡입은 베어링 받침대 근처의 각 끝에서 이루어졌습니다. 팬은 실제로 팬 하우징으로 오일을 빨아들이고 있었기 때문에 지면에 누출의 징후는 없었습니다. 팬 블레이드의 오일은 먼지와 부스러기를 수집하여 팬의 균형을 잃고 진동을 증가시킵니다. 공장 자원은 베어링이 손상되기 전에 누출을 막기 위한 시정 조치를 취할 수 있었습니다.

그림 1. 팬 베어링 진동 증가

그림 2는 대형 터빈 발전기 세트에서 수소 순도가 천천히 감소하는 모습입니다. 녹색 선은 모델 예측 값입니다. 파란색 선은 실제 값이고 빨간색 점은 매개변수가 알람이 발생한 위치입니다. 이 한 달 동안의 추세 동안 현지 승무원은 수소 순도가 천천히 저하되는 것을 눈치채지 못했습니다. 공장은 지역 경보 또는 공장 가동 중단을 사전에 통보받았고 위기 모드에서 작동하지 않고 상황을 관리할 시간을 주었습니다.

그림 2. 발전기 수소 순도