예측 정비 PoC 성공 가이드: 검증된 실행 전략

이 블로그에서는 성공적이었던 PoC(개념 증명)와 실패했던 PoC에서 얻은 교훈을 공유한다. 모든 PoC가 확장이란 최종 목표를 달성했다고 말하고 싶지만, 그것은 우리가 이제 공유할 수 있는 귀중한 통찰, 즉 같은 실수를 반복하지 않도록 돕는 통찰을 무시하는 일이 될 것이다.

서론

AI와 분석은 뜨거운 주제이며, 거의 모든 공급업체가 자사의 예측 분석 플랫폼으로 '예측 정비(PdM)를 할 수 있다'고 주장한다. 그러나 PdM 소프트웨어 공급업체와의 관계는 일반적으로 장기적이며 많은 신뢰를 필요로 한다. 시장에 소음이 많은 만큼 잠재적 공급업체를 추려내는 과정을 거치는 것이 합리적이다. 의사를 선택할 때처럼, 해당 공급업체가 주장하는 역량을 실제로 갖췄는지 확신할 수 있어야 한다.

조직이 올바른 공급업체를 선택할 뿐만 아니라, 조직 자체도 PdM 프로젝트 성공에 필요한 모든 것을 갖추고 있는지, 그리고 제공되는 이점을 활용하기 위해 변화하고 적응할 준비가 되었는지 확인하는 작업이 종종 필요하다. PdM PoC는 올바르게 수행된다면 이를 보장하는 데 도움이 될 수 있다.

우리의 경험상 많은 기업이 원하는 결과를 얻기 전에 여러 번의 PdM PoC를 시도하고 실패한다. 우리 고객 중 일부는 세 가지 다른 솔루션을 시도한 끝에야 비로소 기대했던 결과를 얻었다. 실패에서 얻은 교훈은 종종 공급업체만의 잘못이 아니었다는 점이다. 문제는 내부에 있었다. 다른 업계 프로젝트에서의 성공 사례를 인지한 덕분에 내부적으로 변화를 시도할 자신감을 얻었고, 끈질기게 노력해 성공을 이뤄낼 수 있었다.

예측 분석 ≠ 예측 정비

흔한 오해 하나를 짚고 넘어가야 한다: 예측 분석 도구는 PdM 프로그램의 일부로 사용될 수 있지만, 예측 분석과 PdM은 완전히 다른 것이다.

데이터 사이언티스트는 기계 데이터를 분석해 이상 징후와 추세를 파악하고 그럴듯한 스크린샷을 만들어낼 수 있다. 하지만 그것이 기계 건전성에 어떤 의미인지 깊이 이해하고, 이 새로운 정보를 바탕으로 어떤 유지보수 전략을 채택할지 심도 있게 논의하는 것은 전혀 별개의 문제다. 순수한 데이터 사이언티스트는 일반적으로 유지보수 엔지니어로서 행동하는 데 필요한 경험과 지식이 부족하다. 결과적으로 그들이 고안한 맞춤형 알고리즘은 실제 산업 현장에서 종종 저조한 성능을 보인다.

예측 분석에 더 익숙한 공급업체 식별하기

특수 기계는 고유한 고장 모드를 가질 수 있지만, 모터, 기어박스, 로봇 등 일반적인 기계의 고장 모드와 이를 감지하는 데 필요한 정보 유형은 상태 모니터링 관점에서 매우 잘 알려져 있다. 고장은 본질적으로 '있는 그대로'이므로, 공급업체가 기계 고장 모드에 대해 기초적인 질문을 던지거나 모든 것을 정의해달라고 요청한다면, 그들은 상태 모니터링이나 기계 유지보수 분야의 배경 지식이 없으며 무엇을 하고 있는지 모른다는 신호다. 성공 확률은 매우 낮다.

초기 단계부터 모든 것에 레이블을 붙이도록 요청하면서, 유지보수 로그에 표시된 내용을 이해하고 상관관계를 도출하지 못한다면, 그 공급업체는 맞춤형 모델링 접근법을 취할 가능성이 높다. 이는 최대 수십 대의 기계까지는 좋은 결과를 낼 수 있지만, 그 이상으로는 확장성과 비용 면에서 어려움을 겪는다.

유지보수는 궁극적으로 실무적인 '현장 중심' 분야인 반면, 데이터 분석은 이론과 고급 수학의 적용에 뿌리를 두고 있다. PoC는 이 두 세계가 수렴해 PdM을 통해 측정 가능한 비즈니스 혜택을 제공하는 지점이어야 한다.

올바른 PdM 공급업체를 찾는 것은 어렵다. 그들은 귀사의 유지보수 관행, 기계, 그리고 달성하고자 하는 비즈니스 결과를 이해해야 하며, 귀사만큼 그 목표 달성에 전념해야 한다. 그리고 적절한 이론과 수학을 적용해 경제적이고 조직적으로 확장 가능한 방식으로 이를 실현해야 한다.

모범 사례와 피해야 할 일반적인 함정에 대한 자세한 내용은 아래 백서 'How to Run a Predictive Maintenance Proof of Concept'을 다운로드하시기 바랍니다.