예측 정비 성공의 열쇠: 알고리즘보다 사용자 역량 강화

경험 많은 유지보수 엔지니어는 자신이 관리하는 기계에 대한 상세한 정신적 모델을 가지고 있다. 덜거덕거리는 밸브가 임박한 고장을 의미하는지, 다음 계획 정지 때까지 무시해도 안전한지 알고 있다. 자동화된 예측 정비 시스템이 이 지식 풀에 접근할 수 있다면, 어떤 유지보수 활동을 우선순위화할지 결정해야 하는 사용자에게 최상의 지원을 제공하는 법을 배울 수 있다.

사용자 중심적 예측 정비 접근법에서 유지보수 팀은 시스템이 과거에 그들이 유용하다고 여긴 정보를 기반으로 그 정보가 유용할 것이라고 판단할 때만 알림을 받는다.

이는 Netflix나 Amazon 같은 디지털 콘텐츠 제공업체가 각 사용자가 선택한 콘텐츠를 정기적으로 저장하고, 이를 '추천 엔진'에 활용해 사용자 피드백에 지속적으로 반응하며 각 사용자에게 보여줄 영화를 지속적으로 정교화하는 것과 비슷하다.

이는 Senseye가 자산 모니터링 상황뿐만 아니라 사용자 행동을 모델링하고 이해하기 위해 취하는 접근법으로, 그들의 주의가 가장 필요한 곳으로 향하도록 돕는다.

그림 1: 풍부한 컨텍스트와 고품질 상태 모니터링 데이터 환경에서는 자산을 완벽히 모니터링 가능 - 디지털 트윈 접근법처럼. 대부분의 공장 환경은 저컨텍스트이므로 사용자 관심 모델이 예측 정비 소프트웨어 효능을 개선할 수 있다

예측의 힘(과 한계)

모든 예측 정비 이니셔티브는 녹슨 기계에 대고 철봉을 대어 기어박스가 다음 계획 정비 주기 전에 수리가 필요한지 파악하는 것에서부터 정교한 자동화 소프트웨어 모니터링 시스템에 이르기까지, 운영자가 문제가 발생하고 있음을 조기에 식별하도록 돕는 것을 목표로 한다. 주된 목적은 비용이 많이 드는 비계획 가동 중단을 초래할 고장을 충분히 일찍 포착하는 것이다. 종종 생산성 향상과 유지보수 계획 개선 같은 기타 혜택도 있다.

'디지털 트윈' 개념은 현재 특히 인기 있다. 하지만 이 수학적 모델링 접근법의 종종 혼란스러운 마케팅은 이 '트윈'과 상호작용해야 할 사용자와 그것이 그들에게 의미하는 바에 대해서는 거의 언급하지 않는다. 각 자산의 '디지털 트윈'은 사용자가 복잡한 디지털 환경에서 작업하는 데 익숙해야 한다는 것을 의미하기도 한다. 하지만 사용자의 니즈에 훨씬 더 초점을 맞춘 또 다른 접근법이 있다.

많은 고장은 기계 데이터에 독특한 신호나 '지문'을 남기며, 현재 시장에 나온 선도적인 예측 정비 소프트웨어는 전용 상태 모니터링 데이터부터 더 일반적인 플랜트 데이터까지 다양한 입력을 받아들여 이를 포착하는 법을 배울 수 있다. 이러한 시스템은 어떤 패턴이나 특성 신호가 문제가 있을 수 있음을 나타내는지 이해할 수 있다. 일부 경우 충분한 데이터가 있으면 각 자산의 잔여 유용 수명(RUL)까지 계산할 수 있는데, 이를 예지(Prognostics)라 한다.

대부분의 예측 정비 시스템은 공장이나 플랜트 현장의 제한된 데이터로 작동하며, 사전 설정된 임계값을 위반하면 알람을 울린다. 무언가 과열되거나 진동할 때 사용자에게 알릴 수 있지만, 상세한 진단을 내릴 충분한 정보는 없는 경우가 많다.

즉, 시스템은 알람을 울려 '조언'할 수 있지만, 오직 사용자만이 경험과 전문 지식을 바탕으로 언제 행동할지 결정할 수 있다. 결정적으로, 많은 기계가 동시에 모니터링되는 환경에서는 사용자가 쉽게 압도당할 수 있어 상황을 관리하기가 훨씬 까다로워진다. 예측 정비의 과제는 '데이터에서 문제를 발견할 수 있는가'가 아니라 '사용자에게 흥미로운 것을 발견할 수 있는가'다.

누가 사용자를 신경 쓰는가?

알림을 보낼 때 사용자가 버튼 터치 한 번으로 그 알림이 유용한지 아닌지 표시할 수 있게 하는 것이 중요하다고 느낀다. 시간이 지나면서 이는 시스템이 운영자의 주의를 가장 시급한 유지보수 우선순위로 향하도록 가르친다. 이는 자동으로 이루어지므로 운영자는 데이터 분석 전문 지식이 필요 없다.

다시 말해, Senseye의 사용자 중심적 데이터 분석 접근법은 사용자의 반응을 모델링해 주의를 유도한다. Senseye 솔루션과 사용자 사이의 이 피드백 루프는 알림 수가 거의 모든 것이 사용자에게 도움이 되는 안정적인 수준에 도달할 때까지 점차 줄어들게 한다.

고급 분석의 검증된 결과 - 기계와 유지보수자 모두를 위해

데이터 분석은 들어오는 방대한 플랜트 데이터 내에서 패턴을 찾는 것이다. 예를 들어 Senseye PdM 뒤의 독자 알고리즘 또는 패턴 엔진은 잠재적 고장 이전의 특성 행동을 포착하고 독자적인 어텐션 인덱스를 사용해 알림을 트리거하도록 설계되었다. 여러 유형의 패턴이 어텐션 인덱스 알림을 트리거할 수 있다: 이상 징후는 불안정한 데이터 기간, 추세는 기준선의 점진적 변화, 위반은 사용자가 지정한 임계값이나 규칙 초과다.

하지만 이 모든 기발한 데이터 분석도 사용자에게 진정한 비즈니스 혜택을 제공하지 못하면 의미 없다. 다행히 Senseye PdM은 다양한 산업에서 생산성 약속을 이행하는 강력한 실적을 보유하고 있다. 기존 고객들은 일반적으로 가동 중단 50% 감소, 생산성 55% 증가, 유지보수 정확도 85% 향상을 누린다.

더구나 Senseye PdM은 Senseye의 ROI Lock® 보증도 받고 있다: Senseye PdM 배포가 사전에 합의한 대로 비계획 가동 중단을 줄이지 못하면 고객은 전체 구독료 환불을 청구할 수 있다.

우리가 유지보수 사용자와 그들이 감시하는 자산을 어떻게 모델링하는지 더 알고 싶다면, Senseye PdM 이 유지보수 노력을 가장 큰 효과를 내는 곳으로 안내하는 방법에 대한 자세한 백서를 준비했다. 아래에서 자세한 백서를 다운로드하거나 데모를 신청해 시작해보세요!