산업 자산 유지보수를 위한 데이터 사이언스: 실질적 비즈니스 가치 창출

산업 자산의 상태와 유지보수 요구사항을 예측해 고장을 예방하는 것은 거대한 도전이다. 데이터 사이언스 세계는 실제 환경에서 결과를 내기 어려운 모델들로 가득 차 있다. 그렇다면 최선의 접근법은 무엇인가?

이론과 실전

이론적으로 이론과 실전은 같다. 실전에서는 그렇지 않다. 이 말이 산업 자산 모델을 현장에서 개선을 제공하는 실행 가능한 통찰로 변환하려 할 때만큼 참인 곳은 없다. 데이터 사이언스 학술 논문은 특정 알고리즘이 어떻게 다른 알고리즘보다 1-2% 포인트 개선할 수 있는지 보여주는 분석을 포함할 수 있지만, 공장 환경에서는 노이즈 신호를 뚫고 어떤 패턴이든 발견하는 것 자체가 도전일 수 있다.

하지만 이는 실제 조건에서 작동하는 견고한 모델을 개발하는 데 성공한 DIY 모델 개발자들이 즉시 직면하는 다음 큰 문제일 뿐이다: 유용한 모델은 개발만 해서는 안 되고 배포되어야 한다.

배포는 자연스럽게 대규모 모델 실행을 의미한다. 하지만 또한 결과를 친근하게 제시하고, 다른 그룹이 알림 우선순위를 정하고 피드백을 수집할 수 있게 해 사용자를 만족시키는 인터페이스 제공도 의미한다. 주요 공장에서 20,000대의 로봇이 작동한다면, 그들 모두에 대한 인터랙티브 차트를 표시하는 사용자 인터페이스를 배포하는 것조차 사소하지 않다. 사실 DIY 모델러들은 실제로 자신들이 자신만의 앱을 개발하려 한다는 것을 알게 된다. 이는 극도로 자원 집약적이고 비용이 많이 들 수 있다.

전문가에게 물어보라(Ask the Experts)

이러한 이유로 자체 데이터 사이언스 전문성과 쇼핑 플로어 사용자가 필요한 정보에 쉽게 접근할 수 있게 하는 배포 지원을 갖춘 전문 공급업체와 협력하는 것이 거의 항상 더 낫다. 기업은 자체 맞춤 모델이 공급업체가 생성한 범용 알고리즘보다 더 잘 수행될 수 있다고 생각할 수 있다. 그러나 차이는 종종 미미하며, 혼자 하는 것의 부정적 측면들에 의해 훨씬 능가될 수 있다.

예를 들어, Senseye의 예측 정비 솔루션인 Senseye PdM에 사용되는 모델들은 종종 맞춤 모델과 동등하거나 더 나은 성능을 보인다. 독특한 머신러닝 알고리즘은 데이터를 제조 자산의 잔여 유용 수명(RUL)에 대한 정확한 예측으로 전환한다. 이를 예지(Prognostics)라 한다.

Senseye PdM이 기대를 뛰어넘는 성능을 일상적으로 보이는 한 가지 이유는 알고리즘이 같은 제조사와 모델이라도 모든 기계를 고유한 것으로 취급하기 때문이다. 같은 것으로 시작된 기계들도 즉각적 환경의 차이나 수행하는 작업의 차이로 인해 시간이 지남에 따라 다르게 행동하고 마모된다. 각 자산을 고유한 '행동 지문'을 가진 개별체로 취급하는 것은 Senseye PdM의 예지 정확도를 상당히 높이고, 생산 자산 담당 팀이 가동 시간을 극대화하도록 더 잘 지원한다.

검증된 알고리즘의 입증된 성능을 제공하는 것 외에도, Senseye와 협력하면 견고한 성능, 확장, 배포, 사용성, 보안 주변의 모든 수반되는 골칫거리를 제거할 수 있다.

잠재적 사용자가 이미 맞춤 모델을 개발했고 사용하고 싶다면, Senseye는 API를 통해 시스템에 통합할 수 있다. 맞춤 모델 자체가 Senseye PdM에 통합되지 않더라도, 솔루션은 여전히 맞춤 모델의 결과를 유용한 입력으로 받아들일 수 있다.

하지만 Senseye가 자체 정교한 범용 알고리즘을 배포하는 것이 훨씬 더 일반적이다. Senseye의 데이터 사이언티스트들은 우리가 원하는 방식이 아닌, 있는 그대로의 현실 세계를 다루는 데 집중하므로, 모델은 가장 노이즈가 많은 데이터 환경에서도 극도로 견고하다.

사용자가 예지와 예측 정비를 구현하려 할 때, 이 견고한 접근법은 고장 데이터 포착 시 특히 중요하다. 상대적으로 혼란스러운 순간일 수 있는 상황에서, 노이즈 아래에서 의미 있는 정보를 추출해 시스템이 임박한 고장을 식별하고 자산이 다시 고장나기 전에 알림을 올릴 수 있게 하는 것이 필수적이다.

함께 일하기(Working Together)

외부 전문가 영입이 상태 모니터링과 예측 정비를 위한 모델 배포에 가장 자원 효율적인 방법이지만, 사용자는 범용 데이터 모델에서 최대를 이끌어내는 데 중요한 역할을 한다.

우선, 범용 모델 배포 시 항상 학습 곡선이 있다. 예를 들어 Senseye PdM은 처음에 정상 작동 조건에서 각 자산의 고유한 행동 '지문'을 구축하며 결과를 전달하는 데 14일이 걸린다.

조건 모니터링 전문가와 기계 엔지니어를 포함한 고객 팀의 사내 전문성과 경험, 그리고 우리의 기술 전문가가 이 과정에 기여해, Senseye가 사용자가 가장 관심 있는 데이터와 이벤트의 우선순위를 정하도록 시스템을 선행 구성할 수 있게 한다. 이는 알고리즘의 초기 학습 과정을 가속화한다. 장기적으로, 정기적 피드백 시스템은 알고리즘이 사용자에게 중요한 이벤트와 추세가 무엇이고 무관한 것이 무엇인지에 대한 그림을 구축하게 해, 시간이 지남에 따라 각 기계의 행동을 점점 더 정확하게 예측하도록 점차 적응하는 범용 모델 배포 시 유용하다.

실제 결과(Real-World Results)

제대로 하면 비즈니스 혜택은 극도로 인상적이다. Senseye PdM은 일반적으로 비계획 기계 가동 중단을 50% 줄이고, 유지보수 직원 생산성을 55% 높이며, 가동 중단 예측 정확도를 85% 향상시킨다.

일반적으로 이러한 혜택은 맞춤 알고리즘으로는 따라잡기 어렵기 때문에, 뛰어난 결과를 얻기 위해 탁월한 접근법이 강력히 권장된다.

백서 'Harness The Power of Prediction"을 읽거나 ROI 계산기를 사용해 어떻게 혜택을 볼 수 있는지 확인해보세요.