제조 현장 유지보수 최적화: 디지털 데이터 활용해 최고 성능 달성

디지털 유니버스는 2년마다 크기가 두 배로 늘어나, 2013년 4.4조 기가바이트에서 2020년 44조로 성장할 것으로 예상됩니다. 기업은 이 디지털 유니버스에 보관된 데이터의 약 85%에 대한 책임을 지고 있다고 EMC Digital Universe에 따르면 보고되었습니다.

제조 플랜트는 이러한 데이터 생산에 기여하는 기업 유형 중 하나로, 기계 상태를 모니터링하기 위해 공정 데이터를 수집합니다. 자동화 부품 공급업체 EU Automation의 미국 매니저 클라우디아 자렛(Claudia Jarret)에 따르면, 플랜트 엔지니어는 이 데이터를 최대한 활용해 유지보수 일정이 플랜트에 이롭게 작용하도록 할 수 있습니다.

고객 수요를 따라잡으면서 유연성을 유지해야 하는 끊임없는 압박에 직면한 제조업체는 플랜트 다운타임의 위협을 예리하게 인식하고 있다고 자렛은 설명했습니다. 기계 고장을 포함한 수많은 요인으로 인해 발생하는 다운타임은 제조업체에 시간당 최대 260,000달러의 비용을 초래할 수 있다고 분석 회사 Aberdeen Research에 따르면 보고되었습니다.

따라서 장비가 고장 나기 전에 유지보수하는 예방 유지보수는, 고장 후 수리에 초점을 맞춘 사후 유지보수보다 필수적입니다.

하지만 식음료나 자동차 부품 제조 같은 대량 생산, 저마진 산업 종사자들에게 예방 유지보수는 높은 초기 비용 인식 때문에 잘못해서 달성 불가능한 것으로 여겨질 수 있습니다.

예방

과열 모터나 열전달 시스템 누수 등으로 시스템이 고장 나길 기다리던 시대는 다행히 지났습니다. 자렛은 말했습니다. 플랜트 관리자는 이제 정기 검사, 업그레이드, 문제 해결을 계획해 고장을 방지합니다. 이러한 간단한 단계는 예방 유지보수를 수행하는 한 가지 방법입니다.

하지만 인더스트리 4.0 기술인 상태 모니터링이 더 접근 가능해지면서, 더 스마트하고 정확하며 시간 소모가 적은 방법들이 उपलब्ध해졌습니다.

많은 제조 플랜트는 이제 예측 유지보수—예방 유지보수의 정교한 형태—를 사용해 장비가 얼마나 잘 작동하는지 파악하고 고장이 발생하기 전에 정확하게 예측합니다. 이는 다운타임을 초래하는 고장 위험을 줄일 뿐만 아니라, 필요한 교체 부품을 장비 고장 시 대비해 미리 주문해 재고로 둘 수 있게 합니다.

또한 장비 건강 상태 모니터링은 이전에 대대적인 점검이 필요했던 개선을 점진적 조정으로 가능하게 합니다. 변경은 비효율적 요소를 제거하고 마모 부품의 유지보수나 교체를 통해 장비 수명을 늘림으로써 공정 효율을 개선하고 궁극적으로 비용을 절감할 수 있습니다.

어디서 시작할까

플랜트 관리자가 예방 유지보수 일정을 구현할 때 첫 단계는 가능한 한 많은 데이터를 수집하는 것이라고 자렛은 조언했습니다. 여기에는 해당 플랜트의 다운타임 실제 비용에 대한 정확한 추정이 포함되어야 합니다. 스마트 센서, 매출 수치, 개조 시스템에서 수집된 데이터를 취합하면 매출 손실, 제품 폐기, 긴급 수리 비용을 고려할 수 있어 유용한 기준 수치를 제공할 수 있습니다.

플랜트 경험을 활용해 유지보수 엔지니어도 이상적인 플랜을 수립하는 데 참여해야 합니다. 여기에는 더 높은 수준의 유지보수가 필요할 것으로 보이는 영역, 예를 들어 노후 장비나 모터, 터빈, 기타 움직이는 부품처럼 본질적으로 고장이 잦은 기계가 포함됩니다.

이 계획은 예산과 함께 사용돼 현실적인 유지보수 계획을 수립할 수 있습니다. 여기에는 어떤 수준의 예방 유지보수를 사용할 수 있는지 포함됩니다. 일부 제조업체에겐 이는 플랜트 섹션별 월 1회 정기 장비 점검, 더 변동성이 큰 기계는 매일 점검을 의미할 수 있습니다.

데이터

진정한 예측 유지보수가 목표라면, 온도, 압력, 진동 같은 데이터가 센서에 의해 수집되고 지속적으로 통합, 저장, 분석됩니다. 제조업체의 다음 질문은 이 가치 있지만 큰 데이터 세트를 어떻게 최대한 활용할 것인가입니다.

데이터가 수집되면, 그 잠재력을 최대한 활용하기 위한 다음 단계는 분석을 시작하는 것입니다. 데이터 분석의 한 인기 있는 옵션은 클라우드 분석 서비스입니다. 여기에서 원시 데이터가 클라우드로 전송돼 저장되고, 고장을 포함한 이벤트를 예측할 수 있는 트렌드 분석이 수행됩니다. 많은 서비스는 알림 시스템도 통합해 임박한 고장 경고를 웹 포털, 앱, 이메일, 문자 메시지로 관련 직원에게 보낼 수 있습니다.

사이버보안, 클라우드에 저장된 데이터의 장기적 안정성, 데이터 수집과 분석 간 지연 등을 우려하는 다른 제조업체는 원시 데이터를 사내에서 분석합니다. 이는 종종 훨씬 더 리소스 집약적이지만, 플랜트 관리자에게 데이터에 대한 완전한 통제권을 줍니다.

단종 관리

어떤 시스템을 구현하든, 예측 유지보수는 다운타임 감소와 공정 효율 개선 외에도 단종 관리에 활용될 수 있습니다.

이는 부품이 유지보수 일정에 맞춰 적시에 주문될 수 있음을 의미합니다. 전통적으로 제조업체는 교체가 필요할 수 있는 부품 재고를 보유해야 했고, 이는 플랜트 작업 공간의 소중한 공간을 차지했습니다. 예비 부품은 부피가 크고 플랜트 작업장에 보관 시 넘어짐이나 화재 위험 등 보건 안전 위험을 초래할 수도 있습니다.

대신 제조업체는 필요할 때만 교체 부품을 주문해 가용 공간과 리소스를 극대화할 수 있습니다. EU Automation 같은 공급업체가 단종 부품을 24시간 내 전 세계 배송할 수 있게 되면서, 이제 현장에 부품을 보관하거나 도착을 기다리며 긴 다운타임을 겪을 필요가 없습니다.

예측 유지보수가 활용될 때 수집된 데이터는 공정 효율 증대와 교체 부품 적시 주문 보장 등 다른 목적에도 사용될 수 있습니다. 이 데이터의 적절한 수집과 분석은 잠재력을 극대화하는 데 필수적이며, 데이터 양이 매년 증가함에 따라 이는 점점 더 중요해질 것입니다.