소개 아마존 웹 서비스(AWS)의 새로운 Monitron 하드웨어를 조사해보았는데, IoT 지원 진동 감지 분야에서는 사실 새로운 것이 아니다. 하지만 AWS가 이런 기기를 시장에 내놓을 가치가 있다고 판단했다는 점이 흥미롭다. 2015년 Senseye 설립 이래 산업 부문의 예측 정비(PdM) 성숙도가 점점 높아지는 것을 목격해왔다. AWS의 이번 출시는 시장이 PdM을 혁신 과제에서 산업 디지털화의 핵심 부분으로 인식하기 시작했다는 또 다른 중요한 증거다. 하지만 이는 AWS 스택에 종속되는 하드웨어라는 점에서 대담한 행보다.

지난 글에서는 예측 정비(PdM)의 부상과 수많은 공급업체와 고객이 여전히 PdM을 잘못 접근하는 이유를 살펴보았다. 여기서는 수년간 PdM에 대해 배운 것을 오늘날 우리의 모든 업무에 어떻게 적용해왔는지 탐구해본다. 항공우주 산업에서 30년 이상의 경험과 PdM에만 전념한 150 인년 이상의 R&D 시간의 결합은 다양한 분야에 예측 정비 기술을 배포하는 데 대해 많은 것을 가르쳐주었다. 그리고 다양한 분야와 고객 성숙도 수준을 계속 마주하면서 우리는 계속 배우고 있다. 무엇보다 예측 정비를 제대로 하는 것은 쉽지 않다는 것을 배웠

지난 글에서는 수년간 축적한 예측 정비 지식을 오늘날 우리의 모든 업무에 어떻게 적용해왔는지 살펴보았다. 여기서는 이러한 모든 경험과 이해가 어떻게 Senseye PdM을 시장을 선도하는 예측 정비 제품으로 만들었는지 탐구해본다. 수년간의 경험 앞서 언급했듯 Senseye PdM은 예측 정비에만 전념한 150 인년 이상의 연구개발 시간의 결과물이다. 다양한 산업 전문가, 기계 엔지니어, 상태 모니터링 전문가, 그리고 선도적인 데이터 사이언티스트 팀의 기술 없이는 구축할 수 없었다. 또한 창업자들이 항공우주 및 방위 산업에서 30년

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 있다고 주장한다. 그러나 PdM 소프트웨어 공급업체와의 관계는 일반적으로 장기적이며 많은 신뢰를 필요로 한다. 시장에 소음이 많은 만큼 잠재적

지난 세 차례의 글을 통해 예측 정비(PdM)의 부상, 수많은 공급업체와 고객이 PdM을 잘못 접근하는 이유, 그리고 수년간 축적한 PdM 지식을 Senseye PdM에 어떻게 적용해 시장을 선도하는 제품으로 만들었는지 살펴보았다. 이번 시리즈의 마지막 글에서는 예측 정비의 미래가 어떤 모습일지 전망해본다. 우아한 통합(Elegant Integration) 전 세계 예측 정비 시장은 빠르게 성장하고 있다. 애널리스트들에 따르면 유지보수 비용과 가동 중단 시간을 줄여야 하는 필요성이 증가함에 따라 향후 5년 내 시장 규모가 120억

산업용 소프트웨어 기업 Senseye가 자사의 Senseye PdM 제품군과 직접 연동되는 파트너 제품 생태계인 Senseye Ready를 출시했다고 발표했다. 이 생태계는 Senseye PdM 스타터 키트에 포함되어 제공된다. 예측 정비 프로젝트의 흔한 걸림돌 해결 예측 정비 프로젝트에서 가장 흔한 장애물 중 하나는 상태 모니터링을 위한 신뢰할 수 있는 데이터의 가용성이다. 기존 인프라가 부족한 고객들을 위해 Senseye Ready는 ADLINK, OMRON, Schneider Electric 등 주요 하드웨어 공급업체의 다양한

제4차 산업혁명으로 제조 공정에서 막대한 실시간 데이터를 얻고, 거의 모든 표면을 데이터 수집 센서로 바꿀 잠재력이 생겼습니다. 하지만 이 데이터의 홍수가 디지털 팀에 활동 최적화에 필요한 지식을 줄까요? 이 영상에서 센시의 알렉산더 힐, 롭 러셀, 제조 기술 센터의 한나 에드먼즈 박사, 메이크 UK의 짐 데이비슨, MCP 컨설팅 그룹의 피터 개그가, 제조업체가 어떤 데이터를 어떻게 수집할지, 기존 데이터셋을 어떻게 재활용해 새 인사이트와 더 큰 가치를 이끌지, 유지보수 같은 공정을 현장 엔지니어 니즈에 맞게 재설계할지 논의합니다

2021년 이후 제조업을 지배할 주요 트렌드로 예측 유지보수 강조가 꼽히는 가운데, 제조업체는 기계 건강 인사이트 평가와 대응 과제를 어떻게 시작해야 할까요? 이 영상에서 센시의 알렉산더 힐, 롭 러셀, 메이크 UK의 짐 데이비슨, 제조 기술 센터의 한나 에드먼즈(Hannah Edmonds) 박사가, 예측 유지보수에서 최대 혜택을 내는 모범 사례들과, 상태 모니터링 전문가와 신뢰성 엔지니어의 지식을 어떻게 민주화해 예측 유지보수를 지속가능하게 대규모로 수행할지 탐구합니다. 대본 알렉산더 힐, 센시: 예측 유지보수는 올해와 향후

제조업 등 산업 조직이 전통적 계획 정비에서 선제적 예측 정비로 어떻게 이동할까요? 이 전환을 시작하기 위한 첫 단계는? 초기 비즈니스 케이스·설계부터 데이터 준비, 문화 수용, 확장에 이르는 여정의 각 단계는? 이 영상에서 센시의 알렉산더 힐, 롭 러셀, MCP 컨설팅 그룹의 피터 개그가, 예측 정비가 단순히 기술적 과제에 기술적 해법이 아니라, 지식 습득, 문화적 수용, 인간과 스마트 시스템 간 점점 더 깊은 협업을 아우르는 지속적 여정임을 탐구합니다. 대본 알렉산더 힐, 센시: 유지보수 프로세스 재설계는 어려운 일입니다.

예측 유지보수(PdM) 프로젝트를 실패로 이끄는 함정은 무엇이고 어떻게 피할까? 팀이 상태 모니터링 전문성과 더 넓은 디지털 전환 프로젝트의 일환으로 예측 유지보수 모범 사례(Best Practice)를 어떻게 습득하게 할까? 이 영상에서 센시의 알렉산더 힐, 롭 러셀, MCP 컨설팅 그룹의 피터 개그가, 예측 유지보수 이니셔티브에 성공 최적 조건을 갖추기 위해 처음부터 갖춰야 할 것들과, 제조업체 등 산업 조직이 이 초기 디딤돌 위에서 어떻게 지속적 개선을 이어갈지 논의합니다. 대본 알렉산더 힐(Alexander Hill),

산업 조직은 IoT, 데이터 수집, 스마트 분석을 통한 의사결정 고도화로 급속한 디지털 전환을 겪고 있습니다. 예측 유지보수 강조 속에서 유지보수 관리자 역할은 어떻게 변하고 있을까요? 이 영상에서 센시의 알렉산더 힐, 롭 러셀, 메이크 UK의 짐 데이비슨, MCP 컨설팅 그룹의 피터 개그(Peter Gagg)가 디지털 유지보수 관리자 역할이 전통적 역할과 어떻게 다른지, 디지털 유지보수 팀에 필요한 기술과 도구를 논의합니다. 대본 알렉산더 힐(Alexander Hill), 센시: 유지보수의 얼굴이 변하고 있습니다. 디지털 유지

스마트 팩토리의 혜택은 널리 알려졌지만, 처음부터 새로 짓는 조직은 드뭅니다. 스마트해지려는 대다수 제조업체는 레거시 사이트와 다양한 기계 환경에서 여정을 시작합니다. 이 영상에서 센시의 알렉산더 힐(Alexander Hill)과 롭 러셀(Rob Russell), 제조 기술 센터(Manufacturing Technology Centre)의 한나 에드먼즈(Hannah Edmonds) 박사, 메이크 UK(Make UK)의 짐 데이비슨(Jim Davison)이, 레거시 시스템 현대화 접근법, 데이터 수집/분석 모범 사례, 정보를 현장

AWS 시리즈 2편에서 아마존의 예측 유지보수 시장 진입을 탐구합니다. 아마존은 이 분야를 얼마나 진지하게 여기는지 최근 발표로 보여줬으며, 이는 예측 유지보수를 뒷받침하는 방법론과 기술의 성숙도가 새로운 차원으로 검증되었음을 알리는 신호입니다. (1편: AWS 모니트론(Monitron): CTO 로버트 러셀의 첫인상 참조) 아마존 룩아웃 포 이큅먼트(Amazon Lookout for Equipment)는 공장 현장 유지보수 담당자(Maintainers)를 주 사용자로 설계된 자동화된 예측 유지보수 플랫폼으로, 직접 예측 유지보

2018년 맥킨지(McKinsey) 보고서에서 지적됐듯, 많은 산업 기업이 파일럿 정체(Pilot Purgatory)를 경험하고 지금도 그렇습니다. 상당한 활동은 하는데 의미 있는 손익 개선은 아직 못 보는 현상입니다. 이 정체에서 벗어나려면 협곡 건너기(Crossing the Chasm)가 필요합니다. 1990년대 초 경영 컨설턴트 제프리 무어(Geoffrey A. Moore)가 관찰·기술한 과정입니다. 대략: 많은 기술/IT 프로젝트는 초기에 혁신가(Innovators)와 얼리 어답터(Early Adopters) 열기로 잘 나

AI 기반 자산 건강 관리 선도 기업 센시(Senseye)가 새로운 플러그앤플레이 스타터 팩(Plug-and-Play Starter Packs)을 출시해 조직이 예측 유지보수 여정을 빠르게 시작할 수 있게 했습니다. 이 팩은 센서 하드웨어와 센시의 수상 경력 있는 PdM 소프트웨어를 결합해, 조직이 이미 센서나 데이터 수집 체계가 없어도 최소 14일 만에 예측 유지보수 배포를 시작할 수 있게 합니다. 보장됩니다. 하드웨어 벤더 락인(Lock-in) 없음, 기존 센서 데이터 불필요. 스타터 팩은 모터, 팬, 펌프 등 회전/비회전

더럼 대학교(Durham University)에서 풍력 터빈 부품 물리의 고장에 드라이브트레인 역학이 미치는 영향을 연구해 박사 학위를 받은 후, 철도 분야에서 자산 관리 및 유지보수 지원 역할을 수행했습니다. 2018년 센시(Senseye)에 합류해 유지보수 부서의 예측 유지보수 여정을 기술 지원했고, 이제 전 산업 유지보수 실무자들을 안내하는 성장하는 팀을 이끌고 있습니다. AI와 예측 유지보수 – 위협이 아닌 혜택 일론 머스크(Elon Musk)는 AI를 실존적 위협(Existential Threat)이라 표현했습니다. 제

AI 기반 기계 건강 관리를 제공하는 산업 소프트웨어 기업 센시(Senseye)가 센시 PdM 엔터프라이즈(Senseye PdM Enterprise) 신규 버전을 발표했습니다. 핵심은 기존 데이터 소스에서 가상 센서(Virtual Sensors)를 생성하는 기능입니다. 기계에서 수집한 데이터는 AI 기반 예측 유지보수에 바로 쓰기엔 종종 적합하지 않습니다. 이 새 기능을 통해 고객은 기계 건강과 관련된 추가 파라미터를 쉽게 구성해, 기존 데이터 수집에서 더 많은 가치를 끌어낼 수 있습니다. 가상 센서는 플랫폼에서 일반 측정값처럼

비계획 다운타임은 산업계의 저주입니다. 고가의 생산 라인과 기계가 멈추면, 조직은 수익을 내지 못하고 그 투자는 돈을 벌기보다 비용만 발생시킵니다. 다운타임의 진짜 비용(True Cost of Downtime) 보고서 데이터를 바탕으로, 이 인포그래픽은 비계획 다운타임이 초래하는 막대한 비용 부담과 예측 유지보수가 이를 어떻게 크게 줄일 수 있는지 보여줍니다.

오늘날 자동화된 예측 유지보수(PdM) 솔루션의 기반은 인공지능(AI)입니다. 예를 들어 센시 PdM(Senseye PdM)의 알고리즘은 기계 악화를 조기에 감지해 고장을 예방하며, 다운타임 감소, 유지보수 노력 최적화, 지속가능성 및 효율성 증대 등 풍부한 혜택을 제공합니다. 이 도구들이 너무 강력하다 보니 PdM 맥락에서 AI의 역량을 과대평가하기 쉽습니다. 일반적인 오해: AI가 인간의 눈을 벗어난 단서로 고장 시점과 방식을 예측한다? 진실은 숙련된 상태 모니터링 분석가(Trained Condition Monitoring A

AI 기반 자산 성능 및 신뢰성 선도 기업, 센시(Senseye)의 트렌드 디텍션 팟캐스트에 오신 것을 환영합니다. 오늘 팟캐스트 론칭과 함께 제조업 지속가능성 시리즈 1편을 시작합니다. 그린 비즈니스 뷰로(Green Business Bureau)의 톰 페르마테오(Tom Permatteo, CEO)와 빌 주제프스키(Bill Zujewski, CMO 겸 COO)를 모셨습니다. 이 기관은 조직의 지속가능성 의지 입증을 돕습니다. 이번 에피소드에서는 지속가능 제조의 정의와 이것이 제조 비즈니스에 어떻게 가치를 창출하는지 논의합니다. 즐겁