Predictive Maintenance

Predictive Maintenance

Predictive Maintenance의 고장 예측 컨셉은 설비 자산 관리에서 다양한 유지보수 패러다임을 실현 가능하게 합니다

2000년대 초반부터 주목받기 시작한 Asset Management(설비 자산 관리)는 최근 머신러닝 기법의 성능 향상에 힘입어 독자적으로 발전해 나아가고 있는 분야로 조직 목표 달성에 부합하는 설비 자산 라이프사이클 관리 체계 및 기법의 구축을 제공합니다.이 설비 자산 관리에서 유지보수는 상당히 큰 비중을 차지하는 항목이며, 또한 머신러닝 기술의 발전에 큰 영향을 받는 항목이기도 합니다.

Predictive Maintenance(예지보전)은 머신러닝 기반 예측 모델의 정확도가 향상됨에 따라 그 효용성이 높아지고 있습니다.
기존의 RTF(Run-to-fail, 고장날 때 까지 운영하는 방식), Preventive Maintenance(예방보전, 주기적 교체 계획에 따라 부품을 교체함)에 비해 다운타임 감소와 유지보수 비용 감축을 동시에 제공할 수 있습니다.

다양한 유지보수 패러다임을 실현 가능하게하는

Predictive Maintenance의 고장 예측 설비 자산 관리

  • CBM Condition-based
    Maintenance

    설비/부품의 상태에 입각해
    유지보수 정책을 결정

  • RCM Reliability
    -centered
    Maintenance

    해당 설비/부품의 상태가
    시스템 전체의 신뢰성에 미치는
    영향을 평가하여 유지보수를 결정

  • RBM Risk
    -based
    Maintenance

    고장 확률과 해당 고장이 미치는
    재무/조직/안전 파급효과를 함께
    평가하여 유지보수 정책을
    결정하는 방식
    최근 중요성이 강조

위의 세가지 에서 정확한 예측이 핵심 요소로 자리잡고 있습니다.
부품의 제조사와 설치 환경 등에 따른 수명 예측부터 실시간 센싱에 따른 상태 파악 및 고장 예측, 개별 부품 고장이 일으키는 재무적 파급효과의 예측에 이르기까지, 유지보수 패러다임이 실제로 비용적 효과를 거두기 위해서는 수많은 항목들에 대한 높은 정확도의 예측이 필수적입니다. 딥러닝 기술은 이 예측 정확도를 제공할 수 있는 좋은 대안입니다

딥러닝을 통한 데이터 기반 예측 모델 구축의 해결해야 할 문제점

  • 충분치 않은 고장 데이터
  • 핵심 피처를 제공할 고가의 센서
  • 설치 환경에 따라 각기 다른 양상의 노이즈 발생
  • c51에서는 도메인 지식과 딥러닝 적용 경험을 토대로
    다양한 방법론을 통해 이와 같은 문제들을 해결합니다.
  • 수집되지 않는 데이터 항목을 대체하기 위해
    워크플로우를 구성
  • 데이터 변환과 노이즈 필터링을 위한 별도의 모델을 구축
  • Few-shot learning 등 급격히 발전 중인 새로운 연구 결과들을 적용해 데이터 부족을 완화
  • 다양한 방향에서의 디버깅을 통해 높은 안정성을 갖는 예측 모델을 구축