안녕하세요 !
SPM Instrument Korea 입니다 😊
지난주에 이어서 인공지능에 기반한 기계 설비 결함 진단 기술에 대해서 이야기하려고 합니다.
인공지능을 활용하여 기계 설비의 이상을 진단하는 방법이 보편화되어 있다면 얼마나 좋을까요 ?
가동 중인 설비가 중단이 되었을 때의 손실은 그 규모가 어마어마합니다 😥
예를 들어, 평택의 반도체 공장에서 정전으로 인하여 30분 간 설비 가동이 중단이 되었을 때 500억의 매출 손해를 입었다고 합니다.
또한 포스코의 포항 제철소에서 태풍으로 인하여 가동이 중단되었을 때 하루 500억의 손해가 입었다고 합니다.
이렇게 지속적으로 가동이 필요한 설비의 중단으로 인하여 기업과 공장에는 그 손해가 엄청나다고 합니다 !
그렇기 때문에 기업과 공장에서는 설비에 대한 점검과 정비 그리고 유지보수를 하기 위해 최선을 다하고 있습니다 👍
특히 공장의 자동화로 인하여 설비 상태 모니터링에 인공지능이 적용될 경우의 메리트가 크기 때문에 그 기대감이 점점 증가하고 있답니다 🤩
인공지능 설비 이상 탐지
인공지능의 기술과 세부 기술의 발전으로, AI와 소음 및 진동 데이터를 활용하여 기계의 결함을 탐지하는 기술 연구가 현재까지도 활발하게 진행되고 있습니다 !
이러한 기술을 바탕으로 공장에서 설비가 제대로 작동하고 있는지 실시간으로 모니터링하고 데이터를 수집하여 설비에 대한 고장 유무를 파악할 수 있게 된다면 예상치 못한 설비 가동 중단으로 인한 피해와 인력 등을 줄일 수 있게 되어 공장 운영을 좀 더 효과적으로 할 수 있게 됩니다.
이렇게 공장의 많은 설비들을 실시간으로 모니터링하고 데이터를 수집하여 설비 이상에 대한 사고를 예방하는 '인공지능을 이용한 이상치 탐지' 기술에 대해 알려 드리려고 합니다 😎
이상치 탐지는 어떠한 데이터의 집단 안에서 예상되거나 기대한 관찰 값이 아닌 다른 패턴을 가진 데이터를 탐지하는 데이터 분석 방법의 하나입니다.
설비에 대한 정상 데이터가 아닌 다른 데이터를 탐지하여 설비에서 이상이 생기는 확률을 수집하는 것이에요.
일종의 데이터 수집과 연관이 있습니다 !
이상 탐지는 사기 탐지, 침입 탐지, 안전 필수 시스템, 군사적 감시 등 다양한 분야에서 널리 활용이 되고 있습니다.
이상 데이터 수집
인공지능 기술의 발달 이전에는 공장에서 설비나 제품의 이상을 품질 관리 시스템으로 검사하였다고 합니다.
품질 관리 시스템이란 고객의 요구 사항을 지속적으로 충족하고 만족도를 높이는 것에 초점을 맞춘 비즈니스 프로세스를 의미합니다.
이를 통해 품질 관리사가 공정 별 불량품 혹은 이상 데이터를 검사하고 검사 결과에 따라 피드백을 주어 제조 공정을 관리하며, 수집된 정보 분석 기능을 통해 문제 파악 및 개선 요소를 제공해 주었답니다.
하지만 이 방법은 사람이 진행하기 때문에 섬세한 작업을 하는 것과 데이터 분석을 하는 것에서 어려움이 발생하였습니다 😅
이러한 단점들을 극복하기 위해 인공지능을 제조 공정 내에 도입하여 그 데이터를 수집하고 탐지하기 시작하였습니다 !
인공지능을 활용하여 각 단계 별 수집한 데이터를 공정에 대입함으로써 이상 탐지 및 최종적인 수율 예측 등 다양한 분석이 가능합니다.
데이터는 일반적으로 일반 데이터와 정답 데이터로 구성이 되어 있습니다.
입력 데이터는 의사 결정을 위한 정보를 의미하며, 정답 데이터는 출력값을 의미합니다.
충분하고 정확한 입력 데이터와 정답 데이터는 인공지능이 더 좋은 결과를 도출해 낼 수 있도록 합니다 📈
비지도 학습 (Unsupervised Learning)
수집한 데이터의 종류를 판별하기 위해서 인공지능 기능 중 비지도 학습 모델을 통한 이상 탐지 모델 개발 또한 진행 중에 있습니다.
'비지도 학습' 이란, 인공지능 모델 중 정답 레이블이 없는 데이터의 종류를 판별하고 이상치를 판단하는 것을 의미합니다 !
**여기서 레이블이란 품명･상표･메이커･품질 등을 기록한 것으로, 쉽게 이야기하면 '라벨 스티커' 라고도 할 수 있습니다**
공장 설비의 데이터 역시 라벨링이 되어 있지 않습니다.
그렇지만 정상 혹은 이상 데이터는 각각의 특징을 보유하고 있기 때문에 분별하기 위해서 비지도 학습을 사용하고 있답니다 :)
이러한 비지도 학습 모델을 사용함으로써 레이블이 없다고 하더라도 이상 데이터를 판별할 수 있고, 새로운 데이터를 통하여 새로운 이상 데이터를 수집하여 이상치 탐지 모델을 더욱 효과적으로 만들 수 있습니다 !
"정상 데이터와 비슷한 이상 데이터를 만들어 두 개의 모델이 적대적으로 경쟁하며 학습하고, 실제의 데이터 특징을 자세하게 학습하여, 정상 데이터와 분포가 다른 이상 데이터를 판별할 수 있게 되는 것입니다 (￣_,￣ )
이러한 이상치 검출은 사람이 검출해 내지 못하는 데이터를 검출해 내는 정확성 !
인공지능을 이용하기 때문에 검사에 사용되는 비용의 절감 !
사후 관리를 넘어서 사전 관리 및 실시간 모니터링 가능 !
하게 됩니다 :)
인공지능 활용 설비진단 장점
- 불필요한 유지 보수 비용 절감
- 생산 납기 준수율 증가
- 불량 감소
설비에 대한 지속적인 모니터링을 하여 적절한 시기에 유지 보수를 수행하는 일은 굉장히 중요합니다.
하지만 시도 때도 없이, 너무 자주 수행을 하게 되면 부품 정비 등에 불필요한 비용을 지출할 수 있습니다.
그렇기 때문에 품질 좋은 제품을 생산할 수 있도록 설비의 상태를 유지하고, 고장이 나기 전에 유지 보수를 수행하여 공장 운영에 도움을 줄 수 있습니다.
여기에 인공지능이 적용된 설비 진단을 하게 될 경우에는 다양한 설비에 대한 데이터 및 고장에 대한 데이터를 얻을 수 있습니다.
이렇게 인공지능을 활용하여 설비 유지보수를 진행한다면, 설비 부품의 고장이 감소하여 예기치 못한 설비 가동 중단으로 인하여 제품 생산에 영향을 끼치는 것을 막을 수 있습니다.
그렇게 되면 고객사가 요구한 생산 납기를 준수하여 비즈니스적으로 신뢰성이 향상될 수 있습니다 !
인공지능을 통하여 실시간으로 설비에 대한 모니터링을 통하여 설비 고장으로 인한 불량 제품 생산을 줄이고 그로 인한 손실 또한 줄일 수 있습니다 !
불량 유형별로 그 원인 등을 파악하고, 다양한 테스트를 통하여 불량 발생률을 감소시킬 수 있게 됩니다.
인공지능 진단의 현실적 문제
- 현장에서의 고장 데이터 부족
- 설비 고장 데이터가 인공지능 모델 만들기에 부족
- 인간의 경험과 직관에 데이터 및 인공지능 모델 적용의 현실성
인공지능은 데이터를 통해 학습합니다.
그렇기 때문에 설비 고장을 예측하기 위해서는 다양한 고장 원인과 그 데이터를 학습하여 모델을 만들 수 있어야 하지만, 실제로는 그러한 고장 데이터가 부족한 상황입니다 😥
각 설비의 정비 주기가 모두 다르고 그에 대한 고장 진단 데이터도 부족하기 때문에 적절한 유지 보수 시점을 예측하는 것은 굉장히 어려운 부분이라고 할 수 있습니다 !
인공지능 시스템이 그 설비를 분석하여 이상 여부를 자율적으로 판단하기 위해서 과거의 이력을 바탕으로 하여 인공지능의 데이터를 구축하는 것이 필요합니다.
인간이 진행하였던 설비 관리를 통한 지식과 노하우 등을 인공지능에 적용시키기는 쉽지 않을 것으로 보입니다.
인공지능을 이용한 설비의 이상 진단이기 때문에, 이것을 효과적으로 적용하기 위해서는 적절하며 균형 잡힌 데이터의 확보가 중요하게 요구됩니다 (ﾉ*･ω･)ﾉ
현재 많은 기업과 공장에서 이러한 제조 환경에서 인공지능을 도입하여 설비 상태에 대한 모니터링과 유지 보수를 통해 제품 생산에 있어서 효율성을 극대화할 수 있도록 지속적으로 연구 개발에 힘쓰고 있습니다 🎓
자동화 산업으로 인하여 공장의 시스템 역시 자동화되어 가는 스마트 팩토리에서 인공지능을 통한 설비 진단 시스템의 도입은 확실히 매력이 있는 분야이지만, 아직까지는 두각을 나타내지 못하고 있는 현실 또한 사실입니다 !
설비 데이터를 분석하는 기술이 더욱 발전하여 공장 설비의 다운타임을 막기 위해 예지보전이 가능한 인공지능 개발이 더욱 활발히 이루어져 피해를 줄일 수 있기를 바랍니다 🙏
이상으로 인공지능을 통한 설비진단에 대한 포스팅 마무리 하겠습니다.
저희 SPM KOREA 또한 설비 진단에 대해 더욱 고도화된 지식과 기술을 바탕으로 여러분 설비를 실시간으로 모니터링할 수 있는 최선의 방법을 제공해 드리도록 하겠습니다 !
감사합니다 ❤
참고자료 :
품질 관리 시스템 - 위키백과, 우리 모두의 백과사전 (wikipedia.org)
이상치 탐지(Anomaly Detection), AI를 활용한 사고 발생 예방 기술! I 이랜서 블로그 (elancer.co.kr)
[AI 기반 제조혁신-①] 제조 현장 가장 큰 이슈는 데이터 부족…AI 적용 위해선 정확한 ‘정답 데이터’ 확보 중요 (hellot.net)
'Base > 설비진단' 카테고리의 다른 글
| Shaft alignment / 의미 / 목적 / 필요성 / 역할 (2) | 2024.03.22 |
|---|---|
| Monitoring System on Ship / 선박 모니터링 시스템 적용 / 선박 설비 진단 (0) | 2024.03.13 |
| AI 설비진단 / 인공지능 설비 유지보수 연구 / 동향 / 딥러닝 기술 적용 (0) | 2024.02.23 |
| 인공지능 & 머신러닝 & 딥러닝 / 의미와 배경 / 적용 / 차이점 비교 (0) | 2024.02.20 |
| 인공지능 AI / 의미 / 역사와 발전 / 장단점 (1) | 2024.02.15 |
댓글