안녕하세요 !
SPM Instrument Korea 입니다 😊
AI를 통한 산업체 설비의 고장진단에 대하여 얼마나 알고 계시나요 ?
산업 현장에 AI 설비진단이 적극적으로 도입이 되면 이점이 많이 발생할 수 있기 때문에 오랜 기간 그에 대한 연구가 진행되어 오고 있답니다 🔍
그러면 인공지능을 활용한 설비 진단에 대하여 알아보도록 하겠습니다.
AI 설비 진단 등장
각 산업의 제조 공장 내에서 설비의 결함 및 고장의 발생은 치명적인 결과를 야기할 수 있습니다 :(
그렇기 때문에 우리는 설비 고장을 사전에 예지하고, 결함에 대한 피해를 최소화할 수 있도록 지속적인 모니터링이 요구됩니다.
이전에도 말씀드린 것처럼, 각 설비의 이상은 순식간에 발생하는 것이 아닙니다 !
열, 소음이나 진동 등으로 설비에 이상이 생겼음을 미리 경고해주고 있습니다.
때문에 각 설비의 전문가들은 이러한 징후를 지속적으로 살펴보고 보완해 주는 것은 아주 중요합니다 😎
산업 현장의 설비들은 다량의 물리적인 구성품들이 모여 복합적인 형태를 띠고 있는 하나의 시스템입니다.
그렇기 때문에 그중 하나의 고장은 성능이 저하되거나, 물적, 금전적 그리고 사회적 손실 등 전체적으로 엄청난 손실을 불러일으킵니다.
그렇기 때문에 고장이 발생하기 전에 정기적인 예지보전이 필요합니다.
그러한 손실을 대비하고자 각 산업체에서는 센서를 이용하여 산업 설비의 상태를 모니터링하여 고장을 진단하고 설비 수명을 예측하는 '시스템 고장 진단 및 예지 그리고 건전성 관리 (Prognostic and Health Management, PHM)' 가 주목받고 있는 추세입니다 👍
인공지능의 기계학습 기술(머신러닝)을 접목하여 방대한 데이터를 학습한 후에 새로운 데이터에 관해 분류하고 예측할 수 있게 됩니다.
이러한 기술을 PHM 에 적용시켜 고장 분류 수행 및 고장 기준 선정 그리고 열화 모델을 구축할 수 있게 됩니다.
또한 인공지능의 딥러닝을 적용하면 설비 시스템에 대하여 많은 지식을 가지고 있지 않아도 건전성 특징인자를 추출할 수 있어 그에 대한 연구도 현재까지 진행 중입니다.
설비의 상태를 실시간으로 감시하여 이상을 조기에 확인하고 미래 고장까지 예측하여 적절한 조치를 취할 수 있게 됩니다.
그렇게 함으로 불필요한 유지보수에 대한 비용을 줄일 수 있고, 설비에 대한 안전성과 신뢰성을 높여 피해를 예방할 수 있게 됩니다.
PHM 진행 순서
- 데이터 취득 (Sensing)
- 전처리 및 특징인자 추출 (Reasoning)
- 고장 진단 (Diagnostics)
- 수명 예측 (Prognostics)
① 데이터 취득의 단계에서는 산업 설비의 특성을 분석하고 이상을 감지하기 위한 가장 적합한 센서의 종류, 위치, 수량을 결정하며 데이터 취득 시스템을 구축합니다.
② 전처리 및 특징인자 추출 단계에서는 계측하고 수집된 원신호에서 고장과 관련이 있는 통계적, 물리적 건전성 특징인자를 추출합니다.
③ 고장 진단의 단계에서는 추출한 건전성 특징인자를 바탕으로 정상 혹은 이상을 판단하고 고장을 진단합니다.
④ 수명 예측 단계에서는 실제 설비가 다운될 때까지 남은 잔여 유효 수명을 예측합니다.
이러한 진행 순서를 통하여 설비 시스템의 고장 진단 및 예지를 할 수 있습니다.
하지만 모든 설비에 이 기술을 적용하기에는 이 기술의 물리적 지식, 다차원 특징인자 분석 또한 고장에 대한 수많은 데이터가 요구됩니다 🧐
AI 설비 진단 필요성
산업체에서의 AI 예지 보전의 핵심은 설비의 고장을 진단 및 예측하여 예기치 못한 다운 타임 및 보수 비용을 줄여서 설비 운용을 최적화하는 데 있습니다.
- 지속적인 품질 개선
- 인력 노후에 따른 지식 증발
- ESG 대응
한국 데이터 산업 진흥원이 2020년에 발표한 자료에 따르면, 제조업에서 품질 이상으로 인해 낭비 비용이 매출 대비 10-15%에 이른다고 합니다.
그렇기 때문에 설비에 대한 유지보수가 잘 이뤄져 낭비 비용을 조금만 줄여도 기업에서는 불필요한 비용 지출을 줄일 수 있게 될 것입니다 📉
현재 제조업에 종사하고 있는 근로자의 평균 연령대는 42.5세라고 하며, 이 수치는 매년 증가하고 있는 추세입니다.
사회 전반의 고령화는 당연히 산업체 근로자의 고령화로 이어지게 됩니다.
이러한 노령 근로자들의 수가 증가하고 현장 담당자가 줄어들게 될 경우에 그들만의 경험과 지식 또한 사라져 버릴 수 있게 됩니다 👨🦳
많은 기업들이 ESG 경영에 힘을 쓰고 있습니다.
산업 설비에 대한 AI 진단이 이루어질 경우에는 설비의 갑작스러운 다운타임을 막고 유지보전을 위하여 안전 문제에도 영향을 끼칠 수 있고, 이는 ESG의 S인 Social 에 해당하는 부분이 됩니다 🧩
산업 현장에서의 오랜 경험에 대한 데이터 및 지식과 설비에 대한 물리적이고 설계적인 지식을 확인하기 위해 고도화된 인공지능의 기술과 머신러닝 기술 등을 활용한다고 합니다 !
설비 관리와 관련된 산업체의 일반적 이슈들은 아래와 같습니다.
- 설비 관리에 대한 전략 부족
- 설비 보수에 대한 시점 무지
- 기존의 낮은 진단 정확도
- 데이터의 부족
각 설비에 대한 운영 및 관리 방식에 대한 이해도와 설비 다운타임을 줄이기 위한 전략이 부족할 경우에 많은 손해가 발생하게 됩니다.
설비가 노후화되면 적절한 시기에 부품을 교체하고 관리해 주는 것이 아주 중요합니다.
이 시점을 놓치게 될 경우에는 설비 가동 중에 예기치 못한 다운타임이 발생하여 생산적 그리고 비용적으로 막대한 피해가 발생합니다.
설비의 진단에 대한 정확도가 낮으면 설비 유지보수에 대한 신뢰성이 감소하며 그 적용에 대한 정확성 또한 떨어지게 됩니다.
과거 설비 고장의 원인 및 분석에 대한 데이터를 보유하고 있지 않으면 설비에 대한 지식과 경험 또한 뒤처지게 되어 설비 및 부품 설치에 많은 시간이 소요될 수 있습니다.
AI 설비 진단 연구 사례
- 가스터빈 고장 진단 및 예지 기술
가스터빈은 복잡함에 있어서 대표적인 설비 시스템입니다.
가스터빈의 안정적인 운영을 위해서는 핵심 부품인 연소기 및 가스터빈 고온 부품에 대한 상태 진단 및 예측이 필수적으로 요구됩니다.
따라서 다양한 상태 기반 정비 기술과 진동 감시 기술이 사용되어 오고 있습니다.
그중에서 대중적으로 진동 데이터를 통한 성능을 예측하고 주파수를 분석하여 조기 결함 탐지에 대한 활발한 연구가 진행되어 오고 있습니다.
한국 전력 연구원에서는 AI 기술을 활용하여 복합발전소의 핵심 설비인 가스터빈의 이상 상태를 진단하고 예측하는 이상 진단 및 예측 시스템인 'Deep Think Gas Turbine' 을 개발하였습니다.
이는 딥러닝 기술을 활용하여 예기치 못한 다운타임과 관련된 이상을 진단하고 예측한다고 발표하였습니다.
복합 발전 가스터빈 통합 운전 및 정비 이력 데이터를 확보 → 통계적 상관관계 분석 → 이상 데이터 추출 → 이상 데이터와 정상 데이터 학습 → 가스터빈 운전 시 이상 상태 진단 및 사전 예측
이러한 순서로 진행이 됩니다.
이와 관련해서는 다양한 변수와 현재 연구의 한계점이 존재하는데, 이에 대한 자세한 이야기는 다음에 다시 해드리도록 하겠습니다 !
기존의 AI 고장 진단 기술은 현재의 설비 상태가 정상인지 고장인지 여부만 판단할 뿐, 고장의 원인을 제공해 주지는 못한다는 한계점이 있었습니다.
그렇기 때문에 많은 연구자들이 인공지능을 이용하여 설비의 상태 모니터링에 더욱 효과적인 결과를 보이기 위해 꾸준히 연구개발을 지속하고 있습니다 !
인공지능을 이용한 설비 진단에 대해서는 이외에도 무궁무진하게 존재하는 것 같아요 !
저도 조사하면서 많이 배웠습니다 :)
앞으로도 인공지능에 관한 이야기를 많이 준비해 오려고 하니 많은 관심 바랍니다 😎
감사합니다 ❤
참고자료 :
JAKO201714940710995.pdf (koreascience.kr)
[설비 예지보전-②]산업AI 예지보전 솔루션으로 스마트제조 환경 완성…설비 건정성·고장 예측으로 비용 최소화 (automation-world.co.kr)
'Base > 설비진단' 카테고리의 다른 글
| Monitoring System on Ship / 선박 모니터링 시스템 적용 / 선박 설비 진단 (0) | 2024.03.13 |
|---|---|
| AI 설비진단 데이터 분석 / 결함 예측 / AI 진단 장점 및 현실 (2) | 2024.02.28 |
| 인공지능 & 머신러닝 & 딥러닝 / 의미와 배경 / 적용 / 차이점 비교 (0) | 2024.02.20 |
| 인공지능 AI / 의미 / 역사와 발전 / 장단점 (1) | 2024.02.15 |
| 예지 보전 / Predictive Maintenance / 필요성 / 장점 (1) | 2024.02.07 |
댓글