예측 유지보수(예지보전- Predictive Maintenance) 솔루션이 갖춘 공통 기능 6가지 

IoT Analytics의 2023년 조사에 따르면, 다양한 예지보전 솔루션에는 6가지 공통 기능이 포함돼 있습니다.[1]

각각 (1)데이터 수집 (2)분석 및 모델 개발 (3)사전 학습된 모델 (4)상태 시각화, 경고 및 사용자 피드백 (5)타사 솔루션과의 통합 (6)처방적 조치 기능입니다. 이번 아티클에서는 예지보전 솔루션이 갖추고 있는 6가지 기능의 세부적인 내용을 소개합니다.  

 

기능 1: 데이터 수집

예지보전 솔루션들은 기업이 보유한 자산의 현재를 알 수 있는 다양한 상태 데이터를 수집하는 기능을 갖추고 있습니다. 수집한 데이터를 적절하게 전처리하고 전송하며 저장하죠. 뿐만 아니라, 향후 문제를 식별하고 예측하는 데 필요한 기타 데이터도 수집할 수 있습니다. 공장 내 cctv 데이터, 표면 결함 식별 데이터, 재고 데이터 등 기업 비즈니스와 관련한 모든 데이터가 해당됩니다.  

그런데 데이터 수집만 해도 쉬운 일이 아닙니다. 산업용AI와 머신러닝, IIoT(산업용 사물인터넷) 기술 발달로 다양한 장비가 고도화된 덕에 제조 현장에서는 이미 하루에도 수~수십 테라바이트의 데이터가 생산되고 있는데요.  

문제는 제조 공정 내 수많은 장비들의 통신 프로토콜이 제각각 전부 다르다는 점입니다. 데이터를 한 곳에 모으려면 서로 다른 인터페이스를 각각 개발해야 하죠. 시간과 노력, 비용이 많이 드는 일입니다. 

또한, 수많은 장비들이 생산하는 데이터는 형태도 제각각 전부 다릅니다. 검사 이미지, 판정 결과, CCTV 영상, 음향 데이터, 진동 데이터, PLC 수치 데이터 등 ‘비정형 데이터’ 뿐만 아니라 온도, 압력 값 같은 표 형태의 ‘정형 데이터‘도 있습니다. 서로 바로 호환되지 않기 때문에 각각의 데이터를 별도로 확인해야 하는 문제가 있습니다. 만약 한눈에 공장 현황을 파악하고 싶다면 파일 형식을 일일이 변환해서 모아주어야 합니다.   

DATA CAMP : 다양한 프로토콜과 노코드 전처리 지원 

AI 전문 기업 아하랩스가 개발한 데이터 수집 및 분석 솔루션 DATA CAMP는 산업 현장 장비에서 사용하는 대부분의 통신 프로토콜을 제공합니다. FTP, 네트워크 드라이브, TCP/IP 소켓, Modbus/MELSEC, REDIS, AMQP 등 다양한 네트워크 프로토콜이 포함돼 있습니다. 이를 통해 다양한 데이터 소스로부터 손쉽게 데이터를 수집할 수 있습니다. 별도의 추가 코딩 없이 말이죠.  

또한, 데이터 자동 전처리 기능도 제공합니다. 각종 데이터의 형식을 사용자가 원하는 다양한 포맷으로 자동 변환한 뒤 전달해 줍니다.   

특히 이 모든 것을 복잡한 코딩이나 추가 소프트웨어 개발 없이 UI만을 이용해 원하는 포맷과 조건으로 손쉽게 설정할 수 있습니다. *로우코드/노코드로 작동할 수 있다는 것인데요. 제조 공정에 전문성을 지닌 엔지니어지만 데이터 수집 및 분석에는 다소 낯선 사용자도 DATA CAMP를 손쉽게 활용해 제조 현장의 디지털 전환을 실현할 수 있습니다.  

• 로우코드(low-code)/노코드(no-code) : 로우코드는 사용자가 소프트웨어를 쉽게 개발할 수 있도록 설계된 개발 플랫폼을 지칭하는 용어입니다. 데이터 관리, 백엔드에 대한 약간의 개발 지식만 있으면 ‘드래그 앤 드롭’만으로 기능을 설정해서 애플리케이션을 만들 수 있습니다. 노코드는 제공되는 탬플릿을 활용해 애플리케이션을 개발할 수 있는 플랫폼으로, 개발에 대한 지식이 전혀 없어도 활용할 수 있다는 장점이 있습니다. 

기능 2: 분석 및 모델 개발

다양한 통계분석 및 AI 모델을 이용해 데이터의 경향성을 분석합니다. 복잡한 물리적 시스템의 이상을 조기에 감지하고, 실제 고장이 발생하기 전 성능이 저하되는 단계별 패턴을 발견하기도 하죠. 또한, 사용자가 대량의 데이터를 분석하고 예측 모델을 구축할 수 있도록 돕습니다. 

LISA : 메뉴만 따라가면 끝나는 노코드 AI 모델 개발 

AI 전문 기업 아하랩스의 산업용AI 솔루션 LISA의 이상탐지(Anomaly Detection) 알고리즘을 활용하면 정상 데이터 만으로 모델을 학습시킨 뒤 양불 판정을 수행할 수 있습니다. 불량 데이터를 따로 만들지 않아도 되죠. 

품질 검사와 모델 학습은 2단계로 이뤄집니다. 먼저 정상 데이터만으로 이상탐지 모델을 학습(Unsupervised Learning) 시킨 뒤, 결함검사를 합니다. 학습시킨 정상 데이터를 약간이라도 벗어난 모든 여집합의 데이터를 전부 결함이라고 판별해 냅니다. 요컨대, 불량인데 불량으로 걸러내지 못하는 ‘미검’을 최소화시키는 단계입니다. 하지만 이 중에 정상 범주에 해당하는 것도 있습니다. 이를 ‘과검’이라고 합니다. 아직은 모델이 너무 예민한 상태인 거죠.  

 

그리고는 사람 리뷰어가 그 데이터가 실제 결함인지 아닌지 확인하고 양/불량 여부를 라벨링 해줍니다. 그 데이터로 두 번째 학습을 시켜줍니다(Supervised Learning). 여기서는 분류, 분할 딥러닝 알고리즘이 활용됩니다. 이 과정을 반복하면 과검도 차차 줄어들게 되면서, 모델의 정확도가 높아집니다. 

📌 귀사의 스마트팩토리 현장에 산업용AI를 적용해 비즈니스 가치를 더 높이고 싶으시다면, LISA 솔루션 사용 사례를 더 자세히 알아보세요.

 

기능 3: 사전 학습된 모델

특정 도메인에서 사용되는 예지보전 솔루션은 미리 학습된 모델을 제공하기도 합니다. 데이터 수집, 전처리, 학습, 모델 생성 등의 단계를 모두 건너뛰고 즉시 사용 가능하죠. 이런 모델에는 특정 설비 또는 고장 모드가 포함됩니다. 예컨대 열교환기 오염, 팬 마모 및 부식, 압축기 밸브 누출 등이 포함될 수 있습니다. 최종 사용자는 제공되는 모델의 예시를 확인한 뒤, 이를 기반으로 자사에 맞는 예지보전 모델을 보다 수월하게 개발할 수 있습니다.    

Mtell : 다양한 자산 탬플릿과 AI 제공 

미국에 본사를 둔 자산 관리 소프트웨어 공급업체 AspenTech는 Mtell이라는 애플리케이션을 제공합니다. 미리 제작된 산업별 공통 자산 탬플릿과 AI 모델이 포함돼 있습니다. 최종 사용자는 이를 활용하여 공통 자산 카테고리에 맞는 센서를 선택하고, 특정 컴프레서나 터빈, 송풍기 등에 맞는 예지보전 모델을 신속하게 생성하고 배포할 수 있습니다.  

 

 

기능 4: 상태 시각화, 경고 및 사용자 피드백 

예지보전 솔루션에는 시각화 및 경고 알람 기능이 공통적으로 포함돼 있습니다. 제조 현장에서 일하는 운영 실무자가 고급 데이터 분석이나 AI에 대한 지식이 없어도, 현장의 상황을 보다 직관적으로 알 수 있게 하기 위해서죠.  

기존 제조 현장에서는 다양한 장비에서 생성된 데이터를 각 장비 내부에 저장하는 것이 일반적이었습니다. 그래서 만약 장비에 문제가 생기면 엔지니어가 직접 출동해야 했죠. 장비 내부에 저장된 데이터를 직접 열어보고 문제의 원인을 진단해야 했던 거에요. 번거로울 뿐만 아니라 한정된 인력으로 거대한 공장 내 모든 상황에 빠르게 대응하기 어렵다는 문제도 있었습니다. 

예지보전 솔루션의 시각화 창을 이용하면 최종 사용자는 기업 자산과 관련한 현재 데이터와 경향성, 그리고 다양한 분석을 통해 도출된 여러 인사이트를 자동으로 받아보게 됩니다. 작업 주문, 시정 조치, 유지보수 계획, 생산 최적화 계획 등이 포함될 수 있죠. 공장 내 상황을 한 눈에 살펴보고, 이상 알람이 뜨는 경우에 빠르게 대응이 가능합니다. 직접 기계 설비까지 가지 않아도 솔루션을 이용해 생산 계획을 변경하는 것도 가능합니다.   

솔루션이 도출한 이상 알람과 조치 경고가 실제로 정확한지 여부를 최종 사용자가 피드백 할 수도 있습니다. 이런 과정을 통해 모델의 정확성을 높일 수 있습니다.   

DATA CAMP & LISA : 웹기반 모니터링 및 경고알람 전송 

AI 전문기업 아하랩스의 DATA CAMP는 웹 기반으로 시간과 장소의 제약 없이 생산 현장의 모든 데이터를 한 눈에 확인하고 대응할 수 있습니다. 검사 장치 별, 공정 별 설비 현황, 또는 특정 수의 제품 단위(Lot)나 개별 생산품 단위의 데이터를 조회하고, 요약된 현황도 확인할 수 있습니다. 

또한, 산업용 AI 솔루션 LISA와 연동하여 이상 알람도 전송할 수 있습니다. 한 예로, 기존 데이터를 학습한 머신러닝 인공지능 모델로 현재 촬영되고 있는 광학 이미지의 품질을 분석(Image Quality Analysis)할 수 있습니다. 제조 현장을 관제하는 카메라의 각도가 틀어져서 촬영이 제대로 이뤄지지 않거나, 노후 조명 문제로 이미지의 포커스와 밝기 등이 변했을 경우 현장 엔지니어가 필요한 조치를 취할 수 있도록 알람을 전송합니다.   

📌 카메라 흔들림, 노후 조명 문제로 검사 이미지 촬영에 자주 문제를 겪고 계신가요? 아하랩스의 IQA 솔루션을 더 자세히 확인해보세요. 

기능 5: 타사 솔루션과의 통합 

예지보전 솔루션을 타사 솔루션과 통합해 운영할 수도 있습니다. 예를 들어, 스마트팩토리의 핵심을 이루는 제조실행시스템(MES)이나 전사적 자원 관리(ERP) 소프트웨어 등과 연계하는 거죠. 기존 스마트팩토리 시스템에 예지보전 솔루션을 추가하고 시너지를 낼 수 있습니다. 

DATA CAMP : 다양한 출력 지원 

AI 전문 기업 아하랩스의 DATA CAMP는 다양한 출력을 지원합니다. 자체 데이터베이스는 물론 다양한 형태의 파일도 내보낼 수 있죠. 또한, 다양한 상위 시스템(ex. MES, ERP, FMS 등)과 연계할 수 있는 프로토콜을 갖추고 있습니다. 데이터를 편리하게 재가공하고 전송할 수 있습니다.  

 

기능 6: 처방적(Prescriptive) 조치 

고장이 예상되는 경우, 실제 고장이 발생하기 전에 미리 취해야 하는 최적의 조치를 제안하는 기능입니다.  

이 기능에서 특히 중요한 점은 문제의 우선순위와, 선제 조치가 얼마나 긴급하게 수행되어야 하는지를 알려주는 것입니다. 대규모 제조 현장의 경우 경고 알람이 동시다발적으로 울릴 수 있고, 이 경우 제조현장에서 일하는 운영자나 엔지니어는 어떤 것부터 조치를 취해야 할지 우선순위를 결정하는 데 오랜 시간을 허비해야 할 수도 있습니다. 기껏 예지보전 솔루션을 도입하고서도 고가의 다운타임을 맞이할 가능성이 생기는 거죠. 그래서 예지보전 솔루션의 처방적 조치 기능은 필수이자 핵심이라고 볼 수도 있습니다. 이러한 문제의 우선순위(긴급도)는 보통 알고리즘을 설계하는 단계에서 미리 설정한 기준에 따라 정해집니다.  

크게 네 가지 요소가 포함될 수 있습니다. (1)중요도: 예측된 고장으로 인해 얼마만큼의 비용 손실이 예상되는지, (2)긴급도: 알람이 울린 뒤 얼마나 시간이 흐른 뒤 실제 고장이 발생할 것으로 예상되는지, (3)조치: 그래서 이를 해결하기 위해 필요한 기술, 도구, 허가, 작업 지침 등은 무엇인지, (4)예비 부품 관리: 어떤 부품을 얼마나 보유하는 것이 올바른 결정인지 등입니다.[2] 다양한 예지보전 솔루션 기업이 보다 신뢰성 있는 처방적 조치 기능을 구현하기 위해 노력하고 있습니다.  

LISA : 완전 자동화된 MLOps 플랫폼 개발 예정 

아직까지 시중 MLOps 플랫폼들은 실제 ‘운영’ 하는 데 사람 전문가의 개입이 너무 많이 필요합니다. MLOps 기업들이 흔히 ‘완전 자동화’를 내세우지만, 사실 진짜 중요한 의사결정들은 여전히 경험 많은 숙련 AI 엔지니어가 내려야 합니다. 예를 들면, 어떤 데이터셋을 얼마나 더 학습시켜야 모델의 완성도가 높아지는가 하는 것들입니다.  

2024년 상반기에 출시될 LISA SaaS 플랫폼은 진정한 의미로 자동화된 MLOps 플랫폼을 지향합니다. 예를 들면, 모델 개선을 위해 추가로 학습해야 할 데이터셋과 분량, 품질을 높이기 위한 방법 등을 AI가 추천해줍니다. 기존에는 숙련된 AI 엔지니어가 해야 했던 주요 의사결정을 LISA가 대신해주는 거죠. 예지보전과 처방적 조치 기능 같은 의사결정도 포함될 수 있습니다.  

  

당신이 더 관심 있을 이야기 

 

Reference

[1] Iot analytics, Predictive maintenance market: 5 highlights for 2024 and beyond 

[2] Why prescriptive actions are required to realize the expected value of predictive alerts