예측 유지보수란 무엇인가요?

예측 유지보수는 장비의 기록 데이터 및 실시간 데이터를 분석하여 유지보수 팀이 언제 어디서 유지보수 일정을 예약해야 하는지 예측하는 전략입니다. 예측 유지보수 전략은 고급 알고리즘을 모니터링하여 유지보수 팀이 유지보수 워크플로우를 최적화하는 데 필요한 정보를 제공함으로써 예방 유지보수나 사후 유지보수와 같은 기존 방식보다 훨씬 유리합니다.

강력한 예측 유지보수 프로그램을 보유한 기업은 유지보수 작업을 최적화하여 장비 고장 수리 비용을 절감하고, 불필요한 유지보수를 줄이며, 계획되지 않은 가동 중단 시간을 최소화하고, 장비 성능을 개선합니다.

우수한 예측 유지보수 전략은 여러 구성 요소를 결합하여 유지보수 팀이 보다 능동적인 유지보수 전략을 구현하도록 안내합니다.

• 기록 데이터: 모든 유지보수 시스템의 기준은 장비 사용, 성능, 유지보수, 수리 및 교체에 대한 기록 정보입니다. 팀은 이 데이터를 사용하여 예방 유지보수 일정을 수립해 왔습니다.
• 상태 모니터링: 최신 자본 장비는 산업용 사물 인터넷(IIoT) 구현의 일환으로 실시간 데이터를 수집합니다. 기계의 센서가 데이터를 수집하여 네트워크를 통해 중앙 데이터베이스로 전송하고, 데이터베이스에서 데이터가 저장 및 분석됩니다. 상태 모니터링은 특정 장비의 작동 여부, 가동 시간, 작동 주기 횟수 외에도 많은 정보를 수집합니다. 온도, 하중, 진동, 소음, 작동 조건 등의 물리적 특성과 장비가 공급업체에서 설계한 작업을 얼마나 잘 수행하는지도 기록합니다.
• 예측 분석: 시스템이 데이터를 수집한 후 다음 단계는 다양한 유형의 예측 모델을 데이터에 적용하는 것입니다. 일반적으로 머신러닝(ML)을 포함한 인공지능(AI) 방법과 통계 분석 및 기타 유형의 데이터 분석이 사용됩니다. 더 발전된 구현에서는 디지털 트윈을 포함한 시뮬레이션 모델을 활용하여 예측 정확도와 세부 정보도 개선합니다. 예측 분석의 목표는 모니터링된 정보를 성능 저하 및 고장과 연결하는 것입니다.
• 모니터링 및 권장 사항: 시스템은 예측 분석 결과와 실시간 모니터링 결과를 결합하여 유지보수 팀이 유지보수 계획을 최적화하는 데 필요한 정보를 제공합니다.
• AI/ML 강화 기능: 효과적인 예측 유지보수 구현에서 점점 더 중요해지는 구성 요소는 AI 툴입니다. AI/ML 알고리즘은 과거 동작을 기반으로 훨씬 더 정확한 예측을 가능하게 하며 IIoT 센서에서 수집한 데이터 또는 시뮬레이션을 통해 생성된 데이터를 사용하여 훈련됩니다. 신경망, 대규모 언어 모델(LLM) 등의 추가적인 AI 접근 방식을 사용하여 정보를 해석하고, 패턴 또는 패턴의 변화를 찾고, 데이터를 요약할 수 있습니다.

예측 유지보수 하위 유형

예측 유지보수 기술의 구현은 유지보수 팀이 시스템에 대한 예측을 사용하는 방식에 따라 여러 가지 형태가 될 수 있습니다.

• 예방 유지보수: 시간 또는 사용량 기반 계획을 따르는 것은 예정된 유지보수로 분류됩니다. 이 접근 방식은 장비의 마모가 일정하고 팀이 사용량만을 기준으로 유지보수가 필요한 시기를 알 수 있는 상황에 가장 적합합니다. 장비 제조업체가 미리 정해진 유지보수 체계를 일정으로 정의하기도 합니다. 예측 유지보수와 예방 유지보수의 차이를 이해하는 것은 유지보수 계획을 수립하여 각 유형의 유지보수를 적절히 최적화하는 데 중요한 단계입니다.
• 교정 유지보수: 장비가 고장 나거나 성능이 저하될 때 수리하는 것을 교정 유지보수라고 합니다. 이 접근 방식은 진단 및 수리가 쉬운 장비 고장 또는 성능 문제에 가장 적합합니다.
• 상태 기반 유지보수(CBM): 모니터링되는 파라미터가 문제를 나타내는 경우 유지보수를 계획하는 것을 상태 기반 유지보수(CBM)라고 합니다. 이를 통해 유지보수 팀은 잠재적인 문제를 파악하고 문제가 더 커지기 전에 해결할 수 있으므로 가장 유용한 유지보수 유형입니다.
• 위험 기반 유지보수: 위험 기반 유지보수는 고장이나 예정되지 않은 유지보수로 인한 비즈니스 위험을 고려하여 유지보수를 계획하고 실행하는 데 사용됩니다. 위험 기반 유지보수는 상태 기반 유지보수를 구현한 후 운영 비용을 더욱 절감하고자 하는 많은 유지보수 부서에서 고려하는 다음 단계입니다.

예측 유지보수 솔루션의 데이터 수집 기술

예측 유지보수 기술의 또 다른 핵심 구성 요소는 장비를 모니터링하는 데 사용되는 데이터 수집 방법입니다. 다음은 데이터를 수집하는 데 사용되는 가장 일반적인 기술 목록입니다.

• 가속도 및 회전 속도 기록: 이 기술은 장비의 수명을 단축시킬 수 있는 선형 운동 또는 회전 부품에 작용하는 힘으로 인한 가속도를 기록하는 것을 의미합니다. 예상 가속도 및 회전 속도의 변화는 문제가 증가하고 있음을 나타낼 수도 있습니다.
• 음향 모니터링: 음향 분석을 위해 마이크를 사용하여 기계의 소리를 모니터링하는 것은 기계의 동작 변화를 파악하는 가장 저렴하고 효과적인 방법 중 하나입니다. 정상 작동 중 진동은 특유의 음향 신호를 발생시키며, 이 신호가 변하면 작업자는 기계에 변화가 발생했음을 알 수 있습니다.
• 제어 시스템 입력 및 출력 추적: 자동화에 사용되는 제어 시스템의 정보는 입력을 생성하고 IIoT 네트워크에 속하지 않는 센서의 피드백을 추적합니다. 포괄적인 예측 유지보수 솔루션에는 이러한 데이터 수집이 포함됩니다. 주요 지표로는 작동 시간, 주기, 입력 피드 및 속도, 시스템 성능, 명령 응답 등이 있습니다.
• 전기 신호 모니터링: 모든 전기 기계 시스템의 전기 신호는 시스템에 변화가 있을 경우 전압 스파이크 또는 전류 리플의 변동을 나타냅니다.
• 유체 내 불순물 및 재료 특성 추적: 많은 기계 부품에는 기체와 액체가 포함되어 있거나, 움직이는 부품 사이의 마찰을 줄이기 위해 윤활유가 사용됩니다. 기계 시스템의 과도한 마모는 윤활유 내 금속 박편, 과도한 열로 인한 점도 감소, 누출된 씰로 인한 불순물 등으로 나타날 수 있습니다. 모니터링 시스템은 오일 분석, 유체 전도성 및 기타 비파괴 검사 방법을 사용하여 모든 유형의 유체 변화를 감지합니다.
• 압력 센서 및 로드셀 모니터링: 기계 시스템의 하중을 측정하는 가장 간단한 방법은 유체의 압력이나 기계 구성 요소에 가해지는 하중을 측정하는 것입니다.
• 온도 측정 열화상 영상: 자산 성능 모니터링의 대부분은 열전대 또는 서미스터에서 얻은 센서 데이터를 사용하여 시스템의 주요 위치 온도를 측정합니다. 또한 적외선 카메라를 배치하여 가시광선 표면의 온도를 캡처하는 이미지를 생성합니다. 온도 변화는 잠재적인 오작동을 나타내는 또 다른 저렴한 모니터링 파라미터입니다.
• 진동 감지: 예측 유지보수 시스템에 사용되는 또 다른 비교적 저렴하면서도 유용한 기술은 진동 분석입니다. 소리에 고유한 특성이 있는 것처럼, 구조적 구성 요소의 진동 패턴 변화는 시스템에 변화가 있음을 나타냅니다.

예측 유지보수 구현에서 AI의 영향

AI 기반 기능은 다양한 응용 분야에서 예측 유지보수의 영향력을 확장하고 향상시키는 중요한 기능을 제공합니다. 예측 유지보수 솔루션을 설계하는 팀은 데이터를 해석하는 모든 기능에 AI를 활용할 수 있지만, 대부분의 응용 분야는 다음 세 가지 영역 중 하나로 분류할 수 있습니다.

• ML 기반 예측 분석: ML 알고리즘은 많은 고급 예측 분석 툴의 핵심을 이룹니다. 솔루션은 현장 데이터 또는 시뮬레이션을 사용하여 입력 파라미터의 변화가 출력 파라미터에 미치는 영향을 예측하는 모델을 생성할 수 있습니다. ML 알고리즘의 결정론적 특성은 예측에 이상적입니다.
• 데이터 쿼리를 위한 LLM: LLM은 쿼리 기반 인터페이스를 통해 센서 데이터를 조사하고 상세한 작업 지시를 작성하고, 수리 지침을 개발하고, 패턴 감지를 지원하며, 공장 관리자가 솔루션을 실시간으로 구현하기 전에 가상으로 ‘가정 시나리오’ 연구를 수행할 수 있도록 함으로써 인간 작업자를 지원합니다. 또한 LLM 분석 결과는 운영자와 유지보수 팀이 데이터를 심층적으로 분석하여 변화를 파악하거나 추세를 식별하는 데 도움이 됩니다. LLM의 자연어 처리 기능은 훈련이 필요한 복잡한 사용자 인터페이스의 필요성을 없애고, 요약 기능은 대규모 데이터 세트를 신속하게 수집하고 해석합니다.
• AI로 패턴 인식 향상: 센서 데이터에서 데이터 추세 또는 예상 패턴과의 편차를 식별하는 것은 예측 유지보수의 핵심입니다. 이러한 추세 또는 편차 식별은 인간의 모니터링을 대체하거나 강화한다는 점에서 AI 툴의 강점입니다.

예측 유지보수 기술은 비즈니스에 적합한 경우 상당한 비용을 절감하고 가동 시간을 늘릴 수 있습니다. 기업은 솔루션 구현에 따른 투자 수익률이 비용을 정당화할 만큼 충분한지 확인해야 합니다. 기업 규모에 관계없이 예측 유지보수 구현 프로세스를 시작하기 전에 다음 사항을 확인해야 합니다.

1. 기업에 유지보수가 필요한 물리적 자산이 있어야 합니다.
2. 이러한 물리적 ​​자산은 IIoT 모니터링 시스템을 갖추고 있거나, 기업이 네트워크 기반 실시간 모니터링 시스템에 투자할 의향이 있어야 합니다.
3. 예비 부품 및 유지보수 비용은 운영 비용에서 상당한 부분을 차지합니다.
4. 장비 유지보수 또는 고장으로 인한 가동 중단은 기업의 비즈니스 목표 달성에 상당히 부정적인 영향을 미칩니다.
5. 조직에 유지보수 팀이 있거나 구성할 의향이 있습니다.
6. 경영진은 실시간 데이터를 수집하고 이를 바탕으로 조치를 취하는 데 필요한 인력, 프로세스, 시스템 및 장비에 투자할 의지가 있습니다.

이러한 특성을 가진 기업은 예측 유지보수를 통해 다음과 같은 이점을 기대할 수 있습니다.

• 유지보수 작업 비용의 절감: 예측 유지보수 툴을 제대로 구현했을 때 가장 직접적인 효과는 유지보수 작업 횟수의 감소입니다. 예방 유지보수를 사용하면 팀은 필요하지 않은 경우에도 유지보수 작업을 수행할 수 있습니다. 데이터 기반 일정을 사용하면 팀은 필요할 때만 조치를 취하면 됩니다. 또한 팀은 특정 유지보수 작업의 시급성을 파악하고 우선순위와 효율성을 기준으로 작업을 예약할 수 있습니다.
• 수리 및 교체 감소: 예측 유지보수를 통해 고장이 실제로 발생하기 전에 발생 가능한 고장을 파악하여 고장난 부품을 수리하고 교체하는 데 드는 기업 비용을 획기적으로 절감할 수 있습니다.
• 시스템 가동 시간 증가: 생산 중단은 비용이 많이 들 뿐만 아니라 조직 전체에 문제를 야기할 수 있습니다. 예측 유지보수 툴의 결과물을 통해 팀은 가동 중단으로 인한 부정적인 영향을 최소화할 수 있는 시점에 유지보수를 계획할 수 있으며, 이 정보를 활용하여 장비 고장으로 인한 가동 중단 시간을 줄일 수 있습니다.
• 유지보수 계획 시간 단축: 예측 유지보수 솔루션에서 제공하는 상세하고 실행 가능한 정보는 유지보수 팀이 유지보수 계획 및 관리 프로세스 전반을 간소화하는 데 도움이 됩니다. 예측 유지보수 소프트웨어를 컴퓨팅화된 유지보수 관리 시스템(CMMS) 및 자산 관리 툴과 통합하는 기업은 모든 정보가 한 곳에 저장되므로 계획 시간을 더욱 단축할 수 있습니다.
• 더욱 비용 효율적인 예비 부품 관리: 장비가 많은 시설은 불필요한 예방 유지보수나 구성 요소 고장에 대비하기 위해 많은 예비 부품을 재고로 보관해야 할 수 있습니다. 적극적인 예측 유지보수 전략을 통해 이러한 시설은 시스템이 향후 필요성을 알릴 때만 부품을 주문하는 적시 재고 관리 시스템으로 전환할 수 있습니다.
• 자산 성능 최적화: 예측 유지보수의 마지막 이점은 기업에서 유지 관리하는 장비의 성능 향상입니다. 엔지니어는 생성된 데이터를 사용하여 유지보수가 필요하지 않은 경우에도 성능 저하를 파악할 수 있습니다. 또한 자산 상태를 개선하는 변경 사항을 적용하기 위해 작업 지시를 발행할 수 있습니다.

기업은 예측 유지보수 시스템을 구현할 때 여러 가지 과제에 직면하게 되지만, 이러한 과제를 사전에 파악하면 이를 극복하기 위한 계획을 수립하고 전략을 세울 수 있습니다. 가장 중요한 과제는 다음과 같습니다.

• 시스템 기반 시설: 예측 유지보수 시스템은 장비 전반에 걸쳐 센서의 데이터를 사용합니다. 시간이 지남에 따라 필요한 정보 기술(IT) 기반 시설은 상당한 규모가 될 수 있습니다. 클라우드 또는 온프레미스 데이터 스토리지는 상당한 양의 데이터를 수용해야 하므로 네트워크 엔지니어는 IIoT 센서 및 장비 제어 시스템을 데이터 스토리지 기반 시설에 연결해야 하며, 구현 팀은 데이터 분석 및 시뮬레이션을 지원할 만큼 충분한 컴퓨터 성능을 제공해야 합니다.
• 안전성 향상: 장비 고장은 위험할 수 있습니다. 많은 기계는 고온에서 작동하고 상당한 압력을 받으며 많은 양의 위치 에너지 또는 운동 에너지를 저장합니다. 예측 유지보수를 통해 팀은 안전 문제가 발생하기 전에 이러한 문제를 없앨 수 있습니다.
• 인력 교육: 대부분의 조직은 계획된 유지보수를 수행하도록 유지보수 기술자와 엔지니어를 교육합니다. 예측 유지보수를 통해 교육은 유연성 향상에 중점을 두고, 데이터 기반 통찰력을 활용하여 모니터링, 예측 분석 및 시뮬레이션의 정보에 대응하는 방법에 중점을 둘 수 있습니다.
• 데이터 요구 사항: 예측 유지보수 시스템에 사용되는 예측 분석 및 상태 모니터링에는 시간이 지남에 따라 상당한 양의 데이터가 필요합니다. 일관된 데이터가 없으면 엔지니어는 ML 시스템을 학습시키거나 데이터의 변화와 추세를 파악할 수 없습니다.
• 복잡성: 예측 유지보수 시스템은 다양한 센서 기술, 데이터 과학, AI, 장비 수명주기 관리 및 유지보수 일정 관리를 하나의 포괄적인 시스템으로 결합하기 때문에 복잡합니다. 대부분의 경우 이러한 시스템은 다양한 유형의 기계 요구 사항을 충족합니다.

다양한 산업에서 예측 유지보수 시스템의 이점을 누릴 수 있지만, 특히 예측 유지보수 솔루션을 도입하거나 확장하려는 기업은 아래 세 가지 사례를 살펴보는 것이 좋습니다.

1. 천연 가스 발전 터빈

2023년 전 세계 전력 생산량의 23%는 천연 가스를 연료로 사용하는 발전 터빈에서 나왔습니다. 이러한 발전 터빈은 천연 가스의 연소를 회전축으로 변환하여 발전기를 구동하는 터보 기계의 한 종류입니다. 터빈에는 열, 진동, 윤활 불량, 그리고 지속적으로 작동하는 구성 요소의 마모 및 파열로 인해 고장이 발생할 수 있는 여러 구성 요소가 포함되어 있습니다. 복잡하고 비용이 많이 드는 시스템을 운영하는 기업의 경우 발전 터빈의 가동 중단 시간은 손실되는 비용입니다. 또한 대형 회전 디스크가 파손될 경우 전체 시스템과 주변 시설에 심각한 손상을 줄 수 있습니다.

유지보수 팀은 음향, 열 및 진동 모니터링을 조합하고 작동 파라미터를 추적하여 고장 가능성을 나타내는 이상 징후를 감지합니다. 팀은 AI 기반 예측 분석과 상세한 물리 시뮬레이션을 결합하여 이러한 특징적인 신호를 문제 발생 지점에 대한 진단으로 전환할 수 있습니다. 유지보수 팀은 이러한 정보를 바탕으로 고장이 발생하거나 성능이 저하되기 훨씬 전에 시스템을 수리할 수 있습니다.

2. 중장비

예측 유지보수가 높은 투자 수익률을 제공하는 또 다른 분야는 건설 및 광업에 사용되는 중장비입니다. 이러한 장비는 현장에서 작동하기 때문에 수리 비용이 훨씬 더 많이 들고, 필요한 부품을 장비 근처에서 구할 수 없는 경우가 많습니다. 최신 중장비는 IIoT 장치를 사용하여 장비의 거의 모든 하위 시스템을 모니터링하고 광대역을 통해 대규모 차량에서 발생하는 데이터를 데이터베이스에 업로드합니다.

3. 차량 관리

예측 유지보수가 장점을 드러내는 또 다른 분야는 차량 자산 관리입니다. 차량에서 발생하는 수익 마진은 적을 수 있으므로 가동 중단 시간은 수익에 직접적인 영향을 미칠 수 있습니다. 대부분의 최신 차량에는 차량 자산을 추적하는 데 필요한 센서가 장착되어 있습니다. 차량 관리 팀은 데이터를 수집하고 예측 유지보수 툴을 적용하여 문제가 발생하기 전에 발생 가능한 문제를 파악하는 모델을 개발하기만 하면 됩니다.

점점 더 많은 기업들이 디지털 트윈 및 상세한 물리 모델링을 활용하여 예측 유지보수 툴에 시뮬레이션을 통합하고 있습니다. 기업은 장비의 이러한 가상 표현을 다양한 방식으로 사용하여 어떤 센서 신호를 찾아야 하는지, 신호 변화가 무엇을 의미하는지, 최적의 수리 워크플로우는 무엇인지 파악할 수 있습니다.

시뮬레이션을 통해 예측 유지보수 솔루션을 확장하는 첫 번째 단계는 Ansys Twin Builder 시뮬레이션 기반 디지털 트윈 플랫폼 툴을 사용하여 디지털 트윈을 생성하고 배포하는 것입니다. 이러한 시스템 수준 모델은 경험적 데이터, 방정식 또는 물리 모델을 기반으로 장비의 각 하위 시스템을 수학적으로 표현합니다. 구축 후 운영자는 입력 변경이 모니터링 중인 출력에 어떤 영향을 미치는지 확인할 수 있습니다. 이를 통해 시스템에 필요한 변경 사항을 해결하거나 현장에서 발생하는 문제에 대한 다양한 솔루션을 시도해 볼 수 있습니다.

예측 유지보수를 담당하는 팀은 Ansys TwinAI AI 기반 디지털 트윈 소프트웨어와 같은 플랫폼에서 물리 기반 시뮬레이션 모델과 실제 데이터를 결합할 수 있습니다. 이 툴은 최신 ML 알고리즘을 사용하여 복잡한 시스템에서 통찰력을 도출하는 하이브리드 접근 방식을 통해 장비의 가상 모형을 생성합니다.

예측 유지보수의 이점을 누릴 수 있는 기계의 동작을 정확하게 나타내기 위해 시스템 수준 모델링에 더 많은 기능이 필요한 경우가 있습니다. 이러한 상황에서 엔지니어링 팀은 Ansys ModelCenter와 같은 포괄적인 시뮬레이션 플랫폼을 활용하여 모델 기반 시스템 엔지니어링(MBSE)을 수행합니다. 시스템 모델의 업계 표준 지원 및 향상된 기능과 유연성을 통해 유용한 통찰력을 빠르고 효율적으로 제공할 수 있습니다.

정확한 동작이 필요한 경우 엔지니어링 팀은 구성 요소 또는 어셈블리 수준에서 물리 기반 시뮬레이션 툴을 배포합니다. 구조, 열 및 진동 해석을 위한 Ansys Mechanical 구조 유한 요소 해석 소프트웨어 또는 유체 모델링을 위한 Ansys Fluent 유체 시뮬레이션 소프트웨어와 같은 포괄적인 툴을 배포할 수 있습니다. 두 가지 툴 모두 음향 신호 진단에 도움이 될 수 있습니다. 또한 사용자는 이 두 가지 툴을 연결하여 유체-고체 상호 작용을 나타낼 수 있습니다.

관련 리소스