예지보전(predictive maintenance)은 유지보수 단계 중 하나로서, 예지보전이 무엇인가를 알기 위해서는 유지보수가 무엇이며, 유지보수 단계는 어떤 것이 있는가에 대해 먼저 알아야 한다.
1. 유지보수(Maintenance)의 정의
필요한 기능을 수행할 수 있는 상태를 유지하거나 복원할 수 있도록 (기계의) 수명주기 동안 행해지는
모든 기술적, 관리적, 관리적 조치의 조합
Maintenance is defined as the combination of all technical, administrative and managerial actions during the life cycle of an item intended to retain it in, or restore it to, a state in which it can perform the required function.
유지보수의 각 단계에는 무엇이 있으며, 각 단계에 대한 장단점을 알아보자
2. 유지보수(maintenance)의 단계
(1) Reactive maintenance (Breakdown maintenance)
- 가장 단순한 예지보전의 단계로서, 단순히 고장이 나면 고치는 방식
- 문제점 : 고장 발생 후 조치하여 설비를 재가동 시키기까지 긴 시간이 소요, 생산성 악화
(2) Planned maintenance (Preventive maintenance)
- 미리 계획된 일정에 맞게 실시하는 유지보수의 방법
- 각각의 부품에 대해 과거 고장 이력을 참고하여 고장이 발생하지 않았어도 주기적으로 교체하는 방법
- 일정한 시간 주기에 맞춰 하는 경우에는 Time based maintenance(TBM)라고도 함
- 유지보수를 위해 고장부위를 파악하여야 하는 시간을 줄일 수 있음
- 설비의 가동률을 고려하여 설비가동이 중지하는 일정에 맞춰 유지보수를 할 경우, 전체적인 시간적 효율이 올라가는 장점
- 문제점 : 고장 나지 않은 부품에 대해서도 정해진 주기별로 교체하게 되면 결국 자원의 낭비로 이어짐
(3) Proactive maintenance
- 설비의 성능 향상을 위해 결함 요소를 미리 제거하는 유지보수 활동
- 고장이 발생하지 않았더라도 설비의 성능에 악영향을 주는 요소를 찾아내어 사전에 교체를 하는 유지보수 방법
- Planned maintenance 와 Predictive maintenance 의 중간 단계
(4) Predictive maintenance
- 설비의 데이터를 분석하여 이상징후를 사전에 파악하고 조치하는 유지보수 방법
- 설비의 상태를 기반으로 하기 때문에 Condition based maintenance (CBM)라고도 함
- 주기적으로 설비의 상태를 점검하고 그 결과를 진단, 예지하여 수리 여부를 결정하는 방식
- 다양한 센서 등을 통해 데이터를 수집하여 보전 여부를 결정하고, 고장 발생 시점을 사전에 예측, 선행 보전활동 가능
- 기존 유지보수 방식이 가지고 있던 과잉 보전 및 부정확한 고장 분석 등의 문제를 개선하여 보전 활동의 신뢰성을 높이고 경제성을 개선 시킬 수 있음
- 장점 : 유지보수 비용 감소, 생산 품질의 개선 , 부품의 재고량 조절 및 교체시기 연장 , 기계류의 수명 연장 및 OEE 향상, 작업 환경의 안정성 증가 등
위에서는 예지보전 시스템이 왜 중요한가에 대해 알 수 있었다.
하지만, 현재로서 실제 산업 현장에서 이러한 예지보전 시스템을 제대로 구축한 사례는 흔하지 않다.
그 이유는 다음과 같다.
3. 산업형 예지보전 시스템 개발의 주된 이슈
1) 데이터 특성의 다양성
- 같은 작업 조건내에서도 각각의 데이터 특성이 다르게 나타날 수 있음
-> 예지보전 모델의 재사용을 어렵게 함
2) 질적 데이터 수집/전처리/특징 추출
- 예지보전 문제에 적합한 데이터셋을 얻기 위한 질적 데이터 수집, 정확한 전처리, 특징 추출
- 장비 센서 데이터는 시간에 의존적인 시계열 데이터이므로, 현재 시점을 포함한 이전/이후 시점을 모두 고려해야함
-> 데이터 차원과 모의 복잡도를 증가시킴
- 장비 고장 데이터의 확보가 어려움
4. 예지보전 시스템에 필요한 10가지 특성
1). 신속한 이상탐지와 분석 (quick detection and diagnosis)
2). 고장 유형의 구분 (distinguish among different failure types)
3). 이상치나 노이즈에 대한 안정적인 대처 능력 (Robustness)
4). 새로운 데이터의 식별 가능성 (Novelty Identifiability)
5). 새로운 데이터 패턴에 대한 적응력 (Adaptability)
6). 예측 결과의 오차 측정 (classification error estimation)
7). 예측 결과에 대한 설명 가능성 (explanation facility)
8). 시스템을 모델링하기 위한 필요조건의 최소화 (minimal modeling requirements)
9) 실시간 계산과 저장공간 처리 (real-time computation and storage handling)
10). 다중 고장의 식별 (multiple fault identifiability)
-Represented by Venkatasubramanian et al.
Reference
Oscar Serradilla, Ekhi Zugasti, and Urko Zurutuza. 2020. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospect. 1, 1 (October 2020), 34 pages. https://doi.org/10.1145/nnnnnnn.nnnnnnn
