PdM(예측 유지 관리)은 유지 관리 요구를 예측하여 예약되지 않은 가동 중지 시간과 연관된 비용을 방지합니다. 디바이스에 연결하고 디바이스가 생성하는 데이터를 모니터링하면 잠재적인 문제점 또는 오류로 이어지는 패턴을 식별할 수 있습니다. 그런 다음, 이러한 인사이트를 사용하여 문제가 발생하기 전에 해결할 수 있습니다. 장비 또는 자산에 유지 관리가 필요한 시기를 예측할 수 있는 이 기능을 통해 장비 수명을 최적화하고 가동 중지 시간을 최소화할 수 있습니다.
PdM은 생산 현장의 장비를 통해 생성된 데이터에서 인사이트를 추출한 후 이러한 인사이트에 따라 조치를 취합니다. PdM에 대한 아이디어는 1990년대 초로 거슬러 올라갑니다. PdM은 정기적으로 예약된 예방 유지 관리를 보강합니다. 초기에는 센서를 사용하여 데이터를 생성할 수 없으며 데이터를 수집하고 분석할 계산 리소스가 부족하여 PdM을 구현하기가 어려웠습니다. 오늘날 IoT(사물 인터넷), 클라우드 컴퓨팅, 데이터 분석 및 기계 학습의 발전으로 인해 PdM은 주류가 될 수 있습니다.
PdM에는 장비 및 기타 운영 데이터를 모니터링하는 센서의 데이터가 필요합니다. PdM 시스템은 데이터를 분석하고 결과를 저장합니다. 분석 결과를 바탕으로 사람이 직접 조취를 취합니다.
이 문서에서 몇 가지 배경을 소개한 후 온-프레미스 데이터, Azure Machine Learning 및 기계 학습 모델의 조합을 사용하여 PdM 솔루션의 다양한 부분을 구현하는 방법을 설명합니다. PdM은 주로 데이터에 의존하여 의사 결정을 내리므로 먼저 데이터 수집에 대해 살펴보겠습니다. 데이터를 수집한 후 현재 진행 상황을 평가하고 나중에 더 나은 예측 모델을 빌드하는 데 사용해야 합니다. 마지막으로, Microsoft Power BI와 같은 보고 도구에서의 분석 결과 시각화를 포함하여 분석 솔루션이 표시되는 모양을 설명합니다.
유지 관리 전략
제조 역사상 다양한 유지 관리 전략이 도입되었습니다.
- 반응형 유지 관리는 문제가 발생한 후 해결합니다.
- 예측 유지 관리는 이전 실패 경험을 기반으로 해서 유지 관리 일정에 따라 문제가 발생하기 전에 해결합니다.
- 또한 PdM은 문제가 발생하기 전에 해결하지만, 고정된 일정에 따라 작업하지 않고 장비의 실제 활용률을 고려합니다.
데이터 수집, 처리 및 시각화에 대한 제한 사항 때문에 세 가지 전략 중 PdM 구현이 가장 어렵습니다. 이러한 전략을 각각 자세히 살펴보겠습니다.
사후 유지 관리
사후 유지 관리는 자산을 사용하지 못할 때만 자산을 서비스합니다. 예를 들어, 5축 CNC 머시닝 센터의 모터는 작동이 중지된 경우에만 서비스됩니다. 사후 유지 관리는 구성 요소의 수명을 최대화합니다. 또한 다른 문제 중에서도 알 수 없는 양의 가동 중지 시간과 작동하지 않는 구성 요소로 인한 예기치 않은 부수적 손상을 알립니다.
예방 유지 관리
미리 결정된 간격으로 자산을 제공하는 예방 유지 관리 서비스입니다. 자산의 간격은 일반적으로 자산의 오류 빈도, 과거 성능, 시뮬레이션 및 통계 모델링을 기반으로 합니다. 이 예방 유지 관리의 장점은 작동 시간이 증가하고, 오류가 감소하며, 유지 관리를 계획할 수 있다는 것입니다. 대부분의 경우 단점은 교체된 구성 요소의 수명이 남아 있는 경우도 있다는 것입니다. 이 경우 유지 관리 과다로 인해 낭비하게 됩니다. 한편, 예약된 유지 관리 전에 부품이 고장 날 수도 있습니다. 예방 유지 관리에 대해서는 잘 알고 있을 것입니다. 작동 시간(또는 다른 메트릭)을 설정할 때마다 머신을 중지하고 검사한 다음, 교체 예정인 부품을 교체합니다.
PdM
PdM은 모델을 사용하여 자산의 구성 요소가 고장 날 수 있는 시기를 예측하여 Just-In-Time 유지 관리를 예약할 수 있습니다. PdM은 작동 시간과 자산 수명을 둘 다 극대화하여 이전의 전략을 개선합니다. 구성 요소 최대 수명에 가까운 시간에 장비를 정비하기 때문에 작업 부품을 교체하는 데 비용이 덜 소모됩니다. 단점은 응답성이 뛰어나고 유연한 서비스 조직이 필요하기 때문에 PdM의 Just-In-Time 특성을 실행하기가 더 어렵다는 것입니다. 5축 CNC 머시닝 센터의 모터로 돌아가서 PdM을 사용하여 모터의 예상 오류 시간에 가까운 편리한 시간에 유지 관리를 예약합니다.
PdM을 제공할 수 있는 다른 방법
제조업체는 PdM을 사용하여 자체 제조 작업을 모니터링할 수 있습니다. 또한 새로운 비즈니스 기회와 수익원을 제공하는 방식으로 사용할 수 있습니다. 예를 들면 다음과 같습니다.
- 제조업체는 해당 제품에 대한 PdM 서비스를 제공하여 고객을 위해 가치를 추가합니다.
- 제조업체는 고객이 제품을 구매하는 대신 구독하는 PaaS(Product-as-a-Service) 모델로 해당 제품을 제공합니다. 이 모델에서 제조업체는 제품이 작동하지 않을 때 수익을 창출하지 않으므로 제품 작동 시간을 최대화하려고 합니다.
- 회사는 기타 제조업체가 제조한 제품에 대해 PdM 제품 및 서비스를 제공합니다.
PdM 솔루션 빌드
PdM 솔루션을 빌드하기 위해 데이터로 시작합니다. 이상적으로 데이터는 정상 작동 및 오류 전, 도중 및 후에 장비의 상태를 보여 줍니다. 데이터는 센서, 장비 운영자가 유지 관리하는 메모, 실행 정보, 환경 데이터, 머신 사양 등에서 제공됩니다. 기록 시스템에는 히스토리언, 제조 실행 시스템, ERP(엔터프라이즈 리소스 계획) 등이 포함될 수 있습니다. 데이터는 다양한 방법으로 분석에 사용할 수 있습니다. 다음 다이어그램은 TDSP(Team Data Science Process)를 보여 줍니다. 제조용으로 사용자 지정된 프로세스는 기계 학습 모델을 빌드하고 실행할 때 발생하는 다양한 관심 사항을 설명하는 뛰어난 작업을 수행합니다.
첫 번째 작업은 예측할 오류 유형을 식별하는 것입니다. 그런 다음 오류 유형을 고려하여, 해당 오류 유형과 관련된 데이터가 있는 데이터 원본을 식별합니다. 파이프라인이 사용자 환경에서 시스템으로 데이터를 가져옵니다. 데이터 과학자가 원하는 기계 학습 도구를 사용하여 데이터를 준비합니다. 이제 다양한 유형의 문제를 식별할 수 있는 모델을 만들고 학습시킬 수 있습니다. 모델은 다음과 같은 질문에 대답합니다.
- 자산에서 X시간 이내에 오류가 발생할 확률은 얼마인가요? 대답: 0-100%
- 자산의 잔여 수명은 얼마인가요? 대답: X시간
- 이 자산이 비정상적인 방식으로 작동하고 있나요? 대답: 예 또는 아니요
- 어떤 자산에 가장 긴급하게 서비스를 제공해야 하나요? 대답: X 자산
개발된 모델은 다음에서 실행될 수 있습니다.
- 자체 진단을 위한 장비 자체
- 제조 환경의 에지 디바이스
- Azure.
배포 후 PdM 솔루션을 계속 빌드하고 유지 관리합니다.
Azure를 사용하여 선택한 기술에 관해 모델을 학습시키고 테스트할 수 있습니다. GPU, FPGA(필드 프로그래머블 게이트 어레이), CPU, 대용량 메모리 머신 등을 사용할 수 있습니다. Azure는 데이터 과학자가 사용하는 오픈 소스 도구(예: R 및 Python)를 완전히 수용합니다. 분석이 완료되면 대시보드의 다른 패싯이나 다른 보고서에 결과를 표시할 수 있습니다. 이러한 보고서는 사용자 지정 도구 또는 Power BI와 같은 보고 도구에 표시할 수 있습니다.
모든 PdM 요구 사항을 충족하기 위해 Azure는 견고한 솔루션을 빌드할 수 있는 도구와 스케일링, 기능을 갖추고 있습니다.
시작
공장 현장의 많은 장비가 데이터를 생성합니다. 최대한 빨리 데이터 수집을 시작합니다. 오류가 발생하면 데이터 과학자가 데이터를 분석하여 이후 오류를 검색하는 모델을 만들도록 합니다. 오류 검색에 대한 정보가 축적되면 계획된 가동 중지 시간 동안 구성 요소를 수리하는 예측 모드로 이동합니다. Predictive Maintenance Modeling Guide(예측 유지 관리 모델링 가이드)는 솔루션의 기계 학습 부분을 빌드에 대한 훌륭한 연습을 제공합니다.
모델 빌드에 대해 알아보아야 하는 경우 기계 학습을 위한 데이터 과학 기초를 방문하는 것이 좋습니다. Azure Machine Learning 소개 학습 모듈에서는 Azure 도구를 소개합니다.
구성 요소
Azure Blob Storage는 비정형 데이터에 대한 확장 가능하고 안전한 개체 스토리지입니다. 보관, 데이터 레이크, 고성능 컴퓨팅, 기계 학습 및 클라우드 네이티브 워크로드에 사용할 수 있습니다.
Azure Cosmos DB는 최신 앱을 개발하기 위한 완전 관리형의 응답성이 뛰어난 스케일링 가능한 NoSQL 데이터베이스입니다. 엔터프라이즈급 보안을 제공하고 많은 데이터베이스, 언어 및 플랫폼에 대한 API를 지원합니다. 예를 들어 SQL, MongoDB, Gremlin, Table 및 Apache Cassandra가 있습니다. Azure Cosmos DB의 서버리스 자동 스케일링 옵션은 애플리케이션의 용량 요구를 효율적으로 관리합니다.
Azure Data Lake Storage는 고성능 분석 워크로드에 적합한, 대규모로 확장 가능하고 안전한 스토리지 서비스입니다. 데이터는 일반적으로 다른 유형의 여러 소스에서 제공되며 구조화, 반구조화 또는 구조화되지 않을 수 있습니다. Data Lake Storage Gen2는 Data Lake Storage Gen1 기능을 Blob Storage와 결합하고 파일 시스템 의미 체계, 파일 수준 보안 및 규모를 제공합니다. 또한 Blob Storage의 계층화된 스토리지, 고가용성 및 재해 복구 기능을 제공합니다.
Azure Event Hubs는 초당 수백만 개의 이벤트를 수신하고 처리할 수 있는 확장성이 뛰어난 데이터 스트리밍 플랫폼 및 이벤트 수집 서비스입니다. Event Hubs는 분산된 소프트웨어와 디바이스에서 생성된 이벤트, 데이터 또는 원격 분석을 처리하고 저장할 수 있습니다. 이벤트 허브로 전송된 데이터는 실시간 분석 공급자 또는 일괄 처리 및 스토리지 어댑터를 사용하여 변환하고 저장할 수 있습니다. Event Hubs는 낮은 대기 시간으로 대규모의 게시-구독 기능을 제공하므로 빅 데이터 시나리오에 적합합니다.
Azure IoT Edge는 표준 컨테이너를 통해 에지 디바이스에서 실행되도록 클라우드 워크로드를 배포합니다. IoT Edge 지능형 디바이스는 빠르고 오프라인으로 응답하여 대기 시간과 대역폭 사용량을 줄이고 안정성을 높일 수 있습니다. 또한 필요한 데이터만 전처리하고 클라우드로 전송하여 비용을 제한합니다. 디바이스는 AI 및 기계 학습 모듈, Azure 및 타사 서비스 및 사용자 지정 비즈니스 논리를 실행할 수 있습니다.
Azure IoT Hub는 수백만의 IoT 디바이스와 클라우드 기반 백 엔드 간에서 안정적이고 안전한 양방향 통신이 가능하도록 완전히 관리되는 서비스입니다. 디바이스별 인증, 메시지 라우팅, 다른 Azure 서비스와 통합 및 디바이스를 제어 및 구성하는 관리 기능을 제공합니다.
Azure Machine Learning은 모델을 신속하게 빌드하고 배포할 수 있는 한 엔터프라이즈급 기계 학습 서비스입니다. 이 서비스에서는 모든 기술 수준의 사용자에게 하위 코드 디자이너, 자동화된 Machine Learning 및 다양한 IDE를 지원하는 호스트된 Jupyter Notebook 환경을 제공합니다.
기계 학습을 사용하면 컴퓨터가 데이터 및 경험에서 학습하여 명시적으로 프로그래밍되지 않아도 조치를 취할 수 있습니다. 고객은 정보를 지능적으로 감지 및 처리하고 정보에 따라 조치를 취하는 AI 애플리케이션을 빌드하여 인간의 능력을 강화하고 속도와 효율성을 높이고 조직에서 더 많은 성과를 달성할 수 있습니다.
Azure Service Bus는 메시지 큐와 게시-구독 토픽이 있는 완전 관리형 엔터프라이즈 메시지 브로커입니다. 애플리케이션, 서비스 및 디바이스를 연결하는 데 사용됩니다. Azure Relay와 함께 Service Bus는 원격으로 호스팅되는 애플리케이션 및 서비스에 연결할 수 있습니다.
Azure SQL은 전체 SQL 포트폴리오에 대한 통합 환경과 에지에서 클라우드에 이르는 다양한 배포 옵션을 제공하는 SQL 클라우드 데이터베이스 제품군입니다.
Azure SQL 제품군의 일부인 Azure SQL Database는 완전 관리형 PaaS(Platform as a Service) 데이터베이스 엔진입니다. 항상 SQL Server 데이터 베이스 엔진 및 패치된 OS의 안정적인 최신 버전에서 실행됩니다. 업그레이드, 패치, 백업 및 모니터링을 포함하여 대부분의 데이터베이스 관리 기능을 처리합니다. 가장 광범위한 SQL Server 엔진 호환성을 제공하므로 앱을 변경하지 않고 SQL Server 데이터베이스를 마이그레이션할 수 있습니다.
Power BI: 풍부한 대화형 데이터 시각화를 만들 수 있는 기능을 제공하는 비즈니스 분석 도구 모음입니다. 무관한 데이터 원본을 일관되고 시각적으로 몰입도 높은 대화형 인사이트로 변환할 수 있는 서비스, 앱, 커넥터를 포함합니다. Power BI는 수백 개의 데이터 원본에 연결하고, 데이터 준비를 간소화하고, 임시 분석을 지원할 수 있습니다.
Azure Data Explorer는 로그 및 원격 분석 데이터에 사용 가능한 빠르고 확장성이 우수한 데이터 탐색 서비스입니다. Azure Data Explorer를 사용하여 시계열 서비스를 개발할 수 있습니다. Azure Data Explorer에는 근 실시간 모니터링 솔루션 및 워크플로를 사용하는 여러 시계열의 생성, 조작 및 분석에 대한 기본 지원이 포함됩니다.
Azure Data Explorer는 Azure IoT Hub, Azure Event Hubs, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark 및 기타 여러 서비스 및 플랫폼에서 데이터를 수집할 수 있습니다. 수집은 확장 가능하며 제한이 없습니다. 지원되는 Azure Data Explorer 수집 형식에는 JSON, CSV, Avro, Parquet, ORC, TXT 및 기타 형식이 포함됩니다.
Azure Data Explorer 웹 UI를 사용하면 쿼리를 실행하고 데이터 시각화 대시보드를 빌드할 수 있습니다. 또한 Azure Data Explorer는 Power BI, Grafana 및 ODBC 및 JDBC 커넥터를 사용하는 기타 데이터 시각화 도구와 같은 다른 대시보드 서비스와 통합됩니다. 최적화된 네이티브 Power BI용 Azure Data Explorer 커넥터는 쿼리 매개 변수 및 필터를 포함하여 직접 쿼리 또는 가져오기 모드를 지원합니다. 자세한 내용은 Azure Data Explorer를 사용한 데이터 시각화를 참조하세요.
결론
PdM은 검사하고 수리 또는 교체할 특정 구성 요소를 식별하여 예측 유지 관리 일정을 개선합니다. PdM 솔루션을 빌드하기 위한 데이터를 제공하기 위해 계측되고 연결된 머신이 필요합니다.
Microsoft의 인프라는 디바이스, 에지 및 클라우드에서 실행되는 솔루션을 빌드하는 데 도움이 될 수 있습니다. 시작하는 데 도움이 되는 많은 리소스가 있습니다.
먼저, 방지하려는 상위 1~3개의 오류를 선택하고 해당 항목으로 검색 프로세스를 시작합니다. 그런 다음, 오류를 식별하는 데 도움이 되는 데이터를 가져오는 방법을 식별합니다. 해당 데이터를 기계 학습 과정의 데이터 과학 기초에서 가져온 기술과 결합하여 PdM 모델을 빌드합니다.
참가자
Microsoft에서 이 문서를 유지 관리합니다. 원래 다음 기여자가 작성했습니다.
보안 주체 작성자:
- Scott Seely | 소프트웨어 설계자
다음 단계
- Azure Blob Storage 소개
- Azure Cosmos DB 설명서
- Azure Data Lake Storage Gen1 설명서
- Azure Event Hubs 설명서
- Azure IoT Edge 설명서
- Azure IoT Hub 설명서
- Azure Machine Learning 설명서
- Azure Service Bus 메시징 설명서
- Azure Relay 설명서
- Azure SQL 설명서
- Power BI 설명서
- Azure 데이터 탐색기에서 시계열 분석