예측 유지보수 : 산업용 IoT의 대표 주자

사물 인터넷의 부분집합 중 하나인 산업용 IoT는 원격 관리, 운영 분석을 포함한 운영 기술에 새로운 기능을 부여한다. 그러나 현재까지 가장 높은 부가가치를 제공하는 요소는 예측 유지보수다.

머신러닝 및 인공 지능(AI)과 새롭게 연결되는 무수한 기기에서 생성되는 방대한 데이터 풀이 결합되면 복잡한 시스템이 작동하고 상호 작용하는 방법을 더 심층적으로 이해할 수 있는 기회가 열린다.



이것이 예측 유지보수의 기반이다. 산업용 장비의 부품이 장애를 일으킬 가능성이 높은 시점을 정확히 포착해서 사전에 교체 또는 수리를 가능하게 하고, 결과적으로 많은 비용이 드는 손상과 다운타임을 방지할 수 있다.

IIoT 예측 유지보수 모델의 완성도 높이기
히타치 밴타라(Hitachi Vantara)의 영업 엔지니어링 및 데이터 과학 부문 이사인 와엘 엘리파이에 따르면, 예측 유지보수의 복잡성 중 하나는 AI가 생성하는 시스템 행동 모델이 시간 경과에 따라 바뀌어야 한다는 점이다. 엘리파이는 이 문제를 설명하기 위해 27년 6개월의 유지보수 계약을 맺은 히타치 반타라의 한 철도회사 고객을 사례로 들었다.

열차의 부품은 노후화될수록 응력에 대한 반응이 달라진다. 이러한 이유로 변화하는 고장율을 감안, 시간 경과에 따라 유지보수 일정을 조정해야 한다. 와엘은 머신러닝의 결과물인 모델을 사용해 이러한 일정을 생성할 수 있다고 말했다.

엘리파이는에 따르면 장비 고장은 “욕조 곡선(bathtub curve)”을 따른다. 사용 수명의 초기에는 고장이 빈번하지만 시간이 지나면서 유지보수 프로세스가 자리를 잡으면 고장이 훨씬 더 드물어진다. 엘리파이는 “그 다음은 물론 수명 종료가 오고 다시 고장이 빈번해지기 시작한다”고 설명했다.

AI로 생산되는 이 형태의 모델은 다른 산업용으로도 만들 수 있다. 히타치는 최근 IIoT 데이터를 수집하는 루마다(Lumada)라는 플랫폼을 출시했다. 데이터 과학자는 이 플랫폼을 사용해서 머신러닝 모델을 더 정확하게 조정할 수 있다. 제품 마케팅 부문 이사인 애릭 펠키는 “모델이 생산 단계에 진입한 이후 머신러닝 모델 정확도를 모니터링하는 것이 핵심”이라고 말했다.

한 가지 예는 화학품 제조 공정이다. 루마다는 중앙 데이터 풀을 생성하고 데이터 과학자는 이 풀의 데이터로 실험을 할 수 있다. 다양한 모델의 상호 테스트 프로세스를 통해 회사는 입력을 변경하면 생산 라인 반대쪽 끝에 있는 화학품에 어떤 결과가 나타날지 더 정확히 예측할 수 있다.

엘리파이와 펠키는 이 진화하는 머신러닝 모델 관리는 중공업 및 수송과 같은 저마진 고자본 비즈니스에 가장 큰 영향을 미칠 것이라고 말했다.

자동차의 IIoT 예방적 유지보수
지난 15년 사이 제조된 자동차에는 일반적으로 OBD-II(온보드 진단 버전 2의 약어)라는 온보드 컴퓨터가 장착돼 있다. 자동차 정비사가 자동차의 특수한 포트에 스캐너를 연결한다면 OBD-II를 점검하는 것이라고 보면 된다.

카포스(CarForce)라는 신생 업체는 이 컴퓨터의 데이터를 활용해서 운전자와 정비소, 궁극적으로는 제조업체에게 도움을 제공하는 것을 목표로 한다. 카포스의 하드웨어는 OBD-II 포트에 연결되는 동글이며, 연결된 상태로 유지되면서 SIM 카드를 통해 중앙 허브로 진단 데이터를 보낸다.

카포스 창업자인 제시카 로라는 현대의 자동차는 자체 진단 데이터를 우주 왕복선보다 더 많이 수집한다고 말했다. 그러나 수집된 데이터는 저장되지 않고 분석에 사용되지도 않는다. 로라는 “이 데이터는 자동차의 컴퓨터로 전달되지 않고 즉각 버려진다”고 지적했다.

카포스는 정비소를 대상으로 한 제품 판매에 주력하고 있지만, 로라는 이 제품의 잠재적인 혜택은 무수히 많다고 말했다. 정비소의 경우 정비 중인 차량에서 실시간 유지보수 데이터를 받을 수 있다. 이 데이터는 고객에게 곧 임박한 문제에 대해 경고하고 대규모 데이터 집합을 연계해서 미래의 안정성 문제를 예측하는 데 도움을 주는 역할도 한다.

정비소가 기계적 문제를 한 걸음 앞서 예측할 수 있다는 점에서 부가가치가 있다. 경보가 울리면 정비소에서 고객에게 연락해 정비 날짜를 예약하면 된다. 특정 고객이 오일 교환을 위해 방문할 가능성이 있음을 아는 것으로도 정비 계획과 일정에 도움이 된다.

로라는 “빅데이터/AI 경로에서 첫 번째 단계는 데이터를 보는 것”이라고 말했다. 로라는 이것을 “수련 잎” 개발 방법이라고 표현했다. 즉, 시스템을 만들어 다음 수련 잎으로 도약하는 과정을 반복하는 것이다.

카포스는 사업의 범위를 넓혀 자동차 업계 전반에서 안정성과 고장을 예측할 계획이다. 로라는 “이렇게 하면 정비소뿐만 아니라 그 자동차의 제조업체에도 적절한 조치를 제안할 수 있게 된다. 예를 들어 어느 세 가지 장애가 동시에 발생하면 자동차에 X라는 상황이 곧 발생할 것임을 의미할 수 있다”고 말했다.

IoT 예측 유지보수와 농기계
센터 팜스(Senter Farms)의 트래비스 센터는 미국 아칸사스 북동부, 멤피스 북쪽의 미시시피 강 삼각지에서 2만에이커 면적의 농작물 밭을 운영한다. 목화, 장립종 쌀, 대두, 옥수수, 밀을 재배하며 콤바인 3대, 목화 재배기 2대, 살포 장비 4대가 모두 존 디어(John Deere)의 JD링크(JDLink) 농업 IoT 시스템에 연결되어 있다.

센터는 “어디에 무엇이 있는지 추적하고 확인하기 위해 이 기술이 필요하다. 또한 다운타임을 허용할 수 없으므로 문제가 발생하면 신속하게 해결할 수 있어야 한다. 매일 날씨와 시간, 파종과 씨름해야 하기 때문”이라고 말했다.

농번기는 3월 중순부터 10월 말까지 지속되며, 이 시간 동안 장비는 항상 사용 가능해야 한다. 디어는 센터가 “귀찮은 경보”로 치부할 수 있는 사소한 경보도 분석해서 안정성과 정비 데이터에 대한 패턴과 결론을 도출한다.

디어의 IIoT 팀은 연결된 장비에서 수집한 데이터에 대한 고수준 분석을 수행하는데, 센터의 작업에도 실질적으로 도움을 제공한 적이 있다. 센터는 “예를 들어 엔진 앞쪽에 팬 드라이브가 있는데 이 부속이 경비한 진동을 일으킬 수 있다. 시스템은 이 진동을 감지하고 오류 코드를 보낸다. 얼핏 별 이상이 없어 보인다. 표면적으로는 무해해 보이는 이 코드에 성가심을 느끼는 사용자들은 계속해서 디어에 이러한 경보를 꺼 달라고 요청한다”고 말했다.

그러나 이 진동은 코드가 표시된 트랙터 13대 중 10대에서 곧 발생할 고장의 전조였음이 밝혀졌다. 센터는 “전체 드라이브를 교체하려면 대략 6,000달러가 들지만 이 코드 덕분에 200~300달러 정도의 비용으로 수리를 할 수 있었다”고 말했다.  editor@itworld.co.kr