설비 보전은 제조 공정에 설치된 설비의 적절한 유지보수를 통해 균일한 품질을 확보하고, 설비의 고장에 따른 비가동을 최소화 하는 것을 목적으로 하고 있습니다. 설비 보전에서 AI를 활용하게 되면 설비의 고장을 예측하고, 고장에 대한 원인 분석을 빠르게 할 수 있습니다. 특히, 설비 고장 예측을 통해 불량품이 발생할 수 있는 전조 증상을 파악할 수 있습니다.
기존 설비 보전 방법의 한계를 극복하기 위한 AI 활용
설비의 정기 점검은 고장을 미연에 방지하기 위해 실시하지만, 불의의 고장은 완전히 예방할 수 없습니다. 설비가 갑자기 고장날 경우, 생산 계획이 바뀌면서 금전적인 피해가 발생할 수 있습니다. 고장 대응을 위해 시간 외 근무를 해야 하는 경우가 많아 회사의 업무 문화 개선의 관점에서도 문제가 됩니다. 또한 고장가지는 아니더라도 어떠한 원인으로든 설비가 짧게 멈추는 ‘순간 정지’가 누적된다면 큰 손실로 연결됩니다.
예전부터 설비 가동률을 높여 생산성을 향상시키기 위해 ‘고장을 예측하고 싶다’, ‘가동 중단의 원인을 분석해 대책을 실시하고 싶다’는 요구가 있었습니다. IoT를 통해 설비가 고장 난 것을 알 수는 있지만, 예방은 할 수 없습니다. 여기에 AI를 이용해 고장이 일어나는 전조 패턴을 학습하고 고장 이전에 예측해 경고하는 기술의 개발이 진행되고 있습니다.
다양한 센서로부터의 정보를 활용해 불량품의 발생을 예측
설비 보전은 다양한 센서 네트워크에서 시계열 환경 빅데이터를 모아 ‘가시화‘ 하는 것만으로도 효과가 나타납니다. 거기에 다양한 기법으로 요인을 분석하고 딥러닝을 이용해 예측할 수 있습니다.
IoT 센서 기기는 기계 동작 상태 자체를 알기 위한 센서와 예지를 행하기 위한 센서를 모두 설치합니다. 관리 기계 장치의 동작 형태로 가동을 시작하면 온도가 급상승하고 온도 센서 등에서 발생 시간을 특정할 수 있습니다. 게다가 동작 여부의 예측 패턴을 AI에 학습시켜 예측에 다른 경고를 할 수 있습니다.
예측 패턴을 학습하는 방법에는 사용 센서, 진동 센서 등을 중심으로 실행하는 방식과 음성 센서를 중심으로 실행하는 방법이 있습니다. 진동 센서는 회전 기계를 내장한(즉, 진동이 발생하는 축이 있는 장치)에 사용됩니다. 방식에 따라 각각 장단점이 있기 때문에 설치 환경의 특징을 고려해 선정해야 합니다.