닫기

기획특집

[스마트제조 대전망-④] “장비 얼마나 더 쓸 수 있을까?”…AIOT Suite, 딥러닝 기반 이상징후 감지

URL복사

예지보전은 장비 유지보수가 향해야 할 궁극적인 방향이다. 예지보전은 데이터를 수집해서 데이터의 내부에 포함되어 있는 이상징후를 감지하고, 탐지된 결과에 대해서 분석을 한 이후에 조치를 취하는 일련의 과정들로 이루어져 있다. 마크베이스의 AIOT Suite는 딥러닝을 기반으로 IoT 센싱 데이터의 이상징후를 실시간으로 감지해서, 탐지된 결과를 필드의 작업자들에게 알리고, 실질적으로 조치가 이루어지도록 돕는다. ‘2022 스마트 제조 대전망 온라인 컨퍼런스’에서 마크베이스 이동현 이사가 발표한 AIoT Suite 적용 사례를 정리했다.

 

 

이상징후를 탐지할 때 가장 큰 문제는 시간과 노력이 많이 들어간다는 것이다. 특히, 데이터를 수집하고 저장하는 부분이 문제다. IoT 센서는 짧은 시간 동안 어마어마한 양의 데이터를 쏟아내기 때문에, 데이터를 누락시키지 않고 제대로 수집·가공하는 것이 어렵다.

 

데이터를 분석하고자 할 때는, 데이터의 정합성 측면에서 퀄리티가 좋아야 한다. 데이터 분석에 앞서 전처리를 하게 되어 있는데, AI를 적용하기 위해 전처리를 하다 보면 실질적으로 70~80%의 시간이 데이터의 전처리를 하는 부분에 소요된다. 리얼타임으로 데이터가 쏟아지다 보니, 데이터를 추출·저장하고 전처리하고 추론·대응하는 일련의 과정을 패키지 하나로 구현하기도 어렵다. 이런 어려움들에 도움을 주기 위한 솔루션이 마크베이스의 AIoT Suite이다.

 

딥러닝 기반 올인원 솔루션 ‘AIOT Suite’

 

마크베이스의 AIOT Suite는 딥러닝을 기반으로 IoT 센싱 데이터의 이상징후를 실시간으로 감지해서, 탐지된 결과를 필드의 작업자들에게 알리고, 실질적으로 조치가 이루어지도록 하는 올인원 솔루션이다.장비들이 정상적으로 잘 동작되고 있는지, 부품 교체를 언제 해야 되는지 등 보전의 문제는 일반적으로 작업자의 경험에 의존해 이루어지고 있는 실정이다. 이상징후 탐지 솔루션은 공정이 정상적으로 흘러가고 있다가 어떤 이유인지는 모르겠지만 발생하는 튀는 부분(Anomaly)들을 미리 탐지한다.

 

예지보전을 위한 이상징후 탐지에는 앞서 언급한 것처럼 시간과 노력이 많이 들어간다. 마크베이스의 AIoT Suite는 그중에서도 가장 많은 자원이 들어가는 부분, 즉 데이터를 수집하고 저장하는 부분을 자동화했다. 센서로부터 데이터를 끌어오기 위한 프로토콜도 국제공용표준을 따라 버튼을 클릭하면 연동을 통해 데이터가 마크베이스 DB로 들어올 수 있도록 했다. 엣지 마스터 제품군은 데이터를 어느 특정 시간만큼 보관하고 있다가 쌓이면 엣지 단에서 Fog 단으로 자동으로 복사해서 넘겨주고 실시간으로 전송한다.기존에는 예지보전을 위해 데이터를 추출하고 가공하고 분석해서 활용할 때, 각 단계가 단절된 상태로 진행됐다. 데이터를 핸들링하는 전문가들이 각 단마다 개입해서 작업을 하다 보니, 시간이 오래 걸리고 어려웠다. AIoT Suite는 올인원 솔루션으로, 데이터를 추출하고 가공하고 분석하고 활용하는 모든 단계를 하나로 패키지화했다.

 

 

AIoT Suite 데이터 처리 추론 과정과 적용 사례

 

AIoT Suite 데이터를 처리하고 추론하는 과정을 살펴보면, 데이터를 어디에서 가지고 올 것인지 결정하는 Extract 과정, 추출된 데이터를 어떤 형태로 변환할 것인지 결정하는 Pre-processing 과정, 어떤 종류의 AI 모델을 사용할 것인지 결정하는 Execute 과정, Execute 과정을 마치고 그 결과에 따른 동작을 결정하는 Post-process 과정 등 네 단계를 거치게 된다.활용 분야 또한 매우 다양하다. 센서가 붙어 있는 곳이라면 어디에나 적용이 가능하다. 그중 진동 센서와 음향 센서는 데이터의 양이 더 많고, 짧은 시간에 더 많은 데이터가 쏟아지기 때문에 난이도가 높아 특별히 집중하고 있다.

 

실제 적용 사례로는 아파트 3층 높이의 1200톤 프레스 장비 상단 부분에 부착되어 있는 모터에 솔루션을 적용한 사례가 있다. 자동차의 도어 프레임을 찍어내는 장비였는데, 이 장비가 고장나면 전체 공장이 올스톱할 만큼, 크리티컬한 장비였다. 보통 프레스 장비는 TBM(time based maintanance) 방식으로 관리한다. 워낙 중요한 장비이기 때문에, 고장 여부와 상관없이 일정 기간을 주기로 무조건 부품을 교체하는 식이다.

 

초당 13건 정도의 데이터를 수집, 4주 동안 총 3800만건 정도의 데이터를 모았고, 이 데이터들을 솔루션에 적용했다. 일정한 시간이 되면 무조건 부품을 교체하기보다 조건부로 컨디션을 봐가면서 장비 관리를 하기 때문에, 결과적으로 기회비용 측면에서 많은 손실 비용을 절감했다.

 

이같이 설비의 상태를 데이터 중심의 결과를 가지고 미리 분석, 대응할 수 있다면, 품질 비용뿐만 아니라, 수반되는 유지보수 비용을 크게 절감할 수 있을 뿐 아니라, 품질도 상당 부분 업그레이드될 수 있다.

 

오토메이션월드 이동재 기자 |






주요파트너/추천기업