IoT를 통해 예측 유지 관리의 잠재력 실현

대상 결과 파악

향상할 대상 비즈니스 프로세스와 궁극적으로 달성할 결과를 결정합니다.

예측한 문제를 해결할 수 있어야 합니다. 다시 말해 예측 자체는 가치가 없습니다. 예를 들어 다음 날 난방 및 냉각 장치가 고장이 날 것으로 예측한다 해도 예방할 수 없으면 아무 소용이 없습니다.

우선 달성하려는 결과를 파악합니다. 이를 통해 해결해야 할 예측 질문을 결정하고 작업의 성공을 측정할 수 있습니다.

일반적인 예측 질문은 다음과 같습니다.

  • 타이밍: 장비가 실패하기 전까지 얼마나 유지되나요?
  • 확률: (x)일 또는 (x)주 이내에 실패 확률이 얼마나 되나요?
  • 원인: 지정된 실패의 가능한 원인은 무엇인가요?
  • 위험 수준 순위: 실패 위험이 가장 큰 장비는 무엇인가요?
  • 유지 관리 권장 사항: 특정 오류 코드와 기타 조건이 주어진 경우 문제를 해결할 가능성이 가장 높은 유지 관리 작업은 무엇인가요?

인벤토리 데이터 원본

관련 데이터의 모든 잠재적 원본 및 형식을 파악합니다. 원하는 결과에 따라 어떤 데이터는 필수가 되고 어떤 데이터는 선택 사항이 됩니다.

다양한 원본의 데이터를 포함합니다. 놀라울 정도로 다양한 위치에서 주요 정보를 가져올 수 있습니다.

먼저 다양한 데이터 원본에서 사용할 수 있는 데이터를 파악합니다. 데이터가 정형이거나 비정형일 수 있고 내부 시스템에서 얻거나 외부 당사자를 통해 얻을 수도 있습니다.

관련 데이터의 예는 다음과 같습니다.

  • 운영 조건 - 위치, 온도, 장비 운영자 등
  • 오류 정보 - 타이밍, 날씨, 원인 등
  • 수리 기록

일부 데이터만으로도 실시간 모니터링을 통해 비정상 추세와 패턴을 검색하는 변칙 검색과 같은 중간 솔루션을 활용할 수 있습니다. 이렇게 하면 문제의 강력한 예측 모델을 빌드하는 데 필요한 관련 데이터를 수집하면서도 변칙을 검색할 수 있습니다.

데이터 캡처 및 결합

모든 데이터를 한 곳으로 연결하고 분석에 사용할 준비를 하세요.

예상 동작 및 오류 로그를 모두 포함하는 데이터를 끌어와 강력한 예측 모델을 위한 기반을 구축하세요.

이제 예측 분석을 위한 기반을 쌓을 수 있습니다. 여기에는 다음이 포함됩니다.

  • 여러 원본의 데이터를 일관된 단일 시스템으로 연결
    데이터 여러 위치에 있을 수 있으므로 일관된 단일 시스템으로 연결하는 것이 핵심 단계입니다. 경우에 따라 데이터를 이동해야 할 수 있지만 많은 경우 데이터 원본을 분석 시스템에 연결하면 됩니다. 대규모 데이터를 처리해야 할 가능성이 높으므로 빅 데이터를 처리할 수 있는 분석 도구를 사용하는 것이 중요합니다.
  • 데이터 정규화
    데이터 정규화는 시간이 들 수 있지만 역시 매우 중요하며, 복구 팀의 입증되지 않은 정보를 부분적으로 활용하는 경우 특히 중요합니다. 데이터를 정규화하면 분석의 정확성과 유효성을 향상하는 데에도 도움이 됩니다.

모델링, 테스트 및 통합

기계 학습 기술을 통해 예측 모델을 개발하여 예기치 않은 패턴을 파악합니다. 모델의 스택 순위를 지정하여 단위 실패의 타이밍을 예측하는 데 최적의 모델을 결정합니다.

유지 관리 팀이 예측에 대처하기 위해 얼마나 많은 사전 통지가 필요한지 파악하여 모델을 실행 가능하게 만듭니다.

먼저 데이터를 분석하여 의미 있는 패턴을 파악합니다. 여기에는 데이터의 하위 집합을 사용하여 모델 세트를 개발하는 작업이 포함됩니다. 데이터를 분석하고 모델링할 때 테스트할 가설을 세우면 유용할 수 있습니다. 그러면 찾을 신호를 고려할 때 도움이 되며 분석 결과를 평가할 기준을 얻을 수 있습니다.

다음으로 모델의 스택 순위를 지정합니다. 즉, 나머지 데이터를 사용하여 예측 질문에 대답하는 최적인 모델을 결정합니다. 모델이 실행 가능해야 유용할 수 있으므로, 분석 작업은 확실히 비즈니스 컨텍스트를 기반으로 해야 합니다. 예를 들어 수리 팀이 유지 보수 요청을 이행하기 위해 48시간 통지가 필요한 경우 실행 가능한 모델은 오류가 발생하기 48시간 이상 전에 오류를 예측하는 모델입니다.

예측 모델을 사용하면 향후 장비 문제를 나타내는 조건을 파악할 수 있습니다. 이 정보를 활용하여 이러한 조건이 발생하는 경우 예방 조치를 트리거하도록 프로세스와 시스템을 조정할 수 있습니다. 즉, 모델에서 얻은 인사이트를 운영 변경 사항으로 변환하여 상당한 비즈니스 가치를 실현할 수 있습니다.

라이브 운영 설정에서 모델 검증

라이브 스트리밍 데이터에 모델을 적용하고 실제 조건에서 어떻게 작동하는지 관찰합니다. 기계 학습을 사용하여 모델을 개선하고 완전히 구현할 준비를 합니다.

실제 파일럿 동안 수집하는 데이터를 기반으로 접근 방식을 적극적으로 구체화하세요.

연결된 장비 모니터링

IoT 지원 예측 유지 관리 파일럿을 실행하려면 적절한 시스템에 장비를 연결하고 최신 운영 데이터를 보내야 합니다. 이런 라이브 데이터 흐름을 모델에서 분석하여 문제 신호를 감지하고 경고를 트리거하거나 교체 부품 주문, 기술자 예약 등의 예방 조치를 트리거합니다.

파일럿 계획

우선 파일럿 범위를 설정합니다. 여기에는 관련 장비, 시스템 및 위치, 테스트할 시나리오, 경고 또는 작업을 트리거할 조건(예: 교체 부품 자동 주문), 성공 측정 및 타이밍이 포함됩니다.

모델 적용 및 결과 구체화

파일럿 동안 허용 가능한 범위를 구체화하는 데 도움이 되는 새 데이터를 계속 수집하며 새 오류 신호에 주목할 수도 있습니다. 최신 운영 데이터와 분석이 알려 주는 정보를 바탕으로 접근 방식을 과감히 조정하세요.

작업에 통합

새로운 인사이트에 따라 유지 관리 프로세스, 시스템 및 리소스를 조정하여 모델을 운영할 수 있게 합니다. 기계 학습 및 고급 분석에서 인사이트를 얻어 지속적으로 개선합니다.

배운 내용을 활용하기 위한 프로세스와 절차를 강화합니다.

파일럿 목표를 충족하고 모델을 구체화했으면 더 광범위하게 구현할 수 있습니다.

이를 위해서는 수정되거나 동적인 복구 일정과 같은 많은 수의 작업 변경 사항을 배포하거나 특정 데이터가 지정된 범위를 초과하는 경우 우선해서 즉시 복구하도록 정책을 변경하는 등의 작업이 필요할 수 있습니다. 작업 변경은 광범위하게 영향을 미칠 수 있으므로 혜택을 점차로 실현할 수 있는 단계적 접근방식이 권장됩니다.

예측 유지 관리 접근 방식을 배포할 때 구현할 수 있는 작업 개선 사항은 광범위합니다. 예를 들어 다음을 수행할 수 있습니다.

  • 수리 담당자가 수행하는 작업과 시기를 최적화합니다. 즉, 수리 일정과 경로를 조정하여 실패를 줄이고 불필요한 출장을 없앱니다.
  • 예비 부품의 구매 방식을 변경하므로 과도한 재고를 보유하지 않아도 됩니다. 즉, 부품 주문을 적시에 트리거할 수 있습니다.
  • 서비스로서의 예측 유지 관리를 제공하여 연간 일정 매출을 확보하고 고객과 지속적인 관계를 유지합니다.

이것들은 예측 유지 관리를 통해 효율을 늘리고, 비용을 줄이고, 비즈니스를 발전시키는 방법을 보여 주는 몇 가지 사례에 불과합니다.

예측 유지 관리 솔루션 만들기

시작하기