예측 유지 관리

AI를 사용하여 오류를 예측 및 방지하고 유효 서비스 수명을 최대화하는 방법을 알아보세요.

소개

예정되지 않은 장비 가동 중지 시간은 비즈니스에 나쁜 영향을 줄 수 있습니다. 현장 장비를 실행 상태로 유지하여 사용량을 최대화하고 비용 손실이 큰 예기치 않은 가동 중지 시간과 상태, 안전 및 환경 위험을 최소화하는 것이 중요합니다. 예측 유지 관리 전략의 목표는 장비의 유효 서비스 수명을 연장하고 오류를 방지하는 것입니다. 디바이스가 예상과 다르게 동작하는 경우를 식별할 수 있는 변칙 검색이 일반적인 방식입니다. 변칙 검색 솔루션은 간단한 규칙 기반 오류 검색 방법보다 더 정확한 경우가 많으며, 비용 손실이 큰 오류와 중단을 방지하려는 경우에 유용합니다.

데이터 준비

예측 유지 관리 솔루션의 첫 번째 단계는 데이터 준비입니다. 여기에는 데이터 수집, 정리 및 기능 엔지니어링이 포함됩니다. 예측 유지 관리 문제에는 일반적으로 다음과 같은 데이터가 포함됩니다.

  • 머신 정보(예: 엔진 크기, 제조업체, 모델)
  • 원격 분석 데이터(예: 온도, 압력, 진동, 유체 속성, 작동 속도 등의 센서 데이터)
  • 유지 관리 및 개입 기록: 머신 수리 기록 및 런타임 로그
  • 실패 기록: 관심 있는 머신 또는 구성 요소의 실패 기록입니다.

오류를 방지하려면 데이터에 성공과 실패 둘 다의 예가 포함되어야 합니다. 예제가 많으면 더 뛰어나고 일반화 가능한 예측 유지 관리 모델이 생성됩니다. 또한 실패한 디바이스와 여전히 서비스 중인 디바이스의 데이터를 수집하는 것이 중요합니다. 데이터에는 관심 있는 특정 문제로 인해 실패한 장비 및 다른 이유로 실패한 디바이스의 판독 값이 포함될 수 있습니다. 두 경우 모두, 데이터가 많을수록 더 나은 솔루션을 만들 수 있습니다.

구축 및 학습

많은 예측 유지 관리 솔루션은 다중 클래스 분류 모델을 사용하여 자산의 잔여 수명을 컴퓨팅합니다. 오류 시간 범위와 여러 근본 원인 중 하나로 인한 오류 가능성의 두 가지 결과를 예측하려는 경우 다중 클래스 분류 예측 유지 관리를 사용합니다. 성공적인 모델이 되려면 올바른 알고리즘 선택 외에도 잘 조정된 하이퍼 매개 변수가 필요합니다. 신경망의 레이어 수와 같은 이러한 매개 변수는 학습 프로세스가 시작되기 전에 설정됩니다. 하이퍼 매개 변수는 시행오류 방식으로 데이터 과학자가 지정하는 경우가 많습니다. 모델의 정확도와 성능에 영향을 주며, 일반적으로 최적값을 찾기 위해 많은 반복이 필요합니다.

각 학습 실행에서 모델의 유효성 평가에 사용되는 메트릭이 생성됩니다. 분류자의 성능을 설명하는 데 가장 많이 사용되는 메트릭은 정확도지만, 예측 유지 관리 솔루션에서는 리콜 및 F1 점수도 자주 사용됩니다. 정밀도는 참 긍정 수에 거짓 긍정 수를 더한 값 대비 참 긍정 수로 정의되는 반면, 리콜은 오류 예측 인스턴스의 참 긍정 수에 거짓 부정 수를 더한 값 대비 참 긍정 수를 나타냅니다. F1 점수는 정밀도와 리콜 비율을 둘 다 고려합니다.

배포

모델의 가장 효과적인 변형이 식별되었으면 해당 모델은 REST 엔드포인트와 함께 웹 서비스로 배포해야 합니다. 그러면 기간 업무 애플리케이션이나 분석 소프트웨어에서 모델을 호출합니다. 그러나 예측 유지 관리의 경우 엔드투엔드 아키텍처에 기계의 실시간 원격 분석이 포함되는 경우가 많으며, 이러한 원격 분석은 Azure Event Hubs 등의 시스템이 수집합니다. 이 데이터는 스트림 분석에서 수집되어 실시간으로 처리됩니다. 처리된 데이터는 예측 모델 웹 서비스에 전달되며 결과가 대시보드에 표시되거나, 기술자 또는 서비스 직원에게 문제를 알리는 경고 메커니즘에 제공됩니다. 수집한 데이터는 모델링을 위한 학습 예에 다시 제공될 수 있도록 기록 데이터베이스에 저장되고 온-프레미스 데이터베이스 등의 외부 데이터와 병합될 수도 있습니다. IoT(사물 인터넷) 시나리오에는 시간 및 공간에서 모두 가능한 한 이벤트에 가깝게 검색이 이루어질 수 있도록 에지에 배포된 모델이 포함될 수 있습니다.

고객은 AI로 놀라운 일을 함