예지보전이란
설비 정비 방식은 크게 세 가지로 나뉩니다. 고장이 난 뒤에 고치는 사후 정비, 정해진 주기마다 점검하고 부품을 바꾸는 예방 정비, 설비 상태를 보고 고장 징후가 보일 때 정비하는 예지보전(Predictive Maintenance)입니다.
| 정비 방식 | 정비 시점 | 판단 근거 | 주의할 점 |
|---|---|---|---|
| 사후 정비 | 고장이 난 뒤 | 고장 발생 | 예상하지 못한 정지가 생깁니다 |
| 예방 정비 | 정해진 주기마다 | 점검 주기와 사용 시간 | 아직 쓸 수 있는 부품도 바꾸게 됩니다 |
| 예지보전 | 고장 징후가 보일 때 | 설비 데이터와 정비 이력 | 데이터가 충분히 쌓여야 합니다 |
예지보전을 하려면 설비가 정상일 때와 이상이 생겼을 때의 데이터를 구분할 수 있어야 합니다. 그래서 데이터를 일정 기간 이상 쌓고, 그동안 있었던 고장과 조치를 함께 기록하는 일이 먼저 필요합니다.
도입 배경
고객사는 설비 이상을 미리 확인하고 정비 시점을 정하고 싶었습니다. 이를 위해서는 설비 상태를 나타내는 값과, 그 시점에 어떤 작업과 조치가 있었는지를 함께 볼 수 있어야 했습니다.
센서 값의 변화만으로는 이상이 생긴 이유를 해석하기 어렵습니다.
바이오 공정은 배치(batch) 단위로 생산하는 경우가 많고, 배치마다 작업 조건과 기록이 남습니다. 같은 센서 값의 변화라도 그 배치에서 어떤 작업을 했는지, 이전에 비슷한 문제가 있었을 때 어떻게 조치했는지를 알아야 의미를 판단할 수 있습니다.
적용 범위: 정형 데이터와 비정형 데이터
Ultivis는 성격이 다른 두 종류의 데이터를 한 플랫폼에 연결했습니다. 정형 데이터는 정해진 형식으로 쌓이는 숫자 데이터이고, 비정형 데이터는 사람이 문장과 문서로 남긴 기록입니다.
| 구분 | 데이터 | 담고 있는 정보 |
|---|---|---|
| 정형 데이터 | 센서 데이터 | 설비 상태를 나타내는 측정값의 변화 |
| 정형 데이터 | PLC 데이터 | 설비 운전 상태와 제어 신호 |
| 비정형 데이터 | 배치 기록 | 언제, 어떤 조건으로 생산했는지 |
| 비정형 데이터 | SOP | 정해진 작업 절차와 기준 |
| 비정형 데이터 | 트러블슈팅 기록 | 어떤 문제가 생겼고 어떻게 조치했는지 |
왜 1년 이상 쌓았나요
고객사는 두 종류의 데이터를 1년 이상 함께 쌓았습니다. 일반적으로 설비 데이터는 계절에 따른 온도와 습도 변화, 생산 계획의 변화에 영향을 받습니다. 또 고장은 자주 일어나는 일이 아니어서, 정상과 이상을 구분할 만큼 사례가 모이려면 시간이 필요합니다.
예지보전 모델의 품질은 알고리즘보다 쌓인 데이터의 기간과 기록의 품질에 크게 좌우됩니다.
결과
고객사는 1년 이상 함께 쌓은 정형·비정형 데이터를 바탕으로 설비 예지보전 모델을 구축했습니다.
비슷한 도입을 준비한다면
예지보전은 데이터를 모으는 기간이 필요하므로, 준비를 일찍 시작할수록 유리합니다. 아래 항목을 먼저 확인해 보세요.
- 대상 설비: 멈추면 영향이 크고 고장이 잦은 설비부터 고릅니다.
- 설비 데이터: 대상 설비의 센서와 PLC 데이터를 어디서 꺼낼 수 있는지 확인합니다.
- 작업 기록: 배치 기록, SOP, 트러블슈팅 기록이 어떤 형식으로 어디에 남는지 확인합니다.
- 기록 기준: 고장과 조치를 같은 항목과 표현으로 남기도록 기록 양식을 정합니다.
- 축적 기간: 정상과 이상을 구분할 만큼 데이터를 쌓는 기간을 계획에 넣습니다.
설비와 신호의 우선순위를 정하는 방법은 설비 데이터가 흩어져 있을 때 통합 범위를 정하는 방법에서, 문서 기록을 연결할 때 확인할 점은 사내 문서 검색 AI 도입 전 준비할 데이터에서 자세히 다룹니다.