IBM 자산관리솔루션소개 IBM 예지정비솔루션소개 (PMO, Predictive Maintenance & Optimization) Sales 박철범실장 (010-4995-4238, cbpark@kr.ibm.com) Technical Sales 유기성실장 (010-4995-4050, yooks@kr.ibm.com) 1
Asset Management 에대한이해 가장효과적인설비자산관리는고장발생의원인을제거하는것 설계 1 신뢰성을위한설계 2 목적을위한구매 정상운전 1 최적의시운전 2 정확한설치 3 결함제거 4 정확한밸런싱및얼라인먼트 5 작업프로세스및절차최적화 6 자산의컨디션관리 7 윤활점검 6 신뢰성있는운전 예방정비 1 정기정비와연결된태스크관리 2 오감점검 (Audible noise, hot to touch, smell) 예지정비 1 데이터기반모니터링모델 2 데이터기반의장애예측모델 3 상태정비와연결된태스크관리 4 진동 / 유체분석 5 Motor Testing 6 적외선이미징 7 비파괴검사 고장 1 기능고장 2 대형사고고장 2
설비자산고장의발생현황 고장의 89% 는랜덤하게발생, 자산의성능관리를통한예지정비체계구축이필요함 설비자산의고장패턴유형 고장그래프 A Smooth operation First signs of trouble B C D 약 11% 자산부품은시간의경과에따라고장발생 Performance Time to failure Warning Time Failing E 약 89% 시간의경과에무작위로고생발생 Failed F Time 3
코그니티브설비자산관리를위한핵심요소기술 IoT, Cognitive( 인공지능 ) 은 4 차산업혁명시대의설비관리를위한핵심기술임 4 차산업혁명의핵심기술 고도자동생산 고생산성, 센서부착형로봇 3D Printing 사물인터넷 (Internet of Things) 데이터수집 저가, 저전력통신,Cloud: Data 저장및활용플랫폼 디지털화 (Digitization) IT 시스템 (ERP, MES, CRM,etc.) 모든경험과지식의디지털화 코그니티브 ( 인공지능 ) Cognitive Computing Big Data 애널리틱스 - 처리 Data Volume 비약적증대 - Human Error 의제거 머신러닝 (Machine Learning) - Pattern 학습 - 자체적판단및추천 자연어 Communication - 비정형 Data( 말, 시각등 ) 이해및활용 - 명령 Input 방식의확대 Source: IBM IBV, IBM Watson Lab, DKFI, IBM GBS Analysis 4
빅데이터에대한이해 사고 ( 또는문제해결 ) 의과정 Sense ( 현상지각 : 모든측면 ) Memory ( 해석 : 연상, 유추 ) Solution (Insight : 경험 + 논리 ) Data 수집 à 유형화 à 분석 à 시각화 à 해석 à Insight 빅데이터란, 필요한모든정보 ( 정형 + 비정형 ) 를활용하여 비즈니스문제를해결하는과정 5
인지 (Cognitive) 컴퓨팅? 인지 (Cognitive) 컴퓨팅은인간의언어를이해 (understanding) 하며추론 (reasoning) 하고, 학습 (learn) 하고인간과상호작용 (human interaction) 을통해계속진화하는컴퓨팅기술을적용 음성인식, 이미지인식, 시각화기술등인간의방식으로상호작용하며, 이상호작용을통해계속학습하면서진화 감지하고예측하고, 생각할수있도록하는인공지능과기계학습을통해훈련되는학습시스템 언어, 전문용어등전문분야에대한지식을쌓고이를통해최적의데이터를만들어의사결정을지원 6
설비자산관리개요 > IBM 이추구하는설비자산관리 각설비에대한고장을예측하고적합한조치사항을추천하는코그니티브체계구축 낮은수준 Value 분석 (Statistical) 이력데이터 1 of these aircraft will fail every month Possible Approaches 예지 (Predictive) 이력데이터 + 정비데이터 + 실시간데이터 This specific aircraft will fail in 4 days 코그니티브 (Cognitive) 이력데이터 + 정비데이터 + 실시간데이터 + Cognitive 시스템 This specific aircraft will fail in 4 days & this is the mitigating maintenance action 높은수준 V alue 7
IBM 예지정비솔루션 (Predictive Maintenance & Optimization) 개요 정형 / 비정형데이터를통한설비에대한통찰력획득및조치방안제안 model Text 데이터 정비이력 점검데이터 수리청구서 모니터링 / 센서데이터 데이터수집 분석 모델 최적의의사결정 monitor 자산성능 act 설비장애 / 설비수명예지 설비장애에대한근본원인분석 품질이슈예지및근본원인파악 새로운서비스및보증프로그램개발 예비품재고및위치최적화등 8
설비자산의중요도 / 고장영향에따라차등화된예지정비수행전략 설비의등급별예지정비전략수행 A) Customized models for: most critical equipment; unique functionality; unplanned downtime has major impact on production; significant repair cost B) Standard model for: critical equipment; many assets of similar type or class; unplanned downtime impacts production; cumulative maintenance costs are significant C) Least critical equipment; easily replaced using run to failure or time based maintenance total downtime + maintenance cost ABC classification of equipment types for manufacturing operations A B C number of equipment types cost of downtime & maintenance 9
설비자산의중요도에따른설비관리방안 설비자산의중요도와고장발생원인을바탕으로설비자산관리의전략수립필요 설비의상태를계측 연결하여설비상태정보수집 수집된정보를분석하여지능화 Instrumented Interconnected Intelligent Asset Management Maturity Business Impact Reactive Calendar based Maintenance is an expense Predictive Condition based Usage based Asset value & Business Impact Maintenance is an investment Performance 범용예지모델을활용한설비장애모니터링 설비개별전문예지모델을활용한모니터링 EAM (Enterprise Asset Management) : 기업의전설비자산관리 10
데이터기반의예지정비방법 (1/3) 3 모델링결과기반 Root Cause Analysis 2 머신러닝기반예지정비모델링 Predictive Maintenance and Quality 4 시뮬레이션과최적화기반의사결정및 Alert 통고 1 데이터수집 / 통합 / 가공 Data agnostic User-friendly model creation Interactive dashboards Quickly make decisions 5 인사이트기반정비수행 설비자산의생산성향상 공정Asset 효율Maintenance 및품질향상 11
데이터기반의예지정비방법 (2/3) 4 target event 4 predicted event metrics feature engineering 3 deployed model A B categories 1 merge resample parameter set x validate score decision feedback events learning objective: minimize error 2 train evaluate 12
데이터기반의예지정비방법 (3/3) 9 days earliest expected failure margin of safety based on RMSE of 5 with SD of 2 measured 60 days before failure work order generated date scheduled maintenance date confidence interval predicted failure date 30 days time period for short range maintenance planning 60 days RMSE:Root Mean Squared Error 13
설비자산의정비수행에대한적합성평가정보제공 머신러닝을통하여자동으로설비자산의사용정도에따라고장시점을예측함 데이터입력 분석 정비시점예지 December 23 2016 34 Days before next scheduled maintenance on January 7 2016 현운전시간 동일유형설비평균운전시간 예측된운전가능시간 설비자산에대한관리되고있는수준 (over/under/well) 데이터수집 Identify and manage asset reliability risks that could adversely affect plant or business operations 작업수행 14
중요자산에대한예지정비모델링방법예시 (1/2) 다변량 1 다변량 Health Indicator 모델 1. Tag 별 Data 특성파악및다변량 Health Indicator 적용을위한특성분류 Tag 별 Data Trend 파악 Tag 별중심 / 산포에의한특성분류 중심산포일정변동 다변량 2 설비비정상탐지모델 1. Data 특성파악및모델링전처리작업 [Tag 표준화 -Tag 간측정단위상이문제해결 ] [ 패턴분석을위한 10 분단위요약변수생성 ] 평균 0 실데이터와 10 분단위요약데이터가통계적으로큰차이가없음을확인 일정 10.1 10.21 2. 다변량 Health Indicator 도출 온도 Tag1 온도 Tag2 압력 Tag1 압력 Tag2 진동 Tag1 진동 Tag2 변동 유량 Tag1 유량 Tag2 온도 TagN1 압력 TagN2 진동 TagN3 유량 TagN4 illustrative 다변량 HI 1 다변량 HI 2 다변량 HI 18 3. 다변량 Health Indicator 에의한장애영향인자파악및 Alarm Rule 생성 다변량 HI2 값의시간흐름별동향 장애발생 26 시간전 Alarm 주요장애영향인자탐색및발굴 ( 다변량 HI2 22 개 Tag) 22 개 Tag 를다변량 HI2 1 개로파악되고관리효율성향상 장애발생 26 시간전탐지 Alarm Rule 도출 (Tag 값 Tag 평균 )/Tag 표준편차 2. 모델링및비정상그룹식별 à 시간흐름에따라정상 / 비정상그룹패턴나타남 E 패턴 C 패턴 G 패턴 D 패턴 B 패턴 10 월 18 일 11 시 40 분최초비정상패턴감지 F 패턴 ( 비정상 ) 10 월 19 일 09 시 40 분비정상패턴감지본격시작 A패턴 12. 10. 1일 00시 20일 24시 3. 패턴그룹별프로파일링분석 à 주요 Tag 원인인자중심의원인분석 TI387 F패턴 ( 비정상 ) TI420 TI420 은평균대비높고 TI387 은낮은경우이상패턴이감지되는것으로분석됨 F 패턴 ( 비정상 ) TI420 TI420 은평균대비높고 TI387 과 PI356 은낮은경우이상패턴이감지되는것으로분석됨 15
중요자산에대한예지정비모델링방법예시 (2/2) 다변량 장애잔여시간 3 설비장애시점예측모델 1. Data 특성파악및모델링전처리작업 온도 Tag(3TI420) 와장애발생까지남은시간의상관관계탐색 Log 치환 온도 (3TI420) log 장애잔여시간 장애까지남은시간에 log 를취하여모델링위한선형변환 온도 (3TI420) 단변량 4 설비모니터링 Alarm rule 고도화 As-Is) 기존모니터링방법론검토 à 단순관리선모니터링업무방식은신뢰성담보가어려움 관리선낮출경우 False Alarm 발생증가 관리선높일경우 Alarm 늦음 10-21 00:00 10-21 01:34 False Alarm 2. 모델링및모형적합도분석 주요후보원인인자 43 개에의한장애시점예측모델생성 회귀모형적합결과 : 예측설명력 94.9% Y축 Adjusted R-squared: 0.949 10,000 분 1,000 분 100 분 10 분 예측값 신뢰구간 회귀모형적합분석결과예측설명력이매우높은것으로나타남 To-Be) Alarm Rule 생성및시뮬레이션에의한최적신규관리선도출 à 통계적누적관찰하여가변적신규 Alarm Rule 관리를통한 Alarm 신뢰성강화 ü 예 : 최근 10 일이동평균의 3 시그마를 4 회누적벗어나는경우 Alarm 발생 기존관리선 신규관리선구간 장애발생예측구간 이상구간 정상범위 10 월 19 일 13 시 22 분이상패턴감지 10분 100분 1,000분 10,000분 ü 시뮬레이션결과 Rule 정확도와 False Alarm 최소화가확인됨 16
Case Study 화면 1- 설비모니터링 17
Case Study 화면 2- 비정상패턴탐지 18
Case Study 화면 3- 설비장애예측 19
Case Study 화면 4- 최적의사결정및정비 Work Order 생성 20
21