예측 유지보수에 AI 사용하기

공장에서 예기치 못한 장비 고장이 발생하면 생산 과정이 느려지거나 중단됩니다. 시간 및 비용 손실이 발생하고, 고객을 잃을 수도 있습니다. 다행히 제조업체, 유틸리티 업체, 에너지 생산업체 및 기타 중장비를 사용하는 기업들은 이제 생성형 AI를 사용해 기계 고장을 더욱 정확히 예측할 수 있게 되었습니다. 생성형 AI의 예측 결과는 유지보수 일정을 관리하고, 예기치 않은 다운타임을 방지하고, 고가의 장비의 수명을 연장해 생산 시설 및 공급망 운영을 원활하게 유지할 수 있는 토대가 되어 줍니다.

AI는 예측 유지보수에 어떻게 사용되나요?

예측 유지보수(예지보전)는 기계의 고장을 예측하고 선제적으로 수리하기 위한 데이터 기반 접근 방식입니다. 사물인터넷(IoT) 기술이 발전함에 따라 스마트 팩토리, 석유 굴착 장치, 풍력 발전 설비, 발전소, 광산, 트럭 운송을 비롯한 다양한 부문에서 사용되는 장비에 데이터 수집용 센서가 장착되었습니다. 센서는 장착된 장비를 모니터링하고, 이상을 감지하고, 유지보수 우선순위를 선정하는 AI 알고리즘에 필요한 데이터를 제공합니다.

AI 시스템은 기계의 작동 상태를 지속적으로 분석하고 문제없어 보이는 장비에 내포된 고장 징후를 찾아냅니다. AI 도구는 기준 데이터와 비교해 장비의 성능을 평가함으로써 아주 약간의 효율성 저하만 발생해도 실시간으로 표시하고 담당자에게 유지보수를 요청하도록 제안할 수 있습니다. 결과적으로 기업은 고장의 발생 시기를 더 정확하게 예측할 수 있을 뿐만 아니라, 장애의 근본 원인도 더 깊이 이해할 수 있습니다.

핵심 요점

• AI는 기존의 데이터 분석 기술보다 빠르고 정확한 예측 유지보수를 지원합니다.
• 기업은 AI를 사용해 기계 고장 및 유지보수 작업의 필요성을 예측함으로써 다운타임을 최소화하고 효율성을 향상시킬 수 있습니다.
• 글로벌 대기업 중 일부는 예측 유지보수 프로그램에 AI 도구를 도입해 긍정적인 성과를 거두고 있습니다.

예측 유지보수에 사용되는 AI 알아보기

그간 제조업체는 일반적인 고장을 포함한 기계 수명 주기 단위의 예측을 기반으로 공장 장비의 유지보수 일정을 관리했었습니다. 그리고 이제 제조업체는 AI를 활용해 기계 데이터를 수집 및 분석함으로써 고장을 예측하고, 각각의 기계 및 전체 생산 네트워크에 대해 보다 자세히 파악하고 추측을 최대한 배제할 수 있게 되었습니다.

또한 실시간 유지보수 제안을 참고하고 중요한 장비를 우선적으로 수리할 수 있습니다. AI를 활용한 유지보수의 큰 이점 중 하나는, 대부분의 유지보수 작업은 일정한 다운타임을 발생시키지만 정확한 예측에 기반한 계획을 세움으로써 그러한 다운타임을 최소화하고 가장 적합한 기간에 유지보수를 수행할 수 있다는 점입니다.

예측 유지보수가 중요한 이유는 무엇인가요?

요약하자면, 다운타임이 감소되기 때문입니다. International Society of Automation의 조사 결과에 따르면 일반적으로 공장에서 발생하는 장비 고장 및 다른 원인에 의한 다운타임은 공장의 제조 역량을 5%~20% 저하시킵니다. 다운타임이 야기하는 비용으로는 생산량 감소, 불량률 증가, 비효율적 임시 수리, 생산량 유지를 위한 타사 의존 등이 있습니다.

다운타임 및 그로 인해 야기되는 막대한 비용을 줄이기 위해서는 기계 상태 및 유지보수 요구 사항을 정확하게 예측하는 것이 중요합니다. Siemens의 2024년 연구에 따르면 멈춰선 생산 라인이 발생시키는 비용은 계속해서 증가할 수 있습니다. 자동차 업계의 대형 공장의 경우 생산 중단으로 인해 연간 6억 9,500만 달러의 비용이 발생할 수 있으며, 이는 5년 전에 비해 150% 증가한 수치입니다. 같은 연구 보고서에 따르면 전 세계 500대 기업은 예기치 못한 다운타임으로 인해 연간 매출 중 11%를 잃었습니다.

예방 유지보수 및 예측 유지보수의 차이점

예방 유지보수 및 예측 유지보수는 사전 예방적 목적으로 공장의 장비 상태를 모니터링하는 두 가지 방법입니다.

예방 유지보수를 수행하는 기업은 사용 빈도나 사용량과 무관하게 장비를 정기적으로 평가합니다. 과거 장비 데이터 및 장비 공급업체의 권장 사항을 바탕으로 규칙에 기반한 유지보수 일정을 수립합니다. 유일한 변수는 마지막 평가 이후의 기간입니다.

이러한 접근 방식은 완전히 사후 대응에만 의존하는 방식보다는 낫지만, 소규모 데이터 세트에 기반한 광범위한 권장 사항에 의존해야 하는 방식입니다. 예를 들어, 중요한(그리고 비싼) 부품을 더 오래 사용할 수 있는 가능성을 제시하는 미세한 증거를 고려하지 않고 무조건적인 교체를 권장할 수도 있습니다. 사후 대응식 유지보수와 마찬가지로 과도한 유지보수는 불필요한 다운타임 및 비용을 야기할 수 있습니다.

예측 유지보수를 수행하는 기업은 장비에 부착된 센서가 성능 모니터링 소프트웨어에 제공하는 데이터를 활용해 장비를 지속적으로 평가합니다. AI 알고리즘은 온도, 진동, 압력, 유체 레벨 등 방대한 양의 데이터를 분석해 장비의 상태와 성능에 대한 상세한 모델을 구축합니다. 결과적으로 기업은 장비 고장 가능성을 더욱 확실히 예측하고, 어떤 장비를 언제 고쳐야 하는지에 대한 보다 유용한 권장 사항을 얻을 수 있습니다. 유연성이 떨어지는 규칙에 따라 진행되는 예방 유지보수와 달리, 예측 유지보수는 실시간 모니터링을 통해 문제에 동적으로 대응하고 예상되는 문제, 근본 원인, 수리가 필요한 부분을 파악합니다.

한 사출 성형 전문 제조업체는 예측 유지보수를 사용해 로봇과 성형 장비의 이상 징후를 감지하고 해결합니다. 이 업체는 기계 상태 및 부품 품질을 면밀히 모니터링해 유지보수 시간을 줄였고, 직원들은 신제품 개발과 운영 프로세스 개선에 더 많은 시간을 할애할 수 있게 되었습니다.

일반적으로 기업은 고장 시 야기하는 다운타임, 비용, 부상, 인명 피해가 큰 기계들을 모니터링하기 위해 예측 유지보수를 사용합니다. 예를 들어, 변전소에 다운타임이 발생할 경우 수천 명의 사람들이 전력을 공급받지 못하게 된다면 전력 업체는 더 세분화된, AI 도구를 활용할 가능성이 높은 예측 유지보수에 투자할 것입니다. 반면 중요 경로에 존재하지 않고 위험도가 낮은 장비인 경우 기업은 예방 유지보수를 고수하는 경향이 있으며, 때로는 모니터링 규칙을 개선해 보다 사전 예방적인 유지보수 일정 관리를 수행하기 위한 세부적인 데이터를 확보하기도 합니다.

AI가 예측 유지보수에 제공하는 이점

예방 유지보수 및 예측 유지보수는 사전 예방적 목적으로 공장의 장비 상태를 모니터링하는 두 가지 방법입니다.

• 비용 절감
  장비 고장을 정확하게 예측할수록 유지보수 일정을 최적화하고 예기치 않은 다운타임과 관련 비용을 줄일 수 있습니다. 또한 문제를 표시하고 유지보수 조치를 권장해 장비의 수명을 연장할 수 있습니다. 또한 AI 알고리즘은 기계의 에너지 소비량을 면밀히 추적해 비효율적인 부분을 감지하고 비용을 절감하기 위한 단계를 제안해 줍니다. 유지보수 작업의 우선순위를 선정해 불필요한 검사, 수리, 교체를 줄임으로써 인건비를 절감하는 데에도 도움을 줍니다.
  
  한 글로벌 제조업체는 로봇, 컨베이어, 드롭 리프터, 펌프, 모터, 팬, 프레스/스탬핑기 등 10,000대 이상의 기계를 AI 시스템으로 모니터링하고 있습니다. 해당 제조업체는 AI 모니터링 솔루션을 배포한 뒤 3개월만에 수백만 달러의 비용 절감 효과를 경험했습니다.
• 가동 중단 최소화
  AI는 기존 방식보다 빠르고 정확하게 고장을 예측해 기계의 가동 중단을 최소화합니다. 이를 통해 제조업체는 기계적인 문제에 선제적으로 대응하고, 업타임을 늘리고, 공급망 흐름을 유지할 수 있습니다.
• 생산성 증대
  Deloitte의 2022년 연구에 따르면 예측 유지보수 AI 도구는 기업의 노무 생산성을 5%~20% 향상시킵니다. 그 이유 중 하나는 AI를 활용하면 다운타임을 최대 15%까지 줄이고 그만큼 생산 라인을 계속 가동할 수 있기 때문입니다.
• 안전성 향상
  기계 고장은 작업자를 위험에 빠뜨릴 수 있습니다. 제조업체는 장비의 고장 가능성을 미리 파악하고 선제적으로 수리함으로써 해당 장비를 자주 다루어야 하는 서비스 기술자를 비롯한 직원들이 위험에 처하는 것을 방지할 수 있습니다. 미국 산업안전보건청에 따르면 매년 기계의 작동과 유지보수를 수행하는 미국 근로자들 중 약 18,000명이 부상당하고 있습니다. 매년 800명 이상은 사망합니다.
• 장비 수명 주기 연장
  AI 기반 데이터 분석 도구는 기계 자산의 이른 마모를 방지함으로써 그 수명을 연장해 제조업체의 업타임, 생산성, 결과적으로는 수익 향상에 기여합니다.
• 품질 관리 개선
  수작업에 의존하는 품질 관리는 많은 시간이 소요되고 인적 오류가 발생하기 쉽습니다. AI 도구를 사용하면 장비 검사를 자동화하고 실시간 피드백을 제공함으로써 제품의 품질과 일관성을 개선해 결함률을 최소화하고 생산 비용을 절감할 수 있습니다. 방대한 제품 사양 데이터를 학습한 AI 알고리즘은 제품의 균열, 정렬 불량, 일관적이지 않은 색상 및 질감 등의 문제를 포착할 수 있습니다. 토크를 모니터링하는 AI 시스템은 토크 값의 일관성을 추적해 볼트와 나사가 사양에 맞게 조여졌는지 여부를 확인할 수 있습니다. 토크 값이 허용 범위를 벗어나면 시스템은 제조업체에 최대한 빨리 문제를 해결하도록 경고합니다.

예측 유지보수에 AI를 사용하는 방법

AI는 정교한 기계를 사용하는 제조, 차량 관리, 택배 배송, 채광, 재활용, 에너지 등의 분야에서 예측 유지보수를 지원합니다. 기업은 장비 상태 모니터링, 이상 징후 감지, 장비 고장 및 중단 예측, 유지보수 우선순위 선정 및 일정 관리, 에너지 사용 최적화, 시정 조치 권장 등의 기능을 제공하는 AI 기반 자동화 모델을 구축할 수 있습니다.

• 운용중단 방지
  AI 기반 예측 유지보수는 서로 연결된 자산으로부터 과거 성능 및 실시간 현황 데이터를 수집해 많은 비용이 발생하는 운용중단을 방지합니다. 알고리즘이 실시간으로 데이터를 분석하고 공장 현장에 보고서를 전송해 기계 과열, 부적절한 전압 변동과 같은 잠재적 고장 징후를 경고합니다.
  
  한 대형 알루미늄 생산업체는 제련 공장의 로봇 및 다양한 장비를 모니터링하기 위해 AI 기반 도구를 도입했습니다. 이제 현장의 작업자들은 부품이 느슨해져 성능이 저하된 전기톱 모터와 같은 유지보수가 필요한 사항에 대한 경고를 최소 2주 전 미리 받아볼 수 있습니다. 이는 해당 업체가 예정에 없었던 유지보수 작업 때마다 발생하는 12시간 동안의 다운타임을 피할 수 있도록 만들어 줍니다.
• 상태 모니터링
  제조업체는 장비가 원활하게 작동하도록 장비 상태를 지속적으로 모니터링해야 합니다. AI 알고리즘은 기존 기술보다 훨씬 빠르고 정확하게 정상 및 비정상 상태를 인식할 수 있습니다. AI 시스템은 실시간 장비 상태 데이터를 분석하고, 패턴을 발견하고 장애를 예측해 가동 중단을 미연에 방지합니다. 또한 사전에 정해진 일정이 아닌 현재 상황에 기반한 유지보수 우선순위를 선정하는 데도 도움을 줍니다.
• 이상 감지
  최근까지 이상 감지는 하드코딩된 임계값을 사용해 기계의 이상을 발견하고 고장을 예측하는 규칙 기반 시스템을 사용해 수행되었습니다. 규칙 기반 시스템은 예를 들어 기계의 진동이 ISO 표준에 설정된 임계값을 초과하는 등의 상황이 발생하면 이상 징후를 보고하고 유지보수를 제안합니다. 그러나 복잡한 장비는 진동뿐만 아니라 온도, 압력, 열 및 기타 여러 변수에 대한 방대한 양의 데이터를 생성하므로 그와 같은 구형 시스템으로는 모든 정보를 정확하게 해석하기 어렵습니다.
  
  반면 AI 시스템은 데이터를 수집하고 분석할 뿐만 아니라 데이터를 통해 학습합니다. AI 기반 데이터 분석은 단순히 규칙에 따라 현재 발생한 문제를 표시하는 것 뿐만 아니라, 극히 미세한 성능 편차 징후를 파악해 가동 중단이 발생하기 전 미리 문제를 감지할 수도 있습니다.
• 고장 예측
  AI는 과거 성능과 실시간 센서 데이터를 검토해 장비 성능 저하 예측 모델을 제작함으로써 기계 고장을 미연에 방지할 수 있도록 지원합니다. 모델은 더 많은 데이터를 수집할수록 더 정확하게 학습, 적응, 예측할 수 있습니다. 고장 예측을 위한 딥 러닝(머신러닝의 일종)은 인간의 관찰을 비롯해 그간 사용되어 온 방법으로는 파악할 수 없었던 연결 고리도 찾아낼 수 있습니다. 한 다국적 택배업체는 AI 시스템을 사용해 분류 시설에서 30 종류 이상의 기계 고장을 예측하고, 기어박스 고장, 벨트 손상 및 기타 많은 비용을 발생시키는 문제를 포착하고 있습니다. 해당 업체는 AI 시스템으로 절약할 수 있었던 비용이 연간 수백만 달러에 달한다고 예측했습니다.
• 계획된 유지보수 우선순위 지정 및 일정 관리
  AI는 문제를 정확히 파악하고, 우선순위를 선정하고, 유지보수 일정을 실시간으로 재조정해 사전 계획된 유지보수 작업을 개선할 수 있습니다. 현재의 문제에만 집중하거나 과거의 데이터를 기반으로 일정을 관리하는 대신, AI 기반 예측 유지보수 시스템은 장비의 상태가 앞으로도 동일하게 유지될 경우 발생할 가능성이 있는 문제를 안내해 줍니다. 또한 기업이 더 나은 결과를 도출하기 위해 취할 수 있는 사전 예방적 조치를 제시해 줍니다.
• 에너지 최적화
  시간이 지남에 따라 기계의 효율성이 저하되면 동일한 생산량을 유지하기 위해 더 많은 에너지를 사용해야 합니다. 예를 들어 Compressed Air and Gas Institute는 비효율적 압축 공기 시스템으로 인해 미국 내에서 연간 32억 달러가 낭비되고 있다고 추정했습니다. 제조업체 및 기계를 운영하는 다른 업체들은 AI 기반 예측 유지보수를 사용해 장비 결함을 발견하고 수리 일정을 관리함으로써 낭비 및 재작업을 방지할 수 있습니다. Ford Motor는 AI와 디지털 트윈을 결합해 공장 전반의 에너지 사용을 최적화하고, 낭비 요인을 포착하고, 그것을 제거할 방법을 정확히 찾아내고 있습니다.
• 컴퓨터 비전
  컴퓨터 비전 기술은 컴퓨터가 세상을 볼 수 있도록 해 줍니다. 예를 들어 제조업체는 기계 상태 모니터링에 사용되는 비디오를 시청하고 분석하도록 AI 도구를 훈련시킬 수 있습니다. AI가 시각적 개선 알고리즘을 통해 포착한 이미지는 다른 데이터를 보완하는 정보로 활용됩니다. 예를 들어 AI는 미세한 마모 징후, 정렬이 잘못된 부품, 누락된 부품, 심지어 선반에 놓인 포장이 손상된 제품 등 다른 방법으로는 감지하기 어려운 시각적 이상 징후를 포착할 수 있습니다. 또한 이미지는 문제의 근본 원인과 가장 효과적인 해결 방법을 파악하는 데 도움을 줍니다.

AI를 사용한 예지 유지보수 사례

세계 최대의 제조업체들은 AI를 사용해 기계의 예측 유지보수를 강화하고 업타임을 개선하고 있습니다.

한 글로벌 자동차 제조업체는 공장에서 용접 로봇을 검사하고 유지보수하는 작업에 AI를 사용하고 있습니다. 특히 컴퓨터 비전과 딥러닝을 사용해 로봇의 이미지 및 비디오를 분석해 결함을 발견하고 있습니다. AI 시스템은 각 로봇에 가장 적합한 매개변수 및 설정을 추천하고, 유지보수 또는 교체가 필요한 시점을 알려줍니다. 해당 제조업체는 AI 솔루션으로 로봇 검사 시간을 70% 단축하고 용접 품질을 10% 향상시켰다고 발표했습니다.

GE Aviation은 AI를 사용해 항공사 및 기타 고객이 사용 중인 제트 엔진의 유지보수 필요성을 예측합니다. 약 44,000대의 엔진에 내장된 센서들이 신시내티 및 상하이에 위치한 GE 모니터링 센터로 데이터를 전송합니다. GE는 센서 데이터를 실제 엔진 모델 및 환경 관련 세부 정보와 결합해 문제가 발생하기에 앞서 유지보수가 필요한 부분을 예측합니다. 또한 AI는 엔진의 신뢰성 향상 외에도 항공사의 유지보수 비용 절감 및 안전성 강화에도 기여하고 있습니다.

Oracle Supply Chain Management로 업타임 연장하기

Oracle Cloud Supply Chain & Manufacturing 애플리케이션은 고객사가 공급망 회복탄력성을 강화하고, 운영 중단을 최소화하고, 끊임없이 변화하는 시장 상황에 한발 앞서 대응할 수 있도록 지원합니다. AI가 내장된 Oracle Fusion Cloud Maintenance의 예측 유지보수 도구를 사용해 다운타임 및 운영 비용을 최소화하고 기계 성능에 대한 가시성을 향상시킬 수 있습니다.

예측 유지보수 AI FAQ

유지보 관리에서 AI의 역할은 무엇인가요?
AI는 기존 기술보다 빠르고 정확하게 장비 고장을 예측하고 유지보수 인사이트를 생성할 수 있습니다. 이는 기업이 기계의 마모와 예기치 않은 다운타임을 최소화하는 데 도움을 줍니다.

유지보수에 AI를 사용하는 방법은 무엇인가요?
기업은 AI를 사용해 기계 상태를 모니터링하고, 이상을 감지하고, 장비 고장 및 중단을 방지하고, 유지보수의 우선순위를 선정하고 관련 일정을 관리할 수 있습니다.

예측 유지보수에 머신러닝을 사용하는 방법은 무엇인가요?
머신러닝 알고리즘은 공장 장비의 성능 저하, 고장, 수리 또는 교체가 필요한 시기를 예측할 수 있습니다. 머신러닝 알고리즘은 AI 기반 예측 유지보수 솔루션의 핵심입니다.