- 변화되는 제조 환경에서 생산을 최대화하기 위한 디지털 공정/자산관리 플랫폼

디지털 변환(DX) 기술은 디지털 기술을 활용하여 기업의 비즈니스 모델, 운영 프로세스,
고객 경험을 혁신적으로 변화시키는 전략적 접근법으로써 제조 현장의 운영 방식을
근본적으로 바꾸고 있다. 이 변화는 CMMS, MES, SCADA/DCS, PLC 그리고 CMS 등의
시스템들을 통해 이루어지고 있다. 이러한 DX 기술은 제조 공정의 효율성과 유연성을
극대화하며, 동시에 비용을 절감하고 품질을 개선하는 데 중요한 역할을 한다.

원프레딕트의
디지털 공정/자산관리 플랫폼 – 가디원 pdx

원프레딕트의 ‘가디원 pdx(guardioneⓇ pdx)’는 디지털 공정/자산관리 플랫폼으로, 현장의 복잡성과 변화하는 다이나믹스에 대응하고 디지털 공정/자산관리 플랫폼 구성을 위한 가이드를 기반으로 설계되었다.

기존 CMS의 한계를 넘어서며, 오진의 가능성을 줄이고, 지속적인 시스템 고도화를 추구한다. 이는 통합된 전문 도메인 데이터 분석, 고급 알고리즘 적용 그리고 지속적인 최적화를 통해 제조업체가 시장 변화에 민첩하게 대응하고, 경쟁우위를 확보할 수 있도록 설비 및 품질 진단을 지원한다. 또 가디원 pdx를 통해 향상된 생산성을 실현할 수 있으며, 끊임없이 변화하는 산업 환경에서 지속 가능한 성장을 도모할 수 있다.

가디원 pdx의 주요 기능은 설비 중심 데이터 통합, 설비 가동 환경 분류 및 특성 인자 추출 기능, 환경별 설비/품질 이상 감지 그리고 설비/품질 예측 진단 및 처방이다. 각 기능은 제조업체가 직면한 도전 과제에 대응하며, 고객에게 극적인 가치를 제공하는 데 중점을 둔다. 본고에서는 각 기능에 대한 상세한 설명과 이 기능들이 어떻게 상호 연결되어 제조 공정의 효율성과 안정성을 달성하는지를 소개한다.

핵심 기능 1
: 설비 중심 데이터 통합

가디원 pdx의 설비 중심 데이터 통합은 설비에 대한 운영 데이터, 계측 데이터, 유지보수 데이터가 시간에 따라 동기화하여 통합함으로 관리자가 원인 분석을 더 정확하고 빠르게 수행할 수 있다.

설비 중심 데이터 통합은 그림 3과 같은 방식으로 이루어지며, 아래와 같은 데이터를 통합하여 동기화한다.
•운영 데이터 : DCS, SCADA, PLC와 같은 제어 시스템에서 추출한 운영 데이터는 생산 공정의 성능과 설비 가동 상태에 대한 중요한 정보를
제공한다. 이러한 데이터는 공정의 효율성을 분석하고, 생산성 개선 영역을 식별하는 데 필요하다.
•계측 데이터 : 가디원 엣지를 통해 수집된 센서 데이터는 설비의 물리적 상태를 실시간으로 모니터링한다. 이는 설비가 겪고 있는 운영 조건과 성능을 반영하며, 문제 발생 시 즉각적인 데이터 제공을 통해 빠른 대응이 가능하다.
•유지보수 데이터 : CMMS를 통해 관리되는 유지보수 데이터는 설비의 유지보수 이력과 고장
이력 등을 포함한다. 이 정보는 설비의 상태를 이해하고, 예정된 유지보수 활동을 계획하는 데 필수적이다. 또한, 향후 예측 진단 모델을 학습하는 과정에서 데이터 레이블링에 활용된다.

설비 중심 데이터 통합은 각 설비에서 발생하는 운영, 계측, 유지보수 데이터를 통합하며, 각 설비의 전반적인 상태를 실시간으로 파악하는 강력한 기반을 제공한다. 통합된 데이터는 설비 가동 환경 분류 및 특성 인자 추출 기능, 환경별 설비/품질 이상 감지, 설비/품질 예측 진단 및 처방의 기반이 되며, 설비의 효율적인 운영과 최적의 유지보수 타이밍을 결정하는  필수 요소로 사용된다.

핵심 기능 2 : 설비 가동
환경 분류 및 특성 인자 추출 기능

가디원 pdx의 설비 가동 환경 분류 및 특성 인자 추출 기능은 제조업체들이 각 설비에서 발생하는 운영, 계측, 유지보수 데이터를 통합하고, 각 설비의 전반적인 상태를 실시간으로 파악하는 강력한 기반에서, 가변적인 조건에서도 설비의 성능을 유지하고 개선할 수 있는 능력을 부여하며, 예측 모델의 정확도를 향상시켜 장기적인 경쟁력을 확보하는 데 기여한다.
 
설비 가동 환경 분류 및 특성 인자 추출 기능은 그림 4와 같은 방식으로 이루어지며, 다음과 같은 기능을 수행한다.
•MLOps 기반 운영 데이터 분류 : 기계학습 모델의 지속적인 학습과 배포를 가능하게 하는 MLOps 프레임워크를 사용하여 운영 데이터를 처리한다. DCS, SCADA, PLC와 같은 제어 시스템에서 추출한 운영 데이터를 분석하여 다양한 가동 환경을 분류하고, 설비의 운영 프로파일을 정의한다.
•Tech Cell 기반 계측 데이터 분석 : Tech Cell은 고급 데이터 분석 기능을 제공하는 기술 단위로, 계측 데이터를 분석하여 설비의 도메인별 특성 인자를 추출한다. 이 기능은 설비의 실시간 센서 데이터를 활용한다. 예를 들어, 회전 기기의 경우 주파수 분석을 통해 베어링의 특성과 같은 세밀한 특성 인자를 도출한다. 이러한 접근은 설비의 건전성 모니터링에 있어 훨씬 더 유의미한 정보를 제공한다.

생산 환경에 따라 변화되는 온도, 습도, 작업 부하 등의 가변적인 조건들을 분류하여 정상적인 운전이 이상 현상으로 판단되는 오진 현상을 막고, 향후 모델에 학습할 데이터의 품질을 향상시켜 이상 감지부터 예측까지의 모델 성능을 높이는 데 기여한다.

또한 단순한 시계열 데이터의 관찰을 넘어 설비의 핵심 도메인 특성 인자를 추출하여 설비의 건전성에 대한 깊이 있는 이해를 가능하게 하고, 추출된 특성 인자를 통해 더 정교한 이상 감지, 진단 그리고 예측 모델을 학습함으로 보다 민첩하고 효율적인 운영을 이루고, 장기적인 경쟁력을 확보하는 데 중요한 역할을 한다.

핵심 기능 3
: 환경별 설비/품질 이상 감지

가디원 pdx의 환경별 설비/품질 이상 감지 기능은 고장 발생이 드문 산업 현장의 초기 단계에서 매우 중요하다. 초기 시스템 구축 이후에는 대부분의 데이터는 정상 운영 상태를 반영하는 정상 데이터이다. 고장 데이터가 없는 환경에서 고도화된 진단 수행은 불가능함으로 정상 데이터를 통해 이상 감지 모델을 학습하여 정상적인 운영 패턴을 인식하고, 그로부터 벗어나는 이상 상황을 식별하도록 도와준다.
 
그림 5는 환경별 설비/품질 이상 감지 수행 과정을 보여주며, 다음과 같은 기능을 수행한다.
•가동 환경 인식 및 데이터 필터링 : 설비의 다양한 작동 환경을 인식하고 분류하는 동시에, 정상 가동과 비가동 상태, 비정상 거동 등을 운영 데이터와 유지보수 데이터를 기반으로 필터링한다. 이 과정은 모델이 오로지 설비의 특정 가동 환경의 정상적인 작동 데이터만을 학습하도록 보장하며, 이상 감지의 정확도를 높인다.
•이상 감지 모델의 학습 및 실시간 모니터링 : MLOps 프레임워크를 활용하여 정제된 데이터로부터 이상 감지 모델을 학습하고, 이를 실시간으로 설비 데이터에 적용하여 이상 상황을 감지한다. 학습된 모델은 설비의 건전성을 지속적으로 모니터링하고, 이상이 발견될 경우 즉각적으로 반응한다.
•유지보수 시스템과의 통합 : 이상 상황이 감지되면 유지보수 시스템에 자동으로 기록하고, 적절한 유지보수 조치가 이루어질 수 있도록 프로세스를 마련한다. 이는 유지보수 팀이 신속하게 조치를 취할 수 있는 정보를 제공하며, 설비의 가용성을 최대화하는 데 기여한다.

 환경별 설비/품질 이상 감지는 제조업체들이 실시간으로 높은 생산성을 유지할 수 있도록 지원한다. 정교하게 설계된 이상 감지 모델은 설비의 이상 상태를 정확하게 식별함으로써, 잠재적인 문제를 조기에 감지하고 적극적인 조치를 취할 수 있게 해준다. 이는 중단 시간을 줄이고, 생산 공정의 연속성을 보장하는 데 중요한 역할을 한다.

또한 이 시스템은 운영 인자와 특성 인자들을 분석하며, 어떤 요소가 이상한 거동을 일으켰는지 신속하게 파악한다. 이 정보는 관리자에게 중요한 인사이트를 제공하며, 문제 해결을 위한 신속한 의사결정을 가능하게 한다. 이는 생산라인의 신속한 조정과 고장에 대한 빠른 대처가 가능하여 전반적인 운영 효율성을 향상시킨다.

이상 상황 감지와 이상 상태가 발생했을 때의 상황을 유지보수 이력으로 관리하고 기록함으로써, 이 시스템은 지속적인 학습과 개선의 토대를 마련한다. 기록된 데이터는 예측 진단 모델을 학습하는 데 활용되며, 시간이 지날수록 모델의 정확성과 신뢰성을 향상시키고 고도화된 유지보수 전략을 수립할 수 있다.

핵심 기능 4
: 설비/품질 예측 진단 및 처방

가디원 pdx의 설비/품질 예측 진단 및 처방은 시스템의 궁극적 기능으로, CMMS에 기록된 고장 이력과 핵심 운영 인자, 특성 인자를 분석해 초기에는 Binary Classification 방식으로 각 고장 모드를 분류하고, 시간이 지나면 Multi-Classification 방식으로 발전시켜 다양한 고장 유형을 식별한다. 또한 고장 데이터 기반의 인사이트 제공, 축적된 진단 모델 결과를 활용한 설비 상태 예측 그리고 상호 연결된 설비 간의 복잡한 상호작용 분석을 통해 제조업체는 설비의 미래 상태를 예측하고, 유지보수 계획을 최적화하여 생산성을 극대화하며, 운영 비용을 절감할 수 있다. 이는 제조업체가 지속 가능한 운영 효율성과 경쟁력을 확보하는 데 중요한 역할을 한다.

•진단 모델 학습과 발전 : CMMS에 기록된 고장 이력을 활용하고, 핵심 운영 인자와 특성 인자에 대한 데이터를 분석하고 레이블링하여 진단 모델을 학습한다. 초기에는 Binary Classification 방식으로(각 고장 모드를 ‘정상’ 또는 ‘고장’으로) 분류한다. 축적된 데이터와 모델을 바탕으로 점차 Multi-Classification 방식으로 발전하고, 다양한 고장 유형을 효과적으로 식별한다.
•고장 데이터 기반 인사이트 제공 : 진단 모델에서 사용된 고장 데이터의 이력 및 조치 내역을 제공하고, 유지보수 팀에게 신속한 대응을 위한 인사이트와 조치 가이드를 제공한다. 이를 통해 고장의 원인을 신속하게 파악하고, 효과적인 조치를 취할 수 있다.
•고장 및 상태 분석 기반 예측 : 축적된 진단 모델 결과를 통해 설비의 미래 상태를 예측하고, 설비의 성능 저하 및 잠재적 고장을 조기에 감지한다. 이는 설비의 유지보수 계획을 최적화하고, 신속한 대응 및 예방적 유지보수를 가능하게 한다.

•상호 연결된 설비 간 상관관계 분석 : 단일 설비에서 발생한 이상 상황뿐만 아니라, 해당 설비와 연동된 다른 설비 간의 상호작용을 종합적으로 분석한다. 이를 통해 하나의 설비에서 발견된 문제가 다른 설비에 미친 영향을 포괄적으로 파악하고, 설비 간 상관분석을 통해 문제의 근본 원인을 더 정확하게 추적한다.

설비/품질 예측 진단 및 처방 기능은 제조업체가 직면한 복잡한 도전 과제에 대응하며, 고객에게 극적인 가치를 제공한다. 고객은 고장 이력 및 운영 데이터의 심층적인 분석으로부터 조기 고장 감지와 예방의 이점을 얻는다. 이는 불시의 고장으로 인한 생산 중단을 방지하고, 예방적 유지보수를 통해 설비의 가동률과 생산성을 최대화할 수 있게 한다. 또 진단 모델의 분석 결과를 바탕으로 한 유지보수 계획의 최적화는 유지보수 비용을 절감하고, 설비의 수명이 연장되어 전반적인 운영 효율성을 높인다.

상호 연결된 설비 간의 복잡한 상호작용 분석을 통해, 제조업체는 단일 설비의 문제가 다른 설비에 어떤 영향을 미칠 수 있는지 포괄적으로 파악하고, 전체 제조 공정을 최적화할 수 있다. 이러한 통합적인 접근 방식은 고객에게 설비 관리와 공정 운영의 새로운 표준을 제시하며, 고장 데이터에 기반한 인사이트와 조치 가이드 제공은 유지보수 팀이 문제를 신속하게 해결하고, 고장의 영향을 최소화하는 데 도움을 준다.

가디원 pdx 적용 사례
(A사 : 배터리 공정 적용 사례)

A 기업의 예측 유지보수 사례 연구는 배터리 산업의 생산 효율성과 안전성 향상을 위한 데이터 기반 접근법을 보여준다. 배터리 조립 공정은 복잡도가 높고 빠르게 변화되는 운전 속도로 기동하는 수십 개의 서보모터 기반의 이산 공정으로 이루어져 있다. 설비의 복잡도가 높고 각각의 설비들이 이송에 따라 움직이기에 일반적인 설비 진단 기법을 적용하여 상태를 판단하고 진단을 하는데 어려움이 많다.

원프레딕트는 특성 인자의 이상 감지(알람)와 설비 결함 발생에 따른 이상 감지를 통해 다음과 같은 목표를 제시하였다. 즉, 선제적 정비 계획 수립 및 기 발생된 설비 정비 이후 비정상 작업에 따른 재발 방지 등의 정비 최적화 및 생산품의 품질 손실 비용을 최소화하는 데 목표를 두고 시스템을 구축 및 운영하였다.

1. 전류 신호 측정/진단 기반의 특정 결함을 추출하는 알고리즘 고도화를 통해 설비별로 결함 인자를 분류 및 추출하였고, 이상 감지에 대한 알람 정보를 전달한다.
2. 정속 및 변속에 따른 별도의 특성 인자 개발을 통해 각 설비의 결함 상태를 모니터링한다.

원프레딕트는 검증 과정을 거쳐 시스템을 구축하였고, 시스템을 통한 기대 효과는 그림 7과 같다. 시스템의 이상 감지에 따른 사전 점검이 이루어질 경우 최소 하루 전부터 발생된 Trouble down이 6.56% 감소되고, 생산성 향상 및 정비 효율화를 이룰 수 있다.

가디원 pdx 적용 사례
(B사 : 화학 공정 적용 사례)

B 기업은 산업 현장에서 터빈 베어링 계측 시스템과 DCS의 통합을 통해 실시간 터빈 모니터링 및 진단이 가능하고, 화학 산업 공장의 신뢰성을 크게 향상시켰다. 또 이 시스템은 고급 데이터 분석을 이용하여 터빈 장비의 이상을 조기에 감지하고, 장비의 중단 없이 안정적으로 운영될 수 있도록 도와준다.

이 회사는 복잡한 화학 공정에서 발생하는 터빈의 예기치 않은 정지와 관련된 문제를 해결해야 했다. 이러한 정지는 생산성 저하와 높은 비용의 손실을 가져왔고, 이에 대한 해결책으로 실시간 데이터 모니터링과 진단 시스템을 요구했다.
이 프로젝트는 세 가지 주요 목표에 중점을 두었다.
•터빈 장비에 대한 영향을 미치는 불안정한 요인들을 도메인 지식과 데이터 분석을 결합하여 정확하게 파악하고 조기에 대응한다.
•터빈 장비의 운전 데이터와 오류 데이터를 분석하여 근본 원인을 밝히고, 이를 통해 장비의 가동 중단을 예방한다.
•실시간 데이터 분석을 통해 장비의 성능을 최적화하고, 장비의 효율적인 운영을 보장한다.

노력의 결과 B 기업은 터빈 장비의 예상치 못한 정지를 효과적으로 예방했으며, 7일간의 가동 중단을 방지할 수 있었다. 이는 약 683,000달러의 다운타임 비용 절감 효과를 가져왔으며, 공장의 운영 안정성과 재무적 성과 모두에 큰 이점을 제공했다.

그림 8은 실시간 모니터링 시스템의 인터페이스와 데이터 분석을 통한 터빈의 성능 및 상태 모니터링을 보여주는 대시보드를 포함하며, 이러한 시스템은 산업 현장에서의 IoT(Internet of Things)와 DCS의 운영 데이터의 접목을 통해 생산 공정의 안정성을 크게 향상시킬 수 있으며, 훌륭한 예시로 제시된다.