문제
설비가 고장 난 뒤 수리하는 사후 정비 위주로 운영되고 있었습니다. 계획되지 않은 정지가 반복되면서 비가동 시간이 늘고 생산성이 떨어졌습니다. 고장이 발생하기 전에 미리 감지하는 체계가 필요했습니다.
수집 데이터
체결설비와 검사설비에서 발생하는 운전 데이터를 수집하고, 어떤 신호가 어떤 상태와 연결되는지 데이터 현황을 분석했습니다.
적용 모듈
E²로 설비 데이터를 실시간 모니터링하고, A²로 이상 탐지 모델을 구축했습니다. 체결설비에는 Auto-encoder 모델을, 검사설비에는 심층신경망(CNN) 모델을 적용했습니다.
결과
실시간 이상 탐지와 사전 정비 수행으로 업무 프로세스가 사후 정비에서 예지보전으로 바뀌었습니다. 설비 이상 발생과 교체 주기를 미리 예측해, 정지 시점을 계획할 수 있게 됐습니다.
설비마다 다른 모델을 썼습니다
같은 라인 안에서도 설비의 성격이 다르면 접근 방법이 달라집니다.
체결설비 — Auto-encoder 정상 운전 상태를 학습한 뒤 그와 얼마나 다른지를 보는 방식입니다. 고장 사례를 충분히 모으기 어려운 설비에 적합합니다.
검사설비 — 심층신경망(CNN) 신호 패턴 자체를 분류하는 방식으로, 이상 유형을 구분해야 하는 설비에 적용했습니다.
알림 다음이 중요합니다
“이상이 감지됨”이라는 알림이 떠도 누가 무엇을 할지 정해져 있지 않으면 아무 일도 일어나지 않습니다. 이 프로젝트에서는 실시간 이상 탐지 → 사전 검토 → 사전 정비 수행으로 이어지는 업무 프로세스를 함께 설계했습니다. 시스템보다 이 절차를 먼저 맞추는 편이 효과가 큽니다.