사물인터넷 센서와 AI로 생산 손실 확 줄인 자동차 부품 회사
자동차 부품 생산 회사인 A社는 생산라인 공정 대부분이 무인 자동화로 구성돼 있다. 자동화 생산라인은 수작업으로 작업하는 생산라인 보다 생산성과 효율성이 월등히 뛰어나다. 그러나 설비 부품 하나가 고장나면 수리할 때까지 가동을 멈춰야 하는 게 단점이다. 갑작스러운 생산 중단은 공장 생산성 저하 및 납기 지연으로 연결돼 회사에 막대한 손실을 입히게 된다.
예고 없는 생산 중단에 따른 손실 비용을 줄이고자 많은 고민을 하고 있었던 이 회사는 현재 IoT센서를 활용한 설비 예지보전을 통해 설비 상태를 실시간 모니터링하고, 설비 고장을 사전에 예측할 수 있게 됐다.

A社는 생산라인 컨베이어 및 설비 모터 등에 진동 및 전류 센서를 설치했다. 실시간 모니터링, 이상 패턴 발생시 알람을 받는 시스템도 구축했다. 설비 유지보수 관리자는 이상 패턴 발생시 생산이 없는 시간에 사전 정비를 통해 예측 불가능한 생산 중단을 방지할 수 있게 된 것이다. 기존에는 담당자가 정기적으로 공장 생산라인을 돌면서 설비 상태를 점검하고 점검일지를 작성, 보고하며, 관리자의 주관적 판단으로 설비 유지보수 업체에 연락해 점검하는 방식이었다. 개선 후에는 실시간 모니터링 및 자동 작성 보고서로 객관적 데이터를 통해 보다 정확한 설비 상태를 확인, 점검할 수 있게 됐다. 점검 활동에 필요한 업무 리소스도 많이 줄일 수 있게 됐다.

▶IoT센서 데이터 기반 AI-FDC (Fault Detection and Classification) 적용

스마트공장 시대로 접어들면서 설비 유지보수, 관리 활동은 더욱 중요한 과제로 떠올랐다. 설비에 대한 사전 예방 보전 활동은 시간기반보전과 상태기반보전으로 분류된다. 대다수 공장이 하고 있는 게 시간기반보전이다. 문제는 사후 보전 방식에 비해 위험성이 적지만 설비 부품 별 교체 주기를 관리, 교체해야 하고, 설비를 자주 정지시켜 보수해야 하는 탓에 설비 가동율이 떨어진다는 점이다. 그래서, 상태기반보전, AI예지보전으로 변화, 관리하려는 수요가 커지고 있다.

설비 예지보전에 대한 AI-FDC 연구는 설비 상태에 대한 상태 정확성이 매우 중요하다. 상태 정확성을 확보하기 위해서는 고장 기준에 대한 명확한 정의와 데이터가 필요하다. 센터에서는 앞서 언급한 A社 뿐만 아니라 다양한 산업 분야에 걸쳐 FDC 관련 컨설팅 및 연구를 하고 있는데, 고장 데이터가 있으면 이러한 부분을 해결하는데 쉽게 접근이 가능하겠지만, 대부분 고장 데이터가 없는 경우가 많아 해법 발굴이 필요했다.

이 경우 고장 징후를 미리 파악하는 것이 현실적인 해결 방법이다. 바로 정상 데이터 분석을 통해 접근하는 방식이다. 정상 데이터를 활용하여 새롭게 관측된 신호의 비정상 여부를 판단하는 방식은 이렇다. 먼저 정상 데이터의 변동 범위와 평균 대비 차이의 분포로서 순위표를 설정한다. 또 관측하고자 하는 신호에 대해 정상신호 대비 오차의 정도와, 정상신호의 순위표에 대비한 순위를 매긴다. 정상신호 대비 오차의 경향성으로부터 비정상여부를 판단하는 통계적 접근방법이다. 비통계적인 접근방법도 있다. 정상데이터를 스스로 반복적으로 학습하게 함으로서 정상데이터의 특성을 모사하는 딥러닝 인공지능 모델이다. 이 모델을 구축할 경우 통계적인 접근방법보다 비정상 상태 감지 성능이 우수하다. 최근 많이 연구되고 있는 방식이기도 하다.

통계적인 접근 방법과 딥러닝 기반 기술은 모두, 고장 발생여부 또는 고장이 발생하는 방향으로 신호가 바뀌어 가고 있는지를 확인하는 데 유용하다. 하지만 이는 상태를 확인하려는 설비에 따라 그 기준과 성능이 달라지기 때문에 현장에 대한 정확한 환경 및 데이터 분석이 반드시 선행되어야 한다. 이를 통해 각 설비 별 특성에 맞는 적절한 지능화 알고리즘 모델을 선택하여 적용해야 한다.
AI-FDC는 기존 방법으로는 해결하지 못했던 설비 고장을 일으키는 복합적인 parameter가 있는 개별 장비 뿐만 아니라 여러 장비, 부품으로 구성된 전체 설비의 상태를 모니터링하고 고장 징후를 정확하게 예측하는데 많은 도움을 준다.

AI-FDC를 활용한 설비 예지 보전을 성공적으로 도입, 적용하기 위해서는 센서 데이터의 정합성과 신뢰성 확보를 위한 데이터 수집 범위 및 주기 등에 대한 면밀한 검토가 필요하다. 또 공정상 설비의 어느 위치에 어떤 센서를 설치하여 센서 데이터로 어떤 효과를 얻을 수 있는지에 대한 고민도 필요하다. 기존 설비에 많은 센서와 네트워크가 더해짐에 따라 관리 난도가 상승할 수 있고, 센서의 오작동으로 인해 데이터의 신뢰성이 떨어질 수 있다는 점도 고려해야 한다. 이러한 설비 예지 보전 구축은 초기에 많은 투자 비용이 들어가고 유지보수 비용도 상당하다. 때문에 ROI 관점에서 구축 목적과 효과 등을 면밀히 검토하고 계획하는 과정이 절대적으로 필요하다. 현장 전문가의 경험을 충분히 반영해야 한다.

강상기 한양대 AI솔루션센터장