공정의 효율을 이끌어내기 위한 기본적인 방법 중 하나는 ‘끊김 없는 공정’이다. 문제 발생 후 해결을 위한 공정 중단은 생산성을 저하시키고, 시간 연장 등의 비효율을 가져오기 때문이다. 그렇다면 문제가 생기기 전, 미리 이상 징후를 탐지할 수 있는 예지보전은 무엇보다 중요하다. 마크베이스의 AIoT Suite 적용 사례로 본 프레스 장비 모터의 이상 감지를 돕는 방안에 대해 소개한다.
예지보전은 데이터를 수집해서 데이터 내부에 포함된 이상징후를 감지하고, 탐지된 결과를 분석 후 조치하는 과정이다. 때문에 유지보전은 공정의 효율을 높이기 위한 필수사항이다. 최근 OT 단의 컴퓨팅 파워가 좋아지면서 실시간으로 쏟아지는 데이터를 안정적으로 수집하고 저장해 전처리 과정을 거쳐 현장이 원하는 데이터의 형태로 만드는 것이 무엇보다 중요해지고 있다.
예지보전의 과정에는 수집/저장, 전처리/학습, 실시간 데이터 흐름, 패턴, 사용자 유지보수 등의 어려움이 있다.
예지보전을 예측하기 위해선 학습을 위한 장기간 데이터 모두의 수집이 필요하다. 데이터 수집 후, 대용량 수집 데이터에 대한 학습 데이터 추출이 필요한데, 데이터 전처리 시간 및 비용이 기하급수로 증가해 큰 어려움을 겪게 된다.
실시간으로 발생하는 데이터에 대한 대응도 힘들며, 모든 비정상 패턴을 얻을 수 없기 때문에 이상 상황 전부를 감지할 수도 없다. 비정상 상황은 고객·장비·센서·환경별로 기준이 다를 수 있으며, 실제 구축을 했다 하더라도 현업 담당자에 의한 fine-tuning이 가능해야 하는 조건도 존재한다.
예지보전을 위한 이상징후 탐지에는 이런 많은 시간과 노력이 들어가는데, 마크베이스의 AIoT Suite는 딥러닝을 기반으로 IoT 센싱 데이터의 이상징후를 실시간으로 감지해, 탐지된 결과를 작업자에게 알리고 조치하게 돕는 올인원(All-in-One) 서비스다.
이상징후 탐지 솔루션 ‘AIoT Suite’
마크베이스의 AIoT Suite 솔루션은 딥러닝을 기반으로 IoT 센싱 데이터의 이상징후를 실시간으로 탐지해, 결과를 현장의 작업자에게 알리고 실질적인 조치를 돕는 올인원 솔루션이다. 잘 동작하고 있는지, 무슨 문제가 생기진 않는지, 부품의 교체 주기 등의 문제를 해결해준다. 또한, 데이터 추출, 가공, 분석, 활용으로 나눠진 고비용의 단계별 데이터 이동 구조를 통합적으로 처리할 수 있도록 돕는다. 이를 통해 고객은 신속 처리, 빠른 응답, 낮은 비용, 높은 효율을 얻을 수 있다.
마크베이스의 AIoT Suite는 EdgeMaster, TSDB, AI Master로 구성해, 데이터를 추출하고 가공/분석/활용하는 모든 단계를 하나로 패키지화 했다.
EdgeMaster는 각종 센서와 API를 생산하는 Taglet, 센서로부터 발생되는 데이터를 엣지단에서 수집/저장/분석을 수행한다. 필요한 데이터를 Fog layer로 전송하는 EdgeMaster Client, 엣지에서 전Fog layer에 실시간 저장하고 분석하며 외부시스템과 인터페이스, 분석을 수행하는 EdgeMaster Server로 구성된다.
하나의 데이터만 처리했던 과거와 달리 최근에는 다양한 종류의 데이터들이 생산되고 있다. 폭증하는 데이터를 처리하지 못할 경우 비즈니스 현장에는 큰 문제가 발생한다. 한정된 시간 속에서 최대한 많은 데이터를 처리하기 위해선 무엇보다 효율적인 솔루션이 필요하다. 마크베이스의 시계열 데이터베이스 TSDB는 고성능의 데이터 처리를 목적으로 시계열 데이터를 초고속으로 저장, 추출, 분석한다.
TSDB는 시계열 DBMS를 내장해 대규모 데이터 처리가 가능하다. TSDB는 실시간 AI 분석을 위한 초고속 입력/추출 데이터 인프라를 갖춰 △메모리 및 디스크 특성에 특화된 테이블 제공 △논리적, 물리적 2단계 고성능 데이터 압축으로 저장 공간 절약 △백업 및 마운트 기능으로 빠른 백업 데이터 조회 △실시간 이벤트 필터링 기능을 제공하는 스트림 기능 △센서 데이터에 특화된 태그 테이블 제공 및 웹 기반 대시보드 등을 제공한다.
AI Master는 웹 기반 독립 어플로, 접근성을 극대화한 것이 특징이다. 많은 종류의 센서 및 분석 기법을 통합해 패키지로 제공하는 툴이며, 비정상 데이터 분석을 위한 Visualization 기능을 제공한다.
주요 핵심 모듈은 웹 기반 설치 조작 인터페이스의 Web Framework, 수십여 종의 다양한 분석 모델을 제공하는 Bulit-in AI Model, 하나의 모델에 대한 다중 추론 엔진 실행을 지원하는 Multi AI Instance, 모델당 수십여 파라미터 조절 및 테스트를 할 수 있는 Fine-tunable configuration이다.
AI Master는 또, 진동센서 데이터에 특화된 도메인 지식과 머신러닝 기술의 결합으로 최적의 이상 탐지 기능을 제공한다. 원격 게이트웨이 및 엣지 장치에서 AI 분석, 예측 및 추론을 실행하며, 마크베이스 Rest-API를 통해 데이터 추출 및 애플리케이션 연계 개발도 가능하다. Tag Analyzer로 시계열 데이터에 최적화된 시각화 차트를 제공하며, 이를 통해 AI 모델의 도커화(Dockerization)로 이식이 용이하다.
AIoT Suite 적용 4단계
AIoT Suite 데이터를 처리하고 추론하는 과정은 데이터를 어디에서 가지고 올 것인지 결정하는 Extract 과정, 추출된 데이터를 어떤 형태로 변환할 것인지 결정하는 Preprocessing 과정, 어떤 종류의 AI 모델을 사용할 것인지 결정하는 Execute 과정, Execute 과정을 마치고 그 결과에 따른 동작을 결정하는 Post-process 과정 등 네 단계로 구성됐다.
진동 센서는 나머지 센서 대비 초당 쏟아지는 데이터양이 훨씬 많기 때문에 난이도가 높아 더욱 집중되는 분야다.
마크베이스의 AIoT Suite는 센서가 붙어 있는 곳이라면 어디나 적용 가능하며, 로봇·터빈발전기·베어링·컨베이어 벨트 등 다양한 분야에 적용할 수 있다. 현장의 미세변위를 지속적으로 추적하기 위해 여러 개의 진동센서를 설비에 장착하며, 복잡한 과정 없이 최적의 모델을 완성할 수 있다.
적용 사례
마크베이스의 AIoT Suite는 아파트 3층 높이의 1200톤 프레스 장비 상단 부분에 부탁되어 있는 모터에 솔루션을 적용해 모터진동 데이터에 대한 이상 감지 모델 테스트를 진행했다. 모터상부, 모터하부와 프레스바디 경계면에 부착해 이상징후 감지 시, 실제 현장에서 무슨 작업을 하고 있었는지 확인하는 것이다.
테스트 결과 2 초당 2 6만 개의 데이터가 생성되어 Machbase에 저장됐고, 총 3,800만건 데이터를 확보했다. 자동차의 도어 프레임을 찍어내는 이 장비는, 고장 나면 전체 공장이 멈춰야 할 만큼 중요성이 높은 장비였다.
보통 프레스 장비는 TBM 방식으로 관리하는데, 고장 시 전체 공장이 멈추기 때문에 고장 여부와 상관없이 주기적으로 무조건 부품을 교체하곤 했었다. 하지만 마크베이스의 AIoT Suite를 적용해 일정 주기가 되면 무조건 부품을 교체하지 않고 컨디션을 체크하며 장비 관리를 할 수 있어 손실 비용을 절감할 수 있었다.
헬로티 함수미 기자 |
