물류: 컨베이어 라인 및 시설물

물류/창고 시설물에서 구동되는 컨베이어 라인의 센서 데이터 (진동, 전류, 환경 인자인 온도와 습도)를 APM으로 실시간 모니터링하여 이상 현상을 감지하고 자동 분류하였으며 컨베이어 자산의 잔존 수명을 예측하였습니다.

컨베이어 센서 데이터 분석

컨베이어 이상 현상을 감지를 위해 기존에 설치된 진동 센서를 활용하여 컨베이어의 센서 데이터를 분석해 본 결과 컨베이어 구동 상태 (적재 용량 초과/미달, 정지)와 모터 속도 (고속, 저속)에 따라 진동 값이 크게 변하는 것을 알게 되어 컨베이어 관련 구동 상태를 기준으로 장치 관리 정책을 수립하려 하였으나 컨베이어 장치는 구동 상태를 확인하기에 충분한 이벤트가 발생하지 않는 문제점을 직면하게 되었습니다.

이와 같은 컨베이어 장치 내부적 문제를 극복하기 위해 컨베이어에 관련하여 사용하되 기존 트레이스 파라미터 중 컨베이어 구동 상태 변경을 확인할 수 있는 파라미터들을 활용하여 구동 상태를 발생시킬 수 있는 가상 이벤트를 생성하여 컨베이어를 관리하기로 하였습니다.

예를 들어 아래와 같이 동일 기간에 대한 전류 파라미터와 진동 파라미터의 센서 데이터 트렌드를 확인한 결과 전류가 높은 기간에 진동도 커지는 것을 확인할 수 있습니다.

한편 높은 전류가 유지되면서 컨베이어 구동 상태가 안정화 (아래 빨간 색으로 표시된 구간)되는 것을 확인하였으며 안정화 구동 상태를 표시하는 가상 이벤트를 발생하여 안정화 구간의 진동 데이터에 대해 다양한 통계치를 얻을 수 있었습니다.

물류 창고에서 구동하는 모든 컨베이어 자산의 구동 상태를 다양한 레벨로 모니터링하기

물류 창고에서 운영되는 모든 관리 자산에 대한 구동 및 건강 상태를 실시간으로 한 눈에 모니터링하기 위해 APM은 사이트 별 또는 모든 사이트에 관리 자산의 건강 상태를 실시간으로 연산한 결과를 다양한 대시보드에 표시하여 설비 레벨 또는 파라미터 레벨로 자산 간 비교하여 성능이 낮은 자산을 파악할 수 있었습니다.

예를 들어 아래와 같이 관리 대상 자산 로케이션 정보를 사이트를 기준으로 정의하여 모든 사이트에서 구동하는 관리 자산 또는 사이트 별 관리 자산의 건강 상태를 한 눈에 확인할 수 있습니다.

건강 상태가 나쁘거나 구동 성능이 떨어지는 자산에 대한 상세 화면으로 이동하여 문제를 야기하는 파라미터를 확인하고 발생한 문제의 원인을 파악하기 위해 센서 데이터 레벨로 드릴 다운하여 트렌드를 확인하여 문제가 되는 구간을 확인하여 문제를 조치할 수 있습니다.

머신 러닝 기반 이상 감지/분류 및 잔존 수명 예측

수 천개의 관리 파라미터에 대한 관리 제한선을 엔지니어의 손으로 일일이 설정 및 수정하는 일은 많은 시간과 노력을 필요로 합니다. 또한, 전통적인 관리 제한선을 통한 파라미터 관리는 설비의 최신 상태를 반영하지 못하며 가성 알람이 다수 발생하여 비효율적인 설비 운영으로 이어질 수 있습니다. APM을 통해 머신 러닝 기반 이상 감지 (Fault Detection), 이상 분류 (Fault Classification), 설비 잔존 생명 (RUL) 예측이 가능하여 설비로부터 수집된 데이터만으로도 실시간 설비 모니터링이 가능합니다.

아래는 전통적인 룰 기반 이상 현상 감지 (Rule-based Fault Detection) 모델과 APM의 머신 러닝 기반 이상 현상 감지 모델 (설비 건강 점수를 실시간으로 연산하여 고장에 이르기 전에 알람을 발생시키는 모델)이 동일한 공정을 관리할 때를 비교한 예입니다.

아래에서 머신 러닝 기반 모델이 연산한 실시간 설비 건강도 트렌드 후반부 (빨간 색 상승 화살표)를 보면 전통적인 방식으로는 포착하지 못하는 이상 현상을 APM을 통해 조기에 감지하여 사용자에게 알려 자산의 고장을 미연에 방지할 수 있음을 알 수 있습니다.

APM은 관리 자산에서 사용하는 모든 파라미터의 센서 데이터를 분석하여 관리 자산 별 건강 점수를 실시간으로 산출합니다. 따라서 전통적인 이상 감지 모델이 포착할 수 없는 설비 자산의 비정상적 상태를 미리 감지할 수 있습니다.

아래와 같이 APM은 설비 자산의 건강 점수가 갑자기 증가 (Spike) 또는 증가 추세를 감지하여 설비 자산이 고장으로 멈추기 전에 정확한 예지 보전 활동을 수행할 수 있도록 사용자에게 최적화된 설비 자산 방법론을 제시합니다.

APM에서는 설비 건강 점수를 연산하기 위해 다양한 설비 건강 평가 모델을 제공합니다.

• 룰 기반 모델: 단변량 이상 감지 모델

• 비지도 (Unsupervised) 학습 모델: 머신/딥 러닝 기반 이상 감지 및 잔존 수명 예측 모델 (다변량 모델)

• 통계 기반 모델: 통계 알고리즘 기반 다차원 이상 감지 및 잔존 수명 예측 모델 (다변량 모델)

• 도메인 기반 모델: 전류/진동 센서 데이터에 특화된 분석 모델

사용자가 하나의 관리 파라미터에 복수의 건강 평가 모델을 적용한다면 모델 별 산출한 건강 점수 결과를 상호 참조하여 가성 알람을 가려낼 수 있는 알람 발생 원인 파악의 정확도를 증진시킬 수 있습니다.

한편 설비 건강 평가 모델 별로 사이트의 환경에 맞게 설정해야 할 옵션 값들이 있습니다. 사용자는 APM이 제공하는 “자동 업데이트” 기능을 통해 기존에 수집된 이력 데이터, 특히 관련 설비 자산이 경고 상태 구간의 데이터를 가지고 트레이닝을 하여 최적화된 옵션 값으로 설비 평가 모델을 자동 업데이트합니다. 시간이 지나면서 공정 데이터가 보다 많이 쌓일수록 해당 공정에 보다 적합한 설비 건강 점수를 산출할 수 있는 최적화된 설비 평가 모델로 업데이트될 수 있습니다.

아래 왼쪽과 같이 예측 모델이 제한된 공정 데이터를 사용하여 실제 설비 고장보다 늦은 시점을 예측하였으나 자동 업데이트 기능을 통해 보다 높은 예측 정확도를 보이는 것을 알 수 있습니다.

종합적인 물류/창고 관리 자산 관리에 APM 도입을 통한 기대 효과

일반적으로 물류/창고 시설물에 사용되는 관리 자산 (컨베이어 장치)의 가격은 약 1천 달러이며 물류 사이트 별로 1만여대의 컨베이어 장치가 사용됩니다. APM을 통해 펌프 자산을 관리하게 되면 컨베이어 라인 고장으로 발생하는 배송 지연을 5% 향상시켜 연간 약 1천만 달러의 배송 지연 손실을 아낄 수 있으며 신규 물류 라인 투자금의 4%인 약 5만 달러를 아낄 수 있은 효과를 얻을 수 있습니다.