예지보전을 실현하기 위해 필요한 것(2/3)

일본 MONOist(monoist.atmarkit.co.jp)기사를 3주에 거쳐 번역 편집해 보내드리고 있습니다.

                                2017 국제플라스틱페어에서 발표한 AI기능 탑재 「ROBOSHOT」

고장 데이터를 만들기 어렵다.

고장을 예지하기 어려운 또 하나의 난점은 고장 데이터의 수가 적다는 것이다. 대형기계나 설비는 가동율을 중시하기 때문에 고장빈도가 애당초 매우 낮다. 앞서 설명한 OEE의 요소에 포함되지만 제조업이 불량율을 줄이는데 많은 노력을 해왔고 미국의 GE는 6시그마(결함을 100만회 중 3,4회 이하로 관리하는 활동)를 활용하여 품질의 편차와 불량을 혁신하는 활동이 정착되어 있다.

AI관련 기술은 학습을 기본으로 하고 있지만 6시스마 수준으로 고장의 회수가 적으면 유효한 학습이 어렵다. 그러면, 학습하기 위하여 일부러 기계를 고장내 데이터를 얻어야 하는가? 실제로 설비를 사용하고 있는 유저인 공장이나 설비 사용자 입장에서는 무모하게 코스트 증가를 불러와 현실적으로 어려운 이야기이다.

고장 데이터를 얻기 위한 다른 접근방법으로, 상하한 데이터 값에서 벗어난 경우를 고장으로 판단하는 방법도 가능하지만, 이 경우 의도하지 않은 불규칙한 영향을 고장으로 판단하여 정지시키는 상황을 학습하여 걸러내야 하므로 이것 역시 부담이 크다.

고장예지를 전제로 한 제품개발과 공급자와의 연계

따라서, 고장예지를 효과적으로 실현하기 위해서는 메이커가 부품 수준에서 핵심이 되는 센싱 포인트와 기본적인 이상 데이터를 조합하여 제공할 필요가 있다. 이것은 자사제품을 철저히 시험할 수 있는 메이커만 가능하다. 이미 자사 제품과 고장과의 상관성이 있는 포인트를 철저히 조사할 수 있는 체계가 갖추어 있어야 한다.

예를 들어, 공작기계 업체인 DMG모리세이키는 독일의 자동차 부품메이커 SCHAEFFLER와 협력하여 「머신 툴 4.0 」이라는 활동을 추진하여 왔다. 활동 내용을 보면, DMG모리세이키의 공작기계에 SCHAEFFLER가 60개의 센서를 설치, 공작기계의 가동 데이터를 상세히 취득하여 각 센서 데이터의 상관관계를 파악했다. 실제로는 60개소의 센서에서 받은 데이터를 모두 활용할 수는 없었다. 유효한 센싱을 하기 위해 입도의 조정도 필요하였고 고장 예지에 최적의 센싱과 데이터, 상관관계 등을 철저히 분석하였다. 이렇게 DMG모리세이키는 새로운 서비스를 구축하게 된다.

메이커는 자사제품 개발에 수 많은 시험을 하지만, 그 중에서 고장의 요건이 되는 요인을 파악하여 제공할 수 있다면, 그 것이 바로 새로운 서비스가 될 가능성이 있다.

이미 이러한 성과를 제품으로 전개하고 있는 회사로 Fanuc이 있다. 화낙의 전동 사출성형기인 「ROBOSHOT a-SiA 시리즈」로 예방보전을 할 수 있는 「AI백후로모니터」는 Preferred Networks(PFN)와 공동으로 개발하여 2018년 1월부터 수주를 받고 있다.

내용을 보면, 사출성형기의 소모품인 역류 방지변의 마모 상태를 딥 러닝으로 평가, 예측하여, 소모품이 <고장이 나기 전에 알리는> 기능이 있다. 역류 방지변의 상황은 소재나 종류, 환경 등에 따라 다르긴 하지만 일반적으로 분해해 보아야 마모나 고장상황을 확인할 수 있다. 이것을 AI로 자동화하여 고장 전에 알 수 있게 되었다.

출처: MONOist
번역: K-SmartFactory