인공지능으로 설비 고장예측 및 이상현상 탐지 

설비나 기계의 고장 전에 그 전조 현상을 알고 싶다는 요청이 산업 분야의 다양한 업종에서 나타나고 있다.

과거에는 숙련자의 경험이나 느낌에 의존하는 경향이 있었지만, 지금은 인공지능(AI)에 의한 고장예측과 이상 현상 탐지에 관심이 쏠리고 있다. 

센서 등 다양한 데이터로부터 고장의 전조 현상을 탐지하는 방법에 인공지능을 활용함으로써 객관적인

데이터를 바탕으로 높은 정확도의 고장예측과 이상 현상 탐지가 가능할 것으로 기대되고 있다. 

설비 고장을 어떻게 예측할 수 있는지 구체적으로 어떻게 도입할지, 해결과제 등 궁금증을 아래에 설명한다.

고장예측과 이상현상 탐지

고장예측(이상현상 탐지)은 설비나 기계의 이상현상의 전조를 파악해, 고장 나기 전에 대처할 수 있도록 하는 체계적인 접근법이다.

이상이 발생하고 나서가 아니라, 미리 전조 현상을 탐지하여 제조라인의 생산설비가 정지되는 시간을 최소한으로 억제하는 일이다. 

경험이 많은 베테랑 직원의 「뭔가 이상한데~」 「이제 슬슬 고장 날 것 같다」 등 과거의 경험과 감으로 느끼는

고장의 전조 현상 파악은 판단 기준이 불명확하고 주관적이어서 젊은 직원들이 스킬과 노하우를 계승한다 해도 고장의 사전 대책이 체계적으로 사내에 정착되지 않는다. 

이러한 문제 해결책으로 데이터 분석을 이용한 고장예측과 이상현상을 사전에 파악할 수 있는 수법이 등장했다.

사람의 주관적인 판단을 배제하고 일정 기준에 따라 고장과 이상현상을 예측할 수 있게 되었고 지금 그 활용이 진행되고 있다.

고장예측 및 이상현상 탐지 기법

다음은 고장예측과 이상현상 탐지에 많이 이용되는 데이터 분석의 수법이다.

· 돌출 데이터 검출 : 다른 데이터들과 현저하게 괴리된 데이터 검출

· 변곡점 검출 : 시계열적 데이터에서 급격하게 패턴이 변화하는 타이밍 검출

· 이상 부위 검출 : 시계열적 데이터에서 벗어난 값을 검출

위 데이터 검출 방법 모두 「일상적인 평소와 다른 데이터」를 검출하는 수법이지만 어느 상태가 「정상」이고 「벗어났다·변화했다」라고

규정할지 사람이 분석하고 판단할 경우 한계가 있지만, 인공지능(AI)을 활용한 데이터 분석이 진화하여 고장예측과 이상현상 탐지에도 활용할 수 있게 되었다.

인공지능(AI)에 의한 설비 고장 예측 및 이상현상 탐지

인공지능으로 다양한 데이터를 분석, 고장으로 이어지는 패턴이나 추이를 도출해, 그것을 기초로 고장을 예측하고 이상현상을 조기에 찾아낼 수 있다.

인공지능을 활용하려면 많은 양의 데이터가 필요한데 IoT가 보급되면서 데이터를 대량으로 상세하게 취득하는 것이 가능해졌다.

온도, 습도, 진동, 소리 등 다양한 센서로부터 수집되는 방대한 데이터를 분석함으로써 보다 고정밀도로 고장을 예측하고 이상 현상을 파악할 수 있게 되었다.

비교사 학습을 이용한 고장예측 주요 기법

인공지능의 기계학습에는 교사학습과 비교사학습 두 가지가 있다.

교사학습에는 사전에 「정답」이 되는 교사 데이터를 준비해 그것을 학습하여 예측한다. 

고장예측의 경우에는 정상일 때와 고장일 때의 데이터를 각각 정답 데이터로 준비해야 한다. 

그러나 고장 발생 빈도가 낮아 고장시의 데이터를 수집하거나 준비하지 못하여 AI가 학습할 수 없는 경우도 적지 않다.

이러한 경우 교사 데이터를 준비하지 않는 비교사 학습을 이용한다.

비교사 학습 방법 3가지를 아래에 소개한다.

SVDD（Support Vector Data Description）

정상적인 데이터만을 이용해 모델을 작성하는 「1 클래스 분류」를 실시하는 수법이다.

일반적으로 「정상」과 「이상」 두 가지를 각각 정의하지만 SVDD에서는 두 데이터 사이의 유사도를 나타내는 커널 함수에

의해 정상적인 상태의 영역만을 정의하여 그 영역에서 벗어난 것을 이상값으로 정의한다.

이상 데이터(고장시의 데이터)가 적은 경우에도 활용할 수 있는 것이 특징이다.

PCA（Principal Component Analysis）

PCA도 정상적인 데이터 영역을 결정한 후, 거기에서 벗어난 데이터를 이상값으로 검출한다.

이것은 「주성분 분석」이라는 데이터 해석 수법으로, 다양한 요소의 데이터가 어떤 특징을 띠고 있는지

「주성분」을 작성하여 데이터의 전체적인 현상을 파악해 「정상 데이터 영역」을 이끌어 낸다.

이상현상의 데이터수가 적어도 고장예측을 실현할 수 있는 것이 특징이긴 하지만, 원래 데이터에서 정보량을 줄여 판단 근거로 활용한다는 사실을 알고 있어야 한다.

RPCA（Robust Principal Component Analysis）

PCA와 마찬가지로 「주성분 분석」 수법 중 하나로 PCA의 통계적 기준에 수정을 가한 것이다.

다른 데이터와 수치가 크게 벗어나는 데이터가 있어도 대응할 수 있어 PCA보다 이상값의 영향이 적은 것이 특징이다.

이상 검출 외 이미지 처리 등에도 널리 이용된다.

비교사 학습 이용의 과제

이상값을 검출하고 싶은 경우 어떠한 데이터가 이상값인지 수준을 정하기 어려우므로 일반적으로 비교사 기법을 이용한다.

한편 위에 기술한 3 기법은 무엇을 기준으로 고장을 예측하는지 불투명하다는 과제도 존재한다. 

인공지능에 의한 고장예측과 이상탐지의 신뢰성을 확보하기 위해서는 실제로 고장을 일으켜 검증해보는

방법도 있지만 고의로 고장을 내려면 시간과 비용이 드는 또 다른 문제가 발생된다.

또한, 이러한 수법은 대량의 센서 데이터가 필요하므로 이미 많은 데이터를 확보하고 있는 프랜트나 공장에 적합하다고 말할 수 있다. 

「가설 탐색형 분석」을 실현하는 AI 자동화 솔루션 「dotData」

새로운 고장예측 방법으로 AI 자동화 솔루션 「dotData」 소개한다.

「dotData」는 교사학습을 수행하는 도구인데, 일반적인 교사 학습에 필요한 「특징량」을 자동으로 생성하는 것이 특징이다.

특징량이란 방대한 데이터에서 영향을 줄 만한 요인을 정리한 것을 말한다.

기존에는 사람이 생각한 가설을 바탕으로 고안해야 하므로 고장예측의 경우 이 가설 세우기가 어려운 과제였다.

dotData는 대상 데이터에서 특징량을 자동으로 추출한다. 

또한 추출한 특징량은 사람이 이해하기 쉬운 형태로 제시되므로 그 데이터의 중요성에 대한 근거도 명확하다. 

이 특징량을 활용해 가설을 세우면서 고장예측과 이상상황을 탐지하는 「가설 탐색형」의 분석도 가능하다. 

실제 업무에 적용하기 쉽고, 지금까지의 수법으로는 고장예측과 이상 탐지가 어렵다고 여겨졌던 사례에도 적용할 수 있을 것으로 기대된다.

고장 예측 솔루션 도입과 포인트

고장예측을 할 때도 일반적인 인공지능과 마찬가지로, 「요건정리」 「PoC」 「실장」 「운용」의 프로세스를 거쳐 차례차례 진행한다.

또한 운용 개시 후에도 정확도 등을 정기적으로 확인하고 필요에 따라 지속적으로 재학습 등 유지보수를 하여 개선하는 점 또한 동일하다.

고장예측에 있어서 중요한 포인트는 먼저 「현재 어떠한 데이터를 취득할 수 있는지」와 「어떻게 활용하고 싶은지(목적)」를 명확히 해야 한다. 

데이터 취득 상황은 물론 「원인이 불명확해도 어쨌든 고장을 예측할 수 있으면 나머지는 현장 직원이 세부 사항을 확인하기 때문에 괜찮은」

운용인지, 「왜 고장이 나는지 명확하지 않으면 대처할 수 없는」 것인지에 따라 취해야 할 수법이 다르다.

「dotData」는 교사학습으로 고장을 예측할 경우 추천하는 툴이다.

기존 데이터를 분석하면서 새로 취득할 데이터를 검토하는 등 시뮬레이션 하기도 쉽다.

인공지능(AI)으로 고장을 예측한다면 어렵다고 생각될 수 있지만, dotData를 사용하면 그러한 생각이 크게 줄어들 것이다.

dotData를 활용하여 먼저 시도해보길 권장한다.

참조 | https://jpn.nec.com/solution/dotdata/tips/failure-prediction/index.html?​