[논문 리뷰] Application of Multivariate Data Analysis to machine power measurements as a means of tool life Predictive Maintenance for reducing product waste

Darren Whitaker, David Egan외 2명|arXiv (Cornell University)|2018. 02. 22.

Advanced machining processes and optimization인용 수 4

한 줄 요약

이 논문은 의료 기기 제조 공정에서 도구 마모를 예측하기 위해 실시간 기계 출력 측정값을 활용한 다변량 데이터 분석(MVDA) 방법을 제안한다. 이는 제품 손실을 줄이는 예측 유지보수를 가능하게 한다. 이 방법은 도구 부식과 관련된 미세한 전력 신호 패턴을 식별하여 연삭 공구 상태를 100% 정확도로 예측하였다.

ABSTRACT

Modern manufacturing industries are increasingly looking to predictive analytics to gain decision making information from process data. This is driven by high levels of competition and a need to reduce operating costs. The presented work takes data in the form of a power measurement recorded during a medical device manufacturing process and uses multivariate data analysis (MVDA) to extract information leading to the proposal of a predictive maintenance scheduling algorithm. The proposed MVDA model was able to predict with 100 % accuracy the condition of a grinding tool.

연구 동기 및 목표

• 고정밀 제조 공정, 특히 손실이 크고 수용할 수 없는 의료 기기 제조 분야에서 예기치 않은 도구 고장을 해결하는 데 초점 맞추기.
• 반복 수리나 정기 교체가 아닌 사전 유지보수를 통해 제품 손실과 운영 비용을 줄이기.
• 직접 도구를 모니터링하지 않고도 비침습적이고 실시간으로 도구 상태를 파악할 수 있는 전력 소비 데이터만을 사용해 데이터 기반의 예측 유지보수 시스템 개발하기.
• MVDA가 복잡하고 노이즈가 많은 산업용 전력 신호에서 직접 도구 모니터링 없이도 의미 있는 도구 마모 경향을 추출할 수 있음을 입증하기.

제안 방법

• 생산용 공작 기계에서 연삭 공정 동안 연속적인 기계 전력 측정값을 수집하기.
• 다양한 공정 사이클 동안 전력 신호 간의 패턴과 상관관계를 탐지하기 위해 다변량 데이터 분석(MVDA) 기법 적용하기.
• 주성분 분석(PCA) 또는 유사한 MVDA 방법을 사용해 차원을 축소하고 도구 마모와 관련된 핵심 공정 변동성 식별하기.
• MVDA에서 유도된 특징을 기반으로 분류 모델을 학습시켜 건강한 상태와 마모된 상태의 도구 조건을 구분하기.
• 과거 데이터를 사용해 도구 상태 전이의 예측 정확도 평가를 위해 모델 검증하기.
• 예측된 도구 수명에 기반해 유지보수를 촉발하는 스케줄링 알고리즘 개발하여 계획되지 않은 정지 시간과 불량 품목을 최소화하기.

실험 결과

연구 질문

• RQ1 기계 전력 신호만으로 제조 공정에서 도구 마모를 예측하는 데 충분한 정보를 제공할 수 있는가?
• RQ2 다변량 데이터 분석은 전력 소비 데이터로부터 초기 단계의 도구 마모를 얼마나 정확도 있게 탐지할 수 있는가?
• RQ3 전력 신호 기반의 예측 유지보수 모델은 정밀 제조 공정에서 제품 손실을 어느 정도 줄일 수 있는가?
• RQ4 도구 상태 변화와 관련된 전력 측정값의 핵심 신호 특징은 무엇인가?
• RQ5 전력 데이터 기반의 실시간 비침습적 모니터링 시스템은 기존의 시간 기반 또는 상태 기반 유지보수보다 뛰어난 성능을 보일 수 있는가?

주요 결과

• MVDA 기반의 예측 유지보수 모델은 연삭 공구의 상태를 건강한 상태 또는 마모된 상태로 분류하는 데 100% 정확도를 달성하였다.
• 전력 신호의 변동성이 도구 마모 진행과 강하게 상관되어 있어 고장 발생 이전에 마모를 신뢰성 있게 탐지할 수 있었다.
• 이 방법은 직접 도구 모니터링 없이도 복잡하고 다변량인 전력 데이터에서 의미 있는 패턴을 성공적으로 추출하였다.
• 제안된 접근법은 도구 마모의 조기 탐지가 가능하게 하여 결함 발생 이전에 유지보수를 스케줄링할 수 있도록 하였다.
• 이 시스템은 고정밀 제조 환경에서 제품 손실과 운영 비용을 줄일 잠재력을 보였다.
• 결과적으로 전력 측정값만으로도 산업 현장에서 도구 상태의 강력하고 비침습적인 지표가 될 수 있음을 확인하였다.