[논문 리뷰] Predictive Maintenance using Machine Learning

Archit P. Kane, Ashutosh S. Kore외 3명|arXiv (Cornell University)|2022. 05. 19.

Industrial Vision Systems and Defect Detection인용 수 11

한 줄 요약

이 논문은 이력 장비 데이터를 활용하여 고장을 유발하는 패턴을 탐지하고 고장이 발생하기 이르기 전에 고장을 예측하는 기계학습 기반 예측 정비(PdM) 프레임워크를 제안한다. 센서 및 운영 데이터에 대해 지도 학습 모델을 적용함으로써 조기 고장 탐지가 가능해져 제조 환경에서 계획되지 않은 정지 시간과 유지보수 비용을 줄이고 장비 활용도를 향상시킨다.

ABSTRACT

Predictive maintenance (PdM) is a concept, which is implemented to effectively manage maintenance plans of the assets by predicting their failures with data driven techniques. In these scenarios, data is collected over a certain period of time to monitor the state of equipment. The objective is to find some correlations and patterns that can help predict and ultimately prevent failures. Equipment in manufacturing industry are often utilized without a planned maintenance approach. Such practise frequently results in unexpected downtime, owing to certain unexpected failures. In scheduled maintenance, the condition of the manufacturing equipment is checked after fixed time interval and if any fault occurs, the component is replaced to avoid unexpected equipment stoppages. On the flip side, this leads to increase in time for which machine is non-functioning and cost of carrying out the maintenance. The emergence of Industry 4.0 and smart systems have led to increasing emphasis on predictive maintenance (PdM) strategies that can reduce the cost of downtime and increase the availability (utilization rate) of manufacturing equipment. PdM also has the potential to bring about new sustainable practices in manufacturing by fully utilizing the useful lives of components.

연구 동기 및 목표

• 제조 분야에서 전통적인 정기 점검 및 반응형 정비 방식의 높은 비용과 비효율성을 해결하기 위해.
• 데이터 기반 기법을 사용하여 고장이 발생하기 전에 고장을 예측함으로써 계획되지 않은 장비 정지를 줄이기 위해.
• 지능적인 정비 스케줄링을 통해 부품 수명 주기를 연장함으로써 장비 활용도와 지속 가능성을 향상시키기 위해.
• 산업 4.0 스마트 제조 인fra구조와 호환되는 확장 가능한 데이터 기반 PdM 시스템을 개발하기 위해.

제안 방법

• 프레임워크는 장기간에 걸쳐 제조 장비에서 시간 순서 센서 및 운영 데이터를 수집한다.
• 고장이 발생하기 이르기 전의 장비 동작 패턴과 상관관계를 식별하기 위해 지도 학습 모델을 적용한다.
• 원시 센서 데이터에서 특징를 추출하여 장비의 건강 상태 및 열화 추세를 표현한다.
• 남은 유용 수명(RUL) 또는 고장 확률을 예측하기 위해 분류 또는 회귀 모델을 훈련시킨다.
• 정밀도, 재현율, F1 점수와 같은 성능 지표와 함께 이력 고장 사례를 사용하여 모델을 검증한다.
• 지속적인 장비 건강 상태 평가를 위한 실시간 모니터링 시스템에의 통합을 지원한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 이력 센서 및 운영 데이터를 사용하여 장비 고장을 효과적으로 예측할 수 있는가?
• RQ2 예측 정비는 정기 점검 또는 반응형 정비에 비해 계획되지 않은 정지 시간을 얼마나 줄이는가?
• RQ3 어떤 센서 데이터에서 유도된 특징가 조만간 발생할 장비 고장을 가장 잘 예측하는가?
• RQ4 예측 정비는 산업 현장에서 장비 활용도를 얼마나 향상시키고 유지보수 비용을 얼마나 줄일 수 있는가?

주요 결과

• 제안된 PdM 프레임워크는 센서 데이터의 미세한 패턴을 탐지함으로써 고장의 전조를 성공적으로 식별한다.
• 기계학습 모델은 실제 고장이 발생하기 이르기 전에 장비 고장을 높은 정확도로 예측한다.
• 시스템은 고장이 발생할 때만 유지보수 조치를 예약함으로써 계획되지 않은 정지 시간을 줄인다.
• 고정 간격 정비에 비해 불필요한 부품 교체와 운영 비용을 줄이는 데 성공한다.
• 프레임워크는 부품 수명 주기를 극대화하고 자원 낭비를 최소화함으로써 지속 가능한 제조를 지원한다.