예지보전의 필요성

제조업은 설비 의존도가 높으며, 설비의 고장은 경제적 손실로 직결된다. 특히 반도체, 이차전지와 같은 고부가가치 하이테크 산업일수록 갑작스러운 설비의 고장은 회사에 큰 손해를 끼친다.

제조 기술의 복잡성이 높아지고 있는 만큼, 설비의 효율적 관리는 제조업에서 경쟁력 강화 및 생산성 향상의 핵심 요소이다. 고품질의 제품을 지속적으로 생산하기 위해서는 설비의 안정적인 운영이 보장되어야 한다.

설비의 고장 패턴을 분석해 보면 약 11%의 설비는 시간의 경과에 따라 고장이 발생하지만, 약 89%의 설비는 시간과 별개로 무작위로 고장이 발생한다. 수많은 설비의 고장을 계획적으로 대응하려면 실시간으로 고장의 초기 징후를 감지하고, 고장이 발생하기 전에 예측 정비를 수행하는 것이 필요하다. 이러한 기술을 예지보전(Predictive Maintenance)이라고 한다.

고장난 후 조치하는 사후보전, 주기적으로 점검하는 예방보전을 넘어, 고장을 예측하는 예지보전을 통해 예기치 않은 조업 중단을 방지하고, 비용의 수리 및 교체를 미연에 방지할 수 있다.

 
예지보전의 현실

제조 현장에서는 예지보전의 중요성을 인식하여 여러 방식으로 문제를 해결하고 있지만, 몇 가지 한계점이 있다.

먼저, 제조 현장에 대한 문제이다. 설비의 종류가 매우 많고, 고장의 원인도 다양해서 사전에 예지보전하기가 매우 어렵다. 또한 고장 빈도가 매우 적어, 이를 완벽하게 보수할 수 있는 사람도 적었다. 20년 이상 경력의 도메인 전문가가 진단해 왔지만 그 노하우는 자산화·표준화되어 있지 않고, 일관성과 신뢰성이 떨어져 현장에 적용하는데 어려움이 있었다.

경제적인 문제도 있다. 설비의 고장으로 가장 큰 손해를 보는 곳은 대기업이다 보니, 대기업 중심으로 투자와 도입이 진행되어 많은 기업들이 도입하는데 한계가 있었다. 또한 고가의 외산 솔루션 대신 진동 센서를 활용하여 시도했지만 큰 효과를 보지 못했고, 품질 이슈 체크나 설비 증설에 비해 예지보전은 투자의 우선순위가 밀렸다.

예지보전 도입을 위한 준비

예지보전 도입에는 현실적인 어려움들이 있으나, 기존의 접근 방법이 크게 효과를 보지 못한 이유를 분석하고 단계적으로 해결해 간다면 예지보전 도입은 시간의 문제다. 최근 개선된 기술과 접근 방식을 현장에 적용하여 유의미한 성과들이 나오고 있다.

먼저, 개선이 필요한 점은 ‘데이터’이다. AI의 가장 중요한 요소는 데이터이며, 데이터 센싱으로부터 모든 게 시작된다고 해도 과언이 아니다. 설비 진단에 가장 많이 사용되는 진동 센서의 경우 적용이 간편하고 회전체 설비에 대한 표준화가 되어 있어 도입이 용이하지만, 10분에 1번 또는 1시간에 1번 1초 데이터를 취득하여 정밀한 진단이 어렵고, 접촉식이다 보니 제조 현장에 설치하기 어려웠다. 전류 센서는 분전반에 설치하여 진동 센서보다 용이하지만, 고장 직전에 감지되기 때문에 예지정비를 할 수 있는 시간적 여유가 부족하다. 초음파 센서의 경우 비접촉식으로 비회전체에도 적용이 가능하고, 고장(고장나기 가장 이른 시점)에 전조 증상을 감지할 수 있으며, 정밀한 진단이 가능하다.

설비별, 상황별로 필요한 센서를 설치해야 하지만, 경제적 비용과 직결되어 있으므로 도입 비용도 고려해야 한다. 진단 전문가를 통해 적정 센서와 부착 위치·개수 등을 결정하고, 설치되어 있는 센서가 있다면 이를 활용하여 진단해 보는 것도 비용을 줄일 수 있는 방법이다. 정확한 진단을 위해서는 센서 데이터 외 가동 시간, 생산 제품 종류, 이슈 발생 시점 등의 설비 데이터 정보도 함께 통합하여 분석하는 것이 필요하며, 제조사의 시스템, 설비 운영 정보와 연동하여 통합된 시스템을 구축하는 것도 필요하다.

수집된 데이터를 제대로 분석하기 위해서는 인프라적인 부분이 개선되어야 한다. 제조 현장은 보수적이고 폐쇄적이라 데이터를 외부로 유출할 수 없는 인프라적인 이슈가 존재한다. 최근 클라우드 서비스가 도입되고 있지만, 국내 대기업에서는 데이터 유출이 쉽지 않아 적용하기 어렵다.

또한, 설비 도메인 전문가가 활용할 수 있는 데이터 분석 툴이 제공되어야 한다. 대부분의 도메인 전문가는 경험과 감에 의존을 하는 경우가 많으며, 데이터 분석에 대한 역량의 한계가 존재한다. 또한, 도메인 전문가는 다양한 제조 분야에서 특정 설비, 담당 설비에 대한 전문가로 그 범위가 제한적이다. 설비 전문가인 도메인 전문가가 활용할 수 있는 데이터 분석 툴이 제공되어야 설비 데이터에 대한 정확하고 올바른 해석이 가능하다.

현장에서의 AI 적용 방안

제조 환경이 수시로 변하기 때문에, AI를 적용하기 위해서는 기존의 이론 중심(Rule base)에서 벗어나 데이터 중심으로 접근해야 한다.
보시는 바와 같이 진동, 전류, 초음파 신호의 정상 데이터와 비정상 데이터를 사람이 구분하기는 굉장히 쉽다. 하지만 다수의 센서와 다수의 설비를 매칭하여 시간별로 분석하고, 룰 베이스로 알고리즘을 개발하는 것은 비용적인 한계가 있다. 이를 AI가 정상 데이터로 학습하고, 이상 신호를 감지한다. 마찬가지로, 센서별 비정상 데이터의 패턴이 나타난다. 이를 사람이 하는 것이 아니라 컴퓨터가 고장 패턴을 학습하여 어떤 고장의 원인인지, 언제쯤 고장날 것 같은지 예측한다.

설비의 종류와 고장 원인은 다양하지만, 설비는 자주 고장이 나지 않기 때문에 설비별 고장 데이터를 확보하기가 매우 어렵다. 예지보전을 AI 적용하여 해결하고자 한다면, 고장 데이터를 확보하는 것을 최우선으로 두어야 할 것이다. 먼저 설비 이슈로 인해 품질, 가동률 등 피해가 큰 설비를 선정해야 한다. 비용을 고려한 적정 센서 종류를 선정하고, 설비 이상 작동 검지에 대한 실증을 진행하는 게 필요하다.

초음파 음향 데이터를 활용한
예지보전과 적용 사례

모빅랩은 초음파 음향 데이터를 활용하여 설비의 이상 상태를 감지하고, 고장을 예측하는 AI 기술을 제조 현장에 적용하고 있다. 초음파는 고장 전조 증상 중 가장 이른 시기에 발생하는 신호로 모빅랩의 설비의 마찰, 충돌 등에서 발생하는 초음파의 미세한 변화를 감지하여 고장 발생 전에 필요한 조치를 취할 수 있다.

예를 들어 액추에이터의 경우 볼스크류 마모, 베어링 크랙, 윤활유 부족 등의 이슈가 발생하는데, 이슈 발생 시 설비에서 발생하는 초음파를 측정하여 이상 작동을 감지하고, 선 조치를 진행한다. 또한 펌프와 같이 설비 표면이 고열, 곡면이어서 접촉식 센서 부착이 어려운 경우 비접촉식인 초음파 센서를 설치해 설비에서 발생하는 초음파 변화를 측정하고 이상 작동을 감지할 수 있다. 커팅(Cutting) 공정에서 주기적으로 교체를 해야 하는 블레이드(Blade)의 경우 사용할수록 마모가 진행되고, 이에 따라 발생하는 초음파의 변화를 측정하여 사용 주기를 판단할 수 있다.

시사점

제조 현장에서 AI 도입은 제조업체가 직면한 여러 도전을 극복하고, 지속 가능한 경쟁력을 확보하는데 중요한 역할을 한다. 제조 효율성 극대화는 제조 설비에서 시작되며, 계획적인 설비 관리와 정확한 진단 기술로 가능해진다. 기업별, 생산 공정별로 현재 문제는 무엇인지를 면밀히 살펴보고, 문제의 어떠한 부분을 AI로 해결할지를 잘 정의한 후 신기술에 대한 적극적인 투자로 시장에서의 우위를 확보해야 할 것이다.

root_1@moviclab.com