예측 유지 보수는 실시간 데이터를 기반으로 부품 또는 자산의 남은 유효 수명을 예측하는 기능으로 조직에서의 유지 보수 리소스를 관리하고 최적화하는 방법 및 기술을 말합니다.

예측 유지 보수는 상태 모니터링 도구를 사용하여 다양한 악화 징후, 이상 및 장비 성능 문제를 감지하는 사전 예방 유지 관리 전략입니다. 이러한 측정을 기반으로 조직은 사전 구축 된 예측 알고리즘을 실행하여 장비가 고장날 수 있는 시기를 예측하여 유지 보수 작업을 고장 발생하기 직전에 수행 할 수 있습니다.

예측 유지 보수의 목표는 유지 보수 리소스의 사용을 최적화하는 것 입니다. 특정 부품이 언제 고장 날지 파악함으로써 유지 보수 관리자는 실제로 필요한 경우에만 유지 보수 작업을 예약 할 수 있으며, 동시에 과도한 유지 보수를 피하고 예기치 않은 장비 고장을 방지 할 수 있습니다.

성공적으로 구현되면 예측 유지 보수는 운영 비용을 낮추고 가동 중단 문제를 최소화하며 전반적인 자산 상태 및 성능을 향상 시킵니다.

Predictive Maintenance(PdM) 어떻게 작동하는가?

예측 유지 보수의 가장 큰 장점은 자산의 현재 상태에 따라 작업을 예약 할 수 있다는 것입니다. 그러나 복잡한 자산의 정확한 상태를 아는 것은 쉽지 않습니다.

예측 유지 보수가 자산 상태를 추적하고 다가오는 장비 고장에 대해 유지 보수 관리자에게 경고 할 수 있는 세 가지 주요 구성 요소가 있습니다.

1. 설치된 상태 모니터링 센서는 실시간 성능 데이터와 기계 상태 데이터를 전송합니다.
2. IoT 기술은 기계, 소프트웨어 솔루션 및 클라우드 기술 간의 통신을 가능하게 합니다. 본질적으로 엄청난 양의 데이터를 수집하고 분석하는 데 도움이 됩니다.
3. 예측 데이터 모델에는 처리 된 모든 데이터가 제공되므로 고장 예측을 할 수 있습니다.

1. CM 기술 및 예측 유지 보수 기술

기존 설비에 설치 및 부착 할 수 있는 다양한 상태 모니터링 센서 및 장비가 있습니다. 이는 전류, 진동, 온도, 압력, 오일, 소음, 부식 수준 등을 측정 할 수 있습니다.

사용하는 센서는 예측 유지 보수의 자산 유형과 추적하려는 항목에 따라 다릅니다.

상태 모니터링 센서 사용의 또 다른 이점은 어떠한 종류의 생산성 중단없이 자산 내부에서 일어나는 일을 정확하게 표현 할 수 있다는 것 입니다. 즉, 물리적 검사를 수행하기 위해 자산을 중지하고 분리 할 필요가 없습니다.

사용하는 센서와 실행하려는 테스트를 기반으로 다음과 같이 적용 할 수 있는 다양한 상태 모니터링 및 예측 유지 관리 기술이 있습니다.

• 오일 / 윤활 분석
• 진동 분석 / 동적 모니터링
• 모터 전류 분석
• 열 화상 측정의 다양한 변형
• 초음파 및 음향 분석
• 방사선 촬영 / 방사선 분석
• 레이저 간섭계
• 전자기 측정
• 기타 다른 측정기

2. IoT 기술의 역할

데이터를 수집하는 것과 의도된 목적을 위해 데이터를 분석하고 사용 할 수 있다는 것은 또 다른 일입니다. 사물 인터넷(IoT) 기술을 사용하면 앞서 언급 한 센서가 데이터를 수집하고 이를 공유 할 수 있습니다. 예측 유지 보수는 보유 자산 별 센서 정보 및 데이터를 저장하는 중앙 시스템에 연결합니다. 이러한 중앙 시스템은 WLAN 또는 LAN 기반 연결 또는 클라우드(Cloud) 기술을 사용하여 실행됩니다.

여기에서 자산은 시스템 설정 방법에 따라 통신, 공동 작업, 데이터 분석, 수정 조치 권장 또는 직접 조치를 취할 수 있습니다.

3. 예측 알고리즘 적용

예측 유지 관리의 가장 중요하고 어려운 부분은 예측 알고리즘을 구축하는 것 입니다. 본질적으로 다양한 변수를 고려하고 이들이 상호 연결되고 서로 영향을 미치는 방식을 고려하는 모델을 구축 해야합니다. 궁극적인 목표는 기계 고장을 예측할 수 있다는 것입니다.

사용할 수 있는 변수가 많을수록 모델이 더 정확해 집니다. 이것이 예측 모델 구축이 반복적인 프로세스인 이유입니다. 초기 모델은 CMMS 또는 파일에 저장된 자산 이력, 개인적인 관찰, FEMA 분석, 가속도계 및 유량계와 같은 이미 사용 가능한 내부 센서 및 유사한 소스를 기반으로 해야 합니다. 기본 데이터를 수집하고 초기 예측 모델을 완료하기 위해 먼저 상태 모니터링 센서를 설치하고 잠시 실행해야 할 수도 있습니다.

시간이 지남에 따라 설치된 센서는 초기 모델을 개선하고 거의 완벽한 고장을 예측하는 데 사용할 수있는 더 많은 데이터를 생성합니다.

예측 알고리즘이 작동하는 방법은 다음과 같습니다. 자산의 현재 동작을 예상 동작과 비교하는 미리 결정된 일련의 규칙을 따릅니다. 편차는 자산 실패로 이어질 점진적인 악화를 나타냅니다. 편차, 현재 작동 조건, 과거 실패 데이터 및 데이터 모델에 내장된 기타 모든 변수를 기반으로 알고리즘은 실패 지점을 예측하려고 합니다.

예측 알고리즘의 최종 결과는 다음과 같은 자동화 시스템입니다.

• 설치된 센서를 통해 작동 상태 모니터링
• 데이터 이상으로 인해 생성 된 패턴을 이해하고 예측합니다.
• 설정된 임계 값에서 벗어난 경우 경고를 생성합니다.

Predictive Maintenance(PdM) 관리의 장단점

다른 모든 유지 관리 전략과 마찬가지로 예측 유지 관리에는 명확한 장단점이 있습니다.

예측 유지 보수가 더 널리 채택되지 않는 주된 이유는 진입 장벽이 상대적으로 높기 때문입니다. 상태 모니터링 장비를 구입 및 설치하고, 예측 모델을 개발하고, 모든 것을 CMMS 또는 기타 특수 소프트웨어와 연결하려면 상당한 선행 투자가 필요할 수 있습니다. 또한 모델과 알고리즘을 생성하려면 종종 전문 지식을 필요로 할 수 있습니다.

이러한 단점에도 불구하고 예측 유지 보수는 여전히 증가 할 것으로 예상되며, 발생되는 문제점보다 도입으로 인한 이점이 더 크다는 것을 의미합니다. 예측 유지 보수가 장기적으로 상당한 ROI를 제공 할 수 있으므로 초기 비용을 감수 할 가치가 있다는 것 입니다.