공장과 각종 시설 및 기타 산업 현장에서는 식품과 의약품은 물론, 자동차와 컴퓨터에 이르기까지 일상에 필요한 모든 제품을 생산하기 위해 수백만 대의 머신이 가동되고 있다. 하지만 최고 수준의 머신이라 하더라도 영원히 작동할 수는 없으며, 마모와 파손으로 인한 손상을 피할 수 없다. 이러한 중요 자산들이 베어링 마모나 전기 모터의 과열 또는 습도 및 온도와 같은 외부 조건에 의한 내부 결함으로 고장이 발생하거나 작동이 불안정해지면, 단기간이라 할지라도 기업에 미치는 영향은 상당할 수 있다.
지멘스(Siemens)의 AI 기반 머신 상태 관리 플랫폼인 ‘센스아이 예측 유지보수(Senseye Predictive Maintenance)’ 보고서의 2022년 데이터에 따르면, 대규모 공장의 경우, 계획되지 않은 머신 가동중단이 월 평균 25시간 가량 발생한다.
이 보고서는 가동중단이 단 한 시간 발생하더라도, 고속 생산이 이뤄지는 소비재 공장의 경우 평균 39,000달러, 자동차 분야의 경우에는 200만 달러 이상의 비용이 소모된다고 밝혔다. 또한 컨설팅 회사인 딜로이트(Deloitte) 보고서에 따르면, 계획되지 않은 머신의 가동중단으로 인해 산업 분야의 제조업체들이 매년 약 500억 달러의 손실을 본다.
이러한 통계 자료는 장비나 기계에 고장이 발생할 때까지 기다리다 보수하는 것은 성공적인 유지관리 전략이 아니라는 것을 분명히 보여준다. 그러나 합리적인 이유 없이 수리하거나 교체하는 것 또한 올바르지 않다. 이에 대한 해답은 예측 유지보수에서 얻을 수 있다.
머신의 결함 방지
예측 유지보수(이전의 상태 모니터링)는 새로운 개념이 아니며, 1990년대 초반부터 제기되어 왔다. 목표는 장비의 성능이 저하되기 전에, 가장 비용 효율적인 유지보수 단계에서 머신 서비스를 수행하는 것이다. 실제로, 머신 상태가 지정된 임계값에 도달하면 경고가 발생하고, 엔지니어는 문제가 확대되기 전에 머신 상태를 주의 깊게 확인하여 결함을 포착하고, 이를 해결할 수 있다.
이러한 방법론은 상당히 중요한 가치를 가지고 있다. 딜로이트는 예측 유지보수를 구축하면, 연평균 5 ~ 10%의 자재 비용 절감할 수 있고, 장비 가동 시간 및 가용성도 10 ~ 20% 증가하며, 전반적인 유지보수 비용 또한 5 ~ 10%까지 줄일 수 있고, 유지보수 계획에 대한 시간적 노력도 20 ~ 50% 감소한다고 밝혔다. 맥킨지 글로벌 연구소(McKinsey Global Institute)에 따르면, IIoT(Industrial Internet of Things) 기반 예측 유지보수는 일반적으로 머신의 가동중단 시간을 최대 50%까지 감소시키고, 머신 수명을 최대 40%까지 증가시키는 것으로 나타났다.
예측 유지보수의 이점은 제조업체에만 국한되는 것은 아니다. 서비스나 생산을 위해 물리적 자산에 의존하고 있는 거의 모든 산업 분야에서 이 기술을 활용할 수 있다. 예를 들어, 유틸리티 기업은 예측 유지보수 및 모니터링 툴을 구축하여 운영 중단으로 인해 엄청난 혼란과 막대한 비용을 초래할 수 있는 정전 사태를 방지할 수 있다.
IIoT를 통해 예측 유지보수 강화
초기의 예측 유지보수는 데이터를 수집할 수 있는 적합한 센서가 부족했고, 정보들을 정리하여 분석할 수 있는 컴퓨팅 리소스도 제한적이었기 때문에 구현에 어려움이 있었다. 그러나 오늘날에는 IIoT와 클라우드 컴퓨팅, 데이터 분석 및 머신러닝(Machine Learning) 등이 발전하면서 대기업은 물론, 중소기업에서도 예측 유지보수가 일반화되고 있다. 지멘스 보고서에 따르면, 응답자 4분의 3이 예측 유지보수를 전략적 우선순위로 보고 있다.
블루투스 LE와 같은 안정적인 저전력 무선 기술은 수백, 수천, 또는 수만 개의 기기에서 센서가 데이터를 수집할 수 있도록 지원한다. 이러한 IIoT 센서는 장비의 온도, 진동, 압력, 가스 레벨 및 에너지 소비 등과 같은 파라미터를 모니터링하여 장비의 미래 상태를 예측하고, 이에 대한 통찰력을 서비스 팀에 제공함으로써 문제가 발생하기 전에 선제적 대응이 가능하도록 해준다.
딜로이트의 예측 유지보수 포지셔닝 자료에서는 “데이터는 모든 예측 유지보수 엔진의 연료이다. 따라서 사전에 결함을 예측하고, 근본 원인을 제대로 분석하기 위해서는 데이터의 품질과 양이 중요하다”고 지적하고 있다. IIoT는 이러한 ‘연료’가 지속적으로 공급될 수 있도록 해준다. 센서는 지속적으로 데이터를 수집한 다음, 중요 정보를 게이트웨이를 통해 중앙 서버나 클라우드로 다시 전송하여 분석할 수 있도록 해준다.
무선 네트워크는 다른 이점도 제공한다. 예를 들어, 사람들의 접근을 방지해야 하는 위험한 환경이나 접근이 어려운 위치에 있는 자산을 모니터링할 수 있다. 또한 무선 네트워크는 예측 유지보수 시스템의 설치, 유지관리 및 성능과 관련된 비용을 상당히 감소시킬 수 있다.
머신러닝 실행
매일 수백만 개의 데이터 포인트를 생성하는 무선 네트워크를 구현하는 것과 모든 데이터를 적시에 감지하여 문제의 요구에 대응하는 것은 전혀 다른 일이다. 대량의 데이터를 전송하는데 소요되는 비용과 에너지를 최소화하기 위해(대부분은 주목할 만한 데이터가 아님) 엣지 프로세싱이라고 하는 기술을 도입하여 네트워크 자체에서 컴퓨팅의 많은 부분을 처리할 수 있다. 이를 위해서는 상당한 컴퓨팅 성능과 메모리, 센서 융합, 그리고 점점 더 많은 머신러닝 작업이 요구된다.
센서 융합은 센서 소스를 개별적으로 사용하는 경우보다 결과 정보의 불확실성을 줄일 수 있도록(더 정확하거나 완전하게) 센서 데이터를 결합하는 프로세스이다. 머신러닝은 컴퓨터가 직접 프로그래밍이나 명령을 하지 않더라도 학습이 가능한 AI(Artificial Intelligence) 애플리케이션 중 하나이다. 머신러닝 알고리즘은 데이터를 학습한 다음, 실제로 보지 않은 데이터를 일반화하여 명시적 명령 없이 의사결정을 내릴 수 있다. 이를 통해 머신의 기능이 지속적으로 개선되고, 높은 수준의 자율성을 갖게 된다.
IoT 기기는 이러한 엣지 프로세싱 및 센서 융합을 통해 로컬에서 자체적으로 데이터를 처리하여 어떤 것이 정상적인 것이고, 어떤 것이 달라졌으며, 플래그를 지정해야 하는지 판단할 수 있다. 또한 이러한 조합에 머신러닝을 추가하게 되면, 엣지 기기는 단순히 데이터가 사전 설정된 임계값을 초과했는지 확인하는 수준을 넘어, 변경된 사항이 무엇을 의미하는지 추론(이미 알려진 정보를 기반으로 미래 상태에 대한 결론 도출)하여 이에 대한 조치를 취하게 된다.
예측 유지보수와 관련한 한 가지 사례로, 머신 베어링을 모니터링하는 온도 센서가 있다. 이 센서는 머신러닝 모델을 이용해 베어링의 온도가 점진적으로 상승하면, 머신의 예열로 인식하고, 우려할 사항이 아니라고 추론할 수 있다. 그러나 베어링 온도가 급격히 상승하면, 윤활제의 결함 가능성을 인식하고, 기계적 손상이 발생하기 전에 센서가 머신이 정지되도록 트리거할 수 있다.
분석적 예측 유지보수 강화
오늘날의 많은 고급 머신러닝 모델은 추론을 수행하기 위해 상당한 컴퓨팅 리소스를 필요로 하고, 전력소모도 매우 높다. 반면, 오늘날의 IoT 연결 기기 중 상당수는 일부 엣지 컴퓨팅과 센서 융합을 수행할 수 있지만, 액세스할 수 있는 리소스가 부족한 경우가 많다.
이러한 솔루션은 TinyML(Tiny Machine Learning) 형태로 제공된다. 이 기술은 배터리로 구동되는 마이크로컨트롤러 기반 임베디드 기기의 무선 SoC(Systems-on-Chip) 상에서 실행될 수 있도록 소프트웨어를 간소화한 머신러닝의 하위 분야이다.
노르딕 세미컨덕터(Nordic Semiconductor)의 설계 파트너사인 엣지 임펄스(Edge Impulse)는 노르딕의 nRF52840, nRF5340 및 최신 nRF54H20 SoC에서 실행할 수 있는 TinyML 소프트웨어를 공급한다. 또한 노르딕은 자사의 Thingy:53 IoT 프로토타이핑 플랫폼 상에서 임베디드 머신러닝 모델을 트레이닝하고, 구축하는데 사용할 수 있는 앱을 제공하고 있다. 이 앱을 이용해 개발자들은 모바일 기기를 통해 센서 데이터를 클라우드 기반 엣지 임펄스 스튜디오(Edge Impulse Studio)로 업로드하고, 완벽하게 트레이닝된 머신러닝 모델을 블루투스 LE 기반 노르딕 Thingy:53에 구축할 수 있다.
이러한 기능을 통해 노르딕의 nRF52840 SoC로 구동되는 아토메이션(Atomation)의 아톰(Atom)과 같은 센서가 개발되었다. 아톰 센서는 진동을 측정하여 머신 모터의 진동이 이전보다 증가했는지 확인하거나 온도를 모니터링하여 머신이 작동 중일 때 베어링의 과열 여부를 확인할 수 있다. 각 아톰 센서는 3.6V 리튬이온 배터리를 이용해 최대 3년 동안 동작이 가능하다.
이 센서는 지속적으로 데이터 스트림을 중앙 시스템으로 전송하는 대신, 로컬에서 정보를 모니터링하고, 처리한다. 임계값을 초과하거나 장비가 정상적인 파라미터 범위를 벗어나 작동하는 경우, 블루투스 LE 무선 연결을 통해 데이터를 게이트웨이로 전송하게 된다. 예를 들어, 아톰 기기는 ‘기기가 켜져 있는지, 꺼져 있는지’, ‘모터의 진동이 어제보다 증가했는지’ 또는 ‘머신이 작동 중일 때 베어링의 온도가 너무 높은지’ 등과 같은 질문에 답하고, 판단할 수 있다.
다음 단계의 예측 유지보수
예측 유지보수는 머신러닝 기반의 자동화된 분석을 이용하는 사례가 점차 증가하고 있다. 즉, 인간의 개입을 줄이면서도 더 나은 결과를 얻을 수 있게 되었다. 이로 인해 엣지 컴퓨팅 성능에 대한 요구는 더욱 높아지고 있다. 노르딕은 이러한 요구를 예측하고, 차세대 근거리 SoC인 nRF54 시리즈를 통해 대응하고 있다.
새로운 SoC는 다중 Arm Cortex-M33 프로세서와 RISC-V 코프로세서를 탑재하고 있으며, 각 프로세서는 특정 유형의 작업부하에 최적화되어 있다. nRF54H20 SoC는 고용량의 임베디드 비휘발성 메모리 및 RAM과 함께 개발자들이 복잡한 머신러닝 기반 예측 유지보수 애플리케이션을 실행하는데 필요한 증가된 컴퓨팅 및 메모리 리소스를 갖추고 있다. 특히 nRF54H20과 노르딕의 nPM1300과 같은 전력관리 IC(PMIC: Power Management IC)를 결합하면, 초저전력 소모로 배터리 수명을 연장하고, 유지보수 요건을 낮추는 것은 물론, 폐기물 감소 등의 이점을 얻을 수 있다
