국제자동제어협회(International Society of Automation)에 따르면 시스템 오류로 인한 가동 중지로 인해 전 세계적으로 매년 6,470억 달러가 손실된다고 합니다. 제조, 항공, 에너지 및 기타 여러 가지 산업 부문의 기업들은 유지 관리 프로세스를 재정비하여 비용을 최소화하고 효율성을 개선하고 있습니다. 기업들은 인공 지능과 머신 러닝을 통해 예방적 유지 관리 방식을 운영에 적용하고 방대한 양의 센서 데이터를 처리함으로써 장비 고장이 발생하기도 전에 이를 감지합니다. 루틴 기반이나 시간 기반의 유지 관리에 비해 예방적 유지 관리는 문제에 사전 대처하여 큰 비용이 발생하는 가동 중단 문제를 사전에 방지할 수 있습니다.
이 워크숍에서는 시계열 데이터에서 이상 현상 및 고장을 파악하고, 해당 부품의 유효 수명을 예측하며, 고장으로 이어질 수 있는 이상 현상을 식별하는 방법을 설명합니다. AI 모델 트레이닝을 위해 시계열 데이터를 준비하고, XGBoost 앙상블 트리 모델을 개발하고, LSTM(Long Short-Term Memory) 네트워크를 사용하여 딥 러닝 모델을 구축하고, 예방적 유지 관리로 이상 현상을 감지하는 오토인코더의 제작 방법을 설명합니다. 워크숍을 마치면 AI를 활용하여 장비의 상태를 추정하고 유지 관리를 수행해야 할 때를 예측할 수 있게 됩니다.
학습
이 워크숍에 참여함으로써 다음을 수행하는 방법을 학습할 수 있습니다.
- AI 기반의 예측 유지 보수를 사용하여 고장 및 돌발적인 가동 중지 상황 방지
- 큰 비용이 드는 고장으로 이어질 수 있는 이상 징후 현상을 감지하기 위한 주요 당면 과제 파악
- XGBoost 기반 머신 러닝 분류 모델에 시계열 데이터를 사용하여 결과 예측
- LSTM 기반 모델을 사용하여 장비 고장 예측
- 고장 예제 데이터가 제한된 상황에서 시계열 오토인코더로 이상 감지 기능을 사용하여 고장 예측
워크숍 데이터시트 다운로드 (PDF 298 KB)
