예측적 유지보수 및 자산 가용성 최적화

실시간 인사이트를 활용한 자산 유지 보수 개선

예측적 유지보수는 인더스트리 4.0의 핵심 요소입니다. 잘못된 유지보수 전략은 제조업체의 운영 효율성 및 수익성에 큰 악영향을 미칠 수 있습니다. 자산 집약적 업계의 기업이 경쟁력을 갖추기 위해서는 예기치 않은 다운타임을 최소화하고, 유지보수 비용을 최적화해야 합니다.

• 지난 3년간 예기치 못한 다운타임을 겪었던 기업 중 82%는 시간당 최대 미화 26만 달러의 비용을 지불해야 했으며, 시스템 중단은 평균 4시간 지속되었습니다.
• 자산 집약적 기업의 유지보수 관행의 성숙도는 다운타임을 겪지 않는, 안정적이고 수익성 있는 운영 능력을 좌우하는 핵심 요소입니다. 유지보수 관행, 프로세스, 시스템 개선과 관련된 잠재적 투자수익률은 막대합니다.
• 기업은 예측적 분석 기능을 사용하여 자산 실패 시점 및 신뢰할 수 있는 수명주기를 추정하고, 실용적인 인사이트를 실시간으로 생성할 수 있습니다.

제조업의 경우 데이터를 사용한 예측적 유지보수 활성화 및 개선이 특히 적합한 산업입니다. 컴퓨터 수치 제어(CNC) 인프라, 공급망 및 창고 시스템, 물류 및 테스트 시스템 등 모든 종류의 제조 생산 시스템에 적용 가능한 사용 사례이기 때문입니다.

특정 애플리케이션의 경우 다양한 데이터 소스를 사용할 수도 있지만, 사후적 유지보수에서 예측적 유지보수로의 전환에 핵심적인 역할을 수행하는 것은 MQTT(IoT 메시징 표준) 브로커를 통해 송수신하거나, 운영 인텔리전스 시스템 히스토리안이 제공하는 사물인터넷(IoT) 데이터 스트림 또는 머신 투 머신(M2M) 메시지입니다. 해당 원시 데이터 소스들을 통해 유지보수 작업이 필요한지 여부를 판단하기 위한 데이터를 얻을 수 있습니다. 그러나 적절한 예측적 유지보수 시스템을 구축하기 위해서는 다른 소스로부터의 데이터도 필요합니다. 예를 들어 유지보수 관리 시스템에는 유지보수 보고서 등을 통해 관련 장비 자체에 대한 정보도 기록됩니다. 다른 데이터 소스들로는 감시 제어 및 데이터 수집(SCADA) 시스템, 미디어 파일(사진 및 비디오 스트림 등)이 포함된 특수 저장소, 유지보수 매뉴얼, 일기 예보 등이 있습니다. 예측적 유지보수에 사용할 수 있는 데이터 소스는 매우 광범위합니다.

예측적 유지보수의 미세 조정을 통한 비용 절감 및 효율성 향상

하단의 아키텍처는 권장되는 Oracle 구성 요소들을 결합하여 검색부터 실행 및 측정에 이르는 전체 데이터 분석 수명 주기를 포괄하고, 앞서 설명드린 광범위한 비즈니스적 이점들을 제공하는 완전한 분석 아키텍처를 구축하는 방법을 보여줍니다.

본 이미지는 제조용 Oracle Data Platform을 사용하여 예측적 유지보수 및 자산 가용성 최적화를 지원하는 방법을 보여줍니다. 본 플랫폼의 구성 요소들은 다음과 같이 5가지 제품군(pillar)으로 분류됩니다.

• 데이터 소스, 검색
• 수집, 변환
• 유지, 선별, 생성
• 분석, 학습, 예측
• 측정, 조치

데이터 소스, 검색 제품군에는 2가지 범주의 데이터들이 포함됩니다.

비즈니스 기록 데이터는 MES, WHM, CMM(유지보수 및 자산 관리), IoT, SCADA 시스템, 히스토리안 및 오퍼레이터 입력(고장, 품질, 관찰) 등의 데이터로 구성됩니다.

기술적 입력 데이터에는 IIoT, 이미지, 이메일, 비디오, 종이 문서(OCR), 개별 이벤트(예: 생산 라인의 긴급 정지) 등이 포함됩니다.

수집, 변환 제품군은 4가지 기능들로 구성되어 있습니다.

일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.

대량 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.

변경 데이터 캡처는 OCI GoldenGate를 사용합니다.

스트리밍 수집은 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 서빙 데이터 저장소, 트랜잭션 데이터 저장소, 클라우드 스토리지 기능들에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 프로세싱에 연결됩니다.

유지, 선별, 생성 제품군은 5가지 기능으로 구성되어 있습니다.

서빙 데이터 저장소는 Autonomous Data Warehouse 및 Exadata Cloud Service를 사용합니다.

트랜잭션 데이터 저장소는 ATP, MySQL, Oracle NoSQL, Exadata Cloud Service를 사용합니다.

클라우드 스토리지는 OCI Object Storage를 사용합니다.

일괄 처리는 OCI Data Flow를 사용합니다.

거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 연결되어 있습니다. 클라우드 스토리지는 서빙 데이터 저장소 및 트랜잭션 데이터 저장소에 단방향으로 연결되어 있고, 일괄 처리와는 양방향으로 연결되어 있습니다.

분석, 학습, 예측 제품군은 2가지 기능으로 구성되어 있습니다. 서빙 데이터 저장소는 분석 및 시각화 기능, 데이터 제품, API 기능에 모두 연결됩니다. 클라우드 스토리지는 머신 러닝 기능에 연결됩니다.

분석, 학습, 예측 제품군은 5가지 기능으로 구성되어 있습니다.

분석 및 시각화는 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.

데이터 제품, API는 OCI API Gateway 및 OCI Functions을 사용합니다.

머신 러닝은 OCI Data Science 및 Oracle Machine Learning을 사용합니다.

AI 서비스는 OCI Anomaly Detection, OCI Forecasting, OCI Language, OCI Vision을 사용합니다.

스트리밍 처리는 GoldenGate Stream Analytics 및 타사 스트림 분석 솔루션을 사용합니다.

측정, 조치 제품군은 데이터 분석 기능의 사용법을 캡처합니다. 직원 및 파트너, 애플리케이션, 모델 등에 의한 사용법, 특히 AI 서비스 모델의 업데이트에 활용되는 방식을 파악합니다.

세 가지 주요 제품군(수집, 변환/유지, 선별, 생성/분석, 학습, 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 활용됩니다.

데이터의 연결, 수집, 변환

Oracle의 솔루션은 세 가지 주요 제품군(pillar)들로 구성되어 있으며, 각 제품군별로 고유한 데이터 플랫폼 기능들을 지원합니다. 첫 번째 제품군은 데이터의 연결, 수집, 변환 관련 기능을 제공합니다.

제조 기업이 사후적 유지 보수에서 예측적 유지보수로의 전환을 위한 아키텍처에 데이터를 입력하는 4가지 주요 방법이 있습니다.

• 관련 프로세스를 시작하기 위해 먼저 운영 트랜잭션 데이터의 대량 전송을 사용 가능하도록 설정합니다. 대량 전송 서비스는 대량의 데이터를 처음으로 Oracle Cloud Infrastructure(OCI)로 이동해야 하는 상황에서 사용됩니다(예: 기존 온프레미스 분석 저장소 또는 기타 클라우드 소스에 저장된 데이터). 구체적으로 사용되는 대량 전송 서비스는 데이터의 위치 및 전송 빈도에 따라 달라집니다. 예를 들어 예를 들어, 과거 계획 데이터 저장소 또는 데이터 웨어하우스 저장소에서 대량의 온프레미스 데이터를 로드할 때는OCI Data Transfer 서비스 또는 OCI Data Transfer Appliance가 적합합니다. 대량의 데이터를 지속적으로 이동해야 하는 경우, 고객사의 데이터 센터 및 OCI 간의 고대역폭 전용 프라이빗 네트워크 연결을 제공하는 OCI FastConnect 사용이 권장됩니다.
• 일반적으로 실시간 또는 실시간에 가까운 빈번한 데이터 추출을 필요로 하고, OCI GoldenGate를 사용하여 창고 관리, 스케줄링, 주문 관리 시스템에서 정기적으로 데이터를 수집합니다. OCI GoldenGate는 변경 데이터 캡처를 사용하여 서비스 대상 시스템의 기본 구조로부터 변경 이벤트(예: 신규 구성요소 추가, 유지보수 작업 완료, 날씨 변화 등)를 감지하고 관련 데이터를 실시간으로 지속성 계층 및/또는 스트리밍 계층으로 전송합니다.
• 제조업체의 경우, 여러 소스로부터 실시간으로 데이터를 분석하면 운영 효율성 및 전반적 성과에 대한 귀중한 인사이트를 얻을 수 있습니다. 본 사용 사례에서는 스트리밍 수집을 사용하여 IoT, M2M 통신 및 기타 수단을 통해 센서들로부터 읽어들인 모든 데이터를 수집합니다. 데이터 스트림의 실시간 캡처 및 분석 기능은 제조업체의 자산에 대한 예측적 유지보수 수행에 있어 매우 중요합니다. 데이터 스트림은 SCADA 시스템, 프로그래밍 가능한 논리 제어 시스템, 배치 자동화 시스템과 같은 다양한 ISA-95 레벨 2 시스템으로부터 발생할 수 있습니다. 데이터(이벤트)가 수집되고 몇 가지 기본적인 변환/집계 처리를 거친 후 OCI Object Storage에 저장됩니다. 추가 스트리밍 분석 기능을 사용하여 상관관계가 있는 이벤트들을 식별하고, 식별된 패턴은 원시 데이터의 데이터 과학적 조사를 위해 수동으로 피드백될 수 있습니다.
• 빈도가 높은 스트리밍 데이터를 실시간으로 분석하기 위해 Oracle은 고급 분석 작업용 스트리밍 프로세싱을 사용합니다. 기존 분석 도구는 저장된 데이터로부터만 정보를 추출하는 반면 스트리밍 분석은 전송 중인 데이터로부터, 즉 실시간으로 데이터의 가치를 평가합니다. 그 뿐만이 아닙니다. 스트리밍 분석은 고도로 자동화될 수 있으므로 제조업체의 운영 비용 절감에 기여할 수 있습니다. 예를 들어, 스트리밍 분석은 전기 및 수도와 같은 기본 유틸리티 비용에 대한 실시간 데이터를 제공할 수 있습니다. 공장에서는 실시간 데이터에 대한 자동화된 스트리밍 분석 도구를 사용하여 에너지 비용을 절감하고, 인공 지능을 활용해 특정 운영 이벤트에 적절히 대응하는 등의 최적화가 가능한 영역들에 대한 인사이트를 즉시 확보할 수 있습니다. 또한 스트리밍 분석은 예정된 장비 유지보수와 관련된 요구 사항을 실시간으로 예측하여 기업이 수리 또는 정기적 유지보수 작업에 미리 대비할 수 있도록 도와줍니다.
• 잠재적 중요성을 갖춘 본 아키텍처의 선택적 구성 요소 중 하나는 발전소나 태양광 패널 현장 등의 시설 현장에서 Oracle Roving Edge Devices와 함께 사용할 수 있는 OCI Roving Edge Infrastructure입니다. OCI Roving Edge Infrastructure는 모든 OCI 서비스를 제공하므로 예측적 유지보수 아키텍처도 복제할 수 있습니다. 또한 OCI Roving Edge Infrastructure는 클라우드 상의 스트리밍 수집/처리로 전송되기 전 단계의 스트리밍 데이터들을 위한 데이터 허브로도 사용할 수 있습니다.
• 실시간 데이터 처리에 대한 니즈가 증가 중이지만, ERP, 계획, 창고 관리, 운송 관리 시스템에서 가장 일반적으로 사용되는 데이터 추출법은 ETL 프로세스를 통한 일종의 일괄 수집(batch ingestion)입니다. 일괄 수집은 데이터 스트리밍을 지원하지 않는 시스템으로부터의 데이터 임포트에 사용됩니다(예: 구형 SCADA 또는 유지보수 시스템). 10분 또는 15분 간격으로 자주 데이터를 수집할 수 있지만, 개별 트랜잭션이 아닌 트랜잭션 그룹 단위로 데이터를 추출 및 처리하는 만큼 본질적으로는 일괄 수집에 해당하는 방식입니다. OCI는 전용 OCI Data Integration 및 OCI Compute 인스턴스에서 구동되는 Oracle Data Integrator와 같이 다양한 일괄 수집 서비스를 제공합니다. 어떤 서비스를 선택할지는 주로 기술적 요구 사항이 아닌 고객 선호도를 기반으로 결정됩니다.

데이터의 지속, 처리, 선별

데이터 지속성 및 처리는 3개의 구성 요소(선택적으로 4개)에 기반합니다. 일부 고객사들의 경우 모든 구성요소를 활용하고, 나머지는 개중 일부 하위 세트를 선택적으로 사용합니다. 데이터의 볼륨 및 유형에 따라 데이터를 오브젝트 스토리지로 로드하거나, 영구적 저장을 위해 구조화된 관계형 데이터베이스로 직접 로드할 수 있습니다. 데이터 과학 기능의 적용이 예상되는 경우, 데이터 소스로부터 원시 형식(처리되지 않은 원시 파일 또는 추출)으로 검색된 데이터를 캡처하여 트랜잭션 시스템에서 클라우드 스토리지로 로드하는 것이 보다 일반적인 방식입니다.

• 클라우드 스토리지는 Oracle의 데이터 플랫폼에 사용되는 가장 일반적인 데이터 지속성 계층입니다. 정형 및 비정형 데이터 모두 저장 가능합니다. OCI Object Storage, OCI Data Flow, Oracle Autonomous Data Warehouse는 그 근간이 되는 서비스입니다. 데이터 소스에서 원시 형식으로 검색된 데이터는 캡처된 뒤 OCI Object Storage로 로드됩니다. OCI Object Storage는 기본 데이터 지속성 계층이고, OCI Data Flow의 Spark는 기본 일괄 처리 엔진입니다. 일괄 처리는 기본 노이즈 처리, 누락된 데이터 관리, 사전 정의된 아웃바운드 데이터 세트에 기반한 필터링을 비롯한 여러 작업으로 구성된 과정입니다. 처리된 데이터는 요구되는 처리 및 사용된 데이터 유형에 따라 객체 스토리지의 다양한 계층 또는 영구적 관계형 저장소에 다시 기록됩니다.
• 원시 형식 및 처리된 형식으로 저장된 모든 데이터 유형은 트랜잭션 데이터 저장소에서 지속적으로 유지됩니다. Oracle Autonomous Database 등의 Oracle 데이터베이스들은 모든 사용 사례에서 효율적으로 작동하지만, 일부 고객사의 경우 특정 데이터는 NoSQL 데이터베이스에 저장하는 것이 더 낫다고 여길 수도 있습니다. 그러나 이는 사실이 아닙니다. Exadata를 기반으로 최적화된 Oracle 데이터베이스의 쓰기 속도는 NoSQL 데이터베이스보다 빠릅니다. 또한 NoSQL 데이터베이스를 사용하면 모든 데이터를 단일 저장소에 저장하고, 전체 데이터에 대한 통합 뷰를 사용할 수 있는 이점을 잃게 됩니다. 또한 Oracle의 데이터베이스를 사용하면, 하이브리드 파티션을 활용하여 일부 파티션만 Exadata 스토리지에 보관하고, 나머지 데이터는 오브젝트 스토리지에 보관할 수 있습니다. 대부분의 운영 분석 기능 및 대시보드는 최신 데이터를 중점적으로 사용하기 때문입니다.
• 나아가 Oracle은 서빙 데이터 저장소를 사용하여 큐레이션된 데이터를 최적화된 형태로 저장함으로써 쿼리 성능을 향상시킵니다. 서빙 데이터 저장소는 SQL 기반 도구를 활용하여 최종 사용자에게 직접 큐레이션된 고품질 데이터를 제공하기 위해 사용되는 영구 관계형 계층을 제공합니다. 본 솔루션에서 Oracle Autonomous Data Warehouse는 엔터프라이즈 데이터 웨어하우스의 서빙 데이터 저장소로서, 나아가 필요한 경우 보다 특화된 도메인 레벨 데이터 마트로서 인스턴스화됩니다. 또한 데이터 과학 프로젝트의 데이터 소스, 또는 Oracle Machine Learning에 필요한 저장소로서의 기능도 수행합니다. 서빙 데이터 저장소로는 Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service, Oracle Exadata Cloud@Customer를 비롯한 다양한 서비스 중 하나를 채택할 수 있습니다.

데이터 기반 분석, 예측, 조치

분석, 예측, 조치 기능은 세 가지 기술적 접근법을 기반으로 구축됩니다.

• 고급 분석 기능은 유지보수 최적화 작업에 필수적입니다. 본 사용 사례에서는 Oracle Analytics Cloud를 사용하여 분석 및 시각화 작업을 수행합니다. 이를 통해 기업은 기술적 분석(히스토그램 및 차트로 현재 추세를 설명), 예측적 분석(미래 이벤트 예측, 추세 파악, 불확실한 결과의 확률 추산), 처방적 분석(적절한 조치를 제안, 최적의 의사 결정으로 이어짐) 기능들을 사용할 수 있습니다.
• 고급 분석 외에도 데이터 과학, 머신 러닝, 인공 지능 등의 기술을 활용하여 이상 징후를 파악하고, 고장이 발생할 수 있는 위치를 예측하고, 소싱 프로세스를 최적화하는 사례가 늘어나고 있습니다. OCI Data Science, OCI AI Services, Oracle Machine Learning 등의 서비스를 각종 Oracle 데이터베이스에 적용할 수 있습니다. Oracle 은 머신 러닝 및 데이터 과학 기술을 활용하여 예측적 유지보수 모델을 구축 및 학습시킵니다. 이후 해당 머신 러닝 모델들을 API를 통한 채점용으로 배포하거나, GoldenGate 스트림 분석 파이프라인의 일부로서 내장할 수 있습니다. 경우에 따라 Oracle Machine Learning Services REST API를 사용하여 해당 모델들을 데이터베이스에 배포할 수도 있습니다(Open Neural Network Exchange 형식모델에 한해 가능). 또한 Jupyter/Python 중심 노트북용 OCI Data Science, 또는 Zeppelin 노트북 및 머신 러닝 알고리즘용 Oracle Machine Learning을 서빙 또는 트랜잭션 데이터 저장소에 배포할 수 있습니다. 마찬가지로 Oracle Machine Learning 및 OCI Data Science를 단독으로, 또는 함께 사용하여 권장/결정 모델을 개발할 수 있습니다. 이러한 모델들은 서비스 형식으로 배포 가능하고, Oracle은 해당 모델들을 OCI API Gateway를 통해 배포함으로써 '데이터 제품' 및 서비스 형식으로 제공할 수 있습니다. 마지막으로, 구축 완료한 머신 러닝 모델들을 분산 제어 시스템에 포함된 애플리케이션 내에 배포하거나(허용되는 경우), Oracle Roving Edge Device 또는 유사한 서비스를 활용하여 엣지에 배포할 수 있습니다.

데이터 과학 기술 및 머신 러닝으로 식별된 패턴들을 결합하여 생성된 다양한 모델을 AI 서비스들을 통해 제공되는 응답 및 의사 결정 시스템에 적용할 수 있습니다.

• OCI Anomaly Detection은 공급망 성능 지표(예: 원자재 재고, 생산 처리량, 진행 중인 작업, 운송 시간, 재고 회전율 등)들을 실시간으로 모니터링하여 시스템 중단을 식별 및 해결하는 데 기여합니다. 복잡한 공급망 내에서 식별된 이상 요인의 심각도에 점수를 부여함으로써 비즈니스 중단 요인 처리의 우선순위를 정하고, 관련 조치를 적용하는 데 기여할 수 있습니다.
• OCI Forecasting은 수요, 공급, 자원 용량 등의 공급망 지표를 예측하여 적절한 사전적 조치를 취할 수 있도록 도와줍니다.
• OCI Vision 및 OCI Language는 출고 제품 품질 보고서 및 제품 결함 보고서 등의 문서를 파악하여 공급망 데이터를 보강할 수 있도록 도와줍니다.

마지막 주요 구성요소는 데이터 거버넌스입니다. 이는 데이터 플랫폼 생태계의 모든 데이터 소스에 대한 데이터 거버넌스 및 메타데이터 관리(기술 및 비즈니스 메타데이터 모두 해당)를 제공하는 무료 서비스인 OCI Data Catalog를 통해 제공됩니다. 또한 OCI Data Catalog는 Autonomous Data Warehouse에서 OCI Object Storage로의 쿼리를 위한 중요한 구성요소이기도 합니다. 저장 방식에 관계없이 모든 데이터를 빠르게 검색할 수 있는 방법을 제공하기 때문입니다. 이를 통해 최종 사용자, 개발자, 데이터 과학자는 아키텍처 내의 모든 영구 데이터 저장소에서 공통의 액세스 언어(SQL)를 사용할 수 있습니다.

데이터에 기반한 제조 운영 개선 및 수익성 향상

예측적 유지보수를 사용하면 필요할 때만 장비를 정비함으로써 예기치 않은 가동 중단을 줄일 수 있습니다. 이를 통해 예정된 유지보수용 수리 또는 교체 횟수 감소, 유지보수용 리소스(예비 부품 및 소모품 등) 사용량 감소, 고장 감소 등의 다양한 이점을 누릴 수 있습니다. 사전적 예측은 장비 교체 및 그에 따른 다운타임을 최소화하여 잠재적 제품 지연의 위험을 감소시키고, 장비 수명 연장에 기여합니다.

우발적 다운타임 감소는 비즈니스 운영 최적화를 통한 효율성, 생산성, 속도 개선 및 적절한 부품의 적시, 적소 공급으로 이어집니다. 또한 유지보수, 인력, 자재 관련 비용 절감 및 자산 수명 주기 비용 최적화는 수익성 향상에 기여합니다.