CPS(가상물리시스템: Cyber-Physical System) 구현에서 고장예지에 대한 대응이 중요해 질 것으로 보인다.
일본 야노경제연구소(矢野經濟硏究所)가 발행한 「제조업의 IoT 활용의 실태와 전망 2017 —보전·고장예지의 현상과 AI(인공지능)의 가능성-」에 따르면, 제조·보전 분야에서 특히 고장예지에 대한 AI 활용이 주목받고 있으며, 일본 제조업의 경우, 톱 클래스 기업에서는 이미 빅데이터를 활용한 고장예지 연구는 진행되고 있는 것으로 나타났다.
제조·보전 분야의 AI 활용은 신중함이 요구
현재까지 빅데이터를 배경으로 AI는 주로 Web 마케팅 등 상업용으로 활용되어 왔다. 현재, 제조·보전 분야에서도 AI 활용의 대응이 진행되고 있지만 상업용과 비교하면 데이터 취급과 해석 결과에 대해 높은 정확도가 요구되고 있는 것 등으로 그 개발 상황은 완만하다.
AI를 이용한 고장예지에는 과제도 많아 진전은 완만
제조·보전 분야에서 특히 고장예지에 대한 AI 활용이 주목되고 있지만 현재 여러 가지 과제가 도출이 됐다. 구체적으로는 고장예지 솔루션에서 AI는 ‘정확도의 문제’ 및 ‘인과관계의 문제’, ‘개별성의 문제’ 등이 그것으로, 고장예지 솔루션은 아직 초기단계이기 때문에 향후, 연구가 진행되면 과제도 해소될 것 으로 보인다.
CPS(가상물리시스템: Cyber-Physical System) 실현을 향해 고장예지에 대한 대응이 진행
제조업은 앞으로 CPS(가상물리시스템: Cyber-Physical System)라는 현실세계에 있는 실체와 사이버 공간에 있는 데이터가 밀접하게 제휴한 세계관이 실현될 것으로 예상이 된다. 이러한 세계관을 실현하기 위해는 물리 현상의 모델화, 메커니즘 의 해명 등이 필요하지만, 고장예지 솔루션의 연구를 통해 해명 되는 것도 많아질 것이므로, 중장기적으로 보면 고장예지에 대한 대응은 중요한 의미를 가질 것으로 전망된다.
1. 신중함이 요구되는 제조·보전 분야의 AI 활용
현재까지 빅데이터를 배경으로 AI는 주로 상업용(Web 마케팅 등) 분야에서 활용되어 왔다. 현재, 제조·보전 분야에서 도 AI 활용에 대한 대응이 진행되고 있지만, 상업용과 비교하면 데이터의 취급과 해석 결과에 대해 높은 정확도가 요구되고 있음에 따라 그 개발 상황은 완만하다.
제조·보전 분야에서는 데이터 해석의 결과가 틀렸을 경우, 사고 등으로 연결되면 생명에도 영향을 미칠 수도 있기 때문에, 데이터 포인트 간의 관계성 및 구조 등 인과관계를 파악하는 것이 중요시되는 점 등을 그 이유로 들 수 있다.
2. 고장예지에서 AI 활용의 과제
제조·보전 분야에서도 특히 고장예지에 대한 AI 활용이 주목받고 있다. 제조업에서는 이전부터 행해지고 있는 TBM(Time Based Maintenance：시간기준정비, 3년마다 관리 유지하는 등 일정기간마다 보전 활동을 실시하는 방식)에서 CBM(Condition Based Maintenance：상태기준정비, 기기 상태를 기준으로 보전 활동을 실시하는 방식)으로 전환 하고 있지만, 이 배경에는 기기 등의 가동 데이터가 취득하기 쉬워진 것이 있다.
이러한 가동 데이터에 대해 AI를 적용함으로써 고장예지를 할 수 없는지에 대한 대응이 진행되고 있지만 현재로서는 과제도 많다. 구체적으로 고장예지 솔루션에 대해 AI는 ‘정확도의 문제’와 ‘인과관계의 문제’, ‘개별성의 문제’를 갖고 있다.
고장예지 솔루션에서는 AI를 사용해 과거의 데이터부터 정상범위를 판단해 리얼타임 데이터에서 괴리를 발견했을 경우 에 경고를 발하는 것이 일반적이다. 그러나 실제 기기에서는 비정상치라도 정상적으로 동작하는 케이스가 있거나, 제조업 유저는 높은 적중도를 요구하는 경향도 있기 때문에 클라이언트 를 납득시킬 정확도로 맞추는 것은 간단하지 않다.
또 본 조사에 관련해 일본국내 연간매출 100억 엔 이상인 제조업 217사에 대해 데이터 분석과 IoT의 이익 활용, 고장예지, 보전에 관한 앙케이트 조사를 실시했다. ‘고장예지가 맞을 확률이 어느 정도까지 높아지면 고장 전조 시스템을 도입 해도 괜찮다고 생각하는가’를 질문했는데 ‘10회 중 8회’가 58 사(구성비 36.5%), 이어서 ‘10회 중 5회’가 38 사(동23.9%), ‘10회 중 7회’가 25 사(구성비 15.7%)로, 제조업 유저가 요구하는 적중도는 상당히 높다는 것을 알 수 있었다.
또, 만일 고장을 예지했다고 해도 대표적인 AI의 수법인 심층학습(딥러닝)은 인과관계를 모르는 블랙박스형이라고 불리는 수법이기 때문에 고장의 원인을 특정 하는 것이 어렵다. 따라서 고장예지에 성공해도 효과적으로 대책을 강구하기 어렵다.
또 수집한 운전 데이터에서 고장예지의 모델을 만들 수 있다고 해도 설치된 환경에도 좌우됨에 따라 그 모델을 다른 설비기기에 활용할 수는 없다. 따라서 매번 고장예지 모델을 생성해야 하는 번거로움이 있다는 것을 알 수 있다.
한편으로 인과관계가 보이기 쉬운 화이트박스형 AI/기계 학습을 사용하는 등의 대책으로 위와 같은 과제를 극복하는 것은 가능하다. 고장예지 솔루션은 아직 초기단계이기 때문에 향후, 연구가 나아가면 과제도 해소될 것으로 생각된다.
3. 향후의 전망
향후, 제조업은 CPS(가상물리시스템: Cyber-Physical System)라는 현실세계에 있는 실체와 사이버 공간에 있는 데이터가 밀접하게 제휴한 세계관의 실현을 향해 움직이기 시작한다. 거기서는 실체세계에서 발생하는 사상을 사이버 공간에서 시뮬레이션(재현) 할 수 있어야 한다.
이러한 세계관을 실현하기 위해서는 물리현상의 모델화, 메커니즘의 해명 등이 필요하지만 고장예지 솔루션의 연구를 통해 해명되는 것도 많아진다. 따라서 중장기적으로 보면 고장예지에 대한 대응은 중요한 의미를 가진다고 생각한다.
제조업의 경우, 톱 클래스 기업에서는 이미 빅데이터를 활용한 고장예지 연구는 진행되고 있다. 조사 결과에 의하면 향후, 대기업 제조업의 공장에서 2019년경에는 30사 정도, 2025년경에는 85사 정도(모두 구축회사 수 누계)가 빅데이터 와 AI를 활용한 고장예지 솔루션을 구축할 전망이다.
출처: 주식회사 야노경제연구소 서울지사