예측 유지보수는 하드웨어, 소프트웨어, 서비스 구성 요소에 대한 데이터를 결합하여 기계 자산에 대한 유지보수 요구 사항을 결정합니다. 새로운 장애 모니터링, 용량 초과 예측, 고장 식별, 남은 자산 수명 결정은 모두 예측 유지보수의 한 측면입니다. IT 운영을 위한 인공 지능 사용인 AIOps는 예측 유지보수에 사용되기도 합니다.
고장을 예측하고 대비하는 것은 기계 운영에서 오랫동안 당연한 일이었습니다. 최근까지만 해도 일정 시간이 지나면 부품을 정기적으로 교체하는 것이 부품의 서비스 고장을 방지하는 가장 일반적인 방법이었습니다. 이러한 형태의 정기 예방적 유지보수는 도움이 됩니다. 하지만 모든 부품이 동일한 비율로 고장 나는 것은 아니며, 평균과 근사치에 근거한 조기 교체는 낭비입니다. 또한 예정된 유지보수에만 의존하는 시스템으로는 조기에 결함이 발생한 부품의 실제 또는 임박한 고장을 감지할 수 없습니다. 다운타임을 줄이기 위한 또 다른 전략은 어떤 부품이 고장 났을 때 모든 부품을 교체하는 것이지만, 이 전략은 비용이 많이 든다는 단점이 분명합니다.
다른 혜택도 있습니다. 업계에 따라 계약 서비스 수준 협약(SLA)에 따라 조직은 서비스 또는 자재의 배송을 연중무휴로 엄격하게 유지해야 하며, 그렇지 않으면 벌금을 물거나 심지어 벌금을 물어야 할 수도 있습니다. 다른 경우에는 장비 고장으로 인해 공급망 중단, 재고 손실, 고객 이탈 및 운영 속도 저하로 인한 기타 명백한 결과로 인해 매출 손실이 발생할 수 있습니다. 예측적 유지보수는 시스템 다운타임으로 인한 이러한 모든 잠재적 결과를 완화하는 데 도움이 될 수 있습니다.
통계 분석, 센서 모니터링, 고급 분석 및 AI를 사용하여 장애 발생 시기를 보다 정확하게 예측하면 큰 개선 효과를 얻을 수 있습니다. 각 부품의 상태를 지속적으로 모니터링하는 센서를 통해 모니터링 시스템은 장애가 발생하기 전에 미리 경고를 보낼 수 있습니다. 이것이 바로 예측 유지보수 프로그램 도입의 핵심 이점입니다. 결함이 거의 없는 부품만 교체하므로 인건비와 불필요한 부품 교체 비용을 절약하면서 높은 가동 시간을 유지할 수 있습니다. 또한, 우수한 예측 유지보수 시스템은 비즈니스에 최소한의 지장을 주는 시간에 유지보수 일정을 잡을 수 있는 시간을 제공합니다.
머신 러닝과 대용량 데이터 세트의 처리를 포함하는 빅데이터 기술은 다운타임과 평균 복구 시간(MTTR)을 최소화하기 위해 발전해 왔습니다. 이러한 이점은 분명하지만 현대의 조직이 직면하고 있는 다음과 같은 여러 가지 과제가 있습니다:
데이터 집약적 프로세스
시중에 나와 있는 대부분의 분석 데이터베이스에서 대규모의 장기 기록 데이터에 대한 ML 모델을 훈련하고 유지 관리해야 하는 것은 어려운 일이 될 수 있습니다.
서로 다른 데이터 스토리지
정확한 머신 러닝과 장애 패턴을 식별하기 위한 다른 형태의 분석은 모두 원격 데이터 사일로 및/또는 프로세스 데이터에 대한 액세스를 필요로 합니다. 서로 다른 유형의 데이터, 심지어 서로 다른 간격으로 수집된 두 장치의 시계열 데이터와 같이 동일하지는 않지만 유사한 유형의 데이터를 집계하는 것은 시간이 많이 걸리고 어려울 수 있습니다.
ML 운영의 어려움
데이터 과학의 복잡성과 전문 지식의 부족은 팀이 예측 유지 관리 도구 상자에서 머신 러닝을 중요한 기능으로 사용하는 데 방해가 될 수 있습니다.
오탐
장애 알림에 대한 규칙이 너무 엄격하거나 모델 패턴이 너무 제한적으로 정의되어 있으면 실제로 조치가 필요하지 않은 많은 수의 알림이 생성될 수 있습니다. 이는 알림 피로를 유발할 수 있습니다. 예측을 수정하고 지속적으로 개선할 수 있는 능력은 예측 유지보수의 중요한 측면입니다.
사후 유지보수
시스템 문제
고객 전화
출동
현장 문제 해결
부품 배송
수리 또는 교체
시스템 기능
예측적 유지보수
원격 모니터링으로 잠재적 장애 예측
서비스 예약
문제 방지
OpenText™ Vertica™ 는 데이터가 생성될 때 장비 구성 요소에서 발생하는 매우 큰 데이터 세트도 지속적으로 모니터링할 수 있습니다. 간단한 통계 분석만으로도 데이터베이스에서 쉽고 빠르게 분석할 수 있습니다. Vertica 시계열 분석, 이벤트 패턴 매칭, 머신 러닝 등 예측 유지보수에 유용한 다양한 종류의 분석을 빠르게 수행할 수 있는 650개 이상의 내장 함수가 있습니다.
머신 러닝을 사용하여 예측 유지보수를 수행하면 수년 동안 수집된 유지보수 로그 및 모든 센서 정보와 같은 데이터가 HDFS 같은 파일 시스템이나 S3 같은 객체 스토리지 위치와 같은 데이터 저장소에 축적됩니다. 머신 러닝 모델이 해당 데이터를 학습하여 잠재적인 문제를 나타내는 패턴을 식별합니다. 그런 다음 장치와 그 구성 요소에서 새로운 최신 데이터가 스트리밍되어 학습된 모델에 의해 확인됩니다. 잠재적인 문제가 식별되면 알림이 전송됩니다. 장애가 발생하기 전에 수정 조치가 계획되고 취해집니다.