산업 현장에서 일어나는 기계적인 고장으로 인해 많은 제조 현장에서 Downtime발생을 최소화 하고 미리 고장을 예측하는 예지보전에 대한 니즈가 매우 많습니다.

기존에도 진동 센서 데이터를 통해 예지보전을 많이 적용하고 시도 하였습니다만
각종 제조 현장에서는 Rule-base 방식으로 고장 예측을 하다보니, 현장 노이즈 및 기계 지지 구조 등의 이유로 발생하는 외부 요인들로 오탐이 매우 많아 정확한 고장을 예측하지 못한 경우가 매우 많았기 때문에 Rule Base가 아닌 현장 학습 데이터를 2주간 학습하고 학습된 데이터를 기준으로 진동 분석하고 노이즈 필터를 적용하여 보다 퀄리티 높은 진동 데이터를 기반으로 지도학습 & 비지도학습 머신러닝을 결합하여 고장을 예측하고 Classification까지 솔루션으로 제공하고 있습니다.

하지만 다양한 제조 현장에 도입하면서 학습 베이스 기반으로 Anomaly Detection을 통한 Classification 보다는 고장 예측 정확성과 수명에 대한 예측에 대해 편차가 높아 이러한 부분들을 어떻게 극복할 수 있을지 고민입니다.
raw data에 대한 충분한 확보가 필요한지, 진동 데이터 뿐만 아니라 다양한 데이터를 통한 분석으로 극복할 수 있는지 문제지가 고민입니다.