DeepFHM(Deep learning-based Facility Health Management)은 고급 PHM(Prognostics and Health Management) 기술 기반 유지보수 전략을 지원하기 위한 솔루션입니다.

DeepFHM은 진동, 음향, 전류 센서 등을 통해 운용 조건 및 상태의 시계열 데이터를 수집하고 설비나 제품의 실시간 상태를 모니터링하여 고장을 초기 발생 단계부터 탐지합니다. 탐지된 고장에 대해서는 그 위치, 종류, 심각도 등을 포함하는 진단 결과를 제시합니다. 이 진단 결과를 기반으로 건전성 유지를 위한 예측 정비 안내 정보를 제공합니다.

다양한 구성요소에 대한 고장 탐지 가능

모니터링 하고자 하는 설비 전체를 대상으로 고장을 탐지하는 것이 가능합니다. 이를 위해서는 설비의 규모에 따라 상당한 양의 센서 설치가 필요하고 데이터 처리 및 분석을 위해 큰 규모의 모델 구축이 필요합니다. 일반적으로는 고장 빈도수가 높거나 중요도가 높은 특정 구성요소로 한정하여 예지보전을 수행하는 것이 더 효율적입니다. 모터, 기어, 베어링, 펌프, 필터 등의 구성요소들이 대표적인 주요 모니터링 대상입니다.

효율적인 예측 정비

모든 공장은 불시의 설비 고장에 따른 가동 중단과 자원 낭비의 최소화를 반드시 필요로 합니다. 기존의 반응 정비나 예방 정비 방식만으로는 설비 가동률 저하, 불량률 증가, 수리 비용 증가 문제를 피할 수 없습니다. 일반적으로 예측 정비는 예방 정비 대비 12%, 반응 정비 대비 40%의 비용 절감 효과를 갖고 있는 것으로 알려져 있습니다. 효율적인 예측 정비를 위해서는 설비 상태의 실시간 모니터링을 통하여 고장 발생의 즉각적인 탐지가 필요합니다. 또한 고장 발생 시 고장의 위치, 직접적인 원인, 고장의 정도 등에 대한 파악도 필요합니다. 설비의 미래 상태나 잔여수명에 대한 예측은 예측 정비를 위한 중요 정보로 활용 될 수 있습니다.

수익 증대 효과

정확한 설비 고장 진단 정보를 활용하여 실시간 고장 대응이 가능하고 정확한 설비 고장 예지를 통해 적시의 사전 예측 정비가 가능해집니다. 궁극적으로 효율적인 예측 정비를 통해 비용 절감, 손실 최소화, 품질 향상을 통한 수익 증대 효과를 기대할 수 있습니다.

신속한 초기 설치 및 지속적인 성능 개선

DeepFHM은 최소한의 데이터 수집만으로도 고장 탐지 기능의 신속한 초기 설치가 가능합니다. 또한 운용 중 수집된 데이터를 이용하여 성능 개선을 위한 모델 추가 학습이 가능합니다.