Belangrijkste concepten
예측 정비 기술은 기존 정비 기술의 한계를 극복하고 설비 가용성과 신뢰성을 높이며 운영 비용을 절감할 수 있는 핵심 기술이다. 이를 위해 예측 정비 시스템 아키텍처, 최적화 목표, 최적화 방법 등이 중요하게 다루어져야 한다.
Samenvatting
이 논문은 예측 정비 기술의 중요성과 발전 과정을 소개하고, 예측 정비 시스템 아키텍처, 최적화 목표, 최적화 방법에 대해 종합적으로 검토한다.
예측 정비 시스템 아키텍처:
PdM 4.0: 산업 4.0 기술을 활용한 지능형 예측 정비 시스템
OSA-CBM: 상태 기반 모니터링을 위한 개방형 시스템 아키텍처
클라우드 기반 예측 정비 시스템: 클라우드 컴퓨팅을 활용한 예측 정비 서비스 제공
디지털 트윈 기반 예측 정비 프레임워크: 물리적 시스템과 가상 모델의 연계를 통한 예측 정비
최적화 목표:
비용 최소화: 고장 수리 비용, 예방 정비 비용, 가동 중단 비용 등을 고려
가용성/신뢰성 최대화: 시스템 가용성, 신뢰성 지표를 최대화
다목적 최적화: 비용, 가용성, 신뢰성 등 다양한 목표를 동시에 고려
최적화 방법:
전통적 기계 학습 기반 접근법: 인공 신경망, 의사 결정 트리, 서포트 벡터 머신 등
딥 러닝 기반 접근법: 오토인코더, 합성곱 신경망, 순환 신경망 등
향후 연구 방향으로는 다중 소스 데이터 융합, 고장 진단 및 예지 정확도 향상, 최적 정비 일정 수립 등이 중요하다.
Statistieken
아마존은 2013년 49분의 다운타임으로 400만 달러의 매출 손실을 입었다.
평균적으로 기업은 데이터 센터 다운타임으로 인해 시간당 13만 8천 달러의 손실을 입는다.
해상 풍력 터빈의 운영 및 유지보수 비용은 총 발전 수익의 20%에서 35%를 차지한다.
석유 및 가스 산업의 유지보수 비용은 총 생산 비용의 15%에서 70%를 차지한다.
Citaten
"PdM은 시스템 "건강"에 대한 온라인 추정을 기반으로 하며 사전 고장 개입을 달성할 수 있다."
"PdM은 계획된 PM보다 낮은 정비 빈도를 가질 수 있으며, 계획되지 않은 RM으로 인한 비용도 발생시키지 않는다."