예측 정비 AI 개요

# 예측 정비 ROI 계산 (수도코드) # === 입력 파라미터 === # 연간 다운타임: 200시간 # 다운타임 비용: 50,000원/시간 # 연간 정비 비용: 1억원 # PdM 구축 비용: 8천만원 # PdM 연간 운영비: 2천만원 # === 기대 효과 === # 다운타임 감소율: 70% # 정비 비용 감소율: 25% # === 비용 절감 계산 === # 다운타임 절감 = 200시간 × 50,000원 × 0.70 = 7천만원 # 정비 비용 절감 = 1억원 × 0.25 = 2,500만원 # 연간 총 절감액 = 9,500만원 # === ROI 계산 === # 1년차 순이익 = 9,500만 - 8천만 - 2천만 = -500만원 # 2년차 순이익 = 9,500만 - 2천만 = 7,500만원 # 손익분기점 = 약 13개월 # 3년 ROI = 약 70% # === 결론 === # 약 13개월 후 손익분기점 도달 # 3년간 ROI 70% 이상 달성 가능

# 예측 정비 AI 파이프라인 (수도코드) # === 건강 상태 정의 === # HEALTHY: 정상 (건강지수 80 이상) # WARNING: 주의 (건강지수 60-80) # CRITICAL: 위험 (건강지수 40-60) # FAILURE_IMMINENT: 고장 임박 (건강지수 40 미만) # === 분석 결과 구조 === # 설비ID, 타임스탬프, 건강지수(0-100) # 잔여수명(일), 신뢰도 # 7일/30일 고장확률 # 탐지된 이상, 권장 조치 # === 분석 파이프라인 === # 1단계: 개별 센서 특징 추출 # - 진동 데이터 → 진동 특징 # - 음향 데이터 → 음향 특징 # - 온도 데이터 → 온도 특징 # - 전류 데이터 → 전류 특징 # 2단계: 이상 탐지 # - 모든 센서 특징 종합 분석 # - 이상 패턴 식별 # 3단계: 다중 센서 융합 # - 4종 센서 특징 통합 # 4단계: 건강 지수 계산 # - 융합 특징 → 0-100 점수 # 5단계: 잔여 수명(RUL) 예측 # - 예상 고장까지 남은 일수 # 6단계: 고장 확률 계산 # - 7일 내 고장 확률 # - 30일 내 고장 확률 # 7단계: 권장 조치 생성 # - 건강지수, 이상, RUL 기반 조치 권고

# 설비 PdM 우선순위 평가 (수도코드) # === 평가 입력 항목 === # 중요도 점수: 1-5 (생산 영향도) # 연간 고장 횟수 # 평균 수리 시간(MTTR) # 데이터 가용성: 1-5 (센서 설치 현황) # 연간 정비 비용 # === 점수 계산 === # 다운타임 영향 = 중요도 × 고장횟수 × MTTR # 비용 영향 = 정비비용 / 1천만원 (정규화) # 데이터 준비도 = 데이터가용성 / 5 # === 종합 점수 (가중 평균) === # 우선순위 = 다운타임영향×40% + 비용영향×30% + 데이터준비도×30% # === PdM 우선 적용 대상 설비 === # - 회전 기계 (모터, 펌프, 컴프레서, 팬) # - CNC 스핀들 # - 컨베이어 구동부 # - 로봇 서보 모터 # - 열교환기/냉각 시스템 # - 유압/공압 시스템 # - 트랜스포머/전력 설비