Konan PHM을
사용해야 하는 이유
Konan PHM은 설비·부품 상태를 실시간 모니터링하여,
데이터가 부족한 상황에서도 이상탐지 및 고장진단이 가능
합니다. 방산·철강·철도 등 다양한 산업에서 예기치 못한
고장과 유지보수 비용을 줄일 수 있습니다.
Konan PHM은 디지털트윈과 인공지능(PBDL과 RL) 기술을 결합하여
설비·부품의 고장진단, 잔여수명예측 의사결정을 돕는 솔루션입니다.
전문적인 도메인 지식 없이도 설비상태를 정확하게 전달할 수 있는 Data-Centric AI를 구현합니다.
Video - 모니터링을 넘어 예측정비로,
코난 PHM(Konan PHM)
BENEFITS
Benefit 01.
데이터 한계 극복
실 고장, 레이블링 데이터가 부족해도 Self-supervised Learning, Physics-informed
Neural Networks, Domain Adaptation 등의 기술로 고장검출/진단이 가능합니다.
Benefit 02.
모델 성능 유지
운용중인 AI 모델의 성능을 지속적으로 모니터링하여, 부품/시스템 노후화 등에 의한 성능저하 시, 데이터 재학습을 수행하는 Model Updating 절차를 진행합니다.
Benefit 03.
실시간 시뮬레이션 가능
Neural Operator 등 최신 AI 모델 기술을 활용한 데이터 기반 실시간 시뮬레이션을 제공하여, 신속한 의사결정이 가능합니다.
FEATURE
- 니즈 설비·부품 이상 발생 전, 사전 알람 필요
- 이슈 현장 작업자에 의한 수동 설비 관리
-
현황
유지보수 기록 불명확,
Labeling 데이터 부족 및 품질 저하 -
접근
방법 Unlabeled 데이터 내 검증된
정상 데이터만을 이상탐지에 활용 - 기술 Anomaly Uncertainty Scoring
- 니즈 설비 고장 시, 부품 이상 여부 파악 필요
- 이슈 고장 발생 데이터 희소
-
현황
고장 별 데이터 확보 어려움,
분류 문제 학습 불가능 -
접근
방법 Simulation 기반 모사 데이터와
실제 데이터 간 Domain shift 극복 -
기술
Data-driven Simulation, Domain
Adaptation
- 니즈 제품 설정값 변화 시, 결과 예측 필요
- 이슈 실시간 시뮬레이션 어려움
-
현황
고비용의 모델기반 시뮬레이션,
운용단계 실시간 시뮬레이션 불가 -
접근
방법 물리적 특성을 반영하는 최신 데이터 기반
시뮬레이션 기술 적용 - 기술 Data-driven Simulation
ARCHITECTURE
(SaaS)
| 인증(ATU) | 테넌트 관리(STM) |
설비 모니터링(SMD) |
부품 모니터링(BMD) |
AI분석(PHM) | 데이터 시각화(DVD) |
|---|---|---|---|---|---|
| 로그인 처리 |
사용자 관리 |
설비 상태 | 부품 상태 | AI 이상 탐지 | 데이터 선택/비교 |
| 토큰 발행 | 그룹관리 | 자산별 상태 |
센서 데이터 그래프 |
Data Health Indexing | 구간 설정 |
| 토큰 갱신 | 권한관리 | 부품별 상태 |
HI 그래프 |
Alarm Leveling | 편의기능 |
| 공통(CMD) | 빌링관리 | 2D 이미지/ 3D 모델 |
고장시간 그래프 | 디지털 트윈 구성(TIC) |
데이터 새로고침 |
| 설비구조 | 지원사용 관리 | 알람 | 설정 | IoT 등록/수정 |
장치상태
장치정보
|
Kubernetes(PaaS)
KT Cloud(IaaS)
Konan MLOps
데이터 전처리
- 데이터 정제
- 데이터 정규화
- 데이터 축소
- 데이터 변환
모델 학습
- 이상탐지
- 수명 예측
- 고장 진단
- 수집
- 데이터 조회
- 학습 데이터
- 학습
- 평가
USE CASES
방산 - 전투기 주파수 응답 예측생성
- 배경
- 전투기 구조 안정성을 확보하기 위해 구조동특성시험이 필요하지만, 시간·비용 제약으로 한계 존재
- 문제
- 기 확보된 구조동특성시험 데이터를 통해 새로운 항공기에 대한 구조동특성 결과를 예측
- 접근
- Neural Operator를 활용한 구조동특성시험 데이터 학습(Data-driven) 및 구조연동 제어기 학습의 Hybrid 모델
개발
철강 - 프레스설비 사전 이상탐지
- 배경
- 프레스 설비에서 발생하는 다수의 센서 데이터(200여 개 PLC) 수집
- 문제
- PLC 데이터를 활용하여 프레스 설비의 펀칭에 대해 고장 전 이상 예측
- 접근
- 200여 개 센서 데이터 중 펌프 이상과 관련된 센서데이터를 도출 및 Indicator 개발
철도 - 모터감속기 사전 이상탐지
- 배경
- 모터감속기 내 철분유량을 정기적으로 측정, 기준치를 초과할 경우 교체 필요
- 문제
- 철분함유량을 예측함으로써 다음 정기 검사에서 기준초과를 조기감지에 대해 예측
- 접근
- 철분함유량 예측 관련 Feature 개발 및 복잡도 Rule·머신러닝·딥러닝 기반 알고리즘 개발