Offcanvas

IoT / 디지털 트랜스포메이션 / 머신러닝|딥러닝 / 비즈니스|경제 / 통신|네트워크

엘리베이터 유지보수·예지정비에 'IoT+클라우드+머신러닝'을...

2018.11.29 George Nott   |  Computerworld
클라우드 연결형 IoT 장비를 사용해 리프트와 에스컬레이터를 연결하고 머신러닝을 판독 값에 적용한 엘리베이터 제조사가 많으며 핀란드 엘리베이터 제조사인 콘(Kone)도 그 중 하나다.
 
Credit: Ariel Sion

마스코트(Mascot)에 위치한 콘 본사의 엘리베이터와 해당 기업의 클라우드 사이에서 이루어지는 대화는 정중하면서도 지극히 평범하다.

엘리베이터에서 "2층에서 5.6초 동안 문이 열립니다"라는 메시지가 들리고 "하강 중 흔들림이 최소화됩니다", "5.6초. 잘했어요", "잘 하고 있어요"라고 클라우드가 응답한다. 

콘에 따르면, 일반적인 대화로는 많은 것을 알 수 없지만 시간이 지나면서 수집과 분석을 통해 추세와 이상을 발견하여 고객의 유지보수 요청을 60%나 줄일 수 있다.

콘은 자사의 엘리베이터에 클라우드 연결형 IoT 장치를 적용하고 측정값에 머신러닝을 적용한 세계 유수의 엘리베이터 제조사 중 하나다. 이를 통해 콘은 고장 발생 시기를 파악하고 중단이 발생하기 전에 해결할 수 있다.

콘 ANZ 유지보수 이사 짐 헤이스팅스는 "일반적으로 엘리베이터가 고장 나면 고장 난 곳을 찾아 고친다. 이제는 고장 전에 정보를 확보할 수 있다. 조금씩 고장 나거나 노화되는 접점을 감지할 수도 있으며 예전에는 불가능했던 일이다. 아니면 도어 시스템 마모나 과도한 다시 열림 횟수를 감지할 수도 있다"고 설명했다.

"따라서 사람들이 불편을 겪고 엘리베이터에 갇혔을 때 방문하기보다 해당 물품을 미리 고친다"고 그는 덧붙였다.

위로 위로
엘리베이터 제조사인 티센크루프에 따르면 전 세계적으로 약 1,200만 개의 엘리베이터가 매일 70억 회 이동하면서 10억 명 이상을 수송하고 있다.

고장 난 곳이 많은 이 기계들은 가끔 고장 날 수밖에 없다. 기껏해야 기다리는 시간이 길어지거나 계단을 이용하게 되는 것이며 최악의 경우에는 41시간의 끔찍한 경험을 하게 될 수도 있다.

그리고 고장이 나면 유지보수 작업 때문에 매년 총 1억 9,000만 시간 동안 엘리베이터를 사용할 수 없게 된다.

대부분 자사 및 경쟁사의 엘리베이터에까지 적용되는 유지보수 패키지를 제공하는 엘리베이터 제조사들의 최종 목표는 예기치 못한 고장을 없애고 유지보수 중 정지 시간을 최소화하는 것이다.

센서가 장착된 엘리베이터에서 추출한 데이터를 이용한 머신러닝 기법을 통해 이를 달성할 수 있을 것으로 보고 있다.

티센크루프는 2015년 말 마이크로소프트 애저 클라우드에 기초하여 "엘리베이터 업계 최초의 실시간 클라우드 기반 예측 유지보수 솔루션"이라는 것을 출시했다. 해당 기업은 미국, 독일, 스페인, 한국에서 12만 개의 커넥티드 엘리베이터가 있다고 밝혔다.

경쟁사인 오티스(Otis)는 5월에 커넥티드 엘리베이터를 출시했다. 당시 오티스의 사장 주디 막스는 "이 플랫폼을 통해 고객 장비 데이터가 예측 통찰로 변환되어 오티스의 팀들이 잠재적인 문제에 대해 선제적으로 조치할 수 있다. 장비 운영을 유지하면서 승객의 안전과 신뢰성을 유지할 수 있다"고 밝혔다.

콘은 올해 7월 호주에서 '상시 커넥티드 서비스'의 시범 운영을 시작했다. 이 시범 운영은 브리즈번, 시드니, 멜버른에서 덱서스(Dexus)가 소유한 4개의 상업용 빌딩에서 진행되고 있다.

이 제품은 중국에 있는 난징아동병원(Nanjing Children’s Hospital)과 쿤밍 창수이 국제공항(Kunming Changshui Airport) 그리고 스웨덴에 있는 프리미엄 사무실 단지 HF(Humlegården Fastigheter) 등 이미 20개 국가에서 제공되고 있다. 건물 관리자는 앱을 통해 기술자의 방문이 필요한 치명적인 고장과 유지보수 이력을 확인할 수 있다.

헤이스팅스는 "문에는 센서가 있다. 문 작동에 대해 프로세서로부터 얻은 정보, 구동 시스템으로부터 정보를 분리하여 얻는 제어 시스템, 푸시 버튼 기능, 정지 및 가속 동작, 샤프트 내 위치 및 이동, 목적지 도달 시간, 사용량 등에 대한 정보를 수집하는 제어 시스템. 이 모든 정보를 클라우드로 전송하여 운영 시스템 정체가 제대로 기능하도록 한다"고 말했다.

헤이스팅스는 경우에 따라 습도, 온도, 진동을 모니터링하는 센서도 장착되며 표준형 엘리베이터의 경우 이 작업에 약 1시간 반이 소요된다고 전했다. 이어서 "우리는 매주 측정하여 확인할 수 있는 것에 기초하여 추가할 수 있는 새로운 항목을 개발하고 있다"고 강조했다. 

미래의 수리
콘의 경우 커넥티드 엘리베이터로부터 얻은 데이터가 클라우드의 IBM 왓슨에게 제공되며, 다양한 머신러닝 알고리즘이 적용된다.

IBM 왓슨 IoT 기술 전문가 존 마클레오드는 "클라우드 온라인 연결을 통해 얻는 것 중 하나는 문제가 되기 전에 미리 추세를 찾아내는 능력이다"고 밝혔다.

이어서 "일반적으로 문을 닫는 데 5초가 걸리지만 점차 5.1초, 5.2초로 늘어난다. 엘리베이터에 타고 내릴 때는 아무도 눈치채지 못하지만 시간에 따른 점진적인 변화는 무엇인가 끈적해지고 윤활이 필요하다는 것을 나타낼 수도 있다"고 덧붙였다.

건물 관리자가 점진적인 문 열림 시간 지연을 알아차리지 못할 수도 있지만 분석을 통해 그런 추세를 찾아낼 수 있다.

"그리고 문이 닫힌 채로 들러붙어서 사람들이 엘리베이터 안에 갇힐 때까지 기다리는 대신에 사전에 조처를 하여 해결할 수 있다"고 마클레오드는 설명했다.

"우리는 분명 이런 문제를 겪지 않을 것이다. 현재 시스템이 이를 기록하고 무엇인가 고장 나고 있음을 알려주어 장치가 정지하거나 부품이 파손되어 물리적으로 고장 나기 전에 우리가 문제를 찾아 해결할 수 있다"고 헤이스팅스는 덧붙였다.

머신러닝은 다양한 센서 데이터에 적용되고 있으며 하나의 문제가 다른 문제와 관련된 경우 같은 유형의 여러 대의 엘리베이터의 데이터세트도 감지할 수 있다.

마클레오드는 "특수한 상황들의 조합일 수 있다. 문이 닫히는데 더 긴 시간이 소요되지만 습한 날에만 발생하고 엘리베이터의 다른 부품의 진동과 관련되어 있다. 그 누구도 이런 상관관계를 대시보드에서 찾아낼 수 없겠지만 머신러닝은 이를 학습할 수 있다"고 말했다.

또한 이 기법은 엔지니어가 지속적인 문제의 기저 원인을 찾는 데 도움이 될 수 있다고 마클레오드는 전했다. 헤이스팅스에 따르면, 이는 문제의 '최초 해결률'을 높이는 데 도움이 될 것이다.

헤이스팅스는 "훨씬 신속한 해결책을 가능하게 하는 더욱 정교한 정보를 얻고 있다. 이 새로운 기술을 통해 최소 해결률이 약 25% 증가할 가능성이 높다"고 이야기했다.

헤이스팅스는 처음에는 "어떤 측면에서는 추가적인 선제 작업을 수행하기 때문에" 엔지니어 호출 횟수가 증가할 수 있지만 시간이 지남에 따라 좀 더 효율적으로 방문하게 되면서 감소할 것이라고 말했다.

헤이스팅스는 궁극적으로 이 기술을 통해 사람들이 "더욱 예측 가능하고 신뢰할 수 있는 출근"이 가능해질 것이라고 강조했다.

그는 "이 시스템은 불편이 발생하기 전에 미리 알려줘 매우 안심할 수 있다"고 덧붙였다. ciokr@idg.co.kr
 
CIO Korea 뉴스레터 및 IT 트랜드 보고서 무료 구독하기
추천 테크라이브러리

회사명:한국IDG 제호: CIO Korea 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아01641 등록발행일자 : 2011년 05월 27일

발행인 : 박형미 편집인 : 천신응 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.