Koch 에너지, Amazon Lookout for Equipment를 사용한 음향 이상 탐지 사례

이 글은 Koch Ag & Energy Solutions, LLC(KAES)의 담당자와 AWS 직원이 공동 작성하였습니다. AWS의 공식 입장과 다를 수 있습니다. 

현대 공장이 더욱 연계적으로 운영됨에 따라 제조업체는 운영 효율성을 높이기 위해 점점 더 다양한 입력(예: 프로세스 데이터, 오디오 및 시각적 개체)을 사용하고 있습니다. 기업에서는 이 정보를 사용하여 장비 성능을 모니터링하고 기계 학습(ML)과 인공 지능(AI)을 기반으로 하는 예측 유지 관리 기술을 사용하여 장애를 예측합니다. 장비에 내장된 전통적인 센서는 유용한 정보를 제공할 수 있지만, 오디오 및 육안 검사로도 자산의 상태를 파악할 수 있습니다. 하지만 이러한 데이터를 활용하고 실행 가능한 인사이트를 확보하려면 매우 수동적이고 많은 리소스가 소모될 수 있습니다.

Koch Ag & Energy Solutions, LLC (KAES)는 Amazon ML Solutions Lab과 협력하여 대체 음향 이상 탐지 솔루션에 대해 자세히 알아보고 기존 솔루션을 다양한 시각으로 바라볼 수 있게 되었습니다.

ML Solutions Lab 팀은 심층적인 음향 데이터 탐색을 위해 현장의 KAES 장비에서 수집한 기존 데이터를 활용했습니다. KAES의 수석 데이터 사이언티스트와 협력하며 ML Solutions Lab 팀은  Detection and Classification of Acoustic Scenes and Events 2020(2020 음향 장면 및 이벤트 탐지 및 분류) 대회에 참가하여 결과에 대해 높은 점수를 받은 Amazon 내부 팀과 연계하였습니다. Giri 외 공저 (2020) 문서를 검토 한 후, 팀은 음향 데이터에 대해 매우 흥미로운 통찰력을 제공했습니다.

• 산업 데이터는 상대적으로 정적이므로 녹음되는 오디오 기간을 더 길게 할 수 있습니다.
• 추론 간격을 1초에서 10~30초로 늘릴 수 있습니다.
• 녹음된 사운드는 관련 정보는 유지한 채 샘플링 레이트를 낮출 수 있습니다.

또한 팀은 이전에 KAES에서 살펴본 적이 없었던 특성 추출에 대한 두 가지 접근 방식을 조사했습니다. 첫 번째는 평균 스펙트럼 특성화기이고, 두 번째는 고급 딥 러닝 기반(VGgish 네트워크) 특성화기입니다. 이를 위해 팀에서 VGgish 클래스에 대한 분류자를 사용할 필요는 없었습니다. 대신 최상위 분류기 계층을 제거하고 네트워크를 특성 추출기로 유지했습니다. 이 특성 추출 방식을 통해 네트워크는 오디오 입력을 다른 기계 학습 모델에 입력으로 공급할 수 있는 높은 수준의 128차원 임베딩으로 변환할 수 있습니다. 파형, 스펙트로그램과 같은 원시 오디오 특성에 비해 이 딥 러닝 임베딩은 의미적으로 더 중요합니다. 또한 ML Solutions Lab 팀은 모든 오디오 파일을 처리하는 데 최적화된 API를 설계하여 I/O 시간을 90% 이상 줄이고 전체 처리 시간을 약 70% 단축했습니다.

Amazon Lookout for Equipment를 통한 이상 탐지

ML Solutions Lab 팀은 이러한 솔루션을 구현하기 위해 예측 유지 관리를 지원하는 새로운 서비스인 Amazon Lookout for Equipment를 사용했습니다. Amazon Lookout for Equipment는 AI를 사용하여 산업용 장비의 정상적인 작동 패턴을 학습하고 비정상적인 장비 동작을 사용자에게 알립니다. Amazon Lookout for Equipment를 사용하면 조직에서 기계 고장이 발생하기 전에 조치를 취하여 계획되지 않은 가동 중지를 방지할 수 있습니다.

예측 유지 관리를 성공적으로 구현하려면 고유한 작동 조건에서 산업용 장비 센서에서 수집한 데이터를 사용한 다음 정교한 기계 학습 기술을 적용하여 기계 고장이 발생하기 전에 비정상적인 기계 상태를 탐지할 수 있는 맞춤형 모델을 구축해야 합니다.

Amazon Lookout for Equipment는 산업용 장비 센서의 데이터를 분석하여 ML 전문 지식 없이 해당 장비에 특정한 기계 학습 모델을 자동으로 훈련하고, 장비의 정상 작동 모드를 정의하는 센서(태그) 간의 다변량 관계를 학습합니다. 이 서비스를 사용하면 모델을 개발하는 데 필요한 수동 데이터 과학 단계 수와 리소스 시간을 줄일 수 있습니다. 또한 Amazon Lookout for Equipment는 고유한 ML 모델을 사용하여 수신되는 센서 데이터를 실시간으로 분석하여 최소한의 수동 개입으로 기계 고장으로 이어질 수 있는 조기 경고 신호를 정확하게 파악합니다. 이를 통해 장비 이상을 빠르고 정확하게 감지하고, 문제를 신속하게 진단하고, 많은 비용이 소요되는 가동 중단 시간을 줄이기 위한 조치를 취하고, 잘못된 알림을 줄일 수 있습니다.

ML Solutions Lab 팀은 KAES와 함께 사운드 및 기계 원격 측정값에 대한 데이터 수집 단계를 설명하는 개념 증명 파이프라인을 개발했습니다. 팀에서는 원격 분석 데이터를 사용하여 기계 작동 상태를 식별하고 훈련과 관련된 오디오 데이터를 알렸습니다. 예를 들어 저속일 때와 고속일 때의 펌프의 청각적 특성이 다를 수 있습니다. RPM(속도)과 같은 측정치와 사운드 간의 관계는 기계의 성능과 상태를 파악하는 데 중요한 역할을 합니다. Amazon Lookout for Equipment를 사용하면 기계 학습 교육 시간이 약 6시간에서 20분 미만으로 단축되어 모델을 더 빠르게 탐색할 수 있습니다.

이 파이프라인은 새로운 자산에 대한 이상 탐지 모델을 구축하여 배포하기 위한 토대가 될 수 있습니다. Amazon Lookout for Equipment 플랫폼에 충분한 데이터가 수집되면 추론을 시작하고 이상 탐지를 식별할 수 있습니다.

KAES의 IT 리더인 Dave Kroening은 “당사는 중요한 제조 기계의 음향 이상과 잠재적 고장을 감지할 수 있는 솔루션이 필요했습니다. ML Solutions Lab의 전문가들은 몇 주 만에 내부 팀과 협력하여 대안적인 최신 심층 신경망 내장 사운드 특성화 기술과 음향 이상 탐지를 위한 프로토타입을 개발했습니다. ML Solutions Lab 팀이 데이터와 관련하여 제공한 통찰력과 Amazon Lookout for Equipment를 사용하여 새로운 자산을 위한 이상 탐지 모델을 구축 및 배포할 수 있는 가능성과 관련하여 교육한 내용이 매우 만족스러웠습니다.”라고 말합니다.

사운드 데이터를 머신 원격 측정 데이터와 병합한 다음 Amazon Lookout for Equipment를 사용하여 원격 측정 데이터와 음향 신호 간의 중요한 관계를 도출할 수 있습니다. 다양한 작동 모드에서 정상적인 작동 조건과 정상적인 소리를 학습할 수 있습니다.

제품 및 서비스에서 기계 학습 사용을 가속화하는 데 도움이 필요하면 ML Solutions Lab에 문의하십시오.

작성자 소개

Michael Robinson은 Koch Ag & Energy Solutions, LLC(KAES)의 수석 데이터 사이언티스트입니다. Michael은 컴퓨터 비전, 음향 및 데이터 엔지니어링에 주력하고 있으며, 기술 지식을 활용하여 KAES의 고유한 과제를 해결합니다. 여가 시간에는 골프, 사진 촬영, 여행을 즐깁니다.

Dave Kroening은 Koch Ag & Energy Solutions, LLC(KAES)의 IT 리더입니다. 그의 업무는 장기적인 가치를 창출할 수 있는 이니셔티브에 대한 비전과 전략을 구축하는 데 중점을 두고 있습니다. 여기에는 KAES 내에서 운영 역량을 방해할 가능성이 있는 기회를 탐색, 평가, 개발하는 업무가 포함됩니다. 또한 Dave와 그의 팀은 경쟁 우위를 확보할 수 있는 기술을 발견하고 실험하는 데 도움을 줍니다. 여가 시간에는 가족과 소중한 시간을 보내고, 스노보드, 레이싱을 즐깁니다.

Mehdi Noori는 Amazon ML Solutions Lab의 데이터 사이언티스트로서 다양한 업종의 고객과 협력하여 클라우드 마이그레이션 여정을 가속화하고 최신 솔루션과 기술을 활용하여 ML 문제를 해결할 수 있도록 도와줍니다. Mehdi는 박사 학위 취득 후 연구원으로 MIT에 입학하고 UCF에서 공학 박사 학위를 취득했습니다.

Xin Chen은 Amazon ML Solutions Lab의 선임 관리자로서 자동차 부문을 이끌고 있으며 다양한 업종의 AWS 고객이 기계 학습 솔루션을 식별하고 구축하여 조직에서 기계 학습에 대한 투자 수익률을 극대화할 수 있도록 지원합니다. Xin은 노터데임 대학교에서 컴퓨터 공학 박사 학위를 취득했습니다.

Yunzhi Shi는 Amazon ML Solutions Lab의 데이터 사이언티스트로서 AWS 고객이 AI 및 클라우드 기능과 관련된 비즈니스 문제를 해결할 수 있도록 지원합니다. 최근에 그는 다양한 산업 분야의 고객을 위한 컴퓨터 비전, 검색 및 예측 솔루션을 구축하고 있습니다. Yunzhi는 오스틴에 있는 텍사스 대학교에서 지구 물리학 박사 학위를 취득했습니다.

Dan Volk는 Amazon ML Solutions Lab의 데이터 사이언티스트로서 다양한 업계의 AWS 고객이 AI 및 클라우드 도입을 가속화할 수 있도록 지원합니다. Dan은 제조, 항공 우주, 스포츠 등 여러 분야에서 근무했으며 UC 버클리에서 데이터 과학 석사 학위를 취득했습니다.

Brant Swidler는 Amazon Lookout for Equipment를 위한 기술 제품 관리자입니다. 그는 데이터 과학 및 엔지니어링 업무를 비롯하여 제품 개발을 선도하는 데 주력하고 있습니다. Brant는 석유 및 가스 산업의 산업적 배경을 지니고 있으며 세인트루이스의 워싱턴 대학교에서 기계 및 항공 우주 공학 학사 학위를 취득하고 다트머스의 턱 경영 대학원에서 경영학 석사 학위를 취득했습니다.