MongoDB Atlas를 통한 예측적 유지 관리 우수성

솔루션 개요

MongoDB Atlas는 엔드투엔드 예측적 유지 관리 솔루션을 제공하여 제조업체가 장비 고장을 예방하고 유지 관리 작업을 최적화할 수 있도록 지원합니다. 이 솔루션은 네 가지 전략적 단계로 구성됩니다.

1. 기계 우선순위 설정 및 중요도 분석

   • 다음 질문에 답합니다: 예측적 유지 관리를 위해 우선적으로 관리해야 하는 머신은 무엇이며, 그 이유는 무엇인가요?

   • 머신 러닝과 RAG 기반 분석을 사용해 중요 장비의 우선 순위를 정합니다.

   • 역사적 데이터와 전문가의 지식을 활용하여 정보에 기반한 결정을 내립니다.

2. 장애 예측

   • 임박한 실패의 근본 원인은 무엇입니까?라는 중요한 질문에 답합니다.

   • Atlas Stream Processing을 통해 실시간 센서 데이터를 처리합니다.

   • 잠재적 고장을 사전에 탐지할 수 있도록 합니다.

3. 유지 관리 계획 생성

   • 중점: 수리 절차를 어떻게 예정해야 하나요?

   • 대규모 언어 모델을 사용하여 상세한 수리 계획을 자동으로 생성합니다.

   • 유지 관리 매뉴얼, 재고 데이터 및 리소스 정보를 결합합니다.

4. 유지 관리 지침 생성

   • 해결: 기계 수리에 대한 더 나은 지침을 얻으려면 어떻게 해야 하나요?

   • 서비스 노트와 수리 지침을 통합하여 향상된 유지보수 안내를 제공합니다.

   • Change Streams를 통해 기술자의 모바일 기기에 지침을 직접 전달합니다.

그림 1. 예측 유지 관리 워크플로의 네 단계

MongoDB의 통합 데이터 플랫폼 기능(벡터 검색 및 실시간 분석 등)을 활용하면 조직은 상당한 운영 개선을 이룰 수 있습니다. 가동 중지 시간을 15~20% 줄이고, 노동 생산성을 5~20% 증가시키고, 유지 관리 비용을 30~60% 절감할 수 있습니다.

참조 아키텍처

머신 우선순위 아키텍처

이 아키텍처는 RAG(검색 증강 생성)를 활용하여 예측 유지보수가 필요한 기계를 식별합니다. 시스템은 두 가지 유형의 입력 데이터를 처리합니다.

• 구조화된 데이터: 생산 매개 변수 및 기계 고장 빈도.

• 비정형 데이터: 문서에 담긴 기관의 지식.

워크플로는 MongoDB Atlas에서 두 가지 데이터 유형을 벡터 임베딩으로 집계하고 운영합니다. 벡터 검색을 사용해 시맨틱 검색을 수행하고, 이를 통해 LLM(이 경우 Amazon Bedrock 또는 Cohere)에 관련 컨텍스트를 제공하여 우선 순위 쿼리에 대한 컨텍스트 기반 응답을 생성합니다. 이는 우선적으로 관리할 머신을 판단함에 있어 데이터 기반의 의사결정을 내리는 데 도움이 됩니다.

그림 2. 기계 우선순위 추천을 위한 AI 시스템 다이어그램

센서 데이터 처리 아키텍처

이 실시간 아키텍처는 6단계의 핵심 절차를 걸쳐 머신 센서 데이터를 처리합니다.

1. 데이터 수집: DAQ(데이터 수집) 기능이 있는 우선순위 밀링 머신은 중요한 지표(제품 유형, 온도, 속도, 토크, 공구 마모)를 수집합니다.

2. 스트림 처리: 실시간 센서 데이터 변환.

3. 데이터 저장: 단일 보기 기능을 갖추어 MongoDB Atlas에 중앙 집중식으로 저장됩니다.

4. 변경 감지: 중요한 데이터 변경 사항 모니터링.

5. 머신 러닝 추론: 학습된 모델을 실행하여 잠재적 실패를 예측합니다.

6. 이중 출력: Atlas Charts를 통한 시각화 및 Change Streams를 통한 모바일 알림.

그림 3. MongoDB Atlas를 통한 실시간 센서 모니터링

작업 지시서 생성 아키텍처

이 아키텍처는 다음을 통해 유지 관리 작업 주문 생성을 자동화합니다.

1. 문서 처리: 기계 매뉴얼과 오래된 작업 지시서는 AWS/Cohere 임베딩 모델을 사용하여 청크로 나누고 벡터로 변환합니다.

2. 벡터 저장: 임베딩이 MongoDB Atlas에 저장됩니다.

3. 작업 지시서 생성: 앱으로서 다음을 수행합니다.

   • LLM을 사용하여 적절한 작업 지시서 템플릿을 생성합니다.

   • 집계를 통해 인벤토리 및 리소스 정보를 가져옵니다.

   • 기계 문서를 기반으로 상세한 수리 계획을 수립합니다.

그림 4. AI 기반 작업 지시서 생성 시스템 다이어그램

유지 관리 지침 아키텍처

이 아키텍처는 검색 증강 생성(RAG) 접근 방식을 통해 운영자 지침을 개선합니다.

1. 서비스 노트 처리: 다국어 PDF 서비스 노트를 텍스트로 변환합니다.

2. 번역: 번역 모델을 사용해 비영어 콘텐츠(이 경우 스페인어)를 처리합니다.

3. 지침 생성: LLM을 사용해 번역된 서비스 노트와 기존 수리 계획을 결합합니다.

4. 전달: 모바일 앱을 통해 기술자에게 업데이트된 유지 관리 지침을 제공합니다.

그림 5. 기술자 수리 지침을 개선하는 RAG 워크플로

각 아키텍처는 MongoDB Atlas의 핵심 기능을 통합하고 AI 기능을 위해 Amazon Bedrock, Cohere와 같은 외부 서비스를 사용합니다.

솔루션 구축

전체 구현 세부 정보, 코드 샘플, 설정 파일 및 튜토리얼 비디오를 보려면 GitHub 리포지토리를 방문하세요. 이 리포지토리는 MongoDB Atlas의 포괄적인 기능 세트를 활용해 예측적 유지 관리를 구현하기 위한 프로덕션용 템플릿을 제공합니다.

주요 학습 사항

• MongoDB Atlas는 구조화된 센서 데이터와 비정형 유지 관리 문서를 결합해 예측적 유지 관리를 위한 통합 플랫폼을 제공하며, 단일 뷰 아키텍처를 통해 실시간 모니터링과 AI 기반 분석을 지원합니다.

• 이 솔루션은 4단계 접근 방식(우선순위 지정, 예측, 계획 생성, 지침 제공)을 활용하여 여러 MongoDB 기능을 통합합니다. 여기에는 실시간 데이터 처리를 위한 Atlas Stream Processing, 의미 분석을 위한 Vector Search, 모바일 경고를 위한 Change Streams가 포함됩니다.

• 이 접근 방식을 통해 조직은 운영 효율성을 크게 향상시킬 수 있습니다. 가동 중지 시간은 15~20% 줄어들고, 노동 생산성은 5-20% 증가하며, 유지 관리 비용은 30~60% 절감됩니다.

• 이 구현은 여러 AI 기술(RAG, LLM, ML 모델)과 MongoDB의 개발자 데이터 플랫폼 역량을 결합하여 기계 우선 순위 지정에서 모바일 수리 지침 제공에 이르기까지 자동화된 유지 관리 워크플로를 생성합니다.

사용된 기술 및 제품

작성자

• Dr. Humza Akhtar, MongoDB

• Rami Pinto, MongoDB

• Sebastian Rojas Arbulu, MongoDB