이 글이 답하는 질문
- AI 예지보전을 도입하려면 어떤 데이터가 필요한가요?
- 고장 이력이 없어도 예지보전을 시작할 수 있나요?
- 예지보전 프로젝트는 어떤 순서로 진행되나요?
- 센서를 새로 달아야 하나요?
설비가 멈추고 나서 고치는 대신, 멈추기 전에 알아채자는 것이 예지보전입니다. 개념은 단순한데 막상 시작하려 하면 “무엇부터 준비해야 하는가”에서 막힙니다. 이 글은 그 질문에 대한 답입니다.
먼저: 모든 설비에 필요한 것은 아닙니다
예지보전은 비용이 드는 일입니다. 모든 설비에 적용하는 것은 효율적이지 않습니다. 다음 세 조건 중 둘 이상에 해당하는 설비부터 보는 것이 좋습니다.
- 멈추면 손실이 큰 설비 — 라인 전체가 서거나, 배치 하나를 통째로 버려야 하는 경우
- 고장이 반복되는 설비 — 같은 부위가 주기적으로 문제를 일으키는 경우
- 점검 비용이 큰 설비 — 분해 점검에 시간과 인력이 많이 드는 경우
반대로 고장 나도 즉시 교체 가능하고 영향이 국소적인 설비는 우선순위가 낮습니다.
어떤 데이터가 필요한가
1. 설비 신호
가장 기본이 되는 것은 설비 자체가 내보내는 신호입니다.
| 신호 | 주로 잡아내는 것 | 권장 샘플링 |
|---|---|---|
| 진동 | 베어링 마모, 축 정렬 불량, 불균형 | 고주파(kHz 단위) 또는 주기적 스냅샷 |
| 전류 | 부하 변화, 모터 이상 | 초 단위 |
| 온도 | 과열, 냉각 불량 | 초~분 단위 |
| 압력·유량 | 누설, 막힘 | 초 단위 |
진동은 정보량이 가장 많지만 데이터 크기도 큽니다. 모든 설비에 고주파 진동 센서를 다는 것보다, 전류와 온도처럼 이미 수집되고 있는 신호로 먼저 시작해 보는 편이 현실적입니다.
2. 운전 조건
같은 진동 값이라도 부하가 다르면 의미가 다릅니다. 생산량, 가동/정지 상태, 제품 종류, 속도 같은 운전 조건이 함께 있어야 신호를 해석할 수 있습니다.
이 부분이 빠져 있는 경우가 생각보다 많습니다. 설비 신호는 있는데 “그때 무엇을 얼마나 만들고 있었는지”가 없으면 정상과 이상을 구분하기 어렵습니다.
3. 고장·정비 이력
언제 무엇이 고장 났고 어떤 정비를 했는지에 대한 기록입니다. 모델이 “이 패턴 다음에 고장이 났다”를 배우려면 반드시 필요합니다.
현장에서 가장 자주 부족한 것이 이 이력입니다. 정비 일지가 종이로만 남아 있거나, “이상 있어 점검함” 정도로만 적혀 있는 경우가 흔합니다.
고장 이력이 없으면 못 하나요
할 수 있습니다. 접근 방식이 달라질 뿐입니다.
고장 이력이 충분한 경우 — 지도학습으로 “고장 N일 전”을 예측하는 모델을 만들 수 있습니다. 다만 같은 유형의 고장이 최소 수십 건은 있어야 의미 있는 학습이 됩니다.
고장 이력이 부족한 경우 — 정상 상태만 학습하는 이상 탐지(Anomaly Detection)로 시작합니다. “평소와 다르다”를 감지하는 방식이라 고장 사례가 없어도 됩니다. 대신 감지된 이상이 실제 고장으로 이어지는지는 운영하면서 쌓아 가야 합니다.
실제 프로젝트에서는 후자로 시작하는 경우가 더 많습니다. 운영하면서 이력이 쌓이면 그때 전자로 넘어갑니다.
얼마나 모아야 하나
정해진 답은 없지만, 판단 기준은 있습니다.
설비가 겪는 변동을 한 바퀴 돌았는가. 계절에 따라 온도가 달라지는 설비라면 최소 여름과 겨울이 포함돼야 합니다. 제품 종류에 따라 조건이 달라진다면 주요 품목이 모두 들어가야 합니다.
일반적으로 3~6개월치 데이터로 1차 모델을 만들고, 운영하면서 계속 보강하는 방식을 씁니다. 완벽한 데이터를 모을 때까지 기다리면 시작 자체를 못 합니다.
진행 순서
1단계 — 대상 선정과 데이터 점검 어떤 설비를 볼지 정하고, 현재 어떤 데이터가 실제로 저장되고 있는지 확인합니다. 이 단계에서 “있는 줄 알았는데 없는” 데이터가 자주 발견됩니다.
2단계 — 수집 체계 구축 부족한 신호를 보완하고, 설비마다 다른 형식을 표준화해 한 곳에 모읍니다. 운전 조건과 시각을 맞추는 것이 중요합니다. 타임스탬프가 어긋나면 이후 분석이 전부 흔들립니다.
3단계 — 모델 구축 이상 탐지 또는 고장 예측 모델을 만듭니다.
4단계 — 현장 검증 실제로 돌려 보고 오탐(false alarm) 비율을 확인합니다. 여기가 가장 중요합니다. 알림이 너무 잦으면 현장에서 무시하게 되고, 그러면 시스템이 있으나 마나입니다.
5단계 — 운영과 재학습 설비 상태와 공정 조건은 계속 변합니다. 모델을 한 번 만들고 끝내면 시간이 지나며 정확도가 떨어집니다. 재학습 주기를 정해 두어야 합니다.
흔히 놓치는 것
오탐 비용을 따지지 않는다. 놓치는 고장(미탐)만 보고 오탐을 무시하면 현장이 시스템을 신뢰하지 않게 됩니다. 두 가지를 함께 보고 운영 가능한 지점을 찾아야 합니다.
알림 이후 절차가 없다. “이상 감지됨”이라는 알림이 떴을 때 누가 무엇을 하는지 정해져 있지 않으면 아무 일도 일어나지 않습니다. 시스템보다 이 절차를 먼저 정하는 편이 낫습니다.
한 번에 전 설비에 적용한다. 한 설비에서 검증한 뒤 확산하는 편이 안전합니다. 설비마다 조건이 달라 모델이 그대로 옮겨지지 않는 경우가 많습니다.
임픽스는 설비 데이터 수집·표준화(B²LAB)부터 AI 모델 구축(A²), 운영 자동화까지를 하나의 플랫폼(A²LAB)에서 지원합니다. 어떤 설비부터 시작하는 것이 좋을지 판단이 서지 않는다면 현재 데이터 상태를 함께 점검하는 것부터 시작할 수 있습니다.