AI 설비 이상탐지 도입 가이드: 센서 선정·비용 구조·실패 포인트
임계값 알람이 놓치는 고장, 데이터로 먼저 잡는다
설비 보전 담당자에게 가장 곤란한 고장은 경보 한 번 없이 찾아오는 고장입니다. 온도나 진동에 상한값을 걸어 두는 방식은 단순하고 익숙하지만, 신호가 기준선 안에서 조금씩 흔들리거나 비정상적인 속도로 오르내리는 이상은 놓칠 수 있습니다.
AI 이상탐지는 이 빈틈을 메우는 방법입니다. 다만 중소 제조 현장에서는 늘 같은 질문이 따라옵니다. "고장 난 기록이 거의 없는데 AI가 무엇을 배우느냐"는 것입니다.
이 글은 그 질문에서 출발합니다. 정상 데이터만으로 학습하는 비지도 이상탐지의 원리, 센서 선정 기준, 도입 비용의 구조, 현장 적용이 멈추는 실패 포인트를 차례로 짚어 봅니다.
사후보전·예방보전·예지보전은 무엇이 다른가
보전 방식은 "언제 손을 대느냐"로 구분됩니다. 고장 난 뒤 고치는 사후보전, 정해진 주기마다 점검·교체하는 예방보전, 설비 상태 데이터를 보고 필요한 시점에 개입하는 예지보전입니다.
예지보전은 주기 대신 상태를 기준으로 삼습니다. 멀쩡한 부품을 일찍 교체하거나 점검 주기 사이에 터지는 고장을 놓치는 문제를 줄이는 것이 목표지만, 데이터를 모으고 해석하는 체계가 없으면 성립하지 않습니다.
| 구분 | 사후보전 | 예방보전 | 예지보전 |
|---|---|---|---|
| 개입 시점 | 고장 발생 후 | 정해진 주기 | 상태 변화 감지 시 |
| 판단 근거 | 고장 사실 | 운전 시간·달력 | 센서·운전 데이터 |
| 주요 약점 | 불시 정지, 2차 손상 | 과잉 교체, 주기 사이 고장 | 데이터 체계 구축 부담, 오경보 |
| 적합한 설비 | 정지 영향이 작고 예비품이 있는 설비 | 마모 주기가 비교적 일정한 설비 | 정지 손실이 크고 열화가 서서히 진행되는 설비 |
AI 이상탐지는 예지보전의 "상태 감지" 단계를 담당합니다. 남은 수명을 예측하는 단계까지 가려면 고장 이력이 라벨과 함께 충분히 쌓여야 하므로, 대부분의 중소 현장에서는 이상 감지부터 시작하는 편이 현실적입니다.
고장 데이터가 없어도 되는 이유, 비지도 이상탐지
지도 학습은 정상과 고장 데이터를 모두 이름표(라벨)와 함께 학습해 둘을 구분합니다. 문제는 현장에서 고장 데이터가 드물고, 고장 유형별로 모으기는 더 어렵다는 점입니다. 2023년 발표된 산업용 이상탐지 비교 연구도 이상 데이터를 라벨과 함께 확보하는 일이 정상 데이터보다 더 어렵다는 점을 비지도 방식을 택한 이유로 들었습니다.
비지도 이상탐지는 정상 운전 데이터만 학습해 "평소 모습"을 정의하고, 그 범위를 벗어나는 데이터를 이상으로 판정합니다. 대표적인 두 갈래는 다음과 같습니다.
- OC-SVM(단일 클래스 서포트 벡터 머신): 진동의 실효값·첨도처럼 사람이 정한 특징값을 입력받아 정상 데이터 주변에 경계를 긋고, 경계 밖을 이상으로 봅니다.
- 오토인코더: 원시 신호를 압축했다가 복원하도록 학습합니다. 정상 패턴만 배웠기 때문에 이상 신호는 제대로 복원하지 못하고, 이 복원 오차가 이상 점수가 됩니다.
같은 연구는 공개 베어링 시험 데이터로 두 방식을 비교했습니다. OC-SVM은 내륜·외륜 결함의 대부분 조건에서 더 나은 성능을 보였지만, 가장 작은 볼(전동체) 결함에서는 재현율(실제 이상을 잡아낸 비율)이 0.6 수준까지 떨어진 조건이 있었습니다. 오토인코더는 모든 실험에서 결함을 빠짐없이 잡았지만 정상 데이터를 이상으로 판정한 경우가 일부 남았고, 판단 근거를 설명하기 어렵다는 한계가 지적됐습니다.
현장에 주는 시사점은 "더 좋은 알고리즘"보다 "용도에 맞는 선택"입니다. 특징값 기반 방식은 어떤 특징이 반응했는지 보여 줘 원인 추정에 도움이 되고, 딥러닝 방식은 미세한 신호 차이에 민감합니다. 다만 이 결과는 통제된 시험대 데이터에서 나온 것이므로 실제 설비에서는 별도 검증이 필요합니다.
센서 선정, 무엇을 어디에 붙일 것인가
이상탐지의 성능은 알고리즘보다 입력 신호가 먼저 결정합니다. 설비가 어떤 방식으로 망가지는지(고장 모드)를 먼저 정리하고, 그 고장이 가장 먼저 드러나는 신호를 고르는 순서가 맞습니다. 앞의 비교 연구는 설비 감시에 쓰이는 대표 신호로 온도·압력·진동·음향방출·모터 전류를 꼽았습니다.
- 진동(가속도 센서): 베어링 손상 같은 회전부 이상에 직접 반응합니다. 같은 연구는 설비의 주요 하중이 실리는 베어링 부위를 진동 측정에 적합한 위치로 봤습니다.
- 모터 전류: 제어반에서 계측할 수 있어 설비 본체에 손대지 않고 부하 변화나 기계적 걸림을 살필 수 있습니다.
- 온도: 설치는 쉽지만 열이 서서히 전달되므로, 이상이 어느 정도 진행된 뒤에야 반응하는 경우가 많습니다.
센서를 새로 달기 어렵다면 PLC에 이미 쌓이는 운전 상태·알람 이력부터 활용하는 방법도 있습니다. 2025년 발표된 예지보전 문헌 리뷰는 센서 대신 설비 상태 신호를 쓰면 중소기업의 비용 부담을 낮출 수 있지만, 간접 데이터인 만큼 세부 고장을 놓칠 수 있다는 한계도 함께 정리했습니다.
비용 구조, 센서 가격보다 큰 숨은 비용
도입 견적은 대개 센서와 수집 장비 가격에서 시작하지만, 실제 부담은 운영 단계에서 커지는 경우가 많습니다. 비지도 방식은 고장 데이터를 라벨링하는 부담을 덜어 주는 대신, 경보를 확인하고 판정하는 사람의 시간을 새 비용으로 만듭니다.
| 비용 항목 | 발생 시점 | 놓치기 쉬운 부분 |
|---|---|---|
| 센서·수집 장비 | 초기 | 설치 위치 가공, 배선, 방진·방수 처리 |
| 네트워크·엣지·저장 | 초기·운영 | 고주파 진동 데이터의 저장 용량, 보안 구성 |
| 모델 구축 | 초기 | 정상 데이터 수집 기간, 설비 담당자의 참여 시간 |
| 경보 대응 | 운영 | 오경보 확인 출동, 판정 결과 기록 |
| 재학습·유지 | 운영 | 공정·제품 변경 시 정상 기준 재설정 |
| 시스템 연동 | 초기·운영 | 설비보전관리시스템(CMMS)·MES 연동 개발 |
비용을 판단하는 기준선은 "이 설비가 한 번 멈추면 얼마를 잃는가"입니다. 정지 손실이 작고 예비 설비가 있는 라인이라면 정기점검을 유지하는 편이 합리적일 수 있습니다. 반대로 병목 공정의 핵심 설비처럼 정지 한 번이 납기 전체를 흔드는 곳이 첫 적용 대상으로 알맞습니다.
안전과 규격, AI 경보는 안전장치가 아니다
이상탐지 시스템은 "점검이 필요하다"는 신호를 주는 도구일 뿐, 위험을 멈추는 안전 기능이 아닙니다. 비상정지·인터록·과부하 보호처럼 사람과 설비를 지키는 기능은 이상탐지와 별개로 유지해야 하며, AI 경보가 있다는 이유로 이 장치들을 줄이거나 우회해서는 안 됩니다.
설치와 점검 과정의 위험도 짚어야 합니다. 회전체 가까이에 센서를 붙이거나 배선을 손볼 때는 설비를 멈추고 에너지원을 차단·잠금한 상태에서 작업해야 합니다. 경보가 울렸을 때 운전 중인 설비에 곧바로 접근하지 않도록, 경보 이후의 확인 절차를 미리 문서로 정해 두는 것이 좋습니다.
설비가 네트워크에 연결되는 만큼 데이터 무결성도 관리 대상입니다. 2025년 리뷰는 센서 데이터가 장비 결함이나 사이버 공격으로 왜곡되면 고장 예측이 틀리거나 누락될 수 있다고 지적했습니다.
규격 측면에서는 ISO 17359처럼 설비 상태감시·진단 체계의 일반 지침을 다룬 국제표준이 있습니다. 상태감시 체계를 설계할 때 참고 기준으로 삼을 수 있습니다.
현장 적용이 멈추는 네 가지 실패 포인트
2025년 발표된 체계적 문헌 리뷰는 2020~2024년에 나온 머신러닝 예지보전 논문 60편을 분석했습니다. 이 가운데 40편은 실제 현장에서 운영 중이었고, 4편은 공장 데이터를 사후 분석하는 데 그쳤으며, 16편은 시험대·시뮬레이션·공개 데이터 수준에 머물렀습니다. 분석 대상이 연도별로 인용이 많은 논문을 골라 구성한 표본인 만큼, 이 비율을 산업 전체의 도입률로 읽을 수는 없습니다. 대신 리뷰는 실가동에 이른 40편에서 공통으로 나타난 구성을 정리했는데, 그 구성을 거꾸로 보면 현장 적용이 멈추는 지점이 보입니다.
정확도 숫자의 착시
고장 데이터가 드문 환경에서는 "모두 정상"이라고만 답해도 정확도가 높게 나옵니다. 같은 리뷰는 정상·고장 비율을 밝히지 않은 높은 정확도 수치가 오해를 부를 수 있다고 지적했습니다. 검증할 때는 놓친 고장(미탐)과 헛경보(오탐)를 따로 세어 봐야 합니다.
정상 기준의 노후화
제품이나 공정 조건이 바뀌면 "평소 모습"도 바뀝니다. 학습 시점의 정상 기준을 그대로 두면 오경보가 쌓이고, 현장은 곧 경보를 무시하기 시작합니다.
설명 없는 경보
왜 이상인지 설명하지 못하는 경보는 정비 담당자를 움직이지 못합니다. 어떤 센서와 특징값이 반응했는지 함께 보여 주는 화면이 신뢰를 만듭니다.
경보와 작업지시의 단절
경보가 모니터에만 뜨고 정비 계획으로 이어지지 않으면 시스템은 감시 화면에 머뭅니다. 누가, 언제까지, 무엇을 확인하는지가 경보와 함께 정해져야 합니다.
리뷰가 실가동 사례에서 공통으로 찾은 구성은 앞의 실패 포인트 중 세 가지와 맞물립니다. 표준 통신으로 데이터를 실시간 수집하는 파이프라인, 데이터 변화가 감지되면 다시 학습하는 모델 운영 체계, 기술자가 경보를 이해하도록 돕는 설명 기능, 그리고 예측 결과를 CMMS 작업지시로 바로 넘기는 연결입니다.
정기점검을 버리지 않는 혼합 운영
AI 이상탐지를 도입한다고 기존 정기점검을 한 번에 없앨 필요는 없습니다. 오히려 두 방식을 겹쳐 운영하는 기간이 모델을 검증하는 현실적인 방법입니다.
- 병행 검증: 정기점검 결과와 AI 경보를 대조해, 경보가 실제 이상과 맞았는지 판정 기록을 남깁니다.
- 설비별 차등: 정지 손실이 큰 핵심 설비는 상태 기반으로, 나머지는 주기 기반으로 운영합니다.
- 주기 조정: 판정 기록이 쌓여 신뢰가 확인된 설비부터 정기점검 주기를 조정합니다.
특징값을 자동으로 만들어 주는 AutoML 도구를 쓰는 것도 선택지입니다. 데이터 분석 인력이 없는 현장에서 초기 모델링 시간을 줄여 주지만, 자동 생성된 특징이 실제 고장 현상과 맞는지는 설비를 아는 사람이 확인해야 합니다. 라이선스 방식에 따라 운영비 구조도 달라지므로 계약 전에 함께 따져 보는 것이 좋습니다.
센서보다 먼저 정할 것은 "경보 이후의 행동"이다
비지도 이상탐지는 고장 이력이 부족한 중소 현장이 예지보전을 시작할 수 있는 현실적인 방법입니다. 정상 데이터로 평소 모습을 학습하고, 그 범위를 벗어나는 신호를 잡아냅니다.
다만 성패는 알고리즘 선택보다 운영 설계에서 갈립니다. 고장 모드에 맞는 신호를 고르고, 오경보 대응과 재학습을 운영비에 포함하고, 경보가 작업지시로 이어지는 연결을 먼저 만들어야 합니다. AI 경보는 점검을 부르는 신호이지 안전장치를 대신하지 않는다는 원칙도 함께 지켜야 합니다.
첫걸음으로는 정지 손실이 가장 큰 설비 한 대를 골라, 그 설비가 지금까지 어떤 방식으로 멈춰 왔는지부터 정리해 보시길 권합니다. 그 목록이 센서 선정과 경보 기준의 출발점이 됩니다.
참고문헌
- Tsallis, C.; Papageorgas, P.; Piromalis, D.; Munteanu, R.A. "Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future Directions." Applied Sciences, MDPI. 2025.04.28. https://www.mdpi.com/2076-3417/15/9/4898.
- Panza, M.A.; Pota, M.; Esposito, M. "Anomaly Detection Methods for Industrial Applications: A Comparative Study." Electronics, MDPI. 2023.09.20. https://www.mdpi.com/2079-9292/12/18/3971.
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.