AI·IoT 예측정비 도입 가이드: 센서 구성부터 오경보 관리까지
예측정비가 줄이는 것은 고장보다 '준비 없는 정지'입니다
설비는 언젠가 멈춥니다. 중요한 것은 멈추는 시점을 고를 수 있느냐입니다. 부품과 인력이 준비된 상태에서 계획적으로 세우는 정지와 생산 도중 예고 없이 멈추는 정지는, 같은 수리라도 비용과 위험이 전혀 다릅니다.
AI·IoT 기반 예측정비가 주목받는 이유도 여기에 있습니다. 설비 상태를 계속 측정해 이상 징후를 미리 잡아내면, 정비를 "사건"이 아니라 "일정"으로 바꿀 수 있습니다.
다만 센서를 붙이고 대시보드를 만든 뒤에도 경보가 너무 자주 울리면 그 화면은 현장에서 금세 외면받기 쉽습니다. 이 글은 세 가지 보전 방식을 비교하고, 설비별로 방식을 섞어 쓰는 기준과 센서 구성, 비용 구조, 오경보 관리 포인트를 실무 관점에서 정리합니다.
사후·예방·예측보전, 정비 시점을 무엇으로 정하는가
세 방식의 차이는 기술 수준보다 "정비 시점을 결정하는 기준"에 있습니다. 고장 사실, 정해진 주기, 측정된 상태 가운데 무엇을 근거로 움직이느냐에 따라 비용과 위험의 모양이 달라집니다.
사후보전: 고장을 신호로 삼는 방식
고장이 난 뒤에 수리하는 방식입니다. 평소 관리 비용은 거의 들지 않지만 정지 시점을 통제할 수 없어, 긴급 부품 조달과 잔업, 주변 부품까지 번지는 연쇄 손상 위험을 함께 떠안게 됩니다.
- 적합 대상: 백업 설비가 있거나 고장 영향이 작은 보조 설비
- 전제 조건: 교체 부품을 미리 확보해 두어야 정지 시간을 줄일 수 있음
예방보전: 주기를 신호로 삼는 방식
가동 시간, 생산량, 기간처럼 정해진 주기에 맞춰 점검하고 교체하는 방식입니다. 계획 정비가 가능해 생산 일정이 안정되지만, 주기가 평균 수명을 기준으로 정해지기 때문에 아직 쓸 수 있는 부품을 바꾸거나 주기 사이에 생기는 고장을 놓칠 수 있습니다.
- 운영 기준: 가동시간 기준, 기간 기준, 생산량 기준
- 한계: 설비마다 다른 사용 조건과 열화 속도를 반영하기 어려움
예측보전: 측정된 상태를 신호로 삼는 방식
진동, 온도, 전류 등 설비 상태를 측정하고 열화 추세를 보며 정비 시점을 정하는 방식입니다. 2022년 발표된 예측정비 리뷰 논문은 상태기반보전(CBM), 고장예지·건전성관리(PHM), 잔여수명(RUL) 추정을 예측정비의 대표 모델로 분류합니다. 필요한 시점에만 정비해 불필요한 정지를 줄일 수 있지만, 센서와 데이터, 분석 역량이라는 새로운 전제 조건이 따라옵니다.
- 장점: 징후가 나타난 설비만 골라 계획 정비로 전환
- 전제 조건: 고장 모드와 측정 가능한 징후가 서로 연결되어 있어야 함
| 구분 | 사후보전 | 예방보전 | 예측보전 |
|---|---|---|---|
| 정비 시점 기준 | 고장 발생 | 정해진 주기 | 측정된 설비 상태 |
| 필요한 준비 | 예비 부품, 긴급 대응 인력 | 점검 주기표, 정비 이력 | 센서, 데이터 수집·분석 체계 |
| 주요 리스크 | 예고 없는 정지, 연쇄 손상 | 과잉 정비, 주기 사이 고장 | 오경보, 데이터 부족, 초기 투자 |
| 적합 설비 | 영향이 작거나 백업이 있는 설비 | 열화가 사용량에 비례하는 설비 | 고장 영향이 크고 징후 측정이 가능한 설비 |
예측정비 시스템의 구성: 센서에서 정비 결정까지
예측정비 시스템은 흔히 "센서 + AI"로 요약되지만, 실제로는 데이터가 여러 단계를 거쳐 정비 판단으로 바뀌는 흐름입니다. 앞서 언급한 리뷰 논문은 상태기반보전 시스템을 7개 모듈로 나누어 설명하는데, 이를 현장 언어로 옮기면 다음과 같습니다.
- 센서: 설비의 물리량을 디지털 데이터로 바꿉니다.
- 신호 처리: 잡음을 걸러내고 주파수 스펙트럼 같은 분석용 특징값을 만듭니다.
- 상태 감시: 측정값을 기준값과 비교해 한계를 넘으면 경보를 냅니다.
- 건전성 평가: 이력과 추세를 바탕으로 설비 상태가 나빠졌는지 진단합니다.
- 예지: 앞으로의 상태 변화와 잔여수명을 추정합니다.
- 의사결정 지원: 권장 조치와 대안을 제안합니다.
- 표시: 경보·진단·예측 결과를 운영 화면에 보여줍니다.
여기에 실제 정비 결과를 다시 시스템에 기록해 다음 판단을 개선하는 피드백 고리가 더해져야 운영이 완성됩니다. 정비 후 "실제로 무엇이 문제였는지"가 남지 않으면 모델은 같은 실수를 반복합니다.
고장 모드에서 출발하는 센서 선택
센서는 많이 다는 것보다 "어떤 고장을 잡을 것인가"에서 출발해야 합니다. 설비의 주요 고장 모드를 먼저 정하고, 그 고장이 어떤 물리량 변화로 먼저 드러나는지 연결하는 순서입니다.
- 진동: 베어링 손상, 축 정렬 불량, 불균형 등 회전 설비의 기계적 이상
- 온도·전류: 과부하, 윤활 불량, 모터 권선 이상 등 열·전기적 이상
- 압력·음향·오일 상태: 유공압 누설, 이상 소음, 윤활유 오염
분석 방식 선택: 임계값부터 잔여수명 예측까지
알고리즘은 정교할수록 좋은 것이 아니라 보유한 데이터의 양과 질에 맞아야 합니다. 고장 이력이 거의 없는 도입 초기에는 단순한 방식이 안정적으로 작동하는 경우가 많습니다.
- 임계값 방식: 제조사 권고값이나 경험값을 넘으면 경보를 냅니다. 구축은 빠르지만 운전 조건이 바뀌면 오경보가 늘기 쉽습니다.
- 통계적 이상 감지: 정상 구간의 분포를 학습해 벗어나는 값을 찾습니다. 고장 데이터 없이도 시작할 수 있습니다.
- 머신러닝·딥러닝 예측: 여러 센서 신호의 복합 패턴으로 고장 유형과 잔여수명을 추정합니다. 정상·이상 데이터가 충분히 쌓여야 신뢰도가 확보됩니다.
리뷰 논문은 잔여수명 추정이 어려운 이유로, 정비 판단의 효과가 예측 결과의 정확도에 그대로 좌우된다는 점을 듭니다. 그래서 예측값과 함께 그 확신 정도를 나타내는 신뢰 범위를 제시해야 한다고 봅니다. 현장에서도 "남은 수명 ○일"이라는 숫자 하나보다 불확실성 범위를 함께 보고 정비 일정을 잡는 운영이 필요합니다.
비용 구조: 센서 값보다 큰 '보이지 않는 비용'
예측정비 비용을 센서 단가로만 계산하면 예산이 크게 어긋납니다. 리뷰 논문은 센서 설치, 데이터 확보, 모델 구축과 유지, 정비 활동 자체를 모두 비용 항목으로 봅니다. 그 규모는 설비의 종류와 복잡도, 컨설팅·설치 비용, 전문 인력을 내부에서 확보할 수 있는지에 따라 달라진다고 설명합니다.
특히 놓치기 쉬운 것은 데이터 준비입니다. 같은 논문은 데이터 정제, 결측 처리, 특징 추출 같은 준비 단계가 **전체 프로젝트 시간의 70~90%**를 차지한다고 정리합니다. 장비 구매비보다 데이터를 다듬는 인력과 시간이 실제 일정과 비용을 좌우할 수 있다는 뜻입니다.
| 비용 항목 | 주요 내용 | 놓치기 쉬운 점 |
|---|---|---|
| 하드웨어 | 센서, 게이트웨이, 배선·설치 | 가동 중 설비라면 설치를 위한 정지 시간 확보 필요 |
| 소프트웨어 | 수집·분석 플랫폼, 구독료 | 연결 설비 수가 늘수록 요금 구조가 달라질 수 있음 |
| 데이터 준비 | 정제, 라벨링, 정비 이력 정리 | 프로젝트 시간의 대부분을 차지 |
| 모델 운영 | 재학습, 기준값 재조정, 성능 점검 | 도입 이후에도 계속 발생 |
| IT 통합 | 데이터 파이프라인, 기존 시스템 연동 | 초기 계획에서 빠지기 쉬움 |
투자 판단에 대해 논문은 예상 효과, 회수 기간, 비용을 함께 넣은 투자수익률(ROI) 추정을 권하며, 예측정비의 경제성 자체가 기업 규모와 업종에 따라 달라진다고 봅니다. "몇 개월 만에 회수" 같은 일반론보다 자사 설비의 비계획 정지 1회당 손실과 연간 발생 횟수를 먼저 따져 보는 편이 정확합니다. 정부 스마트공장 지원사업을 활용할 계획이라면, 지원 비율과 한도는 연도별로 바뀌므로 해당 연도 공고를 직접 확인해야 합니다.
오경보와 데이터 부족: 예측정비가 현장에서 멈추는 지점
예측정비 프로젝트가 막히는 지점은 대개 알고리즘보다 데이터와 운영에 있습니다. 리뷰 논문이 정리한 한계를 현장 관점으로 묶으면 세 가지입니다.
초기에는 '고장 데이터'가 없다
도입 초기에는 정상과 비정상을 비교할 실제 데이터가 부족하고, 신규 설비라면 운전 경험 자체가 없습니다. 논문은 이 단계에서 투자 부담이 특히 커진다고 지적합니다. 처음부터 고장 예측을 약속하기보다 상태 감시와 이상 감지로 시작해 데이터를 쌓는 접근이 현실적입니다.
센서 자체가 틀릴 수 있다
센서는 노이즈와 열화, 일시 중단, 고장을 겪습니다. 측정값을 그대로 믿으면 필요한 정비를 놓치거나 오경보가 쌓입니다. 오경보가 반복되면 현장은 경보를 무시하기 시작하고, 진짜 이상 신호도 함께 묻힙니다.
- 값 고정, 급변, 통신 끊김처럼 센서 자체의 이상을 감시하는 규칙을 따로 둡니다.
- 경보를 "확인 필요–정비 계획–즉시 조치"처럼 등급으로 나눕니다.
- 현장 확인 결과(실제 이상인지, 오경보인지)를 기록해 기준값과 모델 조정에 씁니다.
모델은 한 번 만들고 끝나지 않는다
운전 조건, 원자재, 설비 상태가 바뀌면 모델이 학습한 "정상"의 기준도 달라집니다. 논문은 배포 이후의 난관으로 모델의 통합, 모니터링, 업데이트를 꼽습니다. 검증 없이 새 데이터를 계속 학습시키면 이상값이 섞여 예측이 서서히 왜곡될 수 있고, 모델 개발 담당과 IT 담당이 분리되어 데이터 파이프라인 유지가 계획에서 빠지는 문제도 함께 지적합니다.
예측 결과가 나와도 정비는 사람이 합니다
예측정비의 안전 효과는 계획된 정지에서 나옵니다. 고장이 나서 서둘러 손을 대는 상황보다, 미리 일정을 잡고 정지 절차를 갖춘 상태에서 정비하는 편이 작업자 위험이 낮습니다.
제조 현장에서는 정비, 수리, 청소처럼 평소와 다른 작업 중 끼임 사고가 반복되고 있습니다. 고용노동부는 정비·점검 전 전원 차단, 기동장치 잠금과 표지 부착, 회전부 방호덮개 설치를 핵심 안전수칙으로 안내하고 있습니다. 예측정비를 도입할 때도 같은 원칙을 적용해야 합니다.
- 가동 중 설비에 센서를 설치하거나 교체하는 일도 정비 작업으로 보고 같은 정지·잠금 절차를 따릅니다.
- 원격 화면에 "정상"이 표시된다고 방호장치 확인이나 현장 점검을 생략하지 않습니다.
- 고장 시 인명 위험이 큰 설비는 예측 결과만으로 정비를 미루지 않고, 기존 점검 주기를 유지한 위에 예측정비를 더합니다.
혼합 운영: 설비 중요도에 따라 보전 방식을 나누는 법
모든 설비에 예측정비를 적용할 필요는 없습니다. 실무에서는 두 가지 질문으로 설비를 나누는 데서 출발합니다. "고장 나면 생산·안전 영향이 큰가", 그리고 "고장 전에 징후를 측정할 수 있는가"입니다.
- 영향이 작고 징후 측정이 어려운 설비: 사후보전으로 운영하되 예비 부품을 확보합니다.
- 영향이 작고 징후 측정이 가능한 설비: 예방보전에 휴대용 측정기를 이용한 정기 상태 점검을 더합니다.
- 영향이 크고 징후 측정이 가능한 설비: 상시 센서 기반 예측정비의 우선 대상입니다.
- 영향이 크고 징후 측정이 어려운 설비: 예방보전을 강화하고 백업 설비를 두는 이중화를 검토합니다.
이중화가 예측정비의 현실적인 대안이 될 수 있다는 점은 리뷰 논문의 원심 압축기 논의에서도 확인됩니다. 논문은 주 압축기가 고장 나거나 정비 중일 때 쓰는 예비 압축기 2대를 둔 이중화 사례를 소개하면서, 공장 입장에서는 효과가 검증되지 않은 예측 시스템 대신 이중화에 투자하는 선택이 나올 수 있다고 설명합니다. 예측정비는 이중화나 예방보전을 대체하는 방식이라기보다, 그 사이에서 정비 시점을 더 정확히 고르게 해 주는 수단에 가깝습니다.
예측정비의 출발점은 AI가 아니라 설비별 정비 기준입니다
사후·예방·예측보전은 우열의 문제가 아니라 정비 시점을 무엇으로 정하느냐의 차이입니다. 예측정비의 성패는 센서 개수보다 고장 모드 정의, 데이터 준비, 오경보 관리에 달려 있고, 비용도 장비 구매비뿐 아니라 데이터 준비, 모델 운영, IT 통합까지 함께 따져야 합니다.
첫걸음은 주요 설비 목록을 놓고 "고장 영향"과 "징후 측정 가능성" 두 질문으로 분류해 보는 일입니다. 그 가운데 영향이 크고 징후 측정이 가능한 설비를 골라, 주요 고장 모드와 측정할 물리량을 한 줄씩 연결해 보십시오. 지금까지의 정비 이력을 정리해 두는 작업도 함께 시작하면, 이후 어떤 시스템을 들이더라도 그 기록이 중요한 학습 데이터가 됩니다.
참고문헌
- Achouch, M.; Dimitrova, M.; Ziane, K.; Sattarpanah Karganroudi, S.; Dhouib, R.; Ibrahim, H.; Adda, M. "On Predictive Maintenance in Industry 4.0: Overview, Models, and Challenges." Applied Sciences 12(16), 8081, MDPI. 2022-08-12. https://www.mdpi.com/2076-3417/12/16/8081. (CC BY 4.0)
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.