Day 1: 예지보전 개론 & 센서 데이터 이해
예지보전 — 설비 고장 예측 시스템 > Day 1: 예지보전 개론 & 센서 데이터 이해
예지보전(PdM)이 제조 현장에 가져오는 임팩트를 체감한다 실제 도입 사례를 통해 학습 동기를 확보한다
"3번 전로 베어링 온도가 정상 범위를 벗어나고 있습니다."
새벽 2시. 제어실 모니터에 노란색 경고가 떴다. 아직 설비는 정상 가동 중이다. 알람도 없다.
하지만 AI 시스템은 72시간 후 베어링 고장을 예측했다.
[기존: 사후보전]
정상 가동 → 이상 징후 무시 → 갑작스런 고장 → 긴급 수리
결과:
├── 비계획 정지: 8시간 (부품 조달 + 수리)
├── 생산 손실: 약 15억 원 (제강 라인 1시간 = 2억 원)
├── 2차 피해: 인접 설비 손상
└── 안전 사고 위험[현재: 예지보전]
Day 0: AI가 72시간 후 고장 예측
├── 진동 패턴 이상 감지 (0.3mm/s → 0.8mm/s 추세)
├── 온도 상승 추세 (62도 → 68도, 3일간)
└── 유사 고장 이력 매칭 (2022년 5번 전로)
Day 1: 정비 계획 수립
├── 교체 부품 사전 발주
├── 정비 인력 배정
└── 생산 일정 조정 (야간 정비)
Day 2: 계획 정비 실행
├── 야간 4시간 정비 (vs 긴급 8시간)
├── 베어링 교체 완료
└── 다음 날 정상 가동| 지표 | 사후보전 | 예지보전 | 개선 |
|---|---|---|---|
| 비계획 정지 | 연 120시간 | 연 12시간 | 90% 감소 |
| 정비 비용 | 연 50억 원 | 연 20억 원 | 60% 절감 |
| 부품 재고 | 과다 보유 | 적시 발주 | 30% 절감 |
| 안전 사고 | 연 3건 | 연 0건 | 100% 제거 |
이번 주에 우리는 이 예지보전 시스템을 직접 만든다. NASA 터보팬 엔진 데이터로 **설비 잔여 수명(RUL)**을 예측하고, 정비 추천 시스템까지 구현한다.
예지보전 성공 사례의 '72시간 전 예측' 같은 수치는 미디어에서 과장될 수 있습니다. 실제 기술 한계와 비교해 검증하세요.
포스코 또는 유사 제강공장 AI 예지보전 사례에서 '고장 72시간 전 예측'이라는 수치가 인용됩니다. 이 수치의 신뢰성을 검증해주세요: (1) 현재 산업용 예지보전 AI의 기술적으로 검증된 평균 예측 리드타임 범위(IEEE/Springer 논문 기준), (2) '72시간 전 예측'이 가능하려면 필요한 센서 데이터 품질·모델 아키텍처·학습 데이터 규모 조건, (3) 이 수치가 과장됐을 경우 현장에서 잘못된 의사결정(부품 선발주, 생산 중단 등)으로 이어지는 리스크를 분석해주세요.