▶️32분
[영상] 설비 진단 및 예지보전 ML 솔루션
Day 5: 설비 고장 예측 시스템
[영상] 설비 진단 및 예지보전 ML 솔루션
설비 예지보전 > Day 5: 설비 고장 예측 시스템
학습 목표
- 진동·온도·전류 다변량 결합 고장 예측 시스템 아키텍처를 설계할 수 있다
- 센서 레이어부터 CMMS 연동까지 예지보전 시스템의 구성 요소와 데이터 흐름을 그릴 수 있다
- MLOps 관점에서 예지보전 모델의 재학습(drift detection) 전략을 설명할 수 있다
- 고장 예측 결과를 CMMS와 연동하는 알림 파이프라인을 설계할 수 있다
영상 핵심 정리 — 실전 설비 고장 예측 시스템
[센서 레이어] 진동(10kHz) + 온도(1Hz) + 전류(100Hz)
↓
[수집·저장] Edge PLC → 시계열 DB (InfluxDB / TimescaleDB)
↓
[전처리] FFT 특징 추출 → 리샘플링 → 이상값 제거 → 정규화
↓
[예측 모델] Isolation Forest (이상 탐지) + LSTM (RUL 회귀)
↓
[의사결정] RUL <72h → 긴급 정비 / 7일 → 계획 정비 예약
↓
[CMMS 연동] Work Order 자동 생성 → 정비팀 Slack/SMS| KPI | 도입 전 | 도입 후 | 개선율 |
|---|---|---|---|
| 비계획 다운타임 | (측정) | (목표) | |
| 정비 비용 | (측정) | (목표) | |
| 고장 탐지율 | (측정) | (목표) | |
| 부품 재고 회전 | (측정) | (목표) |
도입 전 값을 먼저 재 두지 않으면 이 표는 채울 수 없다. 자료마다 도는 「고장 탐지율 45% → 89%」 같은 숫자는 설비 구성과 고장 라벨의 정의가 밝혀지지 않으면 서로 비교할 수 없다. 그래서 빈칸으로 둔다. 여러분 사업장의 값을 넣어 채우는 것이 이 시스템의 첫 일이다.
함정 주의: 모델을 한 번 배포하고 방치하면 공정 변경으로 인한 데이터 드리프트로 6개월 이내 성능 크게 저하. PSI를 월 1회 계산하고 0.25 초과 시 자동 재학습 트리거 연결. 재학습에 쓸 신규 데이터는 공정의 계절성과 제품 믹스 변화를 한 바퀴 담을 만큼 모아야 하는데, 그 한 바퀴가 몇 개월인지는 사업장마다 다르므로 일률적인 기준을 두지 않는다.
다음 task와의 연결
다음 task는 주간 프로젝트로, 실제 CMAPSS 또는 커스텀 센서 CSV로 전체 파이프라인(수집→전처리→모델→알림)을 직접 구현하는 설비 고장 예측 시스템을 완성한다.
AI로 학습하기 — 꿀팁
PSI 드리프트 임계값 검증AI 학습 팁
멀티 센서 앙상블의 탐지율 향상 주장과 PSI 기반 모델 드리프트 감지 임계값(0.25)의 근거를 AI에게 제조 데이터 시나리오로 검증받으세요.
예지보전 ML 솔루션에서 멀티 센서 앙상블이 단일 센서 대비 고장 탐지율을 15~25% 향상시킨다는 주장을 제조 데이터 시뮬레이션으로 검증해줘. PSI(Population Stability Index) >0.25가 모델 재학습 기준으로 사용되는 이유, 알림 임계값을 비용 비대칭(고장 비용 >> 오경보 비용)을 고려해 재현율 우선으로 설정하는 방법도 수치 예시와 함께 설명해줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • 멀티 센서 결합은 단일 센서가 놓치는 고장 유형을 덮는다 — 진동이 못 보는 권선 이상은 전류가, 윤활 이상은 온도가 먼저 잡는다
- • 모델 드리프트 감지: PSI(Population Stability Index) >0.25면 재학습
- • 알림 임계값은 비용 비대칭(고장 비용 >> 오경보 비용) 고려, 재현율 우선
- • 고장 라벨이 없는 초기에는 ISO 10816 같은 표준 기준값과 정상 데이터만 쓰는 One-Class 모델로 시작한다