설비의 에너지 효율을 시계열로 분석하는 일을 하면서 이상 탐지 모델을 만들게 됐다. 부품을 하나하나 들여다보는 쪽은 아니지만, 제조업 AX 분야에서 많이 쓰일 것 같아서 찾아보게 됐다.
「예지보전」이라는 키워드를 들고 지금 하는 일에 적용할 수 있을지 확인하려던 것이 시작이었다. 그런데 찾아보고 나니 내가 하려던 건 예지보전이 아니었다.
Table of contents
Open Table of contents
보전 방식은 네 가지로 나뉜다
| 방식 | 하는 일 | 문제 |
|---|---|---|
| 사후보전 (BM) | 고장 나면 고친다 | 비용은 적게 들지만 갑작스러운 라인 정지로 손실을 본다 |
| 예방보전 (PM) | 정해진 주기마다 점검하고 부품을 교체한다 | 고장은 줄지만 멀쩡한 부품도 교체하는 낭비가 생긴다 |
| 상태기반보전 (CBM) | 센서로 상태를 보다가 값이 기준을 넘으면 정비한다 | — |
| 예지보전 (PdM) | 상태 데이터의 패턴을 학습해 언제 고장날지 예측하고 정비 시점을 최적화한다 | — |
여기까지 읽고 나서야 알았다. 설비 이상 탐지에 예지보전을 도입하려는 줄 알았는데, 내가 생각하고 있던 건 상태기반보전이었다.
기준을 넘으면 알린다는 것과, 언제 넘을지를 미리 맞힌다는 것은 다른 일이다. AX 를 하려면 예지보전을 더 정확하고 자세히 알아야겠다는 생각이 들었다.
예지보전은 다섯 단계로 간다
- 데이터 수집 — 센서 데이터, 설비 가동 이력, 정비 이력을 모은다
- 이상 탐지 — 정상 상태와 다른 패턴이 나타나는지 감지한다
- 고장 진단 — 어떤 부품에 어떤 유형의 문제가 생겼는지 판단한다. 내가 하는 일로 치면 특정 설비에서 평소보다 연료 사용량이 많아지는 상황을 생각할 수 있다
- 잔존수명(RUL) 예측 — 고장까지 남은 시간을 추정한다
- 정비 의사결정 연동 — 예측 결과를 정비 계획이나 설비보전관리시스템, MES 등과 연결해서 실제 작업 지시로 이어지게 한다
실무에서는 어디까지 쓰일까
현장에서 「예지보전」이라고 부르는 프로젝트 중 상당수는 2단계인 이상 탐지까지만 구현하는 경우가 많다고 한다.
잔존수명 예측은 고장 이력 데이터가 충분히 쌓여야 하는데, 잘 관리되는 설비일수록 고장 데이터가 적어서 어렵다. 그래서 파일럿 단계에서는 이상 탐지와 조기 경보로 시작하고, 데이터가 쌓이면서 진단과 수명 예측으로 확장하는 경우가 일반적이라고 한다.
정확도는 쓸 수 없는 지표다
고장은 드물게 일어나기 때문에 성능 지표로 정확도(accuracy)는 적합하지 않은 경우가 많다. 항상 정상이라고 예측해도 정확도가 99% 가 나올 수 있다.
예지보전에서는 다른 것들을 더 중요하게 본다.
- 고장을 얼마나 놓치지 않았는지 (재현율)
- 오경보가 얼마나 잦은지
- 고장 며칠 전에 경보를 냈는지 (리드 타임)
내 경우로 생각했을 때는 센서 데이터, 가동 기록, 정비 이력을 통해 학습해서 이상을 탐지할 수 있을 것 같다.
더 공부해볼 것
- 잔존수명(RUL) 예측 모델 — 고장 데이터가 적을 때 어떻게 접근하는지. NASA 의 C-MAPSS 터보팬 데이터셋이 이 분야 벤치마크로 자주 쓰인다
- 이상 탐지 기법 비교 — 통계 기반(관리도 · 임계값), 머신러닝(Isolation Forest · One-Class SVM), 딥러닝(오토인코더 · LSTM) 중 시계열 설비 데이터에 무엇이 맞는지
- 리드 타임을 어떻게 평가하는가 — 「고장 며칠 전에 경보를 냈는가」를 지표로 만들려면 정답 시점을 어떻게 정의해야 하는지. 재현율·정밀도처럼 표준화된 정의가 있는지 확인이 필요하다
- 불균형 데이터 다루기 — 고장이 1% 도 안 되는 데이터에서 재현율을 올리면 오경보가 같이 는다. 그 맞바꿈을 어디서 끊을지 정하는 방법
- ISO 13374 · ISO 17359 — 상태 감시와 진단의 국제 표준. 위에 정리한 5단계가 표준에서는 어떤 용어로 불리는지 대조해보고 싶다