Skip to content
Park Hyoin PARKHYO.IN
Go back

예지보전인 줄 알았는데 상태기반보전이었다

Edit page

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

방식하는 일문제
사후보전 (BM)고장 나면 고친다비용은 적게 들지만 갑작스러운 라인 정지로 손실을 본다
예방보전 (PM)정해진 주기마다 점검하고 부품을 교체한다고장은 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

예지보전 5단계 — 데이터 수집에서 정비 의사결정 연동까지
  1. 데이터 수집 — 센서 데이터, 설비 가동 이력, 정비 이력을 모은다
  2. 이상 탐지 — 정상 상태와 다른 패턴이 나타나는지 감지한다
  3. 고장 진단 — 어떤 부품에 어떤 유형의 문제가 생겼는지 판단한다. 내가 하는 일로 치면 특정 설비에서 평소보다 연료 사용량이 많아지는 상황을 생각할 수 있다
  4. 잔존수명(RUL) 예측 — 고장까지 남은 시간을 추정한다
  5. 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

Edit page