예지보전 (Predictive Maintenance)
쉽게 풀면
설비를 관리하는 방식은 크게 세 가지로 나뉩니다. 고장이 난 뒤에야 고치는 "사후정비", 고장 여부와 상관없이 정해진 주기마다 부품을 교체하는 "예방정비", 그리고 설비의 실제 상태를 센서로 계속 지켜보다가 고장 조짐이 보일 때만 정비하는 "예지보전"입니다.
예를 들어 모터에 진동 센서를 붙여두면, 베어링이 마모되기 시작할 때 진동 패턴이 미세하게 달라집니다. 예지보전은 이 변화를 인공지능 모델로 학습해서 "앞으로 며칠 안에 이 부품이 고장 날 가능성이 높다"고 미리 알려주는 방식입니다. 필요 없는 부품 교체를 줄이면서도 갑작스러운 고장은 예방할 수 있다는 점이 핵심입니다.
왜 중요한가
예지보전은 제조업, 발전설비, 철도, 항공기 등 고가 설비를 다루는 산업에서 예상치 못한 고장으로 인한 가동 중단 비용을 줄이는 실질적 이익과 직결되기 때문에 공학 논문에서 활발히 다뤄집니다. 또한 센서 데이터를 다루는 시계열 분석, 이상탐지, 딥러닝 모델 연구와도 자연스럽게 연결되어, 산업공학·기계공학뿐 아니라 데이터과학 분야에서도 응용 사례로 자주 등장합니다.
어떤 절차인가
- 데이터 수집: 진동, 온도, 전류, 음향, 압력 등을 센서로 모읍니다.
- 처리와 특징 추출: 잡음을 제거하고 통계량(RMS, 첨도)이나 주파수 성분 같은 상태 지표를 만듭니다.
- 진단과 예측: 지금 이상이 있는지(이상탐지·진단)와 앞으로 얼마나 더 쓸 수 있는지(잔존유효수명, RUL 예측)를 모델로 추정합니다.
- 정비 의사결정: 예측 결과로 정비 시점과 방식을 정합니다.
상태를 보고 정비하는 상태기반정비(CBM)는 대개 ‘데이터 수집–데이터 처리–정비 의사결정’ 세 단계로 설명됩니다(Jardine et al., 2006). 예지보전은 여기에 고장까지 남은 시간의 예측을 더한 개념으로 쓰이는 경우가 많으나, 두 용어를 거의 같은 뜻으로 쓰는 문헌도 있습니다.
언제 쓰고 무엇을 얻나
- 잘 맞는 경우: 고장 비용이 크고, 부품이 급격히 망가지기보다 서서히 열화하며 그 징후가 센서에 나타나는 설비(베어링, 터빈, 모터).
- 어려운 경우: 예고 없이 갑자기 생기는 무작위 고장, 고장 이력(라벨)이 부족한 설비.
- 얻는 것: 불필요한 교체를 줄이고 돌발 고장에 따른 가동 중단을 줄이는 것.
RUL 예측을 평가할 때 NASA의 C-MAPSS 터보팬 엔진 모의 자료(Saxena et al., 2008)와 함께 쓰이는 점수 함수는 늦은 예측을 더 무겁게 벌줍니다. 예측 RUL − 실제 RUL을 d라 할 때 d < 0(일찍 예측)이면 e−d/13 − 1, d ≥ 0(늦게 예측)이면 ed/10 − 1입니다. 가상의 예로 d = −10이면 1.16, d = +10이면 1.72로 같은 크기의 오차라도 늦게 맞히는 쪽이 더 큰 벌점입니다.
논문에는 이렇게 적는다
- 데이터 출처(실제 설비 또는 모의 자료), 센서와 표본 주기, 고장 정의, 라벨 방식을 밝힙니다.
- 학습·검증·시험 분할은 설비(엔진) 단위로 나눕니다. 같은 설비의 시점들이 학습과 시험에 섞이면 성능이 부풀려집니다.
- 지표는 RUL의 RMSE와 점수 함수, 이상탐지는 정밀도·재현율과 경보까지의 선행 시간을 보고하고, 비교 기준(단순 규칙, 기존 모델)을 둡니다.
- 정비 비용 절감 효과를 주장하려면 경보 오류의 비용(오경보, 미탐지)까지 따져야 합니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 "설비의 진동 데이터에서 특징을 뽑아 딥러닝 모델에 학습시켜, 부품이 앞으로 얼마나 더 사용 가능한지를 미리 예측하는 유지보수 방법을 새로 만들었다"는 뜻입니다.
발전설비 분야에서 이상탐지 기법을 예지보전에 적용한 사례로, 다양한 센서 신호를 통합해 고장 조짐을 미리 포착했다는 뜻입니다.
조금 더 깊게 보면
예지보전 논문을 읽을 때 자주 등장하는 핵심 개념이 잔존유효수명(RUL, Remaining Useful Life)입니다. 이는 현재 시점부터 부품이 실제로 고장 나기까지 남은 시간을 예측하는 수치로, 예지보전 모델의 성능을 평가하는 대표적 지표로 쓰입니다. 이 밖에도 진동 신호에서 주파수 성분을 분석하는 기법이나, 여러 센서 데이터를 결합해 설비 상태를 종합적으로 판단하는 센서 퓨전 방식이 함께 다뤄지는 경우가 많습니다.
주의할 점
예지보전은 고장모드영향분석와 목적이 다릅니다. FMEA는 설비를 가동하기 전에 "어떤 부품이 어떤 방식으로 고장 날 수 있는지"를 미리 분석해 설계에 반영하는 정성적 방법인 반면, 예지보전은 이미 가동 중인 설비에서 실시간 센서 데이터를 이용해 "실제로 언제 고장이 발생할지"를 정량적으로 예측하는 방법입니다.
헷갈리기 쉬운 용어
| 방식 | 정비 시점 | 특징 |
|---|---|---|
| 사후정비 | 고장 난 뒤 | 단순하지만 돌발 정지 비용 |
| 예방보전 | 정해진 주기마다 | 상태와 무관하게 교체해 낭비 가능 |
| 예지보전 | 상태 데이터로 예측한 시점 | 센서·모델이 필요함 |
| 고장모드영향분석(FMEA) | 가동 전 설계 단계 | 어떤 부품이 어떻게 고장 날지 미리 분석하는 정성적 방법 |
참고 문헌
- Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510.
- Saxena, A., Goebel, K., Simon, D., & Eklund, N. (2008). Damage propagation modeling for aircraft engine run-to-failure simulation. In Proceedings of the 2008 International Conference on Prognostics and Health Management.
- Lei, Y., Li, N., Guo, L., Li, N., Yan, T., & Lin, J. (2018). Machinery health prognostics: A systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing, 104, 799–834.
- Mobley, R. K. (2002). An Introduction to Predictive Maintenance (2nd ed.). Butterworth-Heinemann.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.