모터 진동을 분석해 고장 징후를 찾는 모델을 만들었다고 하자. 검증 보고서에는 정확도 98%가 적혀 있다. 현장에 배포하자 경보는 계속 울리지만 정비팀은 점차 알림을 무시한다. 어느 날 실제 베어링 문제가 생겼고, AI는 며칠 전 이미 위험 신호를 냈다. 그래도 설비는 멈췄다. “모델이 맞혔는데 왜 다운타임은 줄지 않았을까?”
예지보전(Predictive Maintenance)의 목표는 고장 날짜를 퀴즈처럼 맞히는 것이 아니다. 정비 가능한 시간에, 믿을 만한 신호를, 필요한 사람에게 전달해, 필요한 조치를 마치고, 결과를 확인하는 것이다. 최근 NIST의 산업 AI 구현 가이드는 좋은 성능 수치가 현장 효과를 보장하지 않으며, 오경보와 정비 일정 미연계가 오히려 운영을 해칠 수 있음을 사례로 짚는다. 이번 글은 모델 뒤에 빠져 있는 운영 고리를 구체적으로 살펴본다.
예측 점수와 정비 결정은 다른 산출물이다
AI 모델은 보통 “앞으로 특정 기간에 고장이 날 확률” 또는 “현재 패턴이 정상과 얼마나 다른지”를 출력한다. 그러나 정비팀이 알아야 할 것은 훨씬 많다. 어느 설비·어느 부품인지, 어떤 증거가 바뀌었는지, 언제까지 확인해야 하는지, 멈추지 않고 점검할 수 있는지, 필요한 부품과 사람이 있는지가 빠져 있으면 점수는 행동으로 바뀌지 않는다.
예를 들어 베어링 이상 확률이 0.8이라고 해도, 오늘 야간에 점검할지 다음 정기 정지 때 교체할지는 설비 중요도와 고장 시 피해, 부품 조달 기간, 작업 위험도에 따라 달라진다. 따라서 모델 출력은 곧바로 설비 정지 명령이 아니라 정비 의사결정을 위한 근거로 다뤄야 한다. 특히 안전과 생산에 영향을 주는 조치는 현장 책임자의 승인과 기존 절차를 거쳐야 한다.
정확도 98%가 현장을 안심시키지 못하는 이유
고장 사건이 드문 설비에서는 대부분의 시간을 “정상”이라고 답하기만 해도 정확도가 높다. 그래서 모델 전체 정확도 하나보다 실제로 울린 경보 중 유효했던 비율, 놓친 고장, 일정 기간의 경보 건수, 경보를 받은 뒤 실제로 대응할 수 있었는지를 따져야 한다. NIST 가이드의 사례도 높은 수치만 보고 판단했을 때 드문 결함과 오경보의 현장 영향을 놓칠 수 있음을 경고한다. 이 사례의 수치를 우리 공장의 기대 성능으로 일반화해서는 안 된다.
예를 들어 하루에 설비 500대가 각각 한 번씩 평가되고 정상 건에 대한 오경보율이 2%라면, 단순 계산상 정상 평가에서만 하루 약 10건의 잘못된 알림이 나올 수 있다. 이는 설명을 위한 가상 계산이다. 실제 알림 건수는 평가 주기, 같은 설비의 중복 경보 묶기, 운전 상태, 고장 발생률에 따라 크게 달라진다. 중요한 질문은 “2%가 낮은가”가 아니라 정비팀이 그 양을 처리하고도 진짜 이상을 놓치지 않는가다.
또 하나는 평가 단위다. 1초마다 점수를 내면 하나의 이상 징후가 수천 건의 양성 판정으로 집계될 수 있다. 현장은 대개 센서 샘플이 아니라 설비별 사건(event)을 처리한다. 연속된 양성 판정을 하나의 사건으로 묶고, 작업지시와 연결된 건을 기준으로 성능을 계산해야 모델 실험과 운영 지표가 가까워진다.
늦게 맞힌 경보는 쓸모가 없을 수 있다
예지보전에서 가장 중요한 시간은 단순한 “고장 전 며칠”이 아니라 조치에 필요한 리드타임이다. 부품 배송에 3일, 설비 정지 승인에 1일, 작업에 반나절이 걸리는데 경보가 고장 2시간 전에 나오면 분류상 ‘정답’이어도 예방 정비는 어렵다. 반대로 6개월 전에 너무 일찍 울리면 문제의 확실성이 낮아지고 정비 우선순위에서 밀릴 수 있다.
평가할 때는 각 고장 사건에 대해 “최초 유효 경보가 언제였는지”를 기록하고, 최소 조치 가능 시점과 너무 이른 경보의 상한 사이에 들었는지 본다. 이 구간은 설비마다 다르다. 계획정지가 가능한 생산라인과 24시간 돌아가는 핵심 펌프, 예비 설비가 있는 장비는 리드타임이 다르다. 모델 성능표에 ‘유효 리드타임 안의 탐지율’을 추가하면 현실적인 비교가 된다. NIST의 산업 유지보수 평가 문헌 검토도 경보 시점과 유지보수 조치의 연결을 평가 요소로 다룬다.
경보 임계값은 모델팀 혼자 정할 수 없다
모델 점수의 임계값을 낮추면 이상을 더 빨리 잡을 가능성이 커지지만, 정상 설비의 경보도 늘어날 수 있다. 높이면 경보 부담이 줄어드는 대신 중요한 신호가 늦거나 빠질 수 있다. 여기에 설비 중요도별 피해가 다르다. 라인 전체를 멈추는 병목 설비와 예비기가 있는 설비에 같은 임계값을 적용할 이유가 없다.
실무에서는 경보를 한 단계로만 나누기보다 관찰 → 점검 요청 → 정비 계획 → 긴급 대응처럼 행동 수준으로 나누는 편이 유용하다. 단, 각 수준의 근거와 책임자를 정해야 한다. 관찰 단계는 추가 데이터 수집과 현장 확인, 점검 요청은 담당자 배정과 기한, 정비 계획은 부품·생산 일정 확인, 긴급 대응은 기존 안전 절차에 따른 승인처럼 연결한다. ‘고위험’이라는 빨간 배지만 만들면 사용자가 무엇을 해야 하는지 여전히 모른다.
중복 경보 억제도 중요하다. 한 모터의 진동·온도·전류가 동시에 튀면 세 건의 업무가 아니라 하나의 설비 사건일 수 있다. 경보 묶기, 재알림 간격, 담당자 확인(acknowledgement), 상태 해제 규칙을 정하면 알림 피로를 줄일 수 있다. 그러나 무작정 알림을 숨기면 새로운 고장을 놓칠 수 있으므로 억제 규칙 자체도 기록하고 검토해야 한다.
작업지시 시스템과 이어져야 예측이 일한다
Microsoft의 예지보전 참조 아키텍처는 센서 데이터만이 아니라 설비 메타데이터, 정비 이력, 기술자 근무 일정, 부품 비용·재고를 함께 다루고 현장 알림과 정비 워크플로로 연결한다. 제품별 구현은 달라도 방향은 같다. 예측 신호와 실제 정비 자원이 한 화면에서 만나는 구조가 필요하다.
경보가 생성될 때 최소한 설비 식별자, 시각, 이상 신호의 근거 구간, 모델 버전, 위험 수준, 권장 확인 기한을 남긴다. 현장 담당자는 이를 수락·보류·기각할 수 있어야 하고, 왜 그렇게 판단했는지 기록할 수 있어야 한다. 수락된 건은 CMMS/EAM 같은 정비 시스템의 작업지시로 이어지고, 담당자·부품·안전 절차·계획 정지시간이 정해진다. 완료 후에는 실제 결함 여부, 교체 부품, 작업시간, 생산 영향이 다시 데이터로 돌아와야 한다.
모델이 고장을 맞혔지만 작업지시가 생성되지 않았다면 문제는 모델 밖에 있다. 작업지시는 있었지만 부품이 없었다면 조달 문제다. 부품이 있었지만 정비 시간이 없었다면 생산 계획과 조정해야 한다. 경보부터 결과까지 하나의 식별자로 이어 두면 실패 원인이 보인다. OPC UA의 자산 관리 기본 규격은 예정·미완료 정비 활동과 과거 정비 이력을 설비 이벤트로 표현하는 방식을 정의한다. 표준이 작업지시 시스템을 대신하진 않지만, 설비 상태와 정비 활동을 연결하는 공통 언어로 참고할 수 있다.
모델 지표보다 한 단계 바깥의 운영 지표
성능 대시보드에는 아래 두 층을 분리해 두는 것이 좋다. 첫째는 모델·경보의 품질이다. 둘째는 정비 프로세스의 결과다. 첫째가 좋아도 둘째가 좋아지지 않으면 투자 목적이 달성되지 않은 것이다.
| 층 | 확인할 지표 | 해석할 때 주의할 점 |
|---|---|---|
| 모델·경보 | 고장 사건별 탐지율, 경보 적중률, 유효 리드타임, 설비당 주간 경보 수 | 샘플 단위 점수와 사건 단위 성과를 혼동하지 않기 |
| 사람·업무 | 경보 확인 시간, 작업지시 전환율, 기각 사유, 정비 기한 준수율 | 전환율이 무조건 높다고 좋은 것은 아님 |
| 설비·사업 | 계획 외 다운타임, 불필요 점검시간, 부품 대기, 생산 손실 | 계절·가동률·제품 믹스 변화를 보정하기 |
ROI도 단순히 “고장 몇 건을 맞혔다”로 계산하지 않는다. 피한 다운타임과 불량·안전 위험의 감소에서, 센서·시스템·정비 인건비와 불필요 점검·교체 비용을 뺀다. 이 값은 반사실적 가정이 필요해 불확실하다. 가능하면 비슷한 설비군을 단계적으로 적용하고, 적용 전후의 운전 조건을 함께 기록해 효과를 추정한다. 모델이 끼어든 뒤 실제 정비가 이루어졌다면 자연 고장 결과를 관측할 수 없으므로, ‘적중’ 판정에도 현장 진단 기준이 필요하다.
작게 시작하되, 끝까지 연결하는 파일럿
- 대상을 좁힌다. 고장 비용이 크고 상태 데이터·정비 이력이 남는 설비군 한 종류부터 시작한다. 설비마다 고장 모드가 다르면 한 모델로 묶지 않는다.
- 결정 시점을 정한다. 며칠 전에 어떤 조치를 할 수 있는지, 부품과 정지 승인에 얼마가 걸리는지 현장과 합의한다.
- 그림자 운영을 한다. 처음부터 자동 작업지시나 정지를 실행하지 않고 모델 경보와 실제 사건을 나란히 기록한다.
- 경보 정책을 설계한다. 임계값, 중복 묶기, 심각도, 담당자, 확인 기한, 에스컬레이션을 문서화한다.
- 작업지시를 연결한다. CMMS/EAM에 경보 근거와 설비 ID를 넘기고 정비 결과를 되돌려 받는다.
- 현장 성과로 재평가한다. 유효 리드타임, 불필요 점검, 계획 외 정지, 부품 대기시간을 보고 임계값과 프로세스를 조정한다.
예지보전 AI는 모델의 정답률을 높이는 프로젝트로 시작할 수 있지만, 성공 여부는 정비팀이 신뢰하고 행동할 수 있는 경보를 만들었는지에서 결정된다. 센서 → 예측 → 경보 → 사람의 판단 → 작업지시 → 정비 결과가 이어져야 설비가 멈추기 전에 움직일 수 있다. 정확한 예측보다 더 어려운 것은 예측을 제때 실행 가능한 업무로 바꾸는 일이다.
#예지보전 #PredictiveMaintenance #산업AI #스마트팩토리 #설비관리 #상태기반정비 #이상탐지 #오경보 #경보피로 #CMMS #작업지시 #제조AI #설비다운타임 #산업데이터
