예지보전 모델이 미래 정보를 몰래 배우지 않게 하는 법

예지보전 모델이 시험에서 거의 완벽하다면 먼저 미래 정보가 섞였는지 확인해야 합니다. 고장 이후 생성된 정비 기록을 입력에 넣으면 모델은 실제 현장에 없는 단서를 배우게 됩니다.

실제 가용 시각을 따진다

예측 시점에 실제로 볼 수 있었던 데이터만 입력으로 허용합니다. 고장 직전에 작성된 작업 지시, 사후 진단 코드, 정비 완료 시각은 서로 다릅니다. 각 필드가 언제 생성되고 언제 시스템에 들어오는지 데이터 계보를 그려야 합니다.

시간 순서로 평가를 나눈다

무작위로 행을 나누면 같은 설비의 인접 시점이 학습과 시험에 섞일 수 있습니다. 시간 순서를 지키고 설비 단위로도 분리해 일반화 성능을 봅니다. 누적 통계나 결측값 보간도 각 학습 구간 안에서만 계산해야 합니다.

행동 가능한 예측을 정의한다

평가할 때는 ‘고장 7일 전 경고’처럼 행동 가능한 예측 시점을 정의합니다. 고장 5분 전에 맞혔다고 해도 부품을 주문할 시간이 없으면 가치가 낮습니다. 경고 후 실제 조치를 할 수 있는 여유와 오경보 수를 함께 봅니다.

현장과 이상 점수를 검토한다

원인 분석은 이상 점수가 급상승한 샘플 몇 개를 현장 정비사와 함께 보는 것으로 시작합니다. 센서 교체나 점검 주기 변경이 점수에 영향을 줬는지 살핍니다. 모델 지표가 좋아도 조치가 불가능하면 파일럿을 수정해야 합니다.

새 설비에서는 조심스럽게 시작한다

새 설비를 붙일 때 기존 설비의 점수 기준을 그대로 복사하지 않습니다. 센서 범위와 운전 조건이 다를 수 있습니다. 초기에는 검토 전용 모드로 운영하고 정비 결과가 쌓일 때까지 자동 정지를 금지하는 편이 안전합니다.

현장에 적용할 때의 순서

1. 예측 시각별 입력 가용성 표 작성
2. 시간·설비 경계로 평가셋 분리
3. 경고 선행시간과 조치 가능성 시험

주의할 실패: 사후 정비 코드가 입력에 섞여 성능이 부풀음

관찰할 지표: 고장 전 유효 경고율과 오경보 건수

적용 전 체크리스트

• 입력 필드의 실제 가용 시각 기록
• 시간·설비 단위 분리 평가
• 행동 가능한 경고 선행시간 측정

참고 자료

scikit-learn — TimeSeriesSplit. 시간 순서에 따른 평가의 기본은 scikit-learn 공식 문서를 참고했습니다. 설비별 검증과 가용 시각 점검은 실무 제안입니다.

이미지와 도식은 이해를 돕기 위한 개념 시각화입니다. 특정 고객의 실제 설비·데이터·화면을 재현한 것이 아닙니다.

#예지보전 #데이터누수 #시계열검증 #설비AI #스마트팩토리 #네이처프랙탈 #모델평가 #정비계획 #센서데이터 #현장적용