제조 AI 예지보전, 센서보다 정비 기록이 먼저입니다

제조 AI 예지보전은 센서부터 구매하기보다, 이미 쌓인 정비 기록으로 반복 고장과 정지 손실이 큰 설비를 찾는 일부터 시작하는 편이 낫습니다. 다만 기록만으로 정확한 고장 시점까지 예측할 수 있는 것은 아닙니다. 이 글에서는 기록을 분석용 데이터로 바꾸는 방법, 첫 시범사업의 평가 기준, 센서를 추가해야 할 조건을 정리합니다.

정비 기록만으로 어디까지 할 수 있나요?

정비 기록만으로 먼저 할 수 있는 일은 반복 문제를 찾고 점검 우선순위를 정하는 것이며, 고장 시점 예측은 고장 전 정보가 확보된 뒤 판단해야 합니다.

“이번에도 같은 모터인데, 지난번에는 뭘 교체했죠?” 라인이 멈춘 순간에는 모델의 성능보다 이 질문에 답하는 시간이 먼저 문제가 됩니다. 작업지시서, 엑셀, 교대일지에 답이 흩어져 있다면 같은 설비의 문제와 조치를 연결하는 것부터 가치가 있습니다. 이것은 예지보전을 위한 기반 작업이지, 그 자체로 고장 예측 모델을 완성한 것은 아닙니다.

정비 이력은 대체로 고장이 난 뒤 작성됩니다. 따라서 “베어링 교체 후 정상”이라는 문장은 과거 원인 분석에는 쓸 수 있지만, 교체 전에 고장을 예측하는 입력으로 쓰면 안 됩니다. 정비 기록에 사전 점검 결과나 이상 증상 발견 시각이 남아 있는지에 따라 다음 단계가 달라집니다.

NIST의 정비시간 연구는 정비작업 기록에서 추출한 부품, 문제, 조치 정보를 이용해 작업 소요시간을 분석했습니다. 이는 고장 발생 시점 예측과 다른 과제입니다. 스마트팩토리 AI 제안서에서도 ‘고장 예측’, ‘정비시간 추정’, ‘유사 사례 검색’을 구분해서 요구해야 합니다.

어떤 설비와 기록부터 모아야 하나요?

첫 대상은 정지 손실이 크고 반복 문제가 있으며, 기록을 실제 설비와 연결할 수 있는 설비군으로 좁혀야 합니다.

공장 전체의 정비 데이터를 한꺼번에 모으면 설비 이름부터 맞추느라 시간이 갑니다. 같은 설비가 ‘2호 압축기’, ‘COMP-02’, ‘유틸 압축기’로 기록되어 있을 수 있습니다. 반대로 같은 ‘2호기’가 서로 다른 라인에 존재할 수도 있습니다. 이름의 유사성만으로 합치지 말고 설비대장과 현장 확인으로 고유 번호를 연결합니다.

후보를 고를 때는 세 가지를 함께 봅니다. 고장 나면 생산이 얼마나 멈추는지, 같은 문제가 다시 나타나는지, 설비 담당자가 기록의 의미를 확인할 수 있는지입니다. 사고 위험이 큰 설비는 기존 안전 점검을 유지하고, 첫 AI 시험을 그 점검의 대체 수단으로 삼지 않습니다.

NIST의 정비 KPI 연구는 작업지시서에 문제, 조치, 설비, 해결한 사람, 발생 시점 등이 담긴다고 설명합니다. 실제 분석에서는 여기에 고장 발생, 접수, 작업 시작, 작업 종료, 생산 재개 시각을 구분해서 확인해야 합니다. 작업 종료가 오후 3시여도 시운전 때문에 생산은 오후 4시에 재개될 수 있습니다.

예를 들어 최근 12개월 기록을 첫 검토 범위로 정할 수 있습니다. 이는 권장 최소량이 아니라 범위를 제한하기 위한 예시입니다. 계절이나 생산 품목에 따라 고장이 달라지면 더 긴 기간이 필요합니다. 건수가 많아도 실제 고장이 거의 없거나 설비 식별자가 빠졌다면 예측 학습에 충분한 자료라고 볼 수 없습니다.

작업자 이름은 처음부터 모델 입력에 넣지 않습니다. 기록 확인에 필요한 담당 부서나 역할로 대체할 수 있는지 검토합니다. 정비일지에는 생산 조건과 외주업체 정보도 들어 있으므로 외부 AI 입력 전에 반출 기준과 계약 조건을 확인해야 합니다.

자유롭게 적힌 정비일지는 어떻게 정리하나요?

자유서술은 원문을 보존하면서 부품, 문제, 조치로 나누고, 현장 담당자가 용어와 분류를 확인하도록 정리합니다.

가상의 기록을 보겠습니다. “2호 펌프 씰 누유, 씰 교환 후 시운전 정상”에서 부품은 씰, 문제는 누유, 조치는 교환과 시운전으로 나눕니다. 여기서 원인을 ‘씰 마모’로 채우면 안 됩니다. 원문에는 마모라는 진단이 없기 때문입니다. 추출과 추정은 별도 항목이어야 합니다.

NIST의 Nestor 연구는 정비 텍스트의 유사 표현을 묶고 부품, 문제, 조치에 맞는 분류를 붙이는 방법을 설명합니다. 특정 도구를 먼저 도입하기보다 이 구조를 우리 기록에 적용할 수 있는지 확인하는 것이 순서입니다.

‘BRG’와 ‘베어링’은 같은 부품으로 묶을 수 있지만, ‘소음’과 ‘진동’은 무조건 합치지 않습니다. 누군가는 소리로, 누군가는 진동계로 이상을 발견했을 수 있습니다. 관찰 방법까지 남겨야 나중에 어떤 센서가 필요한지 판단할 수 있습니다.

생성형 AI를 쓰면 분류 초안을 만드는 데 활용할 수 있습니다. 다만 결과마다 근거가 된 원문 구절을 함께 저장하고, 애매한 항목은 ‘확인 필요’로 보냅니다. 완료 기록과 진행 중 기록, 실제 고장과 계획 교체도 구분합니다. 계획 교체를 모두 고장으로 세면 고장 빈도가 부풀려집니다.

빈칸을 0으로 바꾸는 것도 피합니다. 정지시간이 비어 있다는 것은 무정지 작업이었다는 뜻이 아닙니다. 여러 작업지시서가 하나의 고장을 다룬다면 사건 하나로 묶되 개별 작업은 보존합니다. NIST의 데이터 품질 연구도 분석 목표에 맞춰 누락, 부정확한 값, 필요한 필드의 부재를 확인하도록 권고합니다.

정리한 기록으로 첫 AI 과제를 어떻게 정하나요?

첫 과제는 가장 큰 손실에 대응할 수 있는 업무를 고르되, 판단 시점에 실제로 알 수 있는 정보만 사용하도록 정해야 합니다.

반복 고장은 많지만 사전 징후가 없다면 고장 예측보다 점검 대상 추천이나 유사 정비 사례 검색부터 시작합니다. 복구시간의 상당 부분이 부품 대기라면 예비품 준비 기준을 개선하는 일이 먼저일 수 있습니다. AI를 쓰는 것이 목적이 아니라, 라인이 멈추는 시간을 줄일 수 있는 조치를 찾는 것이 목적입니다.

설비 고장 예측을 시험한다면 목표를 한 문장으로 적습니다. 예를 들어 “매주 월요일, 그때까지 확보한 점검 기록과 누적 운전시간으로 다음 7일 동안 확인할 설비를 추천한다”는 식입니다. 이 기간은 예시이며, 실제로 부품을 준비하고 점검 일정을 잡는 데 필요한 시간에 맞춰 정합니다.

여기서 고장이 없던 기간도 필요합니다. 고장 기록만 모으면 어떤 조건에서 정상 운전했는지 비교할 수 없습니다. 같은 기간에 설비가 멈춰 있었는지, 가동시간과 생산 부하가 어땠는지도 확인합니다. 정비일지가 없는 날을 자동으로 정상 운전일로 처리하지 않습니다.

검증은 과거 기간으로 학습하고 그 이후 기간으로 시험하는 방식으로 합니다. 같은 고장 사건에서 나온 여러 기록이 학습용과 시험용에 나뉘면 이미 본 사건을 맞히는 평가가 됩니다. 이후 작성된 원인 진단이나 교체 결과가 예측 입력에 섞이는지도 별도로 점검합니다.

AI와 비교할 기준도 필요합니다. ‘최근 고장이 반복된 설비부터 점검’ 같은 단순 규칙보다 낫지 않으면 복잡한 모델을 운영할 이유가 없습니다. 2025년 NIST 기술언어처리 보고서는 정비 텍스트와 수치형 센서 데이터의 결합 가능성을 다룹니다. 다만 외부 전문가의 관점을 정리한 보고서이며, 우리 설비에서의 성능을 보장하거나 NIST의 공식 입장을 제시하는 문서는 아닙니다.

시범사업은 무엇으로 평가하고, 센서는 언제 사나요?

시범사업은 실제 점검에 쓸 수 있는 경보와 대응 비용으로 평가하고, 센서는 놓친 고장의 사전 신호를 측정할 목적이 분명할 때 추가합니다.

“정확도 95%입니다”라는 보고만 받으면 안 됩니다. 고장이 드문 데이터에서는 늘 정상이라고 답해도 정확도가 높을 수 있습니다. 실제 고장 중 사전에 알린 비율, 경보 중 대응할 만한 이상이 확인된 비율, 주당 경보 수, 대응에 확보한 시간을 함께 기록합니다. 부품 조달에 이틀이 필요한데 고장 10분 전에 울리는 경보는 목적에 맞지 않습니다.

처음에는 설비를 자동으로 멈추지 않고 담당자에게 점검 후보만 제공합니다. 경보 시각, 확인 담당자, 현장 확인 결과, 조치, 이후 고장 여부를 남깁니다. 조치로 고장을 막았을 수도 있으므로 ‘경보 뒤 고장이 없었다’는 이유만으로 오경보라고 단정하지 않습니다. 현장에서 이상이 확인됐는지와 조치 근거를 함께 판단해야 합니다.

비용도 같은 기준으로 계산합니다. 가정상 연간 정지 12건, 건당 60분, 정지 1분의 회복 불가능한 손실을 5만원으로 잡으면 연간 손실은 3,600만원입니다. 그중 2건에서 각각 30분을 줄일 수 있다고 가정하면 기대 절감액은 300만원입니다. 연간 운영비가 800만원이면 이 조건만으로는 투자를 정당화하기 어렵습니다.

같은 가정에서 운영비 800만원을 회수하려면 연간 160분 이상의 정지 손실을 줄여야 합니다. 추가 점검 인건비와 오경보 비용까지 넣으면 필요한 절감 시간은 더 늘어납니다. 정지 손실을 매출액으로 잡지 말고, 나중에 생산을 만회할 수 있는지와 불량, 폐기, 추가 근무 비용을 확인합니다. 초기 구축비도 별도로 반영해야 합니다.

센서 구매 검토는 “무슨 고장의 어떤 전조를, 몇 시간 전에 알아야 하는가”에 답한 뒤 시작합니다. 기존 제어기나 생산관리 시스템에 전류, 온도, 운전시간이 남아 있는지도 먼저 확인합니다. 새 센서는 그 전조를 관측할 수 있는 위치와 수집 주기, 보관 방식까지 정해서 시험합니다.

이 항목이 비어 있다면 센서 견적보다 기록 확인과 대응 절차를 먼저 발주하는 편이 낫습니다. 설비 데이터 분석의 첫 산출물은 모델 파일이 아니라, 무엇을 관측하고 누가 어떤 조치를 할지 합의한 기준이어야 합니다.

제조 AI 예지보전 도입 전에 자주 묻는 질문

도입 전에는 기록의 양보다 사전 정보의 유무와 실제 대응 가능성을 먼저 확인해야 합니다.

기록 정리 범위는 AI 데이터 준비 기준, 투자 계산은 AI 도입 비용 항목과 계산법에서 이어서 확인할 수 있습니다. KITDI의 AX 컨설팅은 AI 도입 과제와 데이터 준비, 현장 운영 기준을 함께 다룹니다.