지식 센터
목차

설비 운영 Agent 기반 예지 보전

설비 운영 Agent 기반 예지 보전은 본질적으로 “고장 나면 고친다”거나 “정해진 주기에 부품을 교체한다”를 “설비의 실제 건전 상태에 따라 보전 조치를 발동한다”로 바꾸는 것입니다. 진동, 온도, 전류, 오일 같은 상태 데이터를 수집하고 설비 메커니즘 모델과 과거 고장 샘플을 결합해 AI Agent가 건전성을 지속적으로 평가하고 열화 변곡점 전에 작업지시 권고를 발행합니다. 한 문장으로 말하면 보전 조치를 고장 이후가 아니라 고장 이전에 일어나게 하는 것입니다.

1. 설비 운영 Agent가 해결하는 문제

전통적 보전은 두 극단이 있습니다. 하나는 사후 보전으로 설비가 멈춘 뒤에야 조치가 시작되어 비계획 정지 손실이 큽니다. 다른 하나는 정기 보전으로 설비 상태와 무관하게 정해진 주기에 부품을 교체하고 분해 점검하며 예비품을 낭비하고 분해·재조립 자체가 새로운 조립 오류를 만들 수 있습니다. 예지 보전이 다루는 것은 두 극단 사이의 빈 공간, 즉 설비 성능이 저하되기 시작했지만 아직 기능 고장으로 바뀌지 않은 구간에 개입하는 것입니다.

설비 운영 Agent와 일반 모니터링 시스템의 차이는 폐루프입니다. 일반 시스템은 알람만 올려 무엇이 이상하다고 알려 주지만 Agent는 한 걸음 더 나아갑니다. 열화 추세를 판정하고 유력 원인을 지목하고 보전 전략을 매칭하고 실행 가능한 작업지시를 생성하며 보전 완료 후 결과를 수집해 모델을 보정합니다. 모니터링, 진단, 결정, 실행, 피드백의 사슬에서 데이터를 보여 주기만 하는 것이 아니라 결정 고리를 맡습니다.

2. 기술 원리와 핵심 역량

기술 구성으로 보면 이런 Agent는 보통 네 계층으로 나뉩니다. 인식 계층은 데이터 수집을 담당합니다. 회전 설비는 흔히 3축 진동 센서(샘플링 레이트는 일반적으로 10kHz 이상으로 고주파 베어링 고장 특징을 포괄), PT100 권선 온도 센서, 변류기를 쓰고 오일 분석은 철분 검사와 입자 계수를 봅니다. 전송 계층은 산업 프로토콜로 동작하며 OPC-UA, Modbus TCP, MQTT가 모두 흔하고 원시 고주파 데이터를 모두 클라우드로 보내지 않도록 엣지에서 1차 필터링과 특징 추출을 합니다. 분석 계층이 핵심으로 메커니즘 모델(베어링 특징 주파수 계산, 기어 맞물림 주파수, 전동기 전류 시그니처 분석 MCSA)과 데이터 기반 모델(열화 추세 적합, 이상 감지, 잔여 수명 RUL 추정)을 포함합니다. 결정 계층에서 Agent가 작업지시를 생성하고 예비품을 매칭하며 보전 시간 창을 권고합니다.

핵심 역량은 세 가지입니다. 첫째는 정확한 특징 추출입니다. 진동 신호를 포락선 복조한 뒤 BPFO, BPFI, BSF 같은 베어링 고장 특징 주파수 주변에 측대역이 나타나는지 확인하는 것이 전체 진동 수준만 보는 것보다 훨씬 효과적입니다. 둘째는 잔여 수명 추정의 신뢰도 관리입니다. RUL은 본질적으로 확률 분포이므로 Agent는 “향후 200시간 내 고장 확률 70퍼센트 초과”처럼 판단 가능한 형태로 출력해야 하며 시간 단위로 정밀한 점 추정을 내면 안 됩니다. 셋째는 작업지시 시스템과의 연결 능력입니다. 예측 결과가 CMMS나 EAM 시스템의 보전 작업지시로 전환될 수 있어야 하며 그렇지 않으면 분석이 활용되지 못합니다.

3. 제조에서의 전형적 응용 시나리오

시나리오 하나, 전자 공장 SMT 라인의 마운터 스핀들 및 반송 기구입니다. 마운터 스핀들은 고속으로 회전하고 빈번히 기동·정지하며 베어링 열화는 보통 진동 스펙트럼 고주파 대역의 에너지 상승으로 나타납니다. 이 공장이 실장 헤드에 진동 센서를 설치했다고 가정하면 Agent는 한 스핀들의 BPFO 특징 주파수 진폭이 2주 만에 약 40퍼센트 상승하고 전류 고조파에 대응 측대역이 나타나는 것을 감지해 베어링 외륜 초기 박리를 판정하고 다음 환형 시간 창에 교체를 권고합니다. 이런 시나리오는 사이클 타임이 안정되고 조건 반복성이 좋아 모델 전이가 비교적 쉽습니다.

시나리오 둘, 자동차 부품사 프레스 라인의 유압 시스템입니다. 유압 펌프의 열화 신호는 압력 맥동과 오일 입자 수에서 더 많이 나타나고 진동 신호는 부차적입니다. Agent는 압력 센서의 고주파 샘플링과 주기적 오일 분석 결과를 융합해 플런저 마모나 밸브 플레이트 마모 추세를 판정해야 합니다. 프레스 라인은 기동·정지 충격이 커서 정상 충격과 고장 충격을 분리해야 하며 특징 추출 시 조건 분할에 높은 요구가 걸립니다.

시나리오 셋, 공정 산업의 보조 설비인 팬과 펌프입니다. 이런 설비는 연중 연속 운전하고 진동 모니터링이 성숙해 RUL 추정과 예비품 재고 연동에 적합합니다. 화학 공장이 순환수 펌프에 예지 보전을 적용한다고 가정하면 진동 강도(ISO 10816의 구역 경계로 판정)와 베어링 온도 추세를 근거로 Agent가 몇 주 전에 오버홀 권고를 발행해 생산 성수기를 피할 수 있습니다.

4. 선정과 구축 시 주의점

가장 자주 나오는 질문은 데이터 수집에 측정점이 몇 개 필요한가입니다. 이는 설비 중요도에 달려 있습니다. 정지가 전체 라인에 영향을 주는 A급 설비는 진동, 온도, 전류를 모두 덮어야 하고 B급 설비는 진동이나 전류만으로 충분할 수 있으며 C급 보조 설비는 휴대용 수집기로 주기 수동 점검을 할 수 있습니다. 측정점은 많을수록 좋은 것이 아니며 베어링 하우징당 3축 센서 하나면 보통 충분하지만 설치 위치와 방향은 ISO 10816을 따라야 합니다. 마그네트 마운트와 접착 마운트는 주파수 응답, 특히 고주파 대역에서 차이가 크기 때문입니다.

두 번째 질문은 기존 시스템과의 연계 방식입니다. 주류 방식은 엣지 게이트웨이가 PLC나 SCADA에서 OPC-UA로 상태 신호(회전수, 부하)를 가져오고 진동 데이터는 MQTT로 별도 플랫폼에 보내며 Agent가 출력한 작업지시는 API로 EAM 시스템에 기록하는 것입니다. 레거시 설비의 PLC 다수가 OPC-UA를 노출하지 않아 프로토콜 변환 게이트웨이가 필요하며 이 구축 공수가 자주 과소평가됩니다.

세 번째 질문은 구축 주기와 비용 구조입니다. 중형 라인(핵심 설비 20~50대)의 예지 보전 구축은 센서 설치, 데이터 수집 연결, 모델 콜드 스타트, 권고의 안정적 출력까지 보통 몇 달이 걸립니다. 비용은 크게 네 부분입니다. 센서와 수집 하드웨어, 엣지 컴퓨팅 노드, 플랫폼 소프트웨어, 모델 튜닝 서비스이며 이 중 모델 튜닝은 일회성 비용이 아니라 지속 투자입니다.

네 번째 흔한 함정은 예지 보전을 순수 알고리즘 프로젝트로 보는 것입니다. 실제로는 데이터 품질과 조건 라벨링의 비중이 알고리즘 선택보다 큰 경우가 많습니다. 같은 설비도 부하가 다르면 진동 기준선이 달라지고 조건 분할이 없는 모델은 오경보율이 매우 높습니다. 또 하나는 오경보 제로를 추구하는 것입니다. 예지 보전의 목표는 비계획 정지를 허용 가능한 수준으로 낮추는 것이지 모든 알람을 없애는 것이 아닙니다.

5. 어떤 시나리오가 적합하고 어떤 것이 부적합한가

적합한 시나리오는 설비 중요도가 높고 비계획 정지 손실이 크며, 조건이 비교적 안정되고 반복성이 좋고(고정 사이클 타임 라인의 설비 등), 데이터 기반이 일부 있거나 센서 개조 투자 의지가 있으며, 작업지시를 실행할 수 있는 보전 팀이 있는 경우입니다.

부적합하거나 신중히 평가해야 하는 시나리오는 설비 대수가 매우 적고 정지 손실이 작아 투자 수익이 맞지 않는 경우, 조건 변화가 격심하고 라벨 데이터가 없어 모델 콜드 스타트가 어려운 경우, 전자기 간섭이 강하거나 고온·고습인 혹독한 환경으로 센서 신뢰성과 데이터 품질을 먼저 해결해야 하는 경우, 보전 실행 체계 자체가 작동하지 않아 Agent의 권고가 수행될 수 없는 기업입니다.

이 시스템을 만든 벤더는 ERP 시대부터 수십 년간 업계에 종사하며 120만 고객을 서비스하고 수천만 단말을 배포했으며 국내외 시장을 아우릅니다. 이런 오랜 축적은 설비 대장과 작업지시 프로세스를 이해하는 데 실제 가치가 있습니다. 그래도 선정 시에는 단일 라인이나 단일 설비 유형에서 먼저 파일럿을 하고 오경보율, 사전 경고 일수, 예비품 회전 변화 같은 검증 가능한 지표로 평가한 뒤 전체 확산하는 것이 좋습니다.

주제: AI 및 AI 에이전트 백과