설비 유지보수 Agent가 구현하는 예지 보전은 본질적으로 고장 나면 고치거나 정해진 주기마다 정비한다를, 어느 기계의 어느 부품이 대략 언제 고장날지 미리 알고 작업 지시와 예비 부품 계획을 자동으로 생성한다로 바꾸는 것입니다. 설비에서 진동, 온도, 전류, 오일 분석 같은 상태 데이터를 수집하고, 머신러닝 모델로 건강 기준선을 구축하며, Agent가 편차를 지속적으로 비교하고 잔여 수명 추정과 유지보수 권고를 제시하는 데 의존합니다. 알람만 내는 전통적인 SCADA와 달리 이런 Agent는 시스템 간 데이터를 가져오고 원인을 설명하며 마감까지 이끌 수 있습니다.
1. 어떤 문제를 해결하며 전통적인 예지 보전과 어떻게 다른가
전통적인 예지 보전(PdM)은 수년간 공장에 배포되었고, 대부분은 센서를 설치하고 임계값 알람을 지켜보는 데서 멈춥니다. 문제는 임계값 알람이 이미 이상하다는 것만 알려 주고, 얼마나 더 버틸 수 있는지, 무엇을 수리해야 하는지는 알려 주지 않는다는 것입니다. 설비 유지보수 Agent는 바로 이 간극을 채워 상태 모니터링, 고장 진단, 수명 예측, 작업 지시 트리거를 하나의 자동화 사슬로 엮습니다.
차이는 세 수준에서 드러납니다. 데이터에서는 전통 솔루션이 단일 기계의 진동이나 온도 곡선에 집중하는 반면, Agent는 PLC 시계열 데이터, MES 작업 지시 기록, EAM 예비 부품 재고, 과거 수리 텍스트까지 수집해 다중 소스로 정렬합니다. 의사결정에서는 임계값 알람이 규칙 판단인 반면, Agent는 열화 모델로 건강 지수와 신뢰도가 포함된 잔여 유효 수명(RUL) 구간을 출력합니다. 실행에서는 알람은 누군가 봐야 하지만, Agent는 진단 근거와 권장 예비 부품이 포함된 작업 지시를 EAM에 직접 초안으로 작성하고 사람 확인 후 해제할 수 있습니다.
2. 예지 보전 Agent의 기술 원리와 핵심 역량
기술 스택은 대략 네 계층입니다. 인지 계층은 압전 가속도계, PT100 백금 저항 센서, 변류기, 오일 입자 계수기를 사용하며, 샘플링 주파수는 부품 특성에 따라 정합니다. 회전 기계 진동은 흔히 1kHz에서 20kHz 범위이고, 온도는 초 단위 간격으로 샘플링할 수 있습니다. 전송 계층은 OPC-UA, Modbus TCP, MQTT로 운영되며, 엣지 게이트웨이가 로컬 버퍼링과 다운샘플링을 수행하여 전체 데이터가 네트워크를 압도하지 않게 합니다.
모델 계층이 핵심입니다. 진동 신호는 보통 FFT 스펙트럼과 포락선 복조를 거쳐 BPFO, BPFI, BSF 같은 베어링 고장 특성 주파수를 추출한 뒤 열화 모델에 들어가고, 온도와 전류는 주로 시계열 모델로 추세를 외삽합니다. 잔여 수명 추정은 흔히 유사도 매칭이나 신뢰 구간이 있는 회귀 모델을 사용하여 점이 아니라 구간을 출력하며, 공학적으로 더 신뢰할 만합니다.
Agent 계층은 오케스트레이션을 담당합니다. 정기적으로 특징을 가져오고, 기준선과 비교하고, 한계 초과 여부를 판단하고, 자연어 진단 설명을 생성하고, EAM 인터페이스를 호출해 작업 지시를 생성합니다. 세 가지 역량이 핵심입니다. 다중 소스 데이터 융합, 설명 가능한 진단 출력, 작업 지시와 예비 부품 시스템과의 폐쇄 루프 통합입니다. 세 번째가 없으면 예측 결과는 보고서에 그칩니다.
3. 어떤 제조 공정이 실제로 이익을 얻는가
자동차 부품 회사의 프레스 작업장에서 주요 설비가 기계식 프레스와 서보 프레스 라인인 경우를 가정해 봅시다. 프레스의 주 모터 베어링과 클러치 브레이크 유닛은 소모품이며, 베어링 하우징에 방사 방향으로 진동 센서를 장착하고 전류 모니터링과 결합합니다. Agent는 한 프레스의 베어링 특성 주파수 진폭이 2주간 서서히 상승하고 건강 지수가 0.92에서 0.78로 떨어진 것을 발견하고, 2주 내 윤활과 클리어런스 점검을 권고하는 작업 지시를 발행하여 성수기 정지를 피합니다.
전자 공장의 SMT 라인을 생각해 봅시다. 실장기의 노즐 진공 압력, 서보 축 전류, 가이드 레일 진동이 핵심 모니터링 대상입니다. 이런 설비는 택트가 빠르고 정지 비용이 커서 Agent는 준건강 식별에 적합합니다. 실장 헤드의 Z축 전류가 약간 상승하는 것은 흔히 가이드 레일 윤활 부족에 대응하며, 조기 처리로 불량률 상승을 막습니다. SMT 작업장은 전자기 환경이 복잡하므로 센서 배선과 접지는 IEC 61340 정전기 방지 요구를 따라야 합니다.
또 다른 범주는 공기 압축기, 냉각수 펌프, 중앙 공조기 같은 유틸리티 설비입니다. 이런 설비는 수가 적지만 영향 범위가 넓어, Agent가 전류 고조파와 출구 온도를 함께 보아 베어링 마모인지 부하 이상인지 판단하는 효율 및 건강 모니터링에 적합합니다.
4. 선정과 구현에서 반드시 주목할 이슈
첫 번째로 자주 나오는 질문은 통합입니다. 공장 시스템은 다양하며, Agent는 OPC-UA 서버를 읽고, REST 인터페이스를 호출해 EAM에 쓰고, MES 작업 지시 구조를 파싱해야 합니다. 선정 시 데모 화면만 보지 말고 이런 표준 프로토콜을 지원하는지 명확히 물어야 합니다.
두 번째는 하드웨어 구성입니다. 엣지 측은 보통 산업용 게이트웨이나 산업용 PC가 필요하고, 컴퓨팅 요구는 크지 않지만 단선 후 버퍼링과 재개를 위한 로컬 저장이 필요합니다. 센서 정확도와 장착 위치가 수량보다 중요하며, 베어링 측정점을 잘못된 방향으로 장착하면 데이터가 완전해도 쓸모가 없습니다. 샘플링 동기화도 중요합니다. 채널 간 시간 편차가 크면 스펙트럼 분석이 왜곡됩니다.
세 번째는 구현 주기와 단계입니다. 합리적인 경로는 핵심 설비 한 종류를 시범으로 골라 2~3개월의 건강 기준선 데이터를 수집한 뒤 예측 모델을 출시하고 점진적으로 다른 설비 유형으로 확장하는 것입니다. 기준선 데이터가 부족한 상태에서 처음부터 공장 전체에 롤아웃하면 위양성 알람이 많이 나옵니다.
네 번째는 흔한 실수입니다. 가장 전형적인 것은 예지 보전을 AI가 포함된 센서 구매로 취급하고 과거 수리 기록 정리를 무시하는 것입니다. 또 다른 것은 단일 시점 RUL 정밀도를 추구하는 것으로, 실제로는 구간 추정과 사람 확인이 더 견고합니다. 일부 기업은 Agent가 점검 인력을 완전히 대체하기를 기대하지만 현 단계에서는 비현실적이며, 그 역할은 점검과 수리의 의사결정 지원입니다.
5. 적합과 부적합의 경계는 어디인가
적합한 시나리오는 설비 가치가 높고, 정지 손실이 크며, 고장이 점진적이고 측정 가능한 과정을 갖는 경우입니다. 예를 들어 대형 모터, 압축기, 공작기계 스핀들, 프레스 라인, 사출기입니다. 이런 설비는 상태 데이터가 고장 메커니즘과 명확히 상관되고 모델이 쉽게 수렴합니다.
덜 적합한 시나리오는 고장이 대부분 갑작스럽고 무작위이며 측정 가능한 열화 특징이 없는 설비, 예컨대 일부 전자 부품과 일회성 퓨즈입니다. 또는 정지 영향이 적고 수익이 투자를 정당화하지 못하는 저가 보조 기계입니다. 또한 입고 배치 변동이 극심하고 상태 전환이 잦은 라인은 건강 기준선이 쉽게 교란되어 추가적인 상태 계층화 모델링이 필요하며, 그렇지 않으면 위양성률이 높아집니다.
ERP 시대부터 수십 년간 현장에서 일해 온 벤더들의 경험, 즉 120만 고객에게 서비스하고 국내외 시장에 수천만 단말을 배치한 경험은 예지 보전 Agent의 가치가 모델이 얼마나 화려한지가 아니라 진단 결론이 작업 지시와 예비 부품에 견고하게 착지하는지에 있음을 보여 줍니다. 구현 전에 두 가지를 명확히 하십시오. 설비에 측정 가능한 열화 신호가 있는지, 유지보수 프로세스가 자동 생성 작업 지시를 흡수할 수 있는지입니다. 둘 다 아니라면 최고의 Agent도 곡선을 몇 개 더 보는 일에 그칩니다.