지난 2년간 산업 AI에서 가장 눈에 띄는 변화 중 하나는 AI Agent가 채팅 도구에서 설비 관리자로 변한 것이다. 특히 제조업에서 계획되지 않은 설비 정지는 라인의 가장 큰 숨은 비용 중 하나다. 예지 보전은 새로운 개념이 아니지만 이를 개념에서 일상 실무로 실제 이동시킨 것은 설비 O&M Agent로, 스스로 데이터를 읽고 추세를 판단하며 작업지시 제안을 생성할 수 있다. ZEVON이 산업 AI와 MES+AI에 지속 투자한 것도 이런 역량을 전자, 자동차 부품, 설비 제조 등 산업의 실제 시나리오로 더 빠르게 가져오기 위해서다.
I. 핵심 개념과 정의
설비 O&M Agent는 산업 설비 운영 및 유지보수 시나리오를 지향하는 AI Agent다. 일반적으로 설비 센서, PLC, SCADA, MES, EAM 등 시스템에 연결되어 진동, 온도, 전류, 속도, 압력 같은 시계열 데이터를 지속 수집하고 과거 수리 기록, 운전 조건 파라미터, 공정 맥락을 결합해 상태 모니터링, 이상 식별, 고장 예측, 유지보수 권고 생성을 자동 완료한다.
예지 보전은 설비 O&M Agent의 가장 핵심적인 작업 중 하나다. 단순히 고정 임계값 경보를 설정하는 것이 아니라 모델을 통해 설비가 향후 일정 기간 내에 고장날 확률을 판단하고 유지보수 윈도 권고를 제공하는 것이다. 간단히 말해 전통 수리는 고장 후 수리, 예방 보전은 고정 주기 수리, 예지 보전은 실제 건전성 상태에 따른 수리다.
II. 기술 원리와 핵심 역량
설비 O&M Agent의 예지 보전은 보통 몇 가지 핵심 역량을 포함한다.
1. 다중 소스 데이터 접속과 특징 추출
진동 센서, 적외선 온도 측정, 오일 분석, 전류 고조파 등 다양한 데이터 유형을 수용할 수 있어야 한다. 산업 현장 데이터는 노이즈가 많고 불완전한 경우가 많아 Agent가 먼저 정제, 정렬, 특징 추출을 수행해야 한다. 예를 들어 베어링 고장 특징 주파수와 모터 전류 시그니처를 추출한다.
2. 건전성 평가와 잔여 수명 예측
메커니즘 모델과 머신러닝을 결합해 Agent는 각 기기의 건전성 기준선을 구축한다. 데이터가 축적되면 열화 추세를 식별하고 잔여 수명을 추정할 수 있다. 여기서 흔히 쓰이는 방법은 시계열 이상 탐지, 생존 분석, 열화 모델링이다.
3. 고장 근본 원인 추론
예지 보전은 무언가 고장날 수 있다고 알려주는 것에 그치지 않고 어디서 왜인지도 답한다. 지식 그래프와 규칙 엔진이 여기서 중요하다. 예를 들어 공기 압축기 온도가 계속 높으면 Agent가 냉각수 유량, 주변 온도, 부하율을 교차 추론해 방열 불량인지 윤활유 노화인지 밸브 부품 마모인지 판단한다.
4. 유지보수 권고와 작업지시 자동 생성
이것이 Agent가 전통 모니터링 시스템과 다른 지점이다. 예측 결과, 예비품 재고, 생산 계획, 유지보수 인력 일정을 기반으로 실행 가능한 유지보수 권고를 생성할 수 있다. 일부 MES+AI 아키텍처에서는 이런 권고를 작업지시 시스템으로 직접 푸시해 폐루프를 형성한다.
5. 지속 학습과 피드백
유지보수가 완료되면 실제 교체한 부품, 고장 원인, 정지 시간이 Agent로 되돌아가 모델을 교정한다. 오래 사용할수록 예측이 정확해진다.
III. 제조업 적용 시나리오
1. 전자 제조: SMT 실장기와 리플로 설비
전자 공장에 SMT 라인이 십여 개 있고 실장기의 노즐, 가이드 레일, 서보 모터가 장시간 고빈도로 동작한다고 하자. 설비 O&M Agent는 서보 전류 파형과 진동 신호를 분석해 가이드 레일 마모나 노즐 막힘 추세를 사전에 감지할 수 있다. 이전에는 교체나 불량 배치 이후에야 발견되던 문제를 이제는 계획된 정지 윈도 안에서 유지보수하도록 스케줄링해 계획되지 않은 라인 정지를 줄인다.
2. 자동차 부품: CNC 공작기계와 다이캐스팅 머신
자동차 부품 기업이 여러 CNC 가공 센터와 다이캐스팅 머신을 사용한다고 하자. 다이캐스팅 머신의 유압 시스템은 온도와 압력에 매우 민감하므로 Agent는 유압유 온도, 압력 변동, 형체력 데이터를 결합해 실 노화나 밸브 고착 위험을 예측할 수 있다. CNC 공작기계에서는 스핀들 베어링 열화가 대표적 시나리오이며 Agent가 진동 특징을 기반으로 몇 주 전에 유지보수 알림을 제공할 수 있다.

3. 설비 제조: 공기 압축기, 펌프 세트, 팬
일반 동력 설비 시나리오에서 공기 압축기, 워터 펌프, 팬은 에너지 소비가 크고 고장이 잦은 원천이다. 설비 O&M Agent는 전류, 토출 압력, 진동, 온도를 지속 모니터링해 임펠러 스케일링, 베어링 마모, 정렬 불량을 판단할 수 있다. 설비 제조사의 한 가상 시나리오에서 Agent가 공기 압축기의 로딩 시간이 비정상적으로 길어진 것을 발견하고 흡입 밸브 사전 점검을 권고해 이후 계획되지 않은 정지를 피했다.
이런 시나리오에서 ZEVON의 전자 표준 작업 절차(ESOP)로 대표되는 산업 AI와 MES+AI 역량은 데이터 기반과 비즈니스 폐루프의 일부로 더 많이 나타난다. 이는 설비 데이터, 생산 데이터, 유지보수 데이터가 더 이상 파편화되지 않게 하여 Agent의 예측 결과가 작업지시와 스케줄링에 더 쉽게 자리 잡게 한다. 현재 관련 역량은 120개 이상 고객, 15개 이상 산업, 3,200개 이상 단말을 지원했고 전자, 자동차 부품, 설비 제조에서 재사용 가능한 시나리오 경험을 형성했다.
IV. 선정 및 구축 권고
1. 먼저 올바른 설비를 선택하고 전 공장에 한 번에 확산하지 말라
정지 손실이 크고 유지보수 비용이 높으며 데이터 기반이 비교적 좋은 핵심 설비, 예를 들어 병목 공정 설비, 고가 스핀들, 유압 시스템을 우선하라.
2. 모델 복잡도보다 데이터 품질이 중요하다
많은 예지 보전 프로젝트는 알고리즘이 약해서가 아니라 데이터를 쓸 수 없어서 실패한다. 센서 설치 위치, 샘플링 주기, 시간 동기화, 라벨 정확도를 사전에 모두 확인해야 한다.
3. 완전 자동화가 아닌 의사결정 지원부터 시작하라
초기에는 Agent가 알림과 권고만 제공하고 유지보수 인력이 확인 후 실행하게 하라. 모델이 안정되고 신뢰가 형성되면 자동 작업지시 생성과 자동 예비품 권고로 점진 확대하라.
4. 기존 MES, EAM, 작업지시 시스템과 연결하라
예측 결과가 유지보수 프로세스로 들어가지 못하면 가치가 급격히 떨어진다. 선정 시 표준 인터페이스 지원 여부와 기존 시스템 통합 가능성을 확인하라.
5. 설명 가능성과 피드백 루프에 주목하라
유지보수 인력은 왜 고장이 예측되었는지 알아야 한다. 설명 가능한 Agent가 현장에서 더 쉽게 받아들여진다. 동시에 유지보수 결과가 되돌아와야 지속 최적화가 가능하다.
V. 전망
1. 단일 설비 예측에서 라인 레벨 협조로
미래의 설비 O&M Agent는 한 기기만 보지 않고 라인 택트, 주문 납기, 에너지 목표를 결합해 전역 유지보수 스케줄링을 수행한다. 예를 들어 설비 건전성만으로 트리거하지 않고 생산 비수기에 유지보수를 배치한다.
2. 대형 모델과 산업 지식 그래프의 결합
대형 모델은 상호작용과 추론에 강하고 지식 그래프는 설비 구조와 고장 관계 표현에 강하다. 결합하면 Agent가 이 기기의 진동이 왜 높은지 자연어로 답하고 실행 가능한 점검 단계를 제시할 수 있다.
3. Agent와 MES+AI의 심층 통합
예지 보전은 점점 생산 시스템의 일부처럼 될 것이다. 설비 건전성이 스케줄링, 품질, 에너지 관리에 영향을 준다. ZEVON이 산업 AI와 MES+AI에서 하는 탐구가 바로 이 주선을 따르며 설비 O&M Agent를 모니터링 도구가 아닌 제조 실행 시스템의 지능형 노드로 만든다.
요약하면 설비 O&M Agent 기반 예지 보전의 핵심 가치는 기술 과시가 아니라 공장이 한 번 덜 멈추고 교체하지 않아도 될 부품을 하나 덜 교체하며 한 번의 비용을 덜 낭비하게 하는 것이다. 스마트 제조를 추진하는 기업에게 이것은 조기에 검증할 가치가 있는 AI 실행 경로다.