"예지 보전은 마법이 아니라, 좋은 데이터와 좋은 질문의 결과물이다."

예지 보전(Predictive Maintenance)은 가장 매력적인 산업 AI 사용 사례지만 동시에 가장 많이 실패하는 영역이기도 하다. 도입 기업의 약 60%는 1년 안에 모델을 중단한다. 그러나 일부 현장은 적중률 90% 이상을 안정적으로 유지한다. 차이는 어디서 생기는가.

고장 데이터는 '드물기에 어렵고, 늦기에 비싸다'.

1. 적중률이 무너지는 가장 흔한 이유

예지 보전 모델이 무너지는 가장 흔한 원인은 모델 자체가 아니다. ① 고장 라벨 부족 — 정상 데이터는 차고 넘치지만 실제 고장 사례는 손에 꼽힌다. ② 도메인 지식의 부재 — 베어링 진동 RMS와 같은 핵심 변수를 빠뜨린다. ③ 데이터 드리프트 — 설비 교체·공정 변경에 모델이 적응하지 못한다. ④ 운영 통합 실패 — 모델은 예측하지만 정비팀의 워크플로와 연결되지 않는다.

2. 적중률 90%를 만드는 4가지 핵심 요소

적중률은 알고리즘보다 데이터 파이프라인의 품질에서 결정된다. 다음 네 요소를 갖춘 현장만이 90% 이상의 적중률을 안정적으로 유지한다.

• 물리 기반 피처 — 진동 RMS, 크레스트 팩터, 베어링 결함 주파수 등 도메인 지표 우선
• 합성 데이터 — 부족한 고장 라벨을 시뮬레이션으로 보강
• 드리프트 모니터링 — 입력 분포 변화 감지 시 자동 재학습
• 정비 워크플로 연결 — 알람이 작업 지시서로 자동 변환

데이터 품질이 알고리즘보다 적중률에 더 큰 영향을 미친다.

3. 현장 지표로 본 '좋은 예지 보전'

성공적인 예지 보전 시스템은 단순 적중률뿐 아니라 다음 지표들이 함께 양호하다.

• 적중률(Precision) 90% 이상
• 리드 타임 평균 7~14일 (정비 계획 가능 구간)
• 거짓 알람률 5% 이하
• 드리프트 감지 자동화율 95% 이상
• 정비 워크플로 통합 비율 100%

사례 — 현장의 변화

국내 한 발전사는 5년간 진동 데이터를 축적했지만 활용하지 못하고 있었다. PlantPulse 기반 파이프라인 재구성 — 물리 기반 피처 엔지니어링, 합성 데이터 증강, 드리프트 자동 재학습 — 후 6개월 만에 핵심 회전기기 90종에서 평균 적중률 91.7%, 평균 리드 타임 11일을 달성했다. 같은 데이터, 다른 운영 체계의 차이였다.

PlantPulse가 제공하는 답

PlantPulse는 예지 보전을 단순한 ML 모델이 아닌 '운영 파이프라인'으로 다룬다. ISA-95 자산 모델 위에서 도메인 피처를 자동 생성하고, 드리프트 감지·재학습·정비 워크플로 연계까지 단일 환경에서 처리한다. 알고리즘 경쟁이 아니라 '데이터 운영 능력'이 경쟁력임을 인정한 설계다.

마치며

예지 보전의 본질은 '고장을 미리 안다'가 아니라, '미리 알면 무엇을 할 것인가'에 있다. 데이터·모델·정비 워크플로가 하나의 운영 체계로 묶일 때, 비로소 예지 보전은 비용을 줄이는 자산이 된다.

© KOPENS — Industrial DataOps & PlantPulse Platform

Powered by Froala Editor