터빈 하나가 예고 없이 서버린다. 그 순간 발전소는 시간당 수천만 원을 그냥 날린다. 항공기 엔진이 비행 중에 이상을 일으키면? 그건 돈으로 따질 문제가 아니다. 그래서 발전, 항공, 중공업 쪽은 오래전부터 설비가 망가지기 전에 미리 알아채는 기술에 돈을 쏟아부어 왔다. 요즘은 여기에 AI가 빠지지 않는다. 흔히 예지보전(Predictive Maintenance)이라 부르는 이 기술, 실제로 어떻게 돌아가고 도입하려면 뭐가 필요한지 정리해봤다.
예지보전이란 정확히 뭔가
한마디로, 센서 데이터를 뜯어보고 고장 시점을 미리 짚어내는 정비 방식이다. 진동, 온도, 압력, 전류. 이런 값들을 실시간으로 모으고, 정상 범위를 벗어나는 패턴을 AI 모델이 잡아낸다. 사람 눈으로는 절대 못 잡는 미세한 변화까지 걸러낸다는 게 강점이다.
사후정비·예방정비랑 뭐가 다른가
정비 방식은 크게 셋으로 나뉜다.
- 사후정비(Reactive): 고장 나면 그때 고친다. 비용은 제일 싸다. 대신 가동이 멈추는 리스크는 고스란히 떠안는다.
- 예방정비(Preventive): 정해둔 주기마다 부품을 바꾼다. 문제는 멀쩡한 부품도 시간 됐다고 갈아치우니 낭비가 생긴다는 점.
- 예지보전(Predictive): 실제 설비 상태를 보고 정비 시점을 정한다. 불필요한 교체는 줄이고, 고장 직전에 딱 맞춰 손을 본다.
비용과 가동률, 두 마리 토끼를 동시에 잡을 수 있는 이유가 여기 있다.
AI가 고장을 미리 잡아내는 원리
기본은 이상탐지(Anomaly Detection)다. 정상 가동일 때의 센서 데이터를 학습시켜 ‘평소 패턴’을 모델에 박아 넣는다. 그다음 실시간 데이터가 이 패턴에서 얼마나 벗어나는지 점수를 매긴다. 여기에 시계열 예측까지 얹으면 ‘이상하다’ 수준을 넘어선다. ‘앞으로 며칠 안에 고장 확률 몇 퍼센트’까지 뽑아낸다는 얘기다. 진동 데이터는 주파수 분석으로, 온도·압력은 여러 변수를 한꺼번에 보는 다변량 분석으로. 설비 종류마다 쓰는 기법이 달라진다.
도입하려면 뭐부터 갖춰야 하나
솔직히 기술보다 데이터 인프라가 먼저다.
- 센서: 진동, 온도, 전류 등을 상시 재는 하드웨어
- 데이터 수집·저장 체계: 현장 데이터를 끊김 없이 모을 통신망과 저장소
- 레이블링된 고장 이력: 과거 어떤 패턴이 실제 고장으로 이어졌는지 기록해둔 것
- 도메인 전문가: 모델이 잡아낸 신호가 진짜 의미 있는지 걸러줄 사람
이 중 하나라도 빠지면 모델 성능은 뚝 떨어진다. 신규 설비처럼 고장 이력이 부족하면? 처음엔 규칙 기반 임계값으로 버티다가 데이터가 쌓이는 대로 모델을 고도화하는 편이 현실적이다.
실제로 어디서 쓰고 있나
에너지 업계는 풍력·화력 터빈의 베어링 마모를 예측해서 정지 시간을 줄이는 데 AI를 쓴다. 제조업은 컨베이어 벨트, 모터, 압축기 같은 핵심 설비에 센서를 붙여 라인이 서는 걸 막는다. 항공사는 엔진 센서 데이터를 실시간으로 뜯어보며 정비 스케줄을 짠다. 공통점 하나. 설비 하나가 멈췄을 때 손실 규모가 크고, 정비를 사람 감이 아니라 데이터로 대체하려는 목적이 뚜렷하다.
도입 전에 따져봐야 할 것들
모든 설비에 예지보전이 남는 장사는 아니다. 설비 가격이 낮고 대체하기 쉬우면 오히려 사후정비가 싸게 먹힌다. 반대로 가동 중단 손실이 크거나 안전 문제로 번지는 설비라면, 초기 투자는 감수할 가치가 있다. 이건 좀 놓치기 쉬운 부분인데, 데이터 보안도 짚고 넘어가야 한다. 산업 제어망(OT)에 센서와 클라우드를 연결하면 그만큼 공격 표면이 새로 생긴다. 망 분리와 접근 통제, 이 두 가지는 함께 설계해야 뒤탈이 없다.
결국 살아남는 건 우선순위를 정한 곳
핵심은 간단하다. 어떤 설비에, 어느 수준의 데이터로, 어떤 정비 방식을 적용할지 설비별로 나눠보는 작업. 모든 곳에 똑같은 수준의 AI를 붙이는 대신 손실 규모와 데이터 확보 가능성을 기준 삼아 우선순위를 매기는 편이 실무적으로 낫다.
