예지보전(Predicted Maintenance) 개념

• 1. 설비 보전 패러다임의 4단계 진화
• 2. P-F Curve (고장 진행 곡선) 이해 및 골든타임 확보
• 3. RUL(잔여 유효 수명) 예측 모델 구축 파이프라인

• 정해진 주기마다 멀쩡한 부품을 바꾸는 정기보전(TBM)은 예산이 낭비됨
• 고장 난 뒤 고치는 사후보전(BM)은 라인을 멈춰 세움
• 부품의 잔여 유효 수명(RUL)을 데이터로 예측하여 가장 필요한 시점에 딱 맞추어 정비하는 것이 예지보전(PdM)

1. 설비 보전 패러다임의 4단계 진화

1. BM (Breakdown Maintenance, 사후 보전)
   • 방식:
     • 설비가 완전히 멈추거나 파손될 때까지 작동시키다가,
     • 고장이 나면 그때 정비/교체
   • 장점:
     • 정비 계획을 세울 필요가 없고 초기 정비 인건비가 적음
   • 치명적 한계:
     • 예고 없이 라인이 멈추는 비계획적 비가동(Unplanned Downtime) 발생
     • 교체 부품 재고가 없거나 정비 기사가 없으면 수일간 생산 중단 및 막대한 매출 손실 발생
2. TBM (Time-based Maintenance / PM, 정기/주기 보전)
   • 방식:
     • 부품의 평균 수명 데이터를 바탕으로
     • ‘매월 1일’ 또는 ‘가동 1,000시간마다’ 정해진 달력/시간 기준으로 무조건 부품 교체
   • 장점:
     • 정비 일정을 사전에 계획할 수 있어 비계획적 셧다운을 방지함
   • 치명적 한계:
     • Over-maintenance (과잉 보전) 발생
     • 사용 환경이나 조건이 좋아 아직 50% 이상 수명이 남은 멀쩡한 부품도 무조건 버리게 되어 부품 교체 비용 낭비
3. CBM (Condition-based Maintenance, 상태 기반 보전)
   • 방식:
     • 설비에 센서를 달아 두고,
     • 센서 수치가 미리 정해둔 한계치(Upper Limit)를 넘어서는 순간 작업자에게 경보 발송
   • 장점:
     • 부품의 실제 상태를 보고 정비하므로 과잉 보전을 줄임
   • 한계:
     • 단순 임계치 조작이므로 “언제 정비해야 하는가?”에 대한 선제적 대응 시간(Lead Time)이 부족함
     • 알람이 울렸을 땐 이미 부품 손상이 꽤 진행되어 몇 시간 내로 교체해야 함
4. PdM (Predictive Maintenance, 예지 보전)
   • 방식:
     • 과거 시계열 센서 데이터와 열화(Degradation) 수치를 AI/통계 모델로 분석하여,
     • 부품의 잔여 유효 수명(RUL: Remaining Useful Life)을 시분 단위로 정밀 예측
   • 장점:
     • “2번 베어링의 남은 수명은 72시간입니다”라고 알려주므로,
     • 다음 주말 정기 휴무나 설비 비가동 타임슬롯에 맞춰 최적의 정비 일정을 자율 스케줄링

2. P-F Curve (고장 진행 곡선) 이해 및 골든타임 확보

설비 상태 (Health)
  ▲
100% ├─ (정상 가동 구간)
     │       ╲
     │        • P Point (Potential Failure: 잠재적 고장 발생 - 초음파/AE 센서 감지)
     │         ╲
     │          • 진동 이상 발생 (Vibration Sensor 감지)
     │           ╲
     │            • 열 발생 (Infrared / Temp Sensor 감지)
     │             ╲
     │              • 소음/가시적 변형 발생 (Human Senses)
  0% └───────────────• F Point (Functional Failure: 기능적 고장 - 설비 완전 정지)
     └─────────────────────────────────────────────────────────────► 시간 (Time)
     │<──────── P-F Interval (선제적 대응 골든타임) ─────────>│

• P Point (Potential Failure, 잠재적 고장 시점):
  • 설비가 외견상으로는 멀쩡히 잘 돌아가지만, 내부 베어링이나 회전체 궤도면에 눈에 보이지 않는 미세 마모가 시작된 시점
  • 이 시점은 오직 음향 방출(AE)이나 고주파 진동 센서로만 감지 가능
• F Point (Functional Failure, 기능적 고장 시점):
  • 설비가 과열되거나 연기가 나며 완벽히 멈추는 시점
• P-F Interval (대응 골든타임):
  • P점에서 F점까지 걸리는 시간적 여유
  • 예지보전(PdM)의 목적은 센서 기술을 활용해 P점을 최대한 앞으로 당겨 잡아냄으로써, P-F Interval(대응 골든타임)을 극대화하는 것

3. RUL(잔여 유효 수명) 예측 모델 구축 파이프라인

• RUL(Remaining Useful Life) 예측 AI 모델이 내부적으로 구축되는 3단계 과정

• [1단계] 열화(Degradation) 데이터 수집 및 특징 추출
  • 설비의 가동 시작 시점(New)부터 고장 시점(Failure)까지 전 주기에 걸쳐 수집된 진동/전류 센서 데이터를 수집
  • 시간 영역(RMS, Peak-to-Peak) 및 주파수 영역(FFT 변환, 밴드 파워) 특징값(Feature) 추출
• [2단계] 건강 지수 (HI, Health Index) 산출
  • 무수한 센서 변수들을 단 하나의 지표인 건강 지수(Health Index: 0% ~ 100% 또는 0 ~ 1)로 정규화(Normalization)
  • 예: 신품 상태는 HI = 1.0, 열화가 진행됨에 따라 수치가 비선형적으로 떨어지며 HI = 0.2 도달 시 교체 임계점으로 정의
• [3단계] RUL 예측 알고리즘 모델링
  • 시계열 딥러닝 (LSTM / GRU):
    • 시간에 따른 건강 지수(HI)의 하락 곡선 트렌드를 학습하여,
    • 차단 임계값(0.2)에 도달하는 미래 시점(\(T_{fail}\))을 수학적으로 계산
  • Tabular ML (XGBoost Regressor):
    • 현재의 센서 스펙트럼 수치들을 바탕으로 “남은 시간(시간 단위)”을 직접 회귀(Regression) 예측

• 예지보전(PdM)의 핵심은 설비를 안 멈추게 하는 것이 아니라, ‘정비 시점을 우리가 원하는 시간에 배정하는 것’
• 정기보전(TBM)은 멀쩡한 부품을 버려서 돈이 새 나가고, 사후보전(BM)은 한창 물량을 뽑아야 할 때 라인을 멈춰 세움
• P-F Curve가 말해주듯, 고장의 극초기 징후(P Point)를 진동/음향 센서로 잡아내고 AI로 잔여 유효 수명(RUL)을 예측할 것
• 남은 수명이 3일이라는 것을 미리 알면, 부품을 주문하고 정비 인력을 준비하여 가장 한가한 시간대에 딱 맞춰 교체하는 ‘스마트한 설비 보전’을 완성할 수 있음