산업용 공기압축기 고장원인 분석을 통한 디지털 예지보전에 관한 연구

강경식 호서대학교 기술경영전문대학원 2023 국내석사

Recently, many companies are using digital technologies such as Internet of Things (IoT), artificial intelligence (AI), robots, and big data analytics to manage and operate their facilities in smart factories, recognizing that facilities are also important assets and introducing new ways to manage them more efficiently and safely. Predictive maintenance technology in smart factories aims to optimize the management and operation of facilities by utilizing the Internet of Things (IoT), big data, and artificial intelligence technologies. Predict and manage the operation of specialized factory equipment. In order to predict the condition or defect of the equipment, it is necessary to have an accurate understanding of the equipment. It is necessary to detect the abnormal condition of the equipment and to identify and solve the cause of the failure. In this study, we first analyzed the current status of equipment sold in the Chungcheong region from 2002 to 2022 and the main causes of failure as a company that sells air compressors in the Chungcheong region. This study analyzes directly related causes such as sudden temperature rise, pressure overload, and motor overload of air compressors, as well as indirect causes such as difficulty in scheduling equipment maintenance, assignment of personnel to deal with failures, and complaints from customer companies. For predictive maintenance of air compressors, we would like to find solutions for each function and major cause of failure of air compressors, and derive factors that can be used for predictive maintenance using digital technology. To this end, we investigate the predictive maintenance technologies and applications applied to other facilities and equipment in the factory as an existing smart factory, and then derive the parts that can be applied to predictive maintenance through remote data collection and monitoring of air compressors. In particular, to derive predictive maintenance items for air compressors, Chat GPT, a recent Large Language Model (LLM), is used to repeatedly derive items that can be used for predictive maintenance services. After analyzing the relationship between the application cases of predictive maintenance in smart factories and the predictable parts of air compressors, we design a function that manages management items based on digital transformation (DX) technology presented in Chat GPT and failure-causing items such as temperature and motor overload on smartphones and laptops. Finally, we conducted a psychological interview (FGI) with air compressor manufacturers and representatives of companies that utilize air compressors to propose a digital-based predictive maintenance plan. 최근 많은 기업들은 생산성 향상과 기업의 경쟁력 확보를 위해 스마 트공장 구축을 하고 있다. 스마트공장은 사물인터넷(IoT), 인공지능 (AI), 로봇 및 빅데이터 분석 등 첨단기술이 융합된 지능화된 공장을 의미하며, 복잡하고 다양한 설비들이 자동화됨에 따라 이들 설비들을 관리하고 운영하기 위해서는 기존의 방식과 다른 새로운 관리 기술이 필요하게 되었다. 이러한 측면에서 설비도 중요한 자산으로 인식하고, 이들 설비들을 보다 효율적이고 안전하게 관리하기 위한 새로운 방법 을 도입하고 있다. 스마트공장에서 설비 예지보전 기술은 사물인터넷(IoT), 빅데이터, 인공지능 기술을 활용함으로써 얻고자 하는 최종 목적 은 설비의 최적 관리와 운영에 있다. 특히 공장 설비의 운영을 예측하여 관리할 수 있 어야만 비로소 공장이 정상적으로 운영되는 것이라 할 수 있다. 설비의 상태나 결함을 예측하기 위해서는 설비에 대한 정확한 파악 이 필요하다. 설비의 이상 상태를 감지하고, 이것이 설비의 결함에 의 해 발생한 것인지 혹은 일시적 현상인지, 설비 자체의 문제인지 또는 공 정상 다른 설비와 연관되어 있는 것인지, 이 결함의 원 은 어디서부 터 발생하였으며 어떻게 진전되어 고장으로 이어질 것인가를 파악해야 한다. 이런 일련의 과정을 수행하는 것이 설비 예지보전 기술이다. 요 약하면, 현재 설비에서 무슨 일이 일어나고 있고, 이 문제를 해결하기 위해 어떤 작업을 실시하여 어떻게 완료할 것 인가를 결정하는 관리 방법이다. 본 연구에서는 본 연구는 우선 공기압축기의 충청권 판매기업으로서 기존 2002년부터 2022년까지 충청권 지역에 판매된 장비 현황과 주요 고장원인을 분석하였다. 공기압축기 급속한 온도상승, 압력 과다, 모터 과부하 등 직접적으로 관련된 원인과 함께 장비 유지보수 스케줄링의 어려움, 장애 대처 인력 배정, 고객 기업의 불만 사항 등 간접적인 원 인을 분석한다. 공기압축기의 예지보전을 위해서 공기압축기의 기능과 주요 고장원인 별로 해결 방안을 찾아보고, 특히 디지털 기술을 활용한 예지보전 가능 요소를 도출해 보고자 한다. 이를 위해 기존의 스마트 팩토리로 공장내 타 설비나 장비에 적용했던 예지보전 기술과 적용분야를 조사해 본 후 이를 공기압축기의 원격 데이터 수집, 모니터링 등을 통한 예지보전에 적용할 수 있는 부분을 도출한다. 특히 공기압축기의 예지보전 항목을 도출하기 위해서 최근 초거대언어 모델(Large Language Model, LLM)인 Chat GPT를 활용하여 예지보 전 서비스가 가능한 항목을 반복해서 도출한다. 이와 같이 스마트팩토리의 예지보전 적용사례와 공기압축기의 예지보 전 가능한 부분의 관계를 분석한 후에 Chat GPT에서 제시하는 디지 털 전환(DX) 기술 기반의 관리항목과 온도, 모터 과부하 등 고장원인 항목을 스마트폰, 노트북 등에서 관리하는 기능을 설계한다. 마지막으로 공기압축기의 제조사를 대상으로 디지털 기술 기반 예지보 전 가능한 분야 설계를 하는 것에 대해 공기압축기 제조사 및 공기압 축기 도입 활용 기업의 담당자를 대항으로 심층 면접조사(FGI)를 통해 디지털 기반의 예지보전 가능성을 모색한다.

상태진단기술을 이용한 예지보전 전문가 시스템

박성규 울산대학교 대학원 2004 국내석사

기업의 입장에서 보전(Maintenance)의 중요성은 설비의 생산성, 신뢰성, 효율성 등의 측면에서 이미 오랫동안 점증되어 왔다. 보전형태는 방법과 시기에 따라 여러 종류로 나뉘어지지만, 본 논문에서는 전문가 시스템이 요구되는 예지보전(Condition Based Preventive maintenance : CBM)에 초점을 맞추었다. 이러한 예지보전을 위해서는 상태진단기술(Condition Diagnosis Technique : CDT)이 필수적으로 요구되는데, 특히 간이진단기술(Condition Surveillance Technique : CST)과 정밀진단기슬(Precision Diagnosis Technique : PDT)을 사용하여 설비의 이상 징후를 조기에 정확하게 발견하는 것을 목표로 한다. 본 논문에서 제안하는 예지보전 전문가 시스템의 기초 모델은 대용량 오버헤드 크레인의 구동부 장비에 적용하여 테스트 하였으며, 이러한 예지보전 전문가 시스템의 도입으로 인해 생산 설비의 갑작스러운 고장을 미연에 방지하여 생산율을 극대화 시킬뿐만 아니라 설비진단 전문가 인력의 부족을 상당부분 메워 줄 것으로 판단된다.

지하역사 공조설비 예지보전 시스템 도입에 따른 초미세먼지 저감 효과에 관한 연구

김선일 인하대학교 공학대학원 2026 국내석사

본 연구는 지하철 역사 공조설비에 예지보전(Predictive Maintenance, PdM) 시스템을 도입함으로써 공조설비의 비가동 시간을 감소시키고, 그에 따른 역사 내 초미세먼지(PM2.5) 저감 효과를 정량적으로 검증하는 것을 목적으로 한다. 이를 위해 예지보전 도입 전·후의 유지보수 이력과 공조설비 운전 조건을 비교 분석하고, 예지보전 적용이 공조설비 가용성과 역사 내 초미세먼지 누적 노출 저감에 미치는 영향을 분석하였다. 지하철 역사는 구조적으로 밀폐성이 높아 외부 공기와의 자연 환기가 제한 되며, 열차 운행과 승객 활동으로 인해 초미세먼지가 지속적으로 발생하는 환경적 특성을 지닌다. 특히 공조설비 고장이나 장시간 가동 중단이 발생할 경우, 여과 및 환기 기능이 저하되어 초미세먼지 농도가 단기간에 급격히 상승하는 문제가 발생한다. 기존의 사후보전 및 예방보전 방식은 고장 발생 이후 대응이나 정기 교체 위주의 관리로 인해 설비 정지 시간이 길어지고, 불필요한 유지관리 비용이 발생하는 한계를 지닌다. 이러한 문제를 해결하기 위한 대안으로, 공조설비 상태 데이터를 기반으로 고장을 사전에 예측하고 최적 시점에 정비를 수행하는 예지보전 방식의 필요성이 제기되고 있다. 본 연구는 I 교통공사에서 운영 중인 지하철 1·2호선을 대상으로, 예지보전 시스템 도입 전·후 각 4년간의 유지보수 이력 데이터를 분석하였다. 분석 대상은 총 190대의 공조설비이며, 이 중 예지보전 진단 적용이 가능한 유지보수 사례를 선별하여 고장 유형, 설비 정지 시간, 조치 내역을 비교 분석하였다. 또한 예지 보전 진단을 통해 사전 대응이 가능하다고 판단되는 사례를 기반으로 유지보수 기간 단축 효과를 산정하였다. 초미세먼지 저감 효과를 정량적으로 평가하기 위해 대표 역사 1개소를 선정 하고 단일구획 질량수지 모델(Mass Balance Model)을 적용하여 공조설비 정지 시나리오와 히스테리시스 제어 기반 정상 가동 시나리오 설정한 후, 동일 평균 외기 조건하에서 공조설비 운전 방식에 따른 역사 내 초미세먼지 농도 변화 및 누적 노출량을 시뮬레이션하였다. 아울러 공조설비의 주요 회전체 부품인 베어링을 대상으로 ISO 281 표준에 따른 이론적 수명(L10) 계산과 실제 교체 이력을 비교 분석함으로써, 예지보전 진단의 신뢰성과 불시 고장 저감 효과를 보조적으로 검증 하였다. 연구 결과, 예지보전 시스템 도입 이후 주요 고장이 사전에 탐지되어 유지보수 계획을 선제적으로 수립할 수 있었으며, 이에 따라 공조설비의 평균 비가동 시간이 약 47시간 감소하는 것으로 나타났다. 공조설비의 정상 가동 시간이 증가함에 따라 여과 및 환기 기능이 안정적으로 유지되었고, 동일 평균 외기 조건에서 공조설비 정지 시나리오와 비교할 때 역사 내 초미세먼지 농도는 약 9.9% 낮은 수준을 보였다. 또한 베어링 수명 분석 결과, 열화가 진행된 부품이 적기에 교체됨으로써 불시 고장이 감소하고 계획 정지 중심의 유지보수가 가능해져 설비 신뢰성이 향상되는 것으로 확인되었다. 본 연구를 통해 예지보전 시스템은 지하철 역사 공조설비 유지관리를 기존의 사후적·주기적 방식에서 예측 기반의 선제적 관리 방식으로 전환함으로써 설비 정지 시간을 단축하고, 그에 따른 초미세먼지 농도 저감에 실질적으로 기여할 수 있음을 확인하였다. 향후 연구에서는 예지보전 데이터를 공기질 관리 및 에너지 관리와 연계함 으로써, 지하철 역사 공조설비 운영의 효율성과 안정성을 동시에 향상시킬 수 있는 지능형·통합형 관리 플랫폼으로의 고도화가 요구된다. 핵심용어 : 지하철 역사, 초미세먼지(PM2.5), 예지보전(PdM), 공조설비(HVAC), 질량수지모델, 누적노출량(TIC), 베어링 수명(L10) This study aims to quantitatively verify the reduction effect of fine particulate matter (PM2.5) concentrations in subway stations by introducing a predictive maintenance (PdM) system to subway station HVAC systems, thereby reducing equipment downtime. To this end, maintenance histories and operating conditions of HVAC systems before and after the implementation of predictive maintenance were comparatively analyzed, and the impacts of PdM application on HVAC system availability and cumulative PM2.5 exposure reduction within stations were evaluated. Subway stations are characterized by highly enclosed structures that limit natural ventilation with outdoor air, while continuous PM2.5 generation occurs due to train operations and passenger activities. In particular, failures or prolonged shutdowns of HVAC systems degrade filtration and ventilation performance, resulting in a rapid increase in PM2.5 concentrations over a short period. Conventional corrective and preventive maintenance strategies, which rely on post-failure responses or periodic replacements, tend to prolong equipment downtime and incur unnecessary maintenance costs. As an alternative to overcome these limitations, predictive maintenance approaches that forecast failures based on equipment condition data and enable maintenance at optimal times have attracted increasing attention. This study analyzed maintenance history data covering four years before and four years after the introduction of a predictive maintenance system for subway Lines 1 and 2 operated by I Transportation Corporation. A total of 190 HVAC units were included in the analysis. Among these, maintenance cases suitable for predictive maintenance diagnosis were selected, and failure types, equipment downtime, and maintenance actions were comparatively analyzed. In addition, the maintenance duration reduction effect was estimated based on cases deemed preventable through predictive maintenance diagnostics. To quantitatively evaluate the PM2.5 reduction effect, a representative subway station was selected, and a single-compartment mass balance model was applied. An HVAC shutdown scenario and a hysteresis control–based normal operation scenario were established, and PM2.5 concentration variations and cumulative exposure within the station were simulated under identical average outdoor air conditions according to different HVAC operating strategies. Furthermore, for bearings—key rotating components of HVAC systems—theoretical bearing life (L10) calculated in accordance with ISO 281 standards was compared with actual replacement histories to provide supplementary verification of the reliability of predictive maintenance diagnostics and their effectiveness in reducing unexpected failures. The results showed that, following the introduction of the predictive maintenance system, major failures were detected in advance, enabling proactive maintenance planning. As a result, the average downtime of HVAC systems was reduced by approximately 47 hours. With increased normal operating time, filtration and ventilation functions were maintained more consistently, leading to approximately a 9.9% reduction in PM2.5 concentrations within the station compared to the HVAC shutdown scenario under identical average outdoor air conditions. In addition, bearing life analysis confirmed that timely replacement of degraded components reduced unexpected failures and facilitated maintenance centered on planned shutdowns, thereby improving overall equipment reliability. This study demonstrates that predictive maintenance systems can transform subway station HVAC maintenance from conventional reactive and periodic approaches into predictive and proactive management strategies, effectively reducing equipment downtime and contributing to meaningful reductions in PM2.5 concentrations within subway stations. Future research should focus on integrating predictive maintenance data with indoor air quality management and energy management systems to further develop intelligent and integrated platforms that simultaneously enhance the operational efficiency and reliability of subway station HVAC systems. Keywords : Subway station, Fine particulate matter (PM2.5), Predictive maintenance (PdM), Heating, ventilation, and air conditioning (HVAC), Mass balance model, Cumulative exposure (TIC), Bearing life (L10)

사물인터넷 기반 지능형 철도예지보전 시스템의 비용효과 분석

김영환 서울과학기술대학교 2026 국내박사

제 목 : 사물인터넷 기반 지능형 철도예지보전 시스템의 비용 효과 분석 국가 관리 영토 내에 있는 수천 킬로미터에 이르는 철도는 열차의 안전 운 행을 보장하도록 토목 및 건설 기술의 공학적 공법이 철도 구조물의 설계와 시공에 집약되어 있다. 일반적인 토공 구간에 설치된 철도 외에 교량, 터널, 터널 및 대도심 지하 철도 구간은 철근과 콘크리트, H-beam 및 I-beam 형강 을 이용하여 구조해석과 설계로 안전을 담보하여 건설된다. 그러나 오랜 시간 을 거쳐 온도와 습도의 변화, 진동, 충격 등이 누적되어 구조적 견고성을 훼손 하는 철도 구조물의 균열과 변형을 일으킨다. 콘크리트 미세 공극에 스며든 수분의 수축팽창에 따라 생기는 콘크리트 동해(凍害, Freezing and Thawing Damage), 볼트와 너트, 용접부 등 철재의 부식, H-beam 및 I-beam 형강의 수 직변형(Deflection), 회전변형(Torsion), 복합변형(하방 처짐 + 측면 밀림 + 회전 비틀림), 결합 볼트의 풀림, 용접의 이탈 등이 철도 구조물의 안전을 위협하는 대표적인 요인으로 알려져 있다. 철도 전 구간에 걸쳐 철도 구조물의 안전을 위협하는 요인을 일일이 식별하 고 구조물 구성요소의 안전도를 진단하는 것은 철도 구조물의 분해가 필요한 사항으로 현실적으로 이행하는 것은 불가능하다. 따라서 철도 구조물을 하나 의 안전도 평가 식별 단위로 구분하고, 철도 구조물 단위로 안전도를 평가하 고 있다. 대표적인 방법이 건강진단을 위해서 병원에서 복부초음파를 스캔하 거나, CT검사를 수행하는 것처럼 철도 구조물에 대한 비파괴검사를 통해 철도 구조물의 안전도를 평가하고 있다. 교량과 터널, 지하 철도구간에서 하중과 외 력을 지탱하는 기둥과 보, 벽면 구조물에 대하여 비파괴검사 장비로 균열과 변형을 찾아내고 예방보수를 하고 있다. 즉 규칙에 따라 정해진 주기를 가지 고 사람이 직접 철도 구조물 현장을 순회하여 비파괴검사를 실시한 후 보수 공사하기 때문에 예지보전이라 말하지 않고 예방보전 또는 시간주기 보전이라 고 한다. 사고가 난 후 보전하는 사후보전 보다는 사고를 미연에 예방하겠다 는 조치로 볼 수 있다. 문제는 이 예방보전 활동에 드는 비용이 막대하다. 소요되는 시간도 순차적 으로 하지 않고 일시에 전수 점검하려면 비파괴검사 장비를 갖춘 전문가를 전 현장에 투입해야 한다. 현장 점검에 따라 발생하는 경영적, 사회적 손실 비용은 장비사용료, 인건비, 전문가기술료 등의 직접비용을 현장수와 투입 횟수에 비례 하여 부담해야 한다. 전문가기술료는 비파괴검사장비가 스캔하여 획득한 데이터 를 분석하여 안전성 여부를 진단하는 데 전문가의 데이터 분석 기술과 노화우 가 투입되는 비용이다. 본 논문에서는 이러한 전문가의 인적기반 데이터분석을 지점식 데이터 분석(On-site Data Analysis)이라고 하며 기존의 예방보전 비용으 로 분류한다. 인적기반 현장점검에 의존하는 예방보전 활동에 드는 비효율과 비용 문제를 개선하기 위하여 최근에는 사물인터넷(Internet of Things, IoT) 센서 네트워크 를 구축하고 중앙에서 철도 전 구간의 안전도를 평가하는 소프트웨어 기반 솔 루션을 응용하고 있다. 철도 구조물 안전도 평가를 위해서 주로 사용하는 센 서는 가속도계 진동센서와 스트레인 게이지(Strain Gauge)이다. 철도 구조물의 콘크리트 균열과 변형(하방처짐 및 측방밀림, 복합변형)을 탐지할 수 있는 위 치에 센서를 매립하고 무선통신으로 센서 데이터를 중앙서버에 원격으로 전송 하는 방식으로 철도 구조물에 대한 안전도 평가데이터를 수집한다. 콘크리트 균열에 대한 안전도 평가는 콘크리트 균열과 진동수 간의 상관관계 방정식을 응용한다. 균열이 커질수록 콘크리트의 고유진동수가 작아지는 관계식을 응용 하는 것이다. 스트레인 게이지(Strain Gauge)는 구조물의 변형률을 게이지 저 항 변화로 변환하여 측정하는 저항식 센서이며, 진동 센서가 관성 기반으로 동적 응답을 계측하는 것과 달리 재료 변형을 직접 반영한다. 본 연구에서는 진동 신호의 이벤트 기반 특성과 변형률 신호의 누적·준정적 특성을 분리하 여 처리하고, 교차검증을 통해 오경보를 저감하는 데이터 운영 기준을 제시한 다. 수집된 센서 데이터는 중앙서버에서 수학적 모델과 사전에 정의된 기준선 을 기반으로 하여 안전진단 솔루션 알고리즘을 통해 처리된다. 이러한 알고리 즘 분석은 전문가의 인적기반 데이터분석과 안전도 평가를 대체한다. 따라서 사물인터넷(IoT) 센서 데이터 분석을 통한 철도 구조물 안전도 평가는 초기 IoT 센서 네트워크와 안전진단 솔루션 소프트웨어 시스템 구축에 드는 비용이 소 요되지만, 반복되는 기존의 예방보전 비용을 제외할 수 있다. 이러한 IoT 센서 기반 보전을 상태기반보전이라고 하며, 기존 IoT 센서 기반 보전 비용을 상태 기반보전비용이라 한다. IoT 센서에 의존하는 상태기반보전시스템의 안전도 평가 정확도는 데이터 분석 알고리즘에 3가지의 한계를 내재하고 있다. 첫째는 사전에 정의된 규칙 이나 수학적 모델에 의존하여 복잡하고 비선형적인 데이터 패턴을 분석하는데 한계가 있으며, 둘째는 사전에 정의된 정상 범위를 벗어나는 이상 신호를 감 지하는데 초점을 맞추고 있어 새로운 유형의 이상을 감지하는데 제한이 있다. 셋째는 알고리즘에 의해서 시스템 성능이 고정되어 있어 새로운 데이터가 추 가되어도 성능을 향상시키는데 한계가 있다. 예를 들면 개별 진동센서가 보낸 콘크리트의 고유진동수가 감소하였다고 해서 해당 포인트에 콘크리트 균열이 있다고 단정할 수 없다는 것을 의미한다. 철도 구조물 전체에 매립된 인접 진 동센서가 측정한 데이터의 시계열을 동기화 시킨 후, 센서 간 고유진동수 차 이를 찾아 각 센서 간 고유진동수 변화 패턴을 분석해야 한다. 문제는 진동센 서가 동일 제조사의 동일 모델이 아닌, 다양한 측정범위와 제원을 갖는 센서 들로 구성될 가능성이 높기 때문에 데이터 분석 알고리즘이 가지고 있는 3가 지 한계를 극복하기가 매우 어렵다. 최근 IoT 센서에 의존하는 상태기반보전시스템의 문제를 개선하기 위하여 AI 기술을 활용한 지능형 철도예지보전기술의 적용을 시도하고 있지만, 실제 지능형 철도예지보전시스템을 구축, 활용하기 위해서는 센서 데이터를 통해 정확도 높은 안전이상 탐지 성능을 보여줄 수 있는 AI 모델 학습 방안, 개발 된 AI 모델의 Aging 문제를 극복하는 AI 모델을 최신화하여 유지하는 방안과 이를 지원할 수 있는 시스템 구조 설계가 필요하다. 최근 [1]와 [2] 등의 연구들이 센서 데이터를 어떻게 AI 학습 전처리를 하고 AI 학습 알고리즘을 적용하는지, AI 모델을 어떻게 평가하는지에 초점을 둔 IoT 센서 기반 철도예지보전시스템 개발을 위한 DevMLOps 프로세스와 시스템 구현 방법론을 제시하고 있다. 그러나 지능형 철도예지보전시스템의 안전도 평 가 정확도를 어떻게 높일 수 있는지에 관한 방법, AI 모델의 Aging 문제를 극 복하고 AI 모델의 최신화를 어떻게 유지할 수 있는지를 다루는 철도 현장에 실 제 적용⋅운용 가능한 지능형 철도예지보전 시스템에 관한 연구는 부족하다. 또한 지능형 철도예지보전시스템을 어떤 구조로 구축⋅유지하는 것이 비용 타 당성 평가를 충족하는지에 관한 물음에 답하는 연구는 전무하다. 지능형 철도예지보전시스템의 핵심은 어느 현장의 철도구조물에서 안전상 이상여부가 있는지, 현장을 식별해 주는 성능이 중요하다. 이것은 현장 ID와 센서 ID를 식별하고 현장별 센서 그룹의 제원과 데이터 특성을 고려하여, 철도 전 구간의 센서 데이터를 통합하는 AI 모델 학습이 이루어져야 함을 의미한다. 따라서 본 논문에서는 AI 학습 알고리즘 및 AI 모델 개발과 평가에 관한 것이 아니라, 지능형 철도예지보전 시스템의 안전 평가 정확도를 높이면서, AI 모델 의 Aging 문제를 극복하고 AI 모델의 최신화를 유지할 수 있는 DevMLOps 프로 세스 구조를 제시하고, 적용 시 어떤 비용 절감을 효과를 얻을 수 있는지에 관 한 연구이다. 모든 AI 관련 연구결과가 그렇듯 개발된 AI모델에 기초한 지능형 시스템은 개발 완료 후 현장 운영을 위해 배치된 기계 시스템이 아니며, 마치 지적 생명 체처럼 아기(baby)와 같은 수준의 데이터 학습을 통해서 지능형 시스템이 성장 하면서 생애주기 전반에 걸쳐 고도의 데이터 학습과정이 지속적으로 이루어지 는 DevMLOps 프로세스가 작동하는 시스템이다. 본 논문의 연구에서는 어느 현장의 철도구조물에서 안전상 이상여부가 있는 지 정확하게 현장을 식별해 주는 성능을 갖춘 DevMLOps 프로세스 기반의 철 도예지보전시스템의 시스템 구조를 제시한다. 그리고 시스템 구조가 실제 운용 가능한 지능형 철도예지보전시스템으로서 비용 타당성을 수용할 수 있는지를 확인하기 위하여 수학적 비용분석 모델을 제시하고, 전문가의 인적기반 데이터 분석에 의존하는 기존의 예방보전 비용과 IoT 센서 데이터와 안전진단 솔루션 알고리즘에 기초한 상태기반보전 비용과 제안하는 지능형 철도예지보전시스템 의 학습방식에 따라 소요되는 지능형 철도예지보전비용을 분석하고, 비용감축 효과를 제시하였다.

인공지능 기반 산업용 인버터 고장 예측 및 이상 탐지를 위한 예지보전 클라우드 플랫폼과 SLO 기반 운용 프레임워크

김진오 아주대학교 일반대학원 2026 국내박사

본 연구의 목적은 산업용 인버터(공기압축기)를 대상으로, 인공지능(머신러닝·딥러닝) 기반 예지보전 클라우드 플랫폼과 SLO(Service Level Objective) 기반 운용 프레임워크를 통합적으로 제시하고 실제 데이터로 검증하는 것이다. 이를 위해 국내 4개 제조 사업장에서 수년간 수집된 5분 간격 인버터 시계열 로그를 활용하고, 시간순 연속 분할(학습·검증·시험 70:15:15)과 Δt∈{30, 60, 120분} 리드타임 라벨링, 인접 시퀀스 교차 금지 및 스케일러 fit 범위 고정 등 누설 방지 규칙을 전 과정에 적용하였다. 모델 측면에서는 Autoencoder, LSTM, GRU, 1D-CNN, SVM, K-Means, SOM, Logistic Regression 등 8종 알고리즘을 동일 데이터·동일 전처리·동일 평가 지표(RMSE, MAE, PRMSE, R²) 아래에서 비교하였다. 모든 조합에 대해 5회 독립 반복과 95% 신뢰구간을 보고함으로써, 개별 실험값에 의존하지 않고 효과 크기와 불확실성을 함께 제시하였다. 그 결과 Autoencoder가 대표적으로 PRMSE≈4.89%, R²≈0.956 수준의 성능을 보여 가장 우수한 정밀도를 기록하였으며, 시점형(point-in-time) SLO 임계(알림 지연≤1,000 ms, 추론 지연≤3,000 ms, UI 응답≤1,000 ms, 수신율≥98.0%, 손실률<2.0%, 가용성≥99.5%) 내에서 동작함을 확인하였다. 데이터 수집 파이프라인은 MQTT 기반 구조에서 평균 E2E 지연 5.679 ms, 수집 정확도 100%를 달성하여, 모델 추론·경보 단계의 SLO 해석에 앞서 데이터 품질과 실시간성이 병목이 아님을 실측으로 입증하였다. 시스템 측면에서는 경량 MBSE(Model-Based Systems Engineering)를 도입해 요구–구조–데이터 흐름(요구, 패키지, 클래스 다이어그램)의 최소 집합만을 사용하여, 인버터 도메인 고장 유형과 경보 정책, SLO 지표를 요구사항에서 운영 로그까지 일관된 모델로 추적 가능하게 구성하였다. 더불어 클라우드–엣지 이원 아키텍처와 자동 전환 규칙(600초 관찰 창에서 알림 지연·손실률·추론 지연 중 하나라도 연속 3회 임계 초과 시 Cloud→Edge 전환, 5분 안정 시 복귀)을 설계하여, 정확도–지연–가용성 간 트레이드오프를 SLO 기반으로 운용할 수 있는 절차를 제안하였다. 종합하면, 본 연구는 (1) 시간 보존 분할과 Δt 라벨링, (2) 실시간 제약을 반영한 클라우드–엣지 예지보전 플랫폼, (3) 학술 지표(PRMSE/RMSE/MAE/R²)와 운영 지표(SLA/SLO)를 일대일로 연결하는 시점형 매핑 프레임을 하나의 일관된 구조로 통합하고, 실제 산업용 인버터 데이터 위에서 검증했다는 점에 의의가 있다. 본 버전은 시점형 SLO 판정에 초점을 두며, 월·분기 단위 집계와 현장 전·후 비교, 도메인 확장·연합학습 기반 범용화는 후속 연구 과제로 남긴다. 주요어: 산업용 인버터, 예지보전, 머신러닝·딥러닝, 클라우드–엣지 아키텍처, SLO, MBSE, 시계열 이상 탐지

스마트 팩토리용 설비 예지보전 모델의 분석 및 제언

강성우 연세대학교 공학대학원 2019 국내석사

Many countries in the world are increasing their interest and policy support for smart factories in order to improve their manufacturing competitiveness. There are many things that existing manufacturing factories want to gain from the conversion to Smart Factory, but the common purpose is to improve productivity and manufacturing competitiveness. In order to increase productivity and manufacturing competitiveness, each company is considering the smart factory and predictive maintenance. 53 Predictive Maintenance (PdM) is which analyzes machine data to identify abnormal signs in advance and implements them as a way to increase overall equipment efficiency (OEE) of factories. Although many studies related to predictive maintenance have been researched in the past, there have been many limitations due to the lack of a proper environment for obtaining the status information of facilities. In this paper, I analyzed the level of smart factory technology related to predictive maintenance and suggested a study on the diagnosis and prognosis of equipment fault in smart factory environment through review of 43 case literatures. I confirmed the possibility of using suggestions through a experiment that collect data that can be used for maintenance of facilities in a real smart factory environment. And through this experiment, the definition of the fault item and the management of the systematic fault data were found to be important for the predictive maintenance. 전 세계적으로 많은 국가들이 자국의 제조업 경쟁력 향상을 위한 목적으로 스마트 팩토리에 대한 관심 및 정책적인 지원이 증가하고 있다. 기존 제조 공장들이 스마트 팩토리로 전환을 통해 얻고자 하는 것은 다품종 대량생산, 품질향상, 생산이력 데이터의 디지털 관리 등 여러 가지가 있지만, 공통적인 목적은 이를 통해 생산성 및 제조 경쟁력을 향상시키는 것에 있다. 생산성 및 제조 경쟁력을 높이기 위해 각 기업에서는 고가의 스마트 설비 도입을 검토하고 있으나, 이들 설비의 도입은 구입 및 설치 비용 외에도 유지보수를 위한 비용이 많이 소모되며, 고장으로 인해 생산 라인이 정지되는 경우 생산성에 큰 악영향을 미치게 되는 등의 요인으로 인해 도입이 쉽지 않은 실정이다. 이에 공장의 설비종합효율(OEE, Overall Equipment Effectiveness)을 높이기 위한 방법으로, 설비의 데이터를 분석하여 이상징후를 사전에 파악하고 조치하는 예지보전(PdM, Predictive Maintenance)이 스마트 팩토리의 주요 기능으로 관심을 받고 있다. 설비 예지보전과 관련된 연구들은 과거에도 많이 제시되었지만, 설비의 상태 정보를 파악할 환경이 제대로 마련되어 있지 않아 많은 제한이 있었으며, 명확한 방향 제시 없이 다양한 사례연구 위주로 진행되어 왔다. 본 연구에서는 설비 예지보전과 관련된 스마트 팩토리 기술 수준을 분석하고, 43건의 기존 사례 연구 문헌의 고찰을 통해 향후 스마트 팩토리 환경에서의 설비의 고장 진단, 예지에 대한 연구 방향으로 Data-driven approach 방법론을 활용한 예지보전, 어플리케이션 레벨의 예지보전, 의사결정을 위한 최적 데이터 유형 및 규모 연구, 예지보전 대상 선정 연구를 제언하였다. 또한, 실제 스마트 팩토리 환경에서 설비의 예지보전에 활용이 가능한 데이터를 수집하는 실험을 통해 제언 내용에 대한 활용 가능성을 검증하였고, 이 과정에서 고장항목의 정의 및 체계적인 고장 데이터의 관리가 설비의 예지보전에 무엇보다 중요하다는 것을 알 수 있었다. 본 연구의 제언을 바탕으로 스마트 팩토리 환경에서 설비 예지보전 모델의 연구가 진행되기를 기대한다.

딥러닝 기반 산업용 로봇 감속기 이상 진단 및 예지보전 시스템

김대경 한양대학교 공학대학원 2026 국내석사

머신러닝 예지보전기술 기반의 PLC 모듈 적용에 관한 연구 : HVAC의 블로워 전력 저감을 중심으로

송재우 국립부경대학교 기술경영전문대학원 2024 국내석사

21세기에 들어서며 스마트팩토리의 성장성은 날로 발전되어 오고 있으 며 스마트 팩토리의 가장 기초 단계인 자동화 분야의 세계시장은 2027년 까지 연평균 8.8% 성장률을 기록하며 규모는 3,684억달러까지 상승할 것 으로 예측된다. 제조공정 운영에 있어서 HVAC 설비가 사용하는 전력량은 전체 전력 사 용량의 50%에 해당되며 그 중 Blower의 전력 사용량은 40%를 차지하고 있다. 이에 HVAC 설비의 전력사용을 줄이기 위해 많은 연구들이 진행되 고 있으나 기존의 연구에서는 기계적인 구조를 변경하여 에너지를 저감하 는 등의 연구들이 대부분이다. 딥러닝 등을 이용한 예지보전기술이 일부 적용되고 있으나 딥러닝 기술은 관련 서버와 전문가 등의 소요로 많은 비 용이 발생된다. 더구나 딥러닝 기반의 예지보전기술에 대한 연구는 미미한 실정이다. 또한 여러 회사들에서 개발된 AI를 적용한 제품들이 출시되어 현장적용 을 검토하고 있지만, 모두 빅데이터를 활용한 Data 분석에 기반한 제품이 대부분이다. 이는 H/W의 많은 투자가 필요하여 보편적으로 사용하는 데 어려움이 있다. 따라서 본 연구에서는 자동화 공정의 주요 설비인 HVAC에서 가장 많은 전력을 사용하는 Blower를 제어하는 PLC 모듈에 지도학습 기반의 머신러 닝을 적용하여 사전 예지보전을 통해 설비운영의 안정성을 도모하고 전력 사용의 효율성을 확보하고자 한다. 더구나 본 연구에서 활용한 Logix AI 는 AI의 가장 기초단계인 지도학습 기반의 머신러닝을 사용하여 적은 비 용으로 현장에 바로 적용이 가능하다. 본 연구에서 제시한 PLC 모듈 사용의 효율성을 검증하기 위해, Logix AI를 적용한 단상 AC 220V 0.2kW의 Blower Test용 Demo 장비를 구 축하여, 1회 10일 기준으로 5회 반복 실험을 통해 시뮬레이션 실험을 진 행하였다. 이상신호 발생빈도를 Excel의 RAND 함수를 사용하여 발생시 키고 이를 통해 AI 기반의 예지보전시스템의 성능을 검증하였다. 5회 시 뮬레이션 실험의 결과로, 하루 평균 0.752kWh만큼 전력저감 효과가 발생 되었다. 이를 현장에서 주로 사용되는 100kWh의 Blower에 적용한다고 가정할 경우, 하루 평균 375kWh를 저감할 수 있을 것으로 예측할 수 있 다. 또한 1개월 단위로 환산 시, 약 11,250kWh를 절약하게 되고 이는 금 액으로 산출 시 1,125,000원의 전기요금 절약 효과가 있을 것으로 판단된 다. 더구나 제조공정의 라인 수와 PLC 모듈 사용개수가 늘어날수록 본 연 구의 적용 효과성은 더욱 증대되리라 예상된다. 본 연구의 결과로 볼 때, AI 기반의 예지보전시스템의 적용 시, 산업에 너지 절감에 기여할 수 있으며 자동화 제조공정의 운영비용도 절감할 수 있을 것으로 기대된다. In the 21st century, the growth of smart factories has been continually advancing. The global market for automation, which is the most basic stage of smart factories, is expected to grow at an annual rate of 8.8% and to reach $368.4 billion by 2027. In the operations of manufacturing process, the power consumption of HVAC equipment accounts for 50% of the total electricity usage, with blowers alone consuming 40% of this power. Consequently, many studies have been conducted to reduce the power consumption of HVAC equipment, but most existing researches have focused on reducing the energy through mechanical structural changes. Although predictive maintenance technologies using deep learning have been partially applied, the deep learning technology incurs considerable costs due to the needs for related servers and specialists. Moreover, researches on deep learning-based predictive maintenance technologies are scant. Furthermore, products developed by various companies that apply AI, have been released and are being reviewed for an on-site application. But the most are based on data analysis using big data, which requires significant hardware investments and poses challenges for widespread use. Therefore, this study aims to apply machine learning based on supervised learning to the PLC module that controls the blower, which consumes the most power in HVAC, a key facility in the automation process. This approach seeks to enhance the stability of equipment operation and the efficiency of power usage through predictive maintenance. The Logix AI used in this study employs a machine learning technology based on supervised learning, which is the most basic level of AI, enabling its immediate and cost-effective application in the field. To verify the efficiency of the proposed PLC module, a demo equipment with Logix AI was set up for testing a single-phase AC 220V 0.2kW blower. A series of simulation experiments were conducted over five replications with each spanning 10 days. Abnormal signal frequencies were generated using Excel's RAND function to validate the performance of the AI-based predictive maintenance system. The results of the five simulation experiments showed an average daily power reduction of 0.752 kWh. Extrapolating this to a 100 kWh blower commonly used in the field, it is predicted that an average of 375 kWh could be saved per day. Monthly, this amounts to approximately 11,250 kWh, equating to a saving of 1,125,000 won in electricity costs. Additionally, the effectiveness of this research is expected to more increase as the number of manufacturing lines and PLC modules used increases. Based on the results of this study, the application of an AI-based predictive maintenance system can contribute to industrial energy savings and reduce operating costs in automated manufacturing processes.

지능형 IoT를 융합한 장비운용시스템의 예지보전에 관한 연구

이상덕 한국산업기술대학교 산경대학원 2022 국내석사

제조산업 현장에서 생산에 사용되는 콤프레셔와 정류기 같은 유틸리티의 고장은 생산 및 품질관리에 대한 소요비용을 증가 시키고 관련한 유지보수 인력의 필요성을 유발시키므로, 생산에 사용되는 유틸리티들의 상태를 실시간으로 파악하고 이싱 징후를 사전에 인지하는 것이 매우 중요하다. 최근 4차 산업혁명의 인더스트리 4.0에 대한 확산과 국내 스마트공장 확산에 따라 인공지능 기반의 스마트공장 고도화에 대한 연구가 활발히 진행되고 있다. 특히, 생산 유틸리티의 고장을 사전에 예측하고 대응할 수 있는 생산 유틸리티 예지보전 기술에 관해 많은 연구와 개발이 되고 있다. 그리고 현재까지의 예지보전 모델은 특성을 추출하거나, 비슷한 데이터군을 묶는 군집방법을 많이 사용하는 ‘비지도 기계 학습(Un-supervised Machine Learning)을 이용하였다. 본 논문에서는 ‘비지도 기계 학습(Un-supervised Machine Learning)예지보전’효용성의 문제점을 개선한 ‘지도 기계 학습(Supervised Machine Learning) 예지보전’기술 효용성을 검증하였다. 적절한 학습데이터(Train Data Set)를 만들기 위하여 AIoT 기술이 적용된 엣지컨트롤러를 개발 하여 데이터 오염을 최소화한 필터링된 실험용 데이터를 구축하고, 도메인 지식(Domain Knowledge)이 적용된 모사시스템을 설계 구축 하여 실험용 비정상데이터(Abnormal Data)를 구축하였다. 본 논문은 실험 결과 효율적인 학습용 데이터를 제안하고, 제안한 데이터 기반의 진단 모델과 예지 모델의 유효성을 입증하였다. 그 결과는 기계 및 장비 고장 예측을 필요로하는 산업현장에 적합한 예지보전 서비스를 제공하고, 예측모델과 그 서비스는 산업전반에 사용되는 시설, 설비 관리 분야에 응용 및 실용 적용이 가능 할 것이다.

물류자동화 설비 유지보수 중요도 및 예지보전 필요도 분석 연구

이정수 인천대학교 동북아물류대학원 2025 국내박사

국내 물류시장의 환경 변화 및 글로벌 전자상거래의 증가 속에서 물류의 첨단화, 효율화, 대형화로 인한 스마트 물류자동화 시설의 투 자 또한 확대되고 있으며, 정부 주도의 스마트물류센터 인증제도를 통하여 국내 물류의 스마트화는 빠르게 진행되고 있다. 하지만 물류자동화 설비의 증가로 인한 다양한 설비 고장에 따른 물 류 운영 손실 비용과 부족한 설비운영 인력에 대한 명확한 해결방안 이 도출되지 않아 어려움을 겪고 있으며, 이와 관련된 현장 및 학계 의 연구 또한 많이 부족한 상황이다. 따라서 본 연구에서는 스마트물류센터에 대한 물류자동화 설비의 유지보수와 예지보전의 관계를 규명하기 위하여 국내 물류 현장의 운 영자 및 물류전문가 위주의 설문을 진행하였다. 설문 자료 취합 후 IPA 분석을 통하여 중요도 및 시급도 분석을 시행하였고 분석 결과 에 대한 미흡한 항목들에 대해서 추가 설문을 진행하였다. IPA 분석 결과를 기준으로 설문 결과와의 차이를 비교대조하여 물류 현장 상황 에 가까운 결과를 도출하기 위하여 노력하였다. 연구 결과를 살펴보면 다음과 같다. 첫째, 국내 자동창고 및 물류센 터 내 자동화 설비의 중요도 및 시급도는 보관 자동화 설비가 가장 중요한 설비로 분석되었다. 둘째, 모든 물류기업들은 유지보수 계약을 통한 정기점검을 하며, 가장 많은 점검 빈도는 1년 4회로 확인되었다. 또한 스마트물류센터 및 물류자동화 구축에 대한 연간 유지보수 계약 금액도 설비 규모에 따라 증가됨을 확인하였다. 셋째, 예지보전 투자는 긍정적이었으며, 적용 시 설비 안정화 및 물류 개선을 최대 효과로 확인되었다. 그리고 예지보전 적용 형태로는 사 물인터넷 기반 예지보전을 선호하였지만 자동화 설비의 프로세스 별 예지보전 솔루션도 변경될 수 있음을 확인하였다. 본 연구의 시사점으로는 첫째, 국내 운영 중인 물류자동화 현장의 중요 설비와 IPA 분석을 통한 중요 설비와의 관계를 비교 분석하였 다. 둘째, 물류자동화 규모 기준 유지보수 인력 및 비용, 점검기간 등 참고 자료로 활용할 수 있도록 하였다. 셋째, 기존 물류자동화 및 신 규 검토 물류자동화 기준 예지보전시스템에 대한 적용 방안에 대한 가이드라인을 제시하였다.