예지보전은 설비의 진동, 온도, 전류 같은 상태 데이터를 분석해 고장 징후를 미리 포착하고, 그에 맞춰 정비 시점을 정하는 방식입니다. 고장이 난 뒤에 고치는 사후보전이나 일정 주기마다 점검하는 예방보전보다 불필요한 정지와 정비를 줄일 수 있다는 기대 때문에 많은 제조사가 도입을 검토합니다.
그런데 예지보전을 도입한 뒤에도 정비 비용이 기대만큼 줄지 않는 경우가 있습니다. 이 글에서는 그 원인을 세 가지로 나누어 살펴보고, 비용 효과를 제대로 확인하는 기준과 절감으로 이어지게 하는 조건을 정리했습니다.
정확도가 높아도 오탐이 절감분을 상쇄합니다
예지보전의 성과는 흔히 예측 정확도로 평가됩니다. 하지만 정확도가 높다고 비용이 줄어드는 것은 아닙니다. 한국데이터경제신문 보도에 따르면, 맥킨지가 분석한 해외 장비 기업 사례에서는 약 10%의 오탐이 만들어낸 추가 정비 비용이 기대했던 절감분을 모두 상쇄했습니다.
이유는 단순합니다. 경보가 울리면 담당자는 설비를 확인하고, 때로는 가동을 멈추고 점검해야 합니다. 실제 고장이 아니었다면 그 인력과 시간, 정지 손실이 그대로 비용이 됩니다. 놓친 고장이 만드는 손실은 줄었지만, 잘못된 경보가 만드는 비용이 새로 생긴 셈입니다. 감지 단계에서 무엇이 달라지는지는 제조업 설비 이상 감지 글에서 다루었고, 이 글에서는 감지 이후의 비용 구조에 초점을 맞춥니다.
예측할 수 있는 고장은 일부이고 설비마다 모델이 필요합니다
같은 사례에서 예측할 수 있었던 고장은 전체의 약 4분의 1에 그쳤습니다. 나머지는 여전히 사후에 대응해야 하므로, 예지보전을 도입해도 전체 정비 비용에서 줄일 수 있는 몫에는 한계가 있습니다.
헬로티 보도에 따르면 이런 한계는 데이터의 특성에서 비롯됩니다. 고장은 자주 일어나지 않고 유형도 다양해서 학습에 필요한 고장 데이터를 모으기 어렵습니다. 설비 종류마다 별도의 모델이 필요하고, 현장 전문가의 노하우는 대부분 문서화되지 않은 채 남아 있습니다. 그래서 모든 설비에 일괄 적용하기보다, 정지 손실이 크고 데이터를 확보할 수 있는 설비부터 고르는 판단이 필요합니다. 이 기준 없이 시작하면 오탐과 수작업만 늘어날 수 있습니다.
경보가 울린 뒤의 판단이 여전히 수작업입니다
예측 모델이 경보를 보내는 데까지가 예지보전의 절반이라면, 나머지 절반은 경보 이후의 판단입니다. 담당자는 이런 질문을 떠올리고, 생각해야 합니다. ‘지금 설비를 세워야 하는가’, ‘다음 계획 정지까지 버틸 수 있는가’, ‘필요한 부품과 정비 인력은 준비되어 있는가’, ‘이 설비를 멈추면 어떤 납기가 밀리는가’입니다.
이 답을 내리려면 센서 데이터만으로는 부족합니다. 과거 정비 이력, 부품 재고, 생산 일정, 납기 정보가 함께 필요하죠.
문제는 이 정보가 정비 기록, ERP, MES에 나뉘어 있다는 점입니다. 담당자가 여러 화면을 오가며 직접 대조하는 동안 판단은 늦어지고, 경보가 늘어날수록 이 수작업도 함께 늘어납니다. 예측은 자동화되었지만 판단은 사람의 수작업으로 남아 있으니 비용 효과가 제한되는 것입니다.
비용이 줄었는지는 이렇게 확인해야 합니다
예지보전의 효과를 예측 정확도 하나로 판단하면 앞서 본 함정에 빠지기 쉽습니다. 세 가지 지표를 함께 볼 필요가 있습니다.
첫째는 오탐으로 늘어난 불필요한 정비의 건수와 비용입니다. 둘째는 놓친 고장으로 발생한 정지 손실입니다. 셋째는 경보가 울린 뒤 정비 결정까지 걸린 시간입니다.
이 세 가지를 도입 전과 비교해야 예지보전이 실제로 비용을 줄였는지, 비용의 위치만 옮겼는지 알 수 있습니다. 도입 전의 기준값이 없으면 비교할 방법이 없으므로, 시작하기 전에 이 세 가지의 현재 수준부터 정리해 두는 것이 좋습니다.
비용 절감으로 이어지게 하는 세 가지 조건
첫째, 경보에 근거를 함께 보여주어야 합니다. 어떤 신호가 언제부터 어떻게 달라졌는지, 과거에 비슷한 패턴이 있었는지를 알려주면 담당자가 오탐 여부를 빠르게 가려낼 수 있습니다. 근거 없는 경보는 일단 점검부터 해야 하므로 오탐 비용이 커집니다.
둘째, 설비 데이터와 정비 이력, 생산 일정, 납기를 한 번에 볼 수 있어야 합니다. 정비를 지금 할지 다음 정지 때 할지는 설비 상태뿐 아니라 생산 계획에 따라 달라집니다. 원인 후보와 근거를 모아 보여주는 방식은 제조 원인분석 AI 글에서, 반복되는 판단을 시스템이 먼저 처리하게 하는 방식은 공장 의사결정 자동화 글에서 자세히 다루었으니, 좀 더 자세히 보고 싶으시다면 해당 글을 참고해주시면 좋겠습니다.
셋째, 최종 판단은 정비 담당자가 내리되 그 결과를 기록으로 남겨야 합니다. 경보가 실제 고장이었는지, 어떤 조치를 했는지가 쌓여야 다음 경보의 기준을 조정할 수 있고 오탐도 줄어듭니다.
다비스(DARVIS)의 접근은?
다비스(DARVIS)는 설비 이상 징후가 감지되면 관련 데이터를 모아 원인 후보와 근거를 함께 보여주고, 최종 판단은 담당자가 내리도록 돕습니다. 기존 ERP와 MES를 그대로 두고 연결하는 방식이라 시스템 변경은 0건이며, 도입 기간은 5주입니다.
정밀 부품 제조사 H사의 불량 원인 파악 사례에서는 품질, 공정, 설비 데이터를 연결한 뒤 원인 파악 시간이 30일에서 3시간으로 줄었습니다. 흩어진 데이터를 연결해 근거를 한 번에 확인하는 구조가 판단 시간을 줄일 수 있음을 보여주는 사례입니다.
예지보전의 성과는 고장을 맞히는 데서 끝나지 않습니다. 경보 이후의 정비 판단이 얼마나 빠르고 정확해지는지가 실제 비용을 결정합니다. 도입을 검토 중이라면 예측 모델의 정확도에 앞서, 경보 이후의 판단에 필요한 데이터가 연결되어 있는지부터 점검해 보시기 바랍니다.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 제조 현장의 실제 문제 해결 사례와 AI 활용 노하우를 공유합니다.
더 많은 제조 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.