식품공장 예지보전(PdM) 구축 — 센서를 붙이는 것보다 고장 데이터를 연결하는 일이 먼저다

식품공장에서 설비 한 대가 멈추는 비용은 수리비로 끝나지 않는다.

가열 중이던 Batch가 기준시간을 벗어나 폐기될 수 있고, 냉동·냉각 공정이 멈추면 제품 온도가 관리범위를 이탈할 수 있다. 충전기가 정지하면 전공정에서 계속 내려오는 반제품이 적체되고, 포장기가 멈추면 이미 생산된 제품의 대기시간이 길어진다.

그래서 식품공장의 설비보전은 “고장 난 부품을 얼마나 빨리 교체하는가”보다 고장이 생산과 품질에 영향을 주기 전에 이상 징후를 얼마나 빨리 발견하는가의 문제로 바뀌고 있다.

다만 진동센서를 몇 개 설치한다고 예지보전이 완성되는 것은 아니다. Predictive Maintenance의 성패는 AI 모델보다 먼저 설비 상태가 시간축으로 기록되고, 실제 고장과 정비이력까지 같은 설비 ID에 연결되는가에 달려 있다.

사후보전은 수리비보다 생산손실이 크다

사후보전(Breakdown Maintenance)은 설비가 고장난 뒤 정비하는 방식이다. 부품을 끝까지 사용한다는 점에서는 경제적으로 보일 수 있다. 하지만 식품공장에서 갑작스러운 설비정지는 제품손실을 함께 발생시킬 수 있다.

레토르트나 가열설비가 중간에 멈추면 공정조건을 다시 검증해야 할 수 있다. 고속 충전기가 정지하면 내용물은 준비됐는데 포장이 불가능한 상태가 발생한다. 냉동설비 장애는 재고 전체의 품질위험으로 확대될 수 있다.

즉 Maintenance Cost보다 Downtime + Scrap + Rework + Delivery Delay + Quality Risk가 더 큰 경우가 많다.

정기보전(TBM)도 항상 최적은 아니다

Time-Based Maintenance는 일정 운전시간이나 기간이 지나면 부품을 교체하는 방식이다. 관리가 단순하고 고장예방에 효과적이지만 실제 부품상태와 관계없이 정비가 진행될 수 있다.

예를 들어 제조사가 베어링 교체주기를 5,000시간으로 제시했다고 하자. 실제 환경에서는 8,000시간까지 정상인 설비도 있고, 세척수와 고온환경 때문에 3,000시간 만에 상태가 악화되는 설비도 있을 수 있다. TBM은 평균적인 기준이다. PdM은 설비마다 실제 상태가 어떻게 변하고 있는지를 보고 정비시점을 판단하려는 방식이다.

예지보전의 시작은 센서가 아니라 Asset Master다

공장에 진동센서를 설치해 데이터를 모으더라도 해당 센서가 어떤 설비의 어느 위치에 설치돼 있는지 관리되지 않으면 시간이 지나면서 데이터의 의미가 사라진다. 최소한 다음 계층이 정의돼야 한다.

Plant / Line / Equipment
Component / Sensor

예를 들어 포장1라인 → 수직포장기 P-01 → 메인모터 M1 → 구동측 베어링 → 진동센서 VIB-01처럼 연결돼야 한다. 그래야 6개월 후 발생한 베어링 고장이 어느 센서패턴과 연결되는지 분석할 수 있다. PdM에서 Asset Master는 ERP/MES 품목 Master만큼 중요하다.

식품 설비에서 수집해야 하는 데이터는 설비마다 다르다

모터와 펌프에서는 진동과 전류가 유용할 수 있다. 가열기와 레토르트에서는 온도·압력·밸브동작시간이 중요할 수 있다. 냉동설비에서는 흡입·토출압력과 Compressor Current, 온도변화가 중요하다. 고속 충전·포장설비에서는 Cycle Time, Torque, Motor Current, Jam Count가 더 직접적인 지표가 될 수 있다.

따라서 “모든 설비에 진동센서를 설치한다”는 접근은 효율적이지 않다. 먼저 Failure Mode를 정의하고 그 고장을 설명할 수 있는 Signal을 선택해야 한다.

진동 데이터는 Sampling Rate 설계가 중요하다

설비 진동을 단순히 1분에 한 번 숫자로 저장하면 고주파 이상을 놓칠 수 있다. 베어링 결함이나 회전체 이상은 원신호 Waveform과 주파수 영역의 특징이 중요할 수 있다. 따라서 진동분석에서는 다음을 사용할 수 있다.

RMS / Peak / Crest Factor
Kurtosis / FFT Spectrum / Bearing Frequency Component

센서단에서 고주파 Raw Signal을 수집하고 Edge에서 Feature를 계산한 뒤 MES 또는 Historian에는 요약값을 저장하는 구조도 가능하다. 모든 Raw Data를 장기간 중앙 DB에 저장하는 것이 항상 효율적인 것은 아니다.

전류 데이터는 설비부하 변화와 함께 봐야 한다

MCSA(Motor Current Signature Analysis)는 모터전류 패턴을 통해 부하와 이상징후를 분석하는 방식이다. 하지만 전류가 상승했다고 바로 고장이라고 볼 수 없다. 제품점도가 높아졌거나 투입량이 늘어났거나 생산속도가 변경돼도 Motor Current는 변한다. 따라서 전류 데이터는 다음과 함께 분석해야 한다.

Product / Batch Size
Speed / Load / Recipe

이것이 MES Context Data가 필요한 이유다. 설비센서 데이터만 독립적으로 보면 정상적인 생산조건 변화가 고장으로 오인될 수 있다.

식품공장의 센서는 세척환경까지 고려해야 한다

식품공장은 물과 세척약품이 사용된다. 따라서 센서와 케이블, Connector는 설치위치에 맞는 방수·방진 성능이 필요하다. 그러나 IP67이면 모두 안전하다고 단정해서는 안 된다.

고압세척이 이루어지는 위치라면 다른 수준의 보호성능이 필요할 수 있고, 세척약품에 대한 내화학성도 봐야 한다. 제품접촉 구역에서는 위생설계와 재질도 별도 검토해야 한다. 즉 센서선정 기준은 IP 숫자 하나가 아니라 다음을 같이 보는 구조여야 한다.

Water / Pressure / Chemical
Temperature / Hygienic Zone

가장 어려운 데이터는 고장 Label이다

AI 예지보전에서 센서데이터보다 더 구하기 어려운 것이 Failure Label이다. 센서는 매초 데이터를 만들지만 실제 고장은 자주 발생하지 않는다. 정비기록도 “모터 이상”, “베어링 교체”, “수리 완료” 정도로 적혀 있는 경우가 많다.

이 상태에서는 모델이 어떤 패턴이 어떤 고장의 전조였는지 학습하기 어렵다. 따라서 정비 Work Order에는 최소한 다음을 구조화해야 한다.

고장부위 / Failure Mode / 고장발생시각
증상 / 교체부품 / 원인 / 수리완료시각

정비 Work Order가 AI의 정답지다

AI가 설비이상을 8월 10일에 감지했고 8월 14일 실제 베어링 파손이 발생했다고 하자. 이 관계가 축적돼야 모델의 유효성을 평가할 수 있다. 반대로 고장시각이 기록되지 않고 “8월 중 수리” 정도만 남는다면 학습품질이 떨어진다.

그래서 ERP PM 또는 MES Maintenance Module의 Work Order 데이터가 PdM의 핵심 Label Source가 된다. 예지보전은 센서 프로젝트와 정비관리 프로젝트를 따로 추진하면 완성되기 어렵다.

처음부터 RUL 모델을 만들려고 하면 실패하기 쉽다

Remaining Useful Life는 현재 상태에서 설비가 정상적으로 작동할 수 있는 잔여시간을 예측한다. 매우 유용하지만 요구되는 데이터 수준이 높다. RUL 학습에는 여러 설비에서 정상 → 열화 → 고장으로 이어지는 충분한 Lifecycle 데이터가 필요하다.

실제 식품공장에서는 고장사례가 많지 않고 중간에 부품을 예방교체하는 경우도 많다. 이런 환경에서는 처음부터 정확한 RUL 숫자를 만들기보다 Normal / Warning / Abnormal 상태분류부터 시작하는 것이 현실적이다.

첫 단계는 Condition Monitoring이다

설비 상태값을 시간순으로 수집하고 정상범위를 보는 단계다. 예를 들어 베어링 온도가 평상시 55~60℃인데 최근 65℃ 이상으로 올라가기 시작했다고 하자. 진동 RMS도 동시에 상승한다면 정비점검을 요청할 수 있다.

이 단계에서는 AI가 없어도 된다. Threshold와 Trend만으로도 충분한 가치가 있다. 데이터가 축적된 뒤 Anomaly Detection으로 발전시키는 것이 좋다.

두 번째 단계가 Anomaly Detection이다

고장 Label이 충분하지 않은 경우 비지도 또는 반지도 이상탐지를 사용할 수 있다. 정상 운전데이터를 학습하고 평소와 다른 Pattern을 감지하는 방식이다.

Isolation Forest
Autoencoder
One-Class 계열 모델

등을 적용할 수 있다. 하지만 알고리즘 이름보다 중요한 것은 Context다. 생산품목이 바뀌어 정상적으로 진동수준이 올라간 것을 고장으로 판단한다면 경보가 쏟아진다. 따라서 Model Input에는 운전조건도 들어가야 한다.

세 번째 단계에서 Failure Prediction과 RUL로 확장한다

고장·정비 데이터가 충분히 축적되면 특정 Failure Mode의 발생확률이나 잔여수명을 모델링할 수 있다.

Gradient Boosting
Survival Model
Sequence Model

등 여러 방법을 사용할 수 있다. LSTM이나 XGBoost가 모든 PdM 문제의 정답은 아니다. 설비수와 데이터량, Failure Label, Explainability 요구에 따라 모델을 선택해야 한다. 중요한 것은 고장 확률 73% 같은 숫자가 아니라 실제 정비의사결정으로 연결되는가다.

PdM 경보 하나마다 Work Order를 자동 발행하면 오히려 혼란이 생긴다

AI Anomaly Score가 기준을 넘었다고 모든 경보를 즉시 정비 Work Order로 전환하면 False Positive 때문에 정비팀이 피로해진다. 따라서 경보단계를 나누는 것이 좋다.

Level 1 — Observation — 추세를 계속 본다.
Level 2 — Inspection Required — 현장점검을 시행한다.
Level 3 — Maintenance Work Order — 실제 정비작업을 계획한다.

AI는 정비명령을 독단적으로 내리는 시스템보다 의사결정 우선순위를 제공하는 시스템으로 시작하는 편이 안정적이다.

OEE와 PdM은 서로 다른 질문에 답한다

OEE의 Availability가 떨어지면 설비정지가 많았다는 사실은 알 수 있다. PdM은 그 정지가 발생하기 전에 어떤 이상신호가 있었는지를 찾는다.

따라서 OEE Downtime Event와 PdM Sensor Trend를 동일 Equipment ID와 Timestamp로 연결하면 정비효과를 검증할 수 있다. 예지보전 후 Breakdown Time이 줄었는지 실제 OEE 데이터로 확인할 수 있다. PdM 프로젝트의 ROI를 계산할 때도 이 연결이 중요하다.

4M 변경관리와 연결하지 않으면 모델이 갑자기 틀릴 수 있다

모터를 새 모델로 교체했다고 하자. 정상 진동특성이 기존 설비와 달라질 수 있다. 하지만 AI는 이전 기준으로 계속 이상점수를 계산한다. 그러면 교체 직후부터 모든 데이터가 이상으로 판정될 수도 있다.

설비 Overhaul / Sensor 교체
Motor 교체 / PLC Setting 변경

같은 Machine 변경은 PdM 모델에도 영향을 준다. 그래서 4M Change Management의 Machine Change Event가 Model Baseline Revision과 연결돼야 한다.

MES와 ERP 보전모듈은 역할을 나눠야 한다

MES는 현재 생산상태와 설비상태를 가장 빠르게 알고 있다. ERP PM은 장기 설비이력, 정비계획, 자재와 비용관리에 강하다. 따라서 구조를 다음과 같이 나눌 수 있다.

Sensor/PLC → Edge/Historian → PdM Engine → MES Equipment Status → ERP Maintenance Work Order

ERP에서는 다시 필요한 Spare Part와 인력, 예정작업일을 관리한다.

Spare Parts 관리가 연결돼야 예측의 가치가 생긴다

AI가 7일 내 베어링 이상 가능성을 예측했는데 교체부품이 없으면 예측효과가 제한된다. ERP 자재모듈에서 해당 Equipment와 Spare Part BOM을 연결할 수 있다. 예를 들어 Motor M-01 → Bearing BR-6205와 같이 관리한다.

PdM 경보가 일정 수준에 도달하면 부품재고를 확인하고 부족하면 구매요청을 만들 수 있다. 다만 즉시 자동발주보다는 승인 Workflow를 두는 편이 현실적일 수 있다.

Spare Parts에도 Safety Stock 논리가 필요하다

예비부품은 일반 원재료와 수요패턴이 다르다. 매일 소비되지 않지만 필요할 때 없으면 설비가 장시간 멈춘다. 따라서 안전재고를 다르게 설정해야 한다.

고장확률 / 조달 Lead Time
설비 Criticality / 대체 가능성 / 부품가격

을 기준으로 봐야 한다. PdM 데이터가 쌓이면 정비부품 수요예측도 정교해질 수 있다.

식품공장의 설비 Criticality는 생산량만으로 정하면 안 된다

하루 생산량이 많은 설비가 항상 가장 중요한 설비는 아니다. 고장이 발생했을 때 다음을 함께 봐야 한다.

식품안전 영향을 주는가 / 대체설비가 있는가
Batch 폐기가 발생하는가 / 수리 Lead Time이 긴가
후공정을 모두 멈추게 하는가

따라서 PdM 투자 우선순위는 Equipment Criticality Matrix를 먼저 만드는 것이 좋다. 모든 설비에 동일한 센서를 설치하는 것보다 Critical Equipment부터 시작하는 편이 효율적이다.

사후·정기·예지보전은 서로 완전히 대체하는 방식이 아니다

구분	사후보전 BM	정기보전 TBM	예지보전 PdM
정비시점	고장 후	기간·시간 기준	상태 기반
센서데이터	불필요	제한적	핵심
고장위험	높음	낮출 수 있음	조기감지 목표
부품교체	고장 시	조기교체 가능	상태기반
데이터요구	낮음	중간	높음
Work Order	사고 후	계획 생성	상태신호 연계
Spare Parts	긴급사용	계획확보	예측 기반 확보
AI	불필요	불필요	선택적 활용
적용대상	비중요 설비 가능	정기점검 항목	Critical Asset 중심
운영난이도	낮음	중간	높음

모든 설비를 PdM으로 바꾸는 것이 정답은 아니다

가격이 낮고 교체가 쉬우며 고장이 생산에 거의 영향을 주지 않는 부품은 BM이 더 경제적일 수 있다. 법정점검이나 제조사가 주기적 교환을 요구하는 항목은 TBM이 필요할 수 있다. 반대로 고장 시 Batch 폐기와 장시간 정지가 발생하는 설비에는 PdM의 가치가 높다.

따라서 실제 공장에서는 BM + TBM + CBM/PdM을 설비 중요도에 따라 혼합하는 것이 일반적이다. 예지보전은 모든 정기보전을 없애는 기술이 아니다.

예지보전 KPI도 모델 정확도만 보면 안 된다

AI Accuracy 95%라는 숫자는 경영성과를 설명하기 어렵다. 실제 KPI는 다음으로 보는 편이 좋다.

Unplanned Downtime / MTBF / MTTR
Emergency Maintenance Count / Scrap due to Breakdown
Maintenance Cost / False Alarm Rate

예지보전 도입 전후에 이 지표가 어떻게 바뀌었는지 확인해야 한다. 그래야 PdM이 기술 데모가 아니라 설비투자 프로젝트가 된다.

PdM의 가장 중요한 자산은 센서보다 고장이력 데이터다

진동센서는 교체할 수 있다. AI 모델도 다시 만들 수 있다. 하지만 특정 설비가 3년 동안 어떤 운전조건에서 어떻게 열화됐고 어떤 이상신호를 보인 뒤 어떤 부품이 고장났는지를 기록한 데이터는 다시 만들기 어렵다.

Sensor → Operation Context → Anomaly → Inspection → Failure → Repair 흐름이 축적되면 공장 고유의 Reliability Dataset이 된다. 이 데이터는 제조사 매뉴얼보다 실제 사업장의 설비환경을 더 정확하게 설명할 수 있다.

예지보전의 도입 순서는 AI가 마지막이다

식품공장에서 현실적인 순서는 다음과 같다.

Equipment Master와 Failure Code를 표준화한다.
정비 Work Order를 구조화한다.
Critical Equipment를 선정한다.
센서와 PLC 데이터를 Time-Series로 수집한다.
운전조건과 Batch Context를 연결한다.
Threshold와 Trend 기반 Condition Monitoring을 먼저 운영한다.
그 뒤 Anomaly Detection을 적용한다.
실제 고장사례가 충분히 축적됐을 때 Failure Prediction과 RUL로 확장한다.

Asset Master → Maintenance History → Sensor Data → Context → Condition Monitoring → Anomaly Detection → RUL

예지보전은 센서가 고장을 맞히는 기술이 아니다. 설비가 정상상태에서 어떤 방식으로 열화되고 있는지를 시간축 데이터로 설명하고, 그 신호를 실제 정비행동과 연결하는 설비관리 체계다.

AI는 그 체계의 가장 마지막 분석계층에 가깝다.