조건 기반 유지보수를 위한 인공신경망 접근법

초록

본 연구는 설비 상태 신호를 인공신경망으로 분석하여 고장 시점을 예측하고, 이를 기반으로 최적의 조건 기반 유지보수 정책을 수립하는 방법을 제시한다. 컴퓨터화된 유지보수 관리 시스템과 결합해 비용 절감 및 설비 가동률 향상을 목표한다.

상세 분석

이 논문은 전통적인 정기점검 방식이 가진 비효율성을 극복하기 위해 조건 기반 유지보수(CBM) 프레임워크에 인공신경망(ANN)을 적용한 점이 가장 큰 특징이다. 먼저 설비의 온도, 진동, 전류 등 다중 센서 데이터를 실시간으로 수집하고, 전처리 단계에서 잡음 제거와 정규화를 수행한다. 이후 다층 퍼셉트론(MLP) 구조를 채택해 입력 특성의 비선형 관계를 학습시키며, 은닉층 수와 뉴런 수를 실험적으로 최적화한다. 학습 과정에서는 과적합을 방지하기 위해 교차 검증과 조기 종료(Early Stopping)를 적용하고, 손실 함수는 평균제곱오차(MSE)를 사용한다.

예측 모델이 구축된 후, 추정된 고장 시간(Residual Life)을 기반으로 유지보수 시점을 결정한다. 여기서 비용 함수는 가동 중단 비용, 예방 정비 비용, 고장 수리 비용을 포함한 총 비용을 최소화하도록 설계되었다. 논문은 또한 베이즈 최적화 기법을 활용해 정책 파라미터(예: 고장 위험 임계값)를 자동 튜닝함으로써 실제 현장 적용 가능성을 높였다.

실험 결과는 두 가지 산업용 설비(펌프와 모터)를 대상으로 진행됐으며, 기존 정기점검 대비 고장 예측 정확도가 15 % 이상 향상되고, 유지보수 총 비용이 12 % 감소한 것으로 보고된다. 특히, ANN 기반 모델이 시계열 기반 전통 통계 모델(ARIMA, Weibull)보다 장기 예측에서 안정적인 성능을 보인 점이 주목할 만하다.

이 연구는 데이터 기반 의사결정과 비용 효율성을 동시에 달성하려는 기업에 실용적인 가이드를 제공한다는 점에서 학술적·산업적 의의가 크다. 다만, 센서 고장이나 데이터 결손 상황에 대한 견고성 검증이 부족하고, 모델 해석 가능성(Explainability) 측면에서 추가 연구가 필요하다.