클라우드 기반 사이버 물리 시스템을 활용한 사후 예측 유지보수 의사결정

초록

본 논문은 사이버 물리 시스템(CPS)과 클라우드 컴퓨팅을 결합하여, 예측 유지보수(PHM)의 사후 의사결정 과정을 효율적으로 수행하는 프레임워크를 제안한다. 센서 데이터를 IoT로 수집·정제하고, 클라우드 상에서 RUL(잔여유용수명) 예측 및 유전 알고리즘 기반의 최적 유지보수 스케줄링을 수행한다.

상세 분석

이 연구는 기존 PHM이 단순히 고장 예측에 머무르는 한계를 인식하고, 사후 의사결정(post‑prognostics decision) 단계에서 비용·시간 최적화를 목표로 한다. 먼저 물리 계층에 배치된 다수의 센서와 IoT 게이트웨이가 실시간 스트리밍 데이터를 클라우드로 전송한다. 데이터 전처리·동기화는 클라우드 기반 데이터 파이프라인에서 수행되며, 여기서 사용된 데이터 모델은 대용량 이질 데이터에 적합하도록 설계되었다.

클라우드 레이어에서는 두 가지 핵심 모듈이 동작한다. 첫 번째는 RUL 예측 엔진으로, 혼합 가우시안 히든 마코프 모델, 딥러닝 등 다양한 예측 알고리즘을 서비스 형태(SaaS/PaaS/IaaS)로 제공한다. 두 번째는 사후 의사결정 모듈로, 예측된 RUL과 유지보수 인력·부품 비용, 이동 거리 등을 입력으로 받아 최적의 유지보수 순서를 산출한다. 특히 이동 거리 최소화를 위해 유전 알고리즘(GA)을 적용했으며, 초기 개체군을 무작위로 생성하고 부분 매칭 교차, 균일 변이, 토너먼트 선택을 반복한다. 실험에서는 30세대, 인구 100명 기준으로 비용 수렴 곡선을 제시해 GA의 효율성을 검증하였다.

또한, 클라우드 서비스 모델을 세분화하여 PHM‑SaaS(즉시 사용 가능한 애플리케이션), PHM‑PaaS(알고리즘·플러그인 개발 환경), PHM‑IaaS(인프라 제공)로 구분함으로써 다양한 산업 파트너가 필요에 따라 선택·확장할 수 있게 설계했다. 이러한 계층적 구조는 데이터 보안·프라이버시, 실시간 응답성, 확장성 측면에서 기존 온프레미스 PHM 대비 명확한 장점을 제공한다.

마지막으로, 논문은 실제 풍력터빈(WT) 현장에 적용 가능한 사례 연구를 제시한다. 각 터빈의 위치와 RUL 정보를 기반으로 유지보수 팀이 출발지(중앙 유지보수 센터)에서 모든 터빈을 방문하도록 최단 경로를 계산한다. 결과적으로 이동 거리와 인건비가 현저히 감소했으며, 이는 대규모 분산 설비에서 유지보수 비용 절감 효과를 입증한다. 전체적으로 이 논문은 CPS와 클라우드, IoT를 융합한 PHM 프레임워크가 사후 의사결정 단계에서 비용·시간 최적화를 실현할 수 있음을 실증적으로 보여준다.