스마트 제조 예측 유지보수 최적화 통합 프레임워크

초록

본 논문은 Fourier Neural Operator, Denoising Autoencoder, Graph Neural Network, Proximal Policy Optimization을 결합한 MDP 기반 예측 유지보수 프레임워크를 제안한다. 고차원 시계열 패턴을 주파수 영역에서 효율적으로 학습하고, 비가우시안 센서 노이즈를 정제하며, 설비 간 상호작용을 그래프 구조로 모델링한다. PPO를 이용한 정책 최적화로 장기 비용 최소화를 달성하고, 실험에서 기존 딥러닝 기반 베이스라인 대비 최대 13%의 비용 절감 효과를 확인하였다.

상세 분석

이 연구는 스마트 제조 현장에서 발생하는 다차원 데이터와 복합적인 설비 의존성을 동시에 다루기 위해 네 가지 최신 딥러닝 기법을 통합한 새로운 MDP 프레임워크를 설계하였다. 첫 번째 핵심 요소인 Fourier Neural Operator(FNO)는 전통적인 시계열 모델이 직면하는 고차원 시간‑주파수 변환 비용을 크게 낮추면서, 연속적인 함수 공간에서 직접 연산한다. 이를 통해 센서 스트림의 장기 의존성을 손실 없이 포착하고, 주파수 도메인에서의 노이즈 억제 효과도 자연스럽게 얻어진다. 두 번째로 도입된 Denoising Autoencoder(DAE)는 비가우시안 잡음이 섞인 실시간 센서 데이터에 대해 강인한 잠재 표현을 학습한다. 특히, 부분 결함이나 결측값이 존재하는 경우에도 복원 성능이 뛰어나며, 이후 GNN 모듈에 전달되는 임베딩의 품질을 보장한다. 세 번째 구성 요소인 Graph Neural Network(GNN)는 설비 간 물리적·공정적 연결 관계를 그래프 형태로 모델링한다. 노드(설비)와 엣지(상호작용)를 동시에 고려함으로써 개별 설비의 고장 확률뿐 아니라 시스템 전체의 연쇄 고장 위험을 정량화한다. 마지막으로 Proximal Policy Optimization(PPO)을 활용한 정책 학습은 MDP의 상태‑행동 공간이 고차원이고 비정상적 변동성을 가질 때도 안정적인 수렴을 가능하게 한다. PPO의 클리핑 기법은 급격한 정책 업데이트를 방지하고, 장기 기대 비용을 최소화하는 정책을 점진적으로 개선한다.
통합 아키텍처는 다음과 같은 흐름을 가진다. (1) 원시 센서 데이터 → FNO를 통한 주파수‑시간 복합 특징 추출, (2) DAE를 이용한 노이즈 정제 및 잠재 벡터 생성, (3) 설비 간 연결 정보를 포함한 그래프에 GNN 적용, (4) GNN 출력과 비용‑보상 함수가 결합된 상태 벡터를 PPO 에이전트에 전달, (5) 최적 유지보수 행동(예방 정비, 교체, 무시 등)을 선택하고, (6) 실제 운영 결과를 리워드로 피드백하여 정책을 업데이트한다.
실험 설계는 실제 제조 라인에서 수집한 12개월치 다중 센서 데이터와 시뮬레이션 기반 고장 모델을 병행 사용하였다. 비교 대상은 LSTM, Transformer, CNN‑based 시계열 예측 모델 및 기존 강화학습(RL) 기반 유지보수 정책이다. 제안 프레임워크는 평균 비용 절감률 13%를 기록했으며, 특히 고장 전조 신호 탐지 정확도가 8%p 상승했다. 수렴 속도 측면에서도 PPO‑GNN 조합이 30% 적은 에피소드 수로 안정적인 정책을 확보했다.
한계점으로는 FNO와 DAE의 사전 학습 단계가 데이터 양에 크게 의존한다는 점, 그래프 구조 설계 시 도메인 전문가의 사전 지식이 필요하다는 점, 그리고 PPO의 하이퍼파라미터 튜닝이 여전히 비용이 많이 든다는 점을 들 수 있다. 향후 연구에서는 메타러닝을 통한 자동 하이퍼파라미터 최적화와, 온라인 환경에서의 지속적 학습 메커니즘을 도입해 실시간 적응성을 강화할 계획이다.