극심한 비용 비대칭을 극복한 인과 기반 예측 유지보수

초록

제조 현장의 예측 유지보수는 실패를 놓치는 비용이 오경보 비용보다 약 50배나 큰 극심한 비용 비대칭 문제를 안고 있다. 기존 머신러닝 기법은 통계적 정확도 지표를 최적화하지만 실제 운영상의 비용 구조를 반영하지 못하고 인과관계와 우연적 상관관계를 구분하지 못한다. 본 연구는 10,000대의 CNC 기계(고장 발생률 3.3%) 데이터를 활용해 8가지 예측 모델(기본 통계 모델부터 정형 인과추론 모델까지)을 평가하였다. 정형 인과추론 모델(L5)은 연간 116만 달러(70.2% 절감)의 비용 절감을 추정했으며, 최고 성능의 상관관계 기반 의사결정나무 모델(L3)보다 약 8만 달러가 더 절감되었다. 인과 모델은 재현율 87.9%를 유지하면서 오경보를 165건에서 5건으로 97% 감소시켰고, 정밀도 92.1%를 달성했으며, 학습‑테스트 간 성능 격차는 2.6%p에 불과했다. 이러한 결과는 도메인 지식과 결합된 인과 AI 기법이 비용 효율성과 해석 가능성 측면에서 상관관계 기반 접근법을 능가한다는 점을 시사한다.

상세 요약

예측 유지보수는 설비 고장을 사전에 감지해 생산 중단을 방지하고, 유지보수 비용을 최소화하려는 핵심 전략이다. 그러나 제조 현장에서는 고장을 놓치는 비용이 오경보(불필요한 정비) 비용보다 수십 배에서 수백 배까지 크게 차이 나는 ‘비용 비대칭’ 현상이 존재한다. 이 비대칭은 단순히 정확도(accuracy)나 AUC와 같은 통계적 지표만으로는 모델의 실제 가치를 평가하기 어렵게 만든다. 예를 들어, 고장 발생률이 3.3%에 불과한 상황에서 99% 정확도를 달성하더라도 오경보가 과다하면 전체 비용이 급증한다. 따라서 비용 기반 목표 함수를 명시적으로 반영한 모델 설계가 필요하다.

본 연구는 8개의 모델을 단계별(L1L5)로 구성하였다. L1은 단순 베이스라인(예: 전체를 정상으로 예측)이며, L2L3은 전통적인 통계·머신러닝 기법(로지스틱 회귀, 의사결정나무)이다. L4는 베이지안 네트워크와 같은 상관관계 기반 인과 추정 기법을 적용했으며, L5는 도메인 전문가가 정의한 구조적 인과 그래프와 do‑calculus를 활용한 정형 인과추론 모델이다. 데이터는 10,000대 CNC 기계의 센서 시계열, 운영 로그, 유지보수 기록을 통합했으며, 결측값 처리와 특성 엔지니어링을 통해 150개의 후보 변수를 도출했다.

비용 평가에서는 ‘실제 고장 놓침 비용’을 50배(가정)로 설정하고, 오경보당 비용을 1단위로 두어 총 연간 비용을 계산하였다. L5는 고장 확률을 인과적 메커니즘(예: 절삭력 상승 → 진동 증가 → 베어링 마모)으로 분해해 중요한 원인 변수에 가중치를 부여함으로써, 높은 재현율을 유지하면서도 불필요한 알람을 크게 억제했다. 결과적으로 L5는 연간 116만 달러 절감을 달성했으며, 이는 L3(의사결정나무) 대비 약 8만 달러(≈7%)의 추가 절감이다. 정밀도 92.1%와 오경보 5건(97% 감소)은 현장 운영자가 실제로 적용할 때 신뢰성을 크게 높인다. 또한 학습‑테스트 간 성능 격차가 2.6%p에 머물렀다는 점은 과적합 위험이 낮고, 모델이 실제 환경에 일반화될 가능성이 높음을 의미한다.

이러한 결과는 두 가지 중요한 시사점을 제공한다. 첫째, 비용 비대칭을 명시적으로 모델링하지 않으면, 전통적인 통계적 최적화가 실제 비용 절감에 미치는 효과는 제한적이다. 둘째, 인과 AI는 도메인 지식과 결합될 때, 변수 간 진정한 인과관계를 파악하고 불필요한 상관관계에 기반한 오경보를 최소화함으로써, 재무적 이익과 해석 가능성을 동시에 달성한다. 향후 연구에서는 실시간 인과 추론을 통한 온라인 유지보수 스케줄링, 다중 공정 간 인과 네트워크 확장, 그리고 비용 가중치를 동적으로 조정하는 방법론을 탐색할 필요가 있다.