AI·IIoT 예지정비, 도입 전 따져볼 비용과 실패 포인트
설비가 멈춘 뒤에 알게 되는 공장, 멈추기 전에 알아차리는 공장
라인이 멈추면 현장에서 가장 먼저 나오는 질문은 "언제부터 이상했나"입니다. 베어링은 대개 어느 날 갑자기 깨지지 않고, 진동과 온도가 조금씩 달라지는 기간을 거칩니다. 문제는 그 신호를 읽을 수단이 없었다는 데 있습니다.
AI와 IIoT(산업용 사물인터넷)가 제조 현장에서 가장 구체적인 성과를 낼 수 있는 분야로 "예지정비"가 대표적인 활용 분야로 거론되는 이유가 여기에 있습니다. 설비에 센서를 달아 상태를 계속 측정하고, 데이터에서 고장 전조를 찾아 정비 시점을 앞당기는 방식입니다.
그러나 국내 중소 제조 현장은 아직 초기 단계입니다. 중소벤처기업부가 발표한 스마트제조혁신 실태조사에서도 제조 데이터를 수집하는 기업에 비해 제조 AI까지 도입한 기업은 극히 적은 것으로 나타났습니다. 데이터는 쌓이는데 활용 단계로 넘어가지 못하고 있는 셈입니다.
이 글은 예지정비를 검토하는 실무자를 위해 AI와 IIoT의 실제 역할, 비용 구조, 보안·안전 요건, 실패 원인, 설비별 혼합 운영 방법을 차례로 다룹니다.
정비 방식 네 가지, 무엇이 어떻게 다른가
정비 전략은 "언제 손을 대는가"를 기준으로 나뉩니다. 2025년 발표된 한 체계적 문헌 리뷰는 정비 방식이 고장 후에 대응하는 사후정비에서 출발해, 정해진 주기로 점검하는 예방정비, 상태 측정 장비로 고장을 예측하던 방식을 거쳐 AI 기반 예지정비로 발전해 왔다고 정리합니다.
용어도 짚고 넘어갈 필요가 있습니다. 2023년 발표된 중소기업 대상 예지정비 연구에 따르면, 학계에서도 상태기반정비(CBM)와 예지정비(PdM)를 같은 개념으로 보는 쪽과 상태기반정비를 예지정비의 전 단계로 보는 쪽이 나뉩니다. 실무에서는 "지금 상태가 기준을 넘었는가"를 보면 상태기반정비, "앞으로 언제쯤 넘을 것인가"까지 추정하면 예지정비로 구분하면 이해가 쉽습니다.
| 구분 | 사후정비 | 예방정비 | 상태기반정비 | AI 예지정비 |
|---|---|---|---|---|
| 정비 시점 | 고장 발생 후 | 정해진 주기·가동시간 도달 시 | 측정값이 기준치를 넘을 때 | 고장 전조 패턴이 감지될 때 |
| 판단 근거 | 고장 사실 | 제조사 권장 주기, 경험 | 진동·온도 등 실측값 | 여러 센서 데이터와 학습 모델 |
| 강점 | 준비 부담이 가장 적음 | 계획 정비 가능 | 불필요한 정비 감소 | 복합적인 이상 징후 조기 포착 |
| 약점 | 비계획 정지, 연쇄 손상 | 멀쩡한 부품 교체, 주기 사이 고장 | 기준치 설정이 경험에 의존 | 데이터·운영 역량 필요, 초기 부담 큼 |
| 적합한 설비 | 저가이며 예비품이 있는 설비 | 마모 주기가 일정한 설비 | 정지 손실이 크지 않고 징후가 한두 지표로 드러나는 설비 | 정지 손실이 크고 징후가 여러 지표에 걸친 설비 |
오른쪽으로 갈수록 무조건 우월한 방식은 아닙니다. 방식이 정교해질수록 준비할 데이터와 인력도 늘어나므로, 어느 설비에 어느 방식을 쓸지가 성과를 가릅니다.
예지정비에서 AI와 IIoT가 실제로 하는 일
흔히 "AI가 흩어진 데이터를 통합한다"고 표현하지만, 데이터를 모으고 형식을 맞추는 일은 IIoT 인프라와 데이터 플랫폼의 몫입니다. AI는 정리된 데이터에서 패턴을 찾는 마지막 단계를 맡습니다. 역할을 구분해야 투자 우선순위도 제대로 잡힙니다.
센서: 설비 상태를 숫자로 바꾸는 단계
설비 종류에 따라 측정해야 할 물리량이 다릅니다. 앞서 소개한 2025년 리뷰는 여러 종류의 센서 데이터를 함께 보면 이상 탐지 정확도를 높이고 오경보를 줄이는 데 도움이 된다고 정리합니다.
- 진동: 회전축이 흔들리거나 베어링이 닳기 시작하면 가장 먼저 변하는 지표입니다.
- 온도: 윤활이 부족하거나 마찰이 커지면 발열로 먼저 드러납니다.
- 전류·전력: 모터에 걸리는 부하가 평소와 달라지는 것을 잡아냅니다.
엣지와 게이트웨이: 현장에서 먼저 거르는 단계
모든 원시 데이터를 서버로 보내면 통신과 저장 부담이 커집니다. 엣지 장치는 현장 가까이에서 노이즈를 거르고 특징값을 추출해 필요한 데이터만 올려 보내므로 지연과 대역폭 부담을 줄일 수 있습니다.
- 프로토콜 변환: PLC나 설비 고유 통신을 OPC UA, MQTT 같은 표준 형식으로 바꿉니다.
- 1차 판단: 급격한 이상은 서버를 거치지 않고 현장에서 바로 경보합니다.
데이터 플랫폼과 AI 모델: 판단과 예측 단계
플랫폼에 모인 데이터는 과거 이력과 함께 AI 모델의 입력이 됩니다. 모델이 내놓은 결과가 정비 작업으로 연결되어야 비로소 예지정비가 완성됩니다.
- 이상 탐지: 정상 운전 패턴에서 벗어난 데이터를 찾아냅니다.
- 잔존수명(RUL) 추정: 고장까지 남은 시간을 예측합니다.
- 정비 연계: 결과를 CMMS(설비보전관리시스템)의 작업 지시로 연결하고, 정비 결과를 다시 모델 개선에 반영합니다.
초기 투자보다 오래 따라다니는 비용
2023년 연구가 인용한 선행연구에 따르면 정비 관련 비용은 업종에 따라 생산 원가의 **15~60%**를 차지할 수 있습니다. 정비 효율이 원가에 직접 영향을 준다는 뜻이지만, 예지정비 자체에도 적지 않은 비용이 듭니다. 같은 연구가 정리한 선행문헌은 예지정비의 주요 단점으로 높은 초기 비용과 긴 구축 기간, 센서와 소프트웨어의 운영 부담, 데이터를 해석할 전문 인력의 필요를 꼽습니다.
비용은 견적서에 드러나는 항목과 드러나지 않는 항목으로 나누어 봐야 합니다.
견적서에 드러나는 비용
- 센서·게이트웨이 하드웨어와 설치 공사(배선과 통신망 포함)
- 데이터 플랫폼과 분석 소프트웨어의 라이선스 또는 구독료
- 초기 모델 구축과 기존 시스템 연동 개발비
견적서에 잘 드러나지 않는 비용
- 기준 데이터 수집 기간: 센서를 단 뒤 일정 기간 정상 운전 데이터를 쌓아야 모델을 만들 수 있고, 그동안은 성과 없이 비용만 발생합니다.
- 오경보 대응 인건비: 경보가 울릴 때마다 현장을 확인하는 시간이 누적됩니다.
- 모델 재학습: 설비 교체나 생산 품목 변경으로 데이터 특성이 바뀌면 모델을 다시 맞춰야 합니다.
- 보안·네트워크 보강: 설비망을 외부와 연결하면서 방화벽과 접근 통제 비용이 추가됩니다.
측정 방식 자체도 비용을 좌우합니다. 2023년 연구가 정리한 선행문헌은 상시 모니터링이 전용 장비를 많이 필요로 해 비용이 높고, 끊임없이 들어오는 데이터에 노이즈가 늘어 부정확한 정보가 섞일 수 있다고 지적합니다. 핵심 설비만 상시 측정하고 나머지는 휴대용 계측기로 주기 점검하는 방식이 현실적인 절충입니다.
소프트웨어 선택에도 트레이드오프가 있습니다. 같은 연구는 상용 솔루션의 높은 가격이 중소기업 도입 장벽이며 오픈소스 도구로 비용을 크게 낮출 수 있다고 보았습니다. 다만 시제품을 써 본 중소 제조기업들은 비용 절감을 장점으로 꼽으면서도, 비전문 인력의 학습 부담과 잦은 버전 변화에 따른 유지 관리 어려움을 우려했습니다. 라이선스 비용을 아끼는 대신 내부 운영 역량이라는 다른 비용을 치르는 구조입니다.
IIoT가 공장 네트워크에 들어올 때 지켜야 할 보안·안전 요건
예지정비는 그동안 외부와 분리되어 있던 설비 제어망(OT)에 센서와 통신 장비를 연결하는 일입니다. 편의성이 늘어나는 만큼 새로운 출입구도 생깁니다. 산업 제어 시스템 보안 분야에서는 IEC 62443 계열 국제표준이 널리 참조되며, 2025년 리뷰도 이를 IIoT 환경의 보안 프레임워크로 언급합니다. 실무에서 챙겨야 할 요건은 다음과 같습니다.
- 망 구역화: 설비 제어망, 사무용 IT망, 외부 클라우드를 구역으로 나누고 필요한 통신만 허용합니다.
- 원격 접근 통제: 공급사의 원격 유지보수 접속은 승인과 기록, 시간 제한을 두고 관리합니다.
- 단방향 수집: 모니터링이 목적이라면 데이터가 설비에서 밖으로만 나가도록 구성해 외부 제어 경로를 차단합니다.
- 장비 관리: 게이트웨이 기본 비밀번호를 변경하고 보안 패치 주기를 정해 둡니다.
안전 측면에서는 두 가지를 구분해야 합니다. 예지정비 시스템은 정비 판단을 돕는 도구이지 비상정지나 인터록 같은 안전 기능을 대신하지 않습니다. AI 경보를 설비 정지와 연동하더라도 기존 안전 회로는 독립적으로 유지해야 합니다.
설치 작업의 위험도 따로 관리해야 합니다. 운영 중인 라인의 설비에 센서를 부착하거나 배선할 때는 동력을 차단하고 잠금·표지 절차를 거쳐야 하며, 회전부 인근 작업의 위험은 설치 계획 단계에서 미리 반영해야 합니다.
예지정비가 현장에서 멈추는 다섯 가지 이유
예지정비가 기술 검증 단계를 넘기지 못하는 원인은 알고리즘만큼이나 데이터와 운영 쪽에도 있습니다.
학습할 고장 데이터가 부족하다
잘 관리되는 설비일수록 고장이 드물어, 모델이 배울 "고장 사례"가 부족합니다. 2025년 리뷰는 지도학습 모델이 라벨이 붙은 고장 데이터가 충분할 때 높은 성능을 내지만 그런 데이터를 확보하는 비용이 크다는 점을 한계로 꼽습니다. 이 때문에 정상 상태만 학습해 벗어남을 찾는 이상 탐지 방식이나, 물리 모델과 AI를 결합해 부족한 고장 데이터를 보완하는 방식이 함께 연구되고 있습니다.
오경보가 쌓여 경보를 무시하게 된다
초기 임계값을 보수적으로 잡으면 경보가 잦아지고, 확인해 보니 이상이 없는 일이 반복되면 현장은 경보를 무시하기 시작합니다. 정말 필요한 경보가 묻히는 것이 가장 큰 손실입니다. 경보 등급을 나누고, 현장 확인 결과를 모델 개선에 되먹이는 절차를 처음부터 설계해야 합니다.
발표된 정확도를 그대로 믿는다
2025년 리뷰는 연구마다 데이터셋, 운전 조건, 고장 정의가 달라 발표된 정확도 수치를 서로 직접 비교할 수 없다고 명시합니다. 공개 데이터셋에서 나온 높은 정확도가 우리 설비에서 재현된다는 보장은 없습니다. 도입 판단은 자사 설비 데이터로 검증한 결과를 기준으로 삼아야 합니다.
경보가 정비 작업으로 이어지지 않는다
대시보드에 경보가 떠도 정비 계획, 부품 발주, 작업 지시로 연결되지 않으면 결과는 사후정비와 다르지 않습니다. CMMS나 정비 일지와의 연계가 빠진 예지정비는 "보이는 것"에서 멈춥니다.
설비 통신이 플랫폼과 맞지 않는다
노후 설비는 통신 포트가 없거나 제조사 고유 프로토콜을 쓰는 경우가 많습니다. 2023년 연구도 산업용 통신 프로토콜과 IoT 플랫폼 간 호환성 문제를 설비 연동의 핵심 걸림돌로 지적합니다. 이런 설비는 제어기에 손대지 않고 외부에 센서를 덧붙이는 방식이 현실적입니다.
모든 설비에 예지정비가 필요한 것은 아니다: 설비별 혼합 운영
예지정비를 "전 설비 일괄 적용"으로 접근하면 비용 대비 효과가 떨어지기 쉽습니다. 2025년 리뷰가 소개하는 신뢰성 중심 정비(RCM)는 설비의 중요도, 고장의 결과, 안전 영향에 따라 정비 우선순위를 정하는 방식입니다. 이 사고방식을 빌려 설비마다 정비 방식을 달리 배정하는 편이 합리적입니다.
설비를 두 가지 기준으로 나눠 보면 판단이 쉬워집니다. 하나는 "고장 났을 때 손실이 얼마나 큰가", 다른 하나는 "고장 전조를 센서로 측정할 수 있는가"입니다.
- 손실이 작고 전조 측정이 어려운 설비: 사후정비로 두고 예비품 확보로 대응합니다.
- 손실이 크고 전조 측정이 어려운 설비: 예방정비의 주기 교체와 정기 점검을 강화합니다.
- 손실이 작고 전조 측정이 가능한 설비: 휴대용 계측기 주기 점검이나 단순 임계값 경보 같은 상태기반정비로 충분합니다.
- 손실이 크고 전조 측정이 가능한 설비: 상시 센싱과 모델 기반 예측을 쓰는 AI 예지정비를 우선 검토합니다.
이렇게 나누면 예지정비 투자는 소수의 핵심 설비에 집중됩니다. 같은 설비에 두 방식을 겹쳐 쓸 수도 있는데, 평소 예방정비 주기를 유지하다가 AI 경보가 뜨면 일정을 앞당기는 식입니다.
구축 방식에도 선택지가 있습니다.
- 상용 패키지: 도입 속도가 빠르지만 라이선스 비용과 특정 공급사 종속을 감안해야 합니다.
- 오픈소스 기반 자체 구축: 비용 유연성이 크지만 내부 운영 역량이 전제되어야 합니다.
- 설비 제조사의 원격 모니터링 서비스: 설비별 전문성을 활용할 수 있지만 데이터 소유권과 제공 범위를 계약 단계에서 확인해야 합니다.
예지정비의 출발점은 알고리즘이 아니라 "막고 싶은 고장"이다
예지정비는 AI 모델 하나를 들여오는 일이 아닙니다. 센서부터 정비 연계까지 하나의 흐름으로 이어져야 성과가 나고, 기준 데이터 수집과 오경보 대응, 모델 재학습 같은 숨은 비용이 따릅니다. 보안 구역화와 안전 기능의 독립성도 함께 설계해야 합니다.
그래서 모든 설비를 한 번에 바꾸기보다, 고장 손실과 전조 측정 가능성을 기준으로 설비를 나누고 예지정비가 실제로 값을 하는 곳에 집중하는 편이 현실적입니다.
첫걸음은 기술 검토가 아니라 기록 정리입니다. 가장 멈추면 안 되는 설비 하나를 골라, 그 설비가 지난 몇 년간 어떤 이유로 멈췄는지 정비 기록부터 모아 보시기 바랍니다. 그 목록이 곧 예지정비가 막아야 할 고장의 정의이자, 공급사와 대화할 때 가장 정확한 요구사항이 됩니다.
참고문헌
- Pejić Bach, M., Topalović, A., Krstić, Ž., Ivec, A. "Predictive Maintenance in Industry 4.0 for the SMEs: A Decision Support System Case Study Using Open-Source Software." Designs(MDPI). 2023.08.07. https://www.mdpi.com/2411-9660/7/4/98 (CC BY 4.0)
- Bitam, T., Yahiaoui, A., Boubiche, D. E., Martínez-Peláez, R., Toral-Cruz, H., Velarde-Alvarado, P. "Artificial Intelligence of Things for Next-Generation Predictive Maintenance." Sensors(MDPI). 2025.12.16. https://www.mdpi.com/1424-8220/25/24/7636 (CC BY)
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.