예지보전
예지보전은 상태 데이터와 예측 모델을 활용해 마모나 고장이 일어나기 전에 이를 포착함으로써, 정해진 일정이나 고장 이후가 아니라 정확히 필요한 시점에 유지보수가 이루어지게 하는 것이다.
예지보전은 두 가지 더 오래된 유지보수 전략과 구분된다. 사후 유지보수는 기계가 이미 고장 난 뒤에야 수리가 이루어지는 방식으로, 예기치 못한 다운타임을 유발한다. 예방 유지보수는 실제 상태와 상관없이, 예를 들어 500 가동 시간마다처럼 정해진 일정에 따라 설비를 정비한다. 예지보전은 대신 지속적으로 수집되는 상태 데이터와 개입해야 할 적절한 시점을 판단하는 예측 모델에 의존한다. 그 결과는 너무 이르지도 너무 늦지도 않게, 부품이 실제로 마모되기 시작하는 바로 그 시점에 이루어지는 유지보수다.
기술적 토대는 기계의 진동, 온도, 소음 방출, 유질 같은 값을 지속적으로 추적하는 센서 세트다. 이 데이터는 IoT 연결을 통해 정상 작동 상태에서 벗어난 편차를 찾아내는 분석 시스템으로 흘러 들어간다. 많은 시스템이 과거 고장 패턴으로 학습된 통계 모델이나 머신러닝을 사용해 추세를 앞으로 투영한다. 측정값이 임계 기준을 넘거나 추세가 다가오는 고장을 가리키면, 시스템은 흔히 예상되는 고장까지 남은 가동 시간 추정치와 함께 유지보수 권고를 내놓는다.
그 효과는 주로 예기치 못한 정지의 감소, 설비 수명 연장, 그리고 예비 부품과 인력에 대한 더 나은 계획으로 나타난다. 동시에 예지보전은 사전 노력을 요구한다. 센서를 나중에라도 설치해야 하고, 데이터를 수집해야 하며, 모델을 시간을 두고 보정해야 한다. 단순하거나 핵심적이지 않은 기계라면 이런 노력이 그만한 가치가 없는 경우가 많은 반면, 비싸고 생산에 결정적인 설비라면 대체로 빠르게 성과를 낸다. 어떤 예측이든 그 정확도는 전적으로 기반 데이터의 품질과 양에 달려 있다.
실용 예시
CNC 밀링 머신 12대를 운영하는 금속가공 업체가 가장 중요한 기계 3대의 주축에 진동 센서를 추가로 설치한다. 6개월간 데이터를 수집한 뒤, 분석 시스템은 초기 베어링 고장을 암시하는 진동 패턴이 한 기계에서 상승하고 있음을 포착하고 약 18일의 잔여 가동 시간을 추정해 알린다. 업체는 생산량이 적은 주말에 수리 일정을 잡고 교체용 베어링을 미리 주문한다. 이 조기 경보가 없었다면 주축은 근무 중에 고장 났을 가능성이 크고, 이는 일일 생산 가치 7,000유로를 기준으로 약 2일간의 예기치 못한 다운타임과 약 1만 4,000유로의 생산 손실을 초래했을 것이다.
Leanshift의 도움 방식
예지보전은 가정이 아니라 실제 상태를 바탕으로 결정을 내린다는 점에서 Kaizen 사고방식과 잘 맞으며, 이는 문제가 손실로 이어지기 전에 눈에 보이게 만든다는 지속적 개선의 요구와 정확히 일치한다. 예기치 못한 다운타임은 프로세스에서 가장 비용이 큰 낭비 중 하나이며, 이를 조기에 잡아내면 응급 대응 대신 진짜 개선 작업에 쓸 시간이 생긴다. 이는 더 많은 개선가를 만들기 위해 개선한다는 발상과 맞닿아 있다. 안정된 설비는 팀이 방금 고장 난 것을 계속 고치는 대신 더 나아지는 데 집중할 여유를 준다.
자주 묻는 질문
예지보전이 의미를 가지려면 기업 규모가 얼마나 커야 하는가?
정해진 규모 기준은 없다. 중요한 것은 회사의 크기가 아니라 그 특정 기계의 예기치 못한 고장이 얼마나 큰 비용을 초래하는가이다. 생산에 결정적인 기계가 하나뿐인 작은 업체라도 그 한 대에 센서 몇 개만 설치해도 효과를 볼 수 있다.
이를 위해 인공지능이 필요한가?
아니다, 반드시 필요하지는 않다. 많은 시스템이 단순한 임계값과 통계적 추세 분석만으로도 잘 작동한다. 머신러닝은 복잡한 마모 패턴에서 예측 정확도를 높여주지만, 시작하는 데 반드시 필요한 것은 아니다.
예지보전은 상태 기반 유지보수와 어떻게 다른가?
상태 기반 유지보수는 기계의 현재 측정된 상태에 반응한다. 예지보전은 여기서 한 걸음 더 나아가 그 상태 데이터를 활용해 미래의 추세와 예상되는 고장 시점을 예측한다.