정비 기록·기술 문서·운영 이력 맥락 정보 도출 수작업 줄여

자산 상태 분석하고 권고안 준비하는 명확한 작업 제안 제공

다음과 같은 시나리오를 상상해 보자.

진동 모니터링 모델이 모터 구동 펌프에서 잠재적인 베어링 성능 저하를 감지한다. 이 경고는 주의가 필요한 상태를 식별하지만, 펌프가 계속 작동할 수 있는지, 언제 정비해야 하는지, 또는 교체 부품을 사용할 수 있는지는 확인하지 않는다.

이러한 정보를 유지보수 조치로 전환하려면 센서 데이터만으로는 충분하지 않다.

엔지니어링 팀은 펌프의 정비 이력을 검토하고, 생산에서 펌프의 중요성을 평가하며, 올바른 교체 부품을 찾고, 적절한 기술자를 식별하며, 적합한 유지보수 시간을 결정해야 한다.

인공지능(AI) 에이전트는 산업 엔지니어가 이러한 경고를 조율된 유지보수 대응으로 전환하도록 도울 수 있다.

에이전틱 AI 시리즈의 첫 번째 부분에서는 에이전틱 AI(agentic AI)를 정의하고, 산업 자동화에서 이를 가능하게 하는 핵심 기술을 개괄적으로 설명했으며, 이것이 산업 운영에 중요한 이유를 설명했다.

이 글에서는 예측 유지보수의 개념을 다시 살펴보고, AI 에이전트가 예측 유지보수에 어떻게 이점을 제공할 수 있는지 검토하며, 에이전틱 AI 구현이 산업 자동화 환경에서 어떻게 작동할 수 있는지 살펴본다.

■ 예측 유지보수 다시 살펴보기

예측 유지보수는 기능적 고장이 발생하기 전에 성능 저하를 감지하기 위해 현재 및 과거의 장비 상태 데이터를 사용한다.

산업 자산에 따라 센서 데이터에는 진동, 온도, 모터 전류, 압력 및 윤활유 상태가 포함될 수 있다.

신호 처리와 통계적 모델, 머신러닝 모델 또는 물리 기반 모델과 같은 기술이 데이터를 분석하는 데 사용된다.

기존 워크플로는 감지 및 분석에서 탐지 또는 예측으로, 그리고 경고로 이어진다.

출력 결과는 이상 징후를 식별하거나, 결함을 시사하거나, 성능 저하가 어떻게 진행될 수 있는지 추정할 수 있다.

그러나 이러한 결과는 서로 다른 방식으로 해석될 수 있다(예를 들어, 비정상적인 동작이 특정 고장 메커니즘을 입증하는 것은 아니며, 유효 수명 추정치가 고장 발생 날짜를 보장하는 것은 아니다).

남은 작업은 이러한 분석 결과를 유지보수 결정과 연결하는 것이다.

기존 통합 시스템이 작업 요청을 생성할 수 있는 경우에도, 기술자는 여전히 데이터를 검토하고 유지보수 시스템과 비즈니스 시스템 전반에 걸쳐 대응을 조율해야 할 수 있다.

이러한 수작업은 에이전트가 해결하는 데 도움을 줄 수 있는 격차이다.

■ AI 에이전트가 유지보수 팀을 지원하는 방법

AI 에이전트는 예측 유지보수를 경고 생성 이상의 수준으로 확장한다.

AI 에이전트는 누락된 정보를 수집하고, 승인된 도구를 선택하며, 결과를 평가하고, 대응 방안을 권고할 수 있는 충분한 증거를 확보하거나 엔지니어의 개입이 필요할 때까지 접근 방식을 조정한다.

이러한 유연성은 다음 단계가 분석 결과에 따라 달라지는 경우에 유용하다.

AI 에이전트를 사용하면 정비 기록, 기술 문서 및 운영 이력에서 맥락 정보를 도출하는 데 필요한 수작업을 줄일 수 있으며, 이를 통해 상태 변화가 성능 저하를 나타내는지 아니면 다른 작동 상태를 나타내는지 판단하는 데 도움이 된다.

이러한 맥락 정보를 바탕으로 AI 에이전트는 자산 상태를 더 정확하게 평가할 수 있다.

예측 유지보수에서 에이전틱 AI는 전문화된 분석을 조율할 수도 있다.

예측 및 진단 모델은 이상 징후 감지, 결함 진단, 잔여 유효 수명 추정과 같은 작업에 대한 책임을 유지하는 반면, 에이전트는 적절한 승인된 모델을 선택하고 호출한다.

진단 결과가 상충하거나 이용 가능한 데이터로 결론을 내릴 수 없는 경우, 에이전트는 이러한 불확실성을 유지하고 더 높은 해상도의 측정값, 관련 센서의 데이터 또는 엔지니어의 점검과 같은 추가 증거를 확보해야 한다.

에이전트는 이러한 진단 결과를 유지보수 제안으로 전환할 수 있다.

특정 장비에 대한 조치의 긴급성은 해당 장비의 고장이 생산에 어떤 영향을 미치는지와 예비 장비를 사용할 수 있는지에 따라 달라진다.

작업 일정을 수립하려면 적절한 부품, 자격을 갖춘 기술자, 그리고 장비의 가동을 중단하기에 적합한 시간도 필요하다.

ABB는 산업 데이터 관리, AI 기반 분석 및 에이전틱 AI를 통합하여 유지보수와 자산 성능 관련 의사결정을 지원하는 자사의 제닉스 자산 성능 관리(APM) 스위트에서 유사한 솔루션을 설명하고 있다.

이는 이러한 접근 방식에 대한 업계의 관심을 반영한다.

■ 예측 유지보수를 위한 에이전틱 AI 구현

베어링 근처에 진동 센서가 장착된 모터 구동 원심 펌프의 또 다른 사례를 살펴보자.

엣지 분석은 지속적인 비정상 진동을 감지하고 자산 식별자, 타임스탬프, 영향을 받는 측정값 및 모델 버전을 포함하는 경고를 발생시킬 수 있다.

이 경고는 에이전트에게 자산 상태를 분석하고 권고안을 준비하는 명확하게 제한된 작업을 제공한다.

에이전트는 승인된 자산 매핑을 사용하여 경고를 올바른 히스토리언 태그 및 유지보수 기록과 연결한다.

에이전트는 속도, 부하, 유량 및 압력 추세를 포함한 자산의 운영 데이터를 검색하여 해당 이벤트가 시동 또는 작동 조건의 변화와 동시에 발생했는지 판단한다. 에이전트는 진단 모델을 호출하여 가능한 베어링 성능 저하를 평가한다.

데이터만으로 결론을 내릴 수 없는 경우, 에이전트는 추가 분석을 요청하고 베어링을 교체해야 한다고 가정하지 않는다.

데이터가 유지보수의 필요성을 뒷받침하는 경우, 에이전트는 전산화된 유지보수 관리 시스템(CMMS)에서 기존 작업 지시서와 승인된 계획을 검토한다.

에이전트는 부품 및 기술자의 가용성을 평가하고 생산 일정을 참조하여 점검을 제안한다.

담당자가 권고안을 승인한 후, 에이전트는 애플리케이션 커넥터를 통해 작업 지시서를 생성한다.

정비 후, 에이전트는 비슷한 속도와 부하 조건에서 새로운 측정값을 수집하고 진단 도구를 다시 실행한다.

측정값이 계속 비정상적인 상태를 유지한다면, 팀은 추가 조사를 수행해야 한다.

이러한 구현은 AI 모델 이상의 요소에 의존한다.

센서와 엔터프라이즈 애플리케이션의 데이터는 에이전트가 어떤 측정값, 문서 및 기록이 동일한 물리적 자산에 속하는지 이해할 수 있도록 맥락화 되어야 한다.

또한 에이전트에는 역할 기반 권한이 필요하며, 읽기, 초안 작성 및 실행 권한은 각각 별도로 관리되어야 한다.

■ 결론

예측 유지보수는 고장이 발생하기 전에 장비의 성능 저하를 식별하는 데 도움이 된다.

AI 에이전트는 예측이 이루어진 후 발생하는 작업을 조율하고, 운영 데이터, 유지보수 이력, 진단 도구, 재고 정보 및 생산 제약 조건을 통합함으로써 이러한 기능을 확장한다.

그 가치는 경고를 조사하고 적절한 대응을 준비하는 데 필요한 수작업을 줄이는 데 있다.

에이전틱 AI는 설비 운영을 담당하는 사람과 시스템에 유지보수 권한을 유지하면서 예측 유지보수 워크플로를 더욱 빠르고 일관되게 만들 수 있는 잠재력을 가지고 있다.

이 시리즈의 마지막 부분에서는 에이전틱 AI가 산업 자동화 애플리케이션에서 에너지 사용과 효율성을 어떻게 개선하는지 살펴볼 것이다.

※ 저자 소개

아비셰크 자다브(Abhishek Jadhav)는 전기 및 컴퓨터 공학 석사 학위를 취득했으며 기술 작가로 경력을 시작했다. 그는 프리랜서 기술 작가로 5년 이상의 경력을 보유하고 있으며, 주요 관심 분야는 전력전자와 임베디드 시스템이다. 그의 글은 EE Times, embedded.com, Power Electronics News 등을 비롯한 여러 매체에 게재되었다.