검색 상세

인공지능 기반 산업용 인버터 고장 예측 및 이상 탐지를 위한 예지보전 클라우드 플랫폼과 SLO 기반 운용 프레임워크

A predictive maintenance cloud platform and SLO-based operational framework for AI-based industrial inverter failure prediction and anomaly detection

  • 김진오 (아주대학교 일반대학원)

초록/요약

본 연구의 목적은 산업용 인버터(공기압축기)를 대상으로, 인공지능(머신러닝·딥러닝) 기반 예지보전 클라우드 플랫폼과 SLO(Service Level Objective) 기반 운용 프레임워크를 통합적으로 제시하고 실제 데이터로 검증하는 것이다. 이를 위해 국내 4개 제조 사업장에서 수년간 수집된 5분 간격 인버터 시계열 로그를 활용하고, 시간순 연속 분할(학습·검증·시험 70:15:15)과 Δt∈{30, 60, 120분} 리드타임 라벨링, 인접 시퀀스 교차 금지 및 스케일러 fit 범위 고정 등 누설 방지 규칙을 전 과정에 적용하였다. 모델 측면에서는 Autoencoder, LSTM, GRU, 1D-CNN, SVM, K-Means, SOM, Logistic Regression 등 8종 알고리즘을 동일 데이터·동일 전처리·동일 평가 지표(RMSE, MAE, PRMSE, R²) 아래에서 비교하였다. 모든 조합에 대해 5회 독립 반복과 95% 신뢰구간을 보고함으로써, 개별 실험값에 의존하지 않고 효과 크기와 불확실성을 함께 제시하였다. 그 결과 Autoencoder가 대표적으로 PRMSE≈4.89%, R²≈0.956 수준의 성능을 보여 가장 우수한 정밀도를 기록하였으며, 시점형(point-in-time) SLO 임계(알림 지연≤1,000 ms, 추론 지연≤3,000 ms, UI 응답≤1,000 ms, 수신율≥98.0%, 손실률<2.0%, 가용성≥99.5%) 내에서 동작함을 확인하였다. 데이터 수집 파이프라인은 MQTT 기반 구조에서 평균 E2E 지연 5.679 ms, 수집 정확도 100%를 달성하여, 모델 추론·경보 단계의 SLO 해석에 앞서 데이터 품질과 실시간성이 병목이 아님을 실측으로 입증하였다. 시스템 측면에서는 경량 MBSE(Model-Based Systems Engineering)를 도입해 요구–구조–데이터 흐름(요구, 패키지, 클래스 다이어그램)의 최소 집합만을 사용하여, 인버터 도메인 고장 유형과 경보 정책, SLO 지표를 요구사항에서 운영 로그까지 일관된 모델로 추적 가능하게 구성하였다. 더불어 클라우드–엣지 이원 아키텍처와 자동 전환 규칙(600초 관찰 창에서 알림 지연·손실률·추론 지연 중 하나라도 연속 3회 임계 초과 시 Cloud→Edge 전환, 5분 안정 시 복귀)을 설계하여, 정확도–지연–가용성 간 트레이드오프를 SLO 기반으로 운용할 수 있는 절차를 제안하였다. 종합하면, 본 연구는 (1) 시간 보존 분할과 Δt 라벨링, (2) 실시간 제약을 반영한 클라우드–엣지 예지보전 플랫폼, (3) 학술 지표(PRMSE/RMSE/MAE/R²)와 운영 지표(SLA/SLO)를 일대일로 연결하는 시점형 매핑 프레임을 하나의 일관된 구조로 통합하고, 실제 산업용 인버터 데이터 위에서 검증했다는 점에 의의가 있다. 본 버전은 시점형 SLO 판정에 초점을 두며, 월·분기 단위 집계와 현장 전·후 비교, 도메인 확장·연합학습 기반 범용화는 후속 연구 과제로 남긴다. 주요어: 산업용 인버터, 예지보전, 머신러닝·딥러닝, 클라우드–엣지 아키텍처, SLO, MBSE, 시계열 이상 탐지

more

목차

제 1 장 서론 1
제 1 절 연구 배경과 문제 정의 1
1. 연구 배경 1
가. 수집 계층 2
나. 추론 계층 2
다. 알림 계층 2
라. 응답 계층 2
마. 가용성 계층 2
2. 문제 정의 3
가. 실험 지표 → 운영 SLO의 일관 매핑 부재 3
나. 정확도–지연을 동시 판정하는 공정 비교 프로토콜 부재 4
다. 엣지 전환 판단을 위한 최소 규칙·로그 표준 부재 4
3. 비교·평가 최소 규격 5
가. 데이터 규격 5
나. 분할 규칙 5
다. 보고 규칙 5
라. 운영 매핑 5
4. 표준화 절차 6
가. 요구 식별 6
나. 구현 연결 6
다. 운영 집계 6
5. 실무 도입 주요 원칙 7
가. 데이터 측면 7
나. 모델 측면 7
다. 운영 측면 7
제 2 절 연구 목표와 연구 질문 9
1. 연구 목표 9
2. 연구 질문(RQ) 9
제 3 절 본 논문의 구성 12
제 4 절 연구모델 및 가설·판정 기준 14
1. 연구모델 14
2. 가설·판정 기준 14
가. 가설(H) - RQ1(정확도/설명력) 관련 14
나. 가설(H) - RQ2(SLO 판정) 관련 15
다. 판정 기준(S) 15
제 5 절 방법 개요 및 보고 절차 19
1. 방법 개요 19
가. 데이터 수집 20
나. 데이터 전처리 20
다. 데이터 모델링 20
라. 이상 탐지 및 고장 예측 21
마. 시스템 제어 및 사용자 알림 21
2. 보고 절차 21
가. 관측·로그·지표 산출 21
나. 보고 규칙 및 SLO 판정 22
다. 부록 이관 항목 22
제 6 절 대상 데이터 및 범위 23
1. 연구 대상·데이터 23
2. 연구 범위 23
3. 데이터 출처 및 스키마 24
제 7 절 본 논문의 기여 26
1. 연구 방법론적 기여 26
2. 공정 비교의 기여 26
3. 공학적 기여 26
4. 데이터·시스템 측 기여 27
5. 경험적 기여 27
6. 재현성·거버넌스 기여 27
제 2 장 선행 연구 및 연구 사례 28
제 1 절 선행 연구 28
1. 산업용 예지보전 기술 발전 흐름 개요 29
가. 수집 환경 29
나. 클라우드 구조 29
다. 머신러닝 적용 29
라. 딥러닝 분석 29
마. 설명 가능성/신뢰성 29
2. 클라우드 기반 예지보전 개념의 대두 30
3. 클라우드와 머신러닝의 융합 적용 30
4. 클라우드 환경에서의 고장 진단 기술 발전 30
5. 인공지능 기반 예지보전 기술의 산업 확대 31
6. 산업용 모터 예지보전의 기술 통합화 31
7. 신뢰성과 투명성을 고려한 AI 기반 예지보전 32
8. 선행 연구 요약 32
제 2 절 국내 연구 사례 37
1. 진동 데이터 기반 설비고장예지를 위한 신호처리기법 37
2. AI 기반 생산라인의 고장/예지보전 모니터링 애플리케이션 37
3. Naive Bayes-LSTM 기반 예지정비 플랫폼 적용을 통한 화물 상차 시스템의 운영 안전성 및 신뢰성 확보 연구 38
4. 제조 설비 이상 탐지를 위한 지도학습 및 비지도학습 모델 설계에 관한 연구 38
5. 머신 러닝을 활용한 효과적인 모터 고장 진단 모델의 구현과 실험 39
6. 인공신경망을 이용한 머신러닝 기반의 연료펌프 고장예지 연구 39
7. 설명 가능한 AI를 적용한 기계 예지 정비 방법 39
8. LSTM 및 LRP를 활용한 설비 센서 데이터 기반 고장 예측 및 원인 설명 사례 연구 40
9. 시스템엔지니어링 기반의 스마트 안전관리 시스템설계 41
10. 도시철도 차량의 스마트 유지보수 시스템과 기존 관리 시스템의 기능적 연계에 관한 연구 41
11. 국내 연구 사례 요약 42
12. 국내 연구 사례 소결 44
제 3 절 해외 연구 사례 45
1. Understanding Self-Supervised Learning Dynamics without Contrastive Pairs 45
2. AI for Next Generation Computing: Emerging Trends and Future Directions 45
3. Machine Learning-Based Predictive Maintenance of Industrial Machines 46
4. A Predictive Maintenance Model for Optimizing Production Schedule Using Deep Neural Networks 46
5. Scalable, Distributed AI Frameworks: Leveraging Cloud Computing for Enhanced Deep Learning Performance and Efficiency 47
6. The Role of Machine Learning Techniques in Internet of Things-Based Cloud Applications 48
7. A Novel Unsupervised Method for Anomaly Detection in Time Series Based on Statistical Features for Industrial Predictive Maintenance 48
8. Predictive Maintenance in IoT: Early Fault Detection and Failure Prediction in Industrial Equipment 49
9. High-Dimensional and Large-Scale Anomaly Detection Using a Linear One-Class SVM with Deep Learning 49
10. Predictive Maintenance Enabled by Machine Learning: Use Cases and Challenges in the Automotive Industry 50
11. 해외 연구 사례 요약 51
12. 해외 연구 사례 소결 53
제 4 절 선행 연구의 보완점 54
1. 데이터 수집 및 품질 문제 54
가. 고품질 학습 데이터의 부족 54
나. 데이터 라벨링 및 분석 과정의 어려움 54
2. 실시간 처리 및 배포 문제 55
가. 클라우드 환경에서의 실시간 처리 어려움 55
나. 엣지 디바이스의 과도한 연산 부담 55
3. 머신러닝 및 딥러닝 모델의 한계 55
가. 모델 설명 가능성 부족 55
나. 일반화 부족 및 높은 오탐률 56
4. 모델의 신뢰성과 실제 적용 환경과의 차이 56
가. 모델의 지속 가능성 부족 56
나. 실험실 환경과 실제 산업 환경의 차이 56
5. 도메인 적응 및 전이학습 방법의 부재 57
가. 도메인 간의 성능 격차 57
나. 연합학습 실무 적용 한계 57
6. 선행 연구의 문제점 정리 57
제 5 절 본 연구의 특장점 59
1. 실제 산업 설비 데이터를 기반으로 한 모델 설계 59
2. MBSE 경량화 된 다이어그램 접근 60
3. 결측치 · 이상치 처리 및 고장 유형 세분화 적용 62
4. 다양한 딥러닝 모델 간 성능 비교와 설명력 확보 63
5. 실시간 분석 및 경고 체계를 고려한 플랫폼 구조 설계 65
6. 도메인 적응·전이 및 연합학습(FL-Federated Learning)에 기반한 일반화 확보 67
7. 합성 시나리오와 자동제어 운영 69
제 6 절 실험→운영 지표 매핑과 SLO(시점형) 72
1. 기본 전제(공통 규칙) 72
가. 동일 프로토콜 적용 72
나. 보고 규칙 72
다. SLO 임계(고정) 72
2. 매핑 규칙(<표 3> 참조) 73
가. PRMSE(%) → 미탐률/임계 재설정 가이드 73
나. RMSE/MAE → 오차 규모(경보 임계 가이드) 73
다. R² → 정상 패턴 추적 신뢰도 73
라. 추론 지연 → 추론 SLO 충족률 73
마. 알림 지연 → 알림 SLO 충족률 73
바. 응답 지연 → 응답 SLO 충족률 74
사. 가용성·수신율·손실률 → 신뢰성 축(운영 전제) 74
3. 적용 절차(표준 5단계) 74
가. 실험 지표 산출(동일 프로토콜, 5회 반복) 74
나. 운영 해석 수치 산출(〈표 3〉 매핑 규칙 적용) 74
다. SLO 임계 대비 판정(충족/위반/여유 폭 계산) 75
라. 3축 통합 비교(정확도–지연–신뢰성 동일 좌표계) 75
마. 의사결정 연결(모델 선택·배포·전환 전략) 75
4. 주의사항(운영 해석 일관성 확보) 75
가. 단위 일원화 75
나. 누설(Leakage) 금지 76
다. 운영 전제 확인 76
제 7 절 소결 및 연구 가설 도출 77
1. 선행 연구 종합 및 한계 정리 77
가. 정확도 중심 보고의 한계 77
나. 시간순 연속 분할·Δt 라벨·누설 방지의 미흡 77
다. 실험 지표 ↔ 운영 SLO 간 불 연결 77
2. 연구 질문의 정식화 78
가. RQ1 (모델 정확도 비교) 78
나. RQ2 (실험 지표→시점형 SLO 매핑) 78
다. RQ3 (데이터 품질과 성능/SLO 관계) 78
라. RQ4 (정확도–지연 트레이드오프) 79
3. 연구가설 설정 및 검증 방향 79
가. H01–H03 (RQ1: 모델 정확도 우위/동등성) 79
나. H04–H05 (RQ2: 시점형 SLO 판정 일관성) 79
다. H06 (RQ3: 데이터 품질–성능 연계성) 80
라. H07 (RQ4: 정확도–지연 동시 개선 영역 존재) 80
제 3 장 실증 분석 83
제 1 절 연구 설계 개요와 원칙 83
1. 본 방법이 갖는 우월성(선행 연구 대비) 89
가. 시간 축 보존과 누설 통제의 기본값 89
나. 규격 통일에 기반한 공정 비교 89
다. 통계적 유의확률 대신 실무 유의성 중심 판정 89
라. 시점형 SLO 매핑의 표준화 89
마. 경량 MBSE로 요구–설계–운영의 추적성 확보 90
바. 관측가능성(Observability)·재현성 표준화 90
사. 엣지↔클라우드 전환의 운영 규칙화 90
2. 설계 원칙과 통제 항목 90
가. 시간순 연속 분할과 Δt 라벨링의 고정 90
나. 누설 방지 체크리스트 운영 90
다. 입력 규격의 통일과 전처리 규칙 고정 91
라. 반복 재현성과 실험 로그 관리 91
3. 판정 철학과 보고 규칙 91
가. 1차 지표 체계: PRMSE 중심, 보조 지표 병기 92
나. SLO 기반 판정과 여유 폭 보고 92
다. 단위와 서술의 통일 92
라. 상대 개선율과 CI 비 중첩을 이용한 우위 판정 93
4. 추적성 및 관리 루프(경량 MBSE) 93
가. 요구–구현–운영 매핑의 표준화 93
나. 운영 해석 루프와 시점형 SLO 관리 93
5. 범위와 비 범위 94
가. 연구 범위(시점형 SLO 판정·동일 프로토콜 비교·전환 설계 수준 정의) 94
나. 비 범위(집계 SLO·경제성 평가는 후속 과제로 이관) 94
제 2 절 데이터셋, 전처리, Δt 라벨링과 시간순 분할 95
1. 데이터셋과 품질 지표 96
가. 데이터 원천·범위 96
나. 수집 모드 96
다. 편향 통제 96
라. 품질 지표(운영 전제) 96
마. 시간 동기화 97
바. 현장 제약 97
2. 데이터 수집 방법 97
가. 실시간 경로 97
나. 관제/시뮬레이터 경로 97
3. 전처리와 규격 98
가. 정규화(Scaling) 98
나. 결측·이상치 처리 99
다. 입력 규격 통일 99
라. 문서화·재현성 99
마. 메타데이터 규격 100
4. Δt 라벨과 시간순 연속 분할 100
가. Δt 라벨 100
나. 시간순 연속 분할 100
다. 누설 점검 체크리스트 101
라. 수집 모드 병행 주의 101
제 3 절 비교 모델, 학습·추론 절차, 재현성 관리 102
1. 비교모델과 역할 102
가. Logistic Regression (LR) 102
나. SVM 103
다. K-Means 103
라. SOM 103
마. 1D-CNN 103
바. LSTM 104
사. GRU 104
아. Autoencoder(AE) 104
2. 학습·추론 절차 105
가. 입력 규격 105
나. 학습 105
다. 임계 설계 106
라. 지연 측정 106
마. 도메인 특화 특징 106
3. 재현성 관리 107
가. 반복 설계 107
나. 아티팩트 고정 107
다. 프로토콜 로그 107
라. 성능 재현 확인 108
마. SLO 전제 보증 108
4. 모델 선택 규칙 111
가. 1차 기준(정확도 중심) 111
나. 2차 기준(지연·SLO 관점) 112
다. 3차 기준(안정성·운영성) 112
라. 엣지↔클라우드 배치 전략 112
마. 결정 산출물(보고·추적성 확보) 113
5. 모델 선정 근거 & 도메인 특화 전략 113
제 4 절 평가 지표, 보고 규칙, 실험→운영 지표 매핑 114
1. 지표 정의 114
가. 정확도/오차 지표 114
나. 실시간성·품질 지표 114
2. 보고 규칙 115
가. 반복·불확실성 표준 115
나. 상대 개선율 115
다. 채택·동등 판정 115
라. 동등 판정 115
마. 지연·SLO 우선 원칙 116
바. 라벨·창 길이 병기 116
사. 로그·아티팩트 보존 116
3. 시점형 SLO와 실험→운영 매핑 117
가. 실 목적과 원칙 117
나. 매핑 규칙 117
다. 추적성 기반 운영 118
라. 측정·집계 절차 118
제 5 절 엣지↔클라우드 전환(설계 수준) 119
1. 전환 트리거 119
가. 관찰·판정 119
나. 적용 지표 120
다. 예외 유예 120
2. 로깅·검증 절차 120
가. 표준 로그 스키마 120
나. 검증 계획(설계 수준) 120
3. 예외 처리 121
가. 비모델 요인 식별 121
나. 보호 메커니즘 121
다. 감사 추적 121
라. 보안·접근 통제 121
마. UI·운영 연계 122
제 4 장 연구 결과 123
제 1 절 개요와 보고 형식 123
제 2 절 데이터 수집 성능 및 품질(SLO 관점) 124
1. 측정 설계 124
2. 핵심 요약 124
3. E2E 지연 124
4. 수집 정확도(수신율) 125
5. 해석과 함의 125
제 3 절 모델 정확도 비교 129
1. 프로토콜 상기 129
2. 결과 요약 129
3. 운영 해석(시점형 매핑) 130
4. 신뢰구간 관찰 130
제 4 절 예측 지연과 정확도–지연 트레이드오프 134
1. 측정 절차 134
2. 핵심 결과 134
3. 트레이드오프 해석 134
4. 실무 관점 135
제 5 절 운영 SLO 관점 해석(시점형) 137
1. 범위와 기준 137
2. 시점형 SLO 판정 결과 137
가. 추론 지연 SLO (≤ 3,000ms) 137
나. 알림 지연 SLO (≤ 1,000ms) 138
다. 응답 지연 SLO (주요 화면 응답 ≤ 1,000ms) 138
라. 가용성 SLO (시나리오 기반 기능 성공률 ≥ 99.5%) 139
3. 결과의 실무적 판정(요지) 140
4. 엣지 전환 규칙 및 검증 계획(설계 수준) 140
제 6 절 연구 한계와 위협요인 141
1. 내적 타당도 141
2. 외적 타당도 141
3. 구성 타당도 141
4. 통계적 결론 타당도 141
5. 도구/시스템 제약 142
6. 모델·비교 범위의 한계 142
7. 요약 및 함의 142
제 7 절 소결(RQ별 판정 요약) 143
1. RQ1 (모델 정확도 비교) 143
2. RQ2 (실험 지표→시점형 SLO 매핑) 143
3. RQ3 (데이터 품질과 성능/SLO 관계) 143
4. RQ4 (정확도–지연 트레이드오프) 143
제 5 장 결론 145
제 1 절 연구 요약 및 공헌 145
1. 방법론적 공헌 146
2. 시스템 공헌 147
3. 엔지니어링 공헌 147
제 2 절 주요 결과 및 실무적 시사점 148
1. 알림 임계 및 Δt 설계에 대한 근거 제공 149
2. 정비 주기·교체 정책과의 직접 연계 149
3. 클라우드/엣지 배포 전략 수립 149
4. 다 사업장 확산 시 온보딩 절차의 표준 템플릿 149
제 3 절 연구 한계와 향후 연구 방향 151
1. 도메인 확장 및 프로토콜 표준화 심화 152
2. 신뢰성 강화와 장기 운전 대응 152
3. 실시간 아키텍처와 자원 효율 최적화 152
4. 업무 연계·경제성·거버넌스 체계 구축 153
참고문헌 154
부록 173
부록 A. 시스템 아키텍처·데이터 연계 173
부록 B. 모델·실험 세부 179
부록 C. 데이터 사양·샘플 192
부록 D. UI·운영 SLO 세부 194
부록 E. 엣지↔클라우드 전환(설계 수준) 220
부록 F. 체크리스트 221
부록 G. 재현성 스키마 226
Abstract 244

more
반출 Meta View 목록