창고 설비의 AI 예측 정비는 지난 2년 동안, 가능한가라는 질문에서 할 만한 가치가 있는가라는 질문으로 이동해 왔으며, 그 변화 자체가 모델이나 센서에 대한 논의에 앞서 주목할 만합니다. 2024년 9월, 중국 동부의 한 전자상거래 창고의 설비 책임자는 그 이후로 제게 익숙해진 장면을 이야기해 주었습니다. 컨베이어 모터에 진동 센서가 설치되었고, 시스템은 3개월 동안 100건이 넘는 경고를 냈으며, 정비팀은 처음에는 한 건 한 건 조사했지만, 열 건 중 아홉 건은 아무 이상이 없었고, 그러다 결국 아예 대응을 멈추었고, 마침내 분류기 구동 베어링이 고착되면서 라인 전체가 하루 대부분 멈췄습니다. 이 사례의 교훈은 알고리즘에 관한 것이 아닙니다. 경고가 신뢰를 잃으면 신뢰가 얼마나 빨리 무너지는가에 관한 것입니다. 아무도 믿지 않는 시스템은 실질적으로 시스템이 아닙니다.

실무에서의 AI 예측 정비: 경보가 많아질수록 신뢰는 줄어든다

공개된 현장 기록에 따르면, 센서만으로 하는 예측 프로젝트는 첫 분기에 30~40%의 오탐률을 보고했고, 정비팀은 6개월 이내에 알림에 대응하지 않게 되었으며, 이 수치들은 공급업체가 좀처럼 광고하지 않는 병목을 가리킵니다. 예측 정비의 첫 번째 한계는 예측 정확도가 아니라 조직의 수용인 경우가 많습니다. AI 예측 정비는 보통 검출률로 판매되지만, 오경보의 비용은 판매 문구에서 빠져 있습니다. 오경보 한 건은 불필요한 점검 한 번, 잘못 발행된 예비 부품 한 개, 그리고 커져 가는 불신의 계좌에 쌓이는 예금 한 건이며, 그런 예금이 충분히 쌓이면 진정으로 가치 있는 경고조차 잡음으로 치부됩니다. 2025년 2월, 중국 북부의 한 제3자 물류 창고는 반대편에서 같은 패턴을 보여주었습니다. 스태커 크레인 모터의 온도 센서가 2주 동안 반복해서 한계를 넘었고, 대부분의 초과는 주변 온도 변동과 부하 변화 때문이었으며, 팀은 시스템을 조용하게 만들기 위해 임계값을 올렸고, 임계값을 올린 바로 그 주에 모터 베어링의 느린 온도 상승을 놓쳤습니다.

이 패턴 뒤의 논리는 완전하며 끝까지 따라가 볼 만합니다. 센서는 물리량을 기록하고, 그 물리량의 변동은 설비 열화에서 올 수도 있고 운전 조건 변화에서 올 수도 있으며, 둘을 구분하지 못하는 모델은 운전 조건의 변화를 고장 경고로 받아들입니다. 모델이 왜 경보를 냈는지 모르는 기술자는 그 모델을 신뢰할 수 없는 블랙박스로 여기게 되고, 충분히 자주 틀리는 블랙박스는 그저 우회될 뿐입니다. 따라서 예측 정비를 도입하는 첫 단계는 더 높은 검출률을 좇는 것이 아니라, 조직이 수년 동안 감당할 수 있는 오경보와 미검출 사이의 균형을 찾고, 모든 경보 결과를 모델에 되먹여 실제 피드백을 통해 서서히 더 정확해지도록 하는 것입니다.

AI 예측 정비 신호: 진동, 온도, 전류가 각각 알려주는 것

진동, 온도, 전류는 창고 설비에 가장 흔히 쓰이는 세 가지 신호이며, 그 가치가 동등하지도 않고, 같은 기계에 맞는 것도 아닙니다. 진동이 가장 민감합니다. 베어링 마모, 불균형, 정렬 불량은 각각 진동 스펙트럼에 흔적을 남기며, 고장이 들리거나 보이기 수 주 전에 나타나는 경우가 많아 회전 설비와 고속 컨베이어 부품에 잘 맞습니다. 온도가 가장 직관적입니다. 윤활 부족, 모터 과부하, 냉각 불량은 모두 먼저 온도 상승으로 나타나므로 모터, 기어박스, 전기 캐비닛에 맞지만, 온도 변화는 근본 고장보다 뒤처지고, 단독으로 쓰면 초기 신호를 쉽게 놓칩니다. 전류 시그니처 분석이 가장 비침습적입니다. 모터의 전류 파형 이상을 읽어 기계에 센서를 달지 않고도 부하와 회전자 문제를 드러낼 수 있어, 이미 계측 설비가 갖춰져 있고 센서 설치를 위해 쉽게 멈출 수 없는 노후 설비에 맞습니다.

신호 잘 감지하는 것 주요 한계 가장 적합한 대상
진동 베어링 마모, 불균형, 정렬 불량 장착 위치와 운전 조건에 민감 분류기, 컨베이어, 스태커 크레인 회전 부품
온도 과부하, 윤활 손실, 냉각 실패 변화가 느리고 초기 신호가 약함 모터, 기어박스, 전기 캐비닛
전류 부하 이상, 회전자 문제 특징 추출이 까다롭고 운전 맥락이 필요 센서 설치가 어려운 노후 모터

미국 에너지부 지침을 바탕으로 정리된 벤치마크에 따르면, 예측 정비는 예방 정비와 비교해 총소유비용의 8~12%를, 사후 정비, 즉 고장 날 때까지 쓰는 방식과 비교해 30~40%를 절감할 수 있으며, 이 두 수치 사이의 격차에는 중요한 메시지가 담겨 있습니다. 효과는 창고가 그 전에 무엇을 해왔는지에 크게 좌우되므로, 정기 정비가 이미 잘 돌아가는 현장은 추가 효과는 크지 않을 것으로 기대해야 합니다.

결정에 숫자를 붙이기 위해 예시적인 사례를 생각해 보겠습니다. 중요 회전 기계가 200대인 중규모 창고를 가정합니다. 이는 예시적인 사례이지 측정된 사례가 아닙니다. 정기 정비가 기계 한 대당 연간 약 2,000위안, 계획되지 않은 가동 중단이 시간당 약 20,000위안 든다고 가정합니다. 예측 정비가 계획되지 않은 정지를 연간 10회에서 6회로 줄이면, 예시적인 절감액은 센서, 플랫폼, 인건비를 빼기 전 기준으로 회피한 가동 중단분 연간 약 80,000위안입니다.

AI 예측 정비의 트레이드오프: 오경보와 미검출을 동시에 0으로 만들 수 없다

오경보와 미검출은 둘 다 0으로 몰 수 없는 한 쌍을 이룹니다. 임계값을 느슨하게 하면 미검출은 줄지만 오경보가 늘고, 조이면 그 반대가 되기 때문입니다. 2021년 맥킨지 후속 연구에서 널리 인용되는 결과에 따르면, 10%의 오탐률은 예측 프로젝트의 기대 경제 효과를 완전히 사라지게 할 수 있으며, 그 수치가 모든 창고에 그대로 적용되지는 않더라도 가리키는 방향은 분명합니다. 오경보는 사소한 불편이 아니라 효과를 직접 갉아먹는 비용 항목입니다. 따라서 적절한 임계값은 고장의 결과에 따라 정해야 합니다. 스태커 크레인이나 냉장 창고 압축기처럼 한 번의 정지가 창고 전체를 뒤흔드는 경우에는 진짜 고장 한 건을 놓치는 것보다 몇 건의 오경보를 받아들이는 편이 낫고, 일반적인 컨베이어 구간이나 대기 설비처럼 정지의 영향이 작은 경우에는 경보 흐름의 신뢰성을 지키기 위해 먼저 임계값을 느슨하게 할 수 있습니다.

2024년 6월, 중국 남부의 한 냉동 창고가 냉동 압축기에 대해 유용한 참조 사례를 제공했습니다. 진동과 온도가 동시에 한계를 넘을 때만 고수준 경보가 울렸고, 단일 신호의 초과는 관찰 항목으로 기록되었으며, 3개월 동안 고수준 경보는 7건이었고, 그중 5건은 진짜 문제를 드러냈고 2건은 빈 경보였습니다. 예측 정비 프로그램의 성숙도는 모델이 보고한 고장의 수가 아니라, 조직이 오경보를 감당할 수 있고 한 건 한 건을 다음번 더 정확한 라운드의 입력으로 바꾸는가로 측정됩니다.

AI 예측 정비의 토대: 주문형 정비에 앞서 필요한 느린 작업

정기 정비에서 주문형 정비로 이동하는 일은 알고리즘보다 데이터 파이프라인과 정비 워크플로가 준비되어 있는가에 더 좌우됩니다. 공개된 현장 경험에 따르면, 효과적인 예측 프로그램은 보통 알고리즘이 신뢰할 만한 정확도에 도달하기 전에 12~18개월의 기준선 데이터를 필요로 하며, 이 시간 비용은 시작 후 3개월이 지나 아무것도 나아지지 않았음을 깨닫는 것이 아니라 프로젝트 계획의 시작부터 적어 두어야 합니다. 데이터 측면에서는 세 가지 조건이 중요합니다. 진동, 온도, 전류가 지속적으로 샘플링되는지, 정비 기록이 디지털화되었는지, 고장 레이블이 나중에 적어 둔 인상에서가 아니라 검증된 정비 결과에서 오는지입니다. 이 중 하나라도 빠지면 모델은 잡음이 많은 이력에서 학습하게 됩니다.

따라서 도입 순서는 단계적으로 짜야 합니다. 먼저 데이터 파이프라인과 디지털화된 정비 기록을 탄탄하게 하고, 다음으로 영향이 큰 중요 기계 소수를 대상으로 시범 운영하고, 사람의 검토가 붙은 단계별 경보로 레이블을 축적한 뒤, 오경보율과 닫힌 피드백 루프가 모두 안정된 뒤에야 창고 전체로 확장합니다. 이 순서는 느려 보이지만, 공개된 사례들이 가장 높은 성공률과 연결 짓는 경로입니다. 반대 경로, 데이터가 준비되기 전에 플랫폼을 사고, 시범 운영 전에 창고 전체에 펼치고, 사람의 검토 없이 모델이 작업 지시를 내리게 하는 방식은 6개월 이내에 경보 피로로 끝나는 것이 보통이며, 상당한 지출과 함께 신뢰가 먼저 무너집니다.

여기의 추세 판단은 여전히 절제를 요구합니다. 창고 설비의 AI 예측 정비는 계속 확대되겠지만, 그 확대는 먼저 가동 중단 비용이 비싼 고가 기계에 자리 잡고, 그 뒤에야 천천히 일반 설비로 퍼질 가능성이 큽니다. 앞으로 2~3년 동안 창고를 가르는 것은 누가 먼저 모델을 샀는가가 아니라, 누가 먼저 탄탄한 데이터 품질, 레이블 피드백, 닫힌 경보 처리 루프를 구축했는가일 수 있습니다. 남은 열린 질문은 다음 경보가 즉시 확인될 것인지, 아니면 한눈에 흘려보내질 것인지입니다.

Dr. Chen, 공급망 연구원 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.