예지보전(PdM)이란 무엇인가
예지보전(Predictive Maintenance, PdM)은 설비의 실시간 상태 데이터를 분석하여 고장이 발생하기 전에 이상 징후를 감지하고 선제적으로 대응하는 유지보전 전략입니다. 기존의 사후 보전(고장 후 수리)이나 예방 보전(정해진 주기로 교체)과 달리, 설비의 실제 상태에 기반해 '딱 필요한 시점에' 정비를 수행함으로써 설비 가용성을 극대화하고 불필요한 정비 비용을 절감합니다.
글로벌 예지보전 시장은 2028년까지 약 230억 달러 규모로 성장할 것으로 전망됩니다. 제조업의 비계획 정지(Unplanned Downtime)로 인한 연간 손실이 전 세계적으로 약 1.5조 달러에 달한다는 분석이 있을 만큼, 설비 이상을 사전에 감지하는 기술의 경제적 가치는 막대합니다.
기존 예지보전 방식의 한계
현재 산업 현장에서 많이 쓰이는 클라우드 기반 AI 예지보전은 센서 데이터를 클라우드 서버로 전송한 뒤 분석 결과를 받아오는 방식입니다. 이 방식은 몇 가지 근본적인 한계를 가지고 있습니다. 첫째, 레이턴시(Latency) 문제입니다. 데이터가 클라우드에 도달하고 분석 결과가 되돌아오는 데 수십~수백 ms가 소요됩니다. 급격한 베어링 파손이나 갑작스러운 과부하처럼 밀리초 단위로 전개되는 이상 현상에는 대응이 불가능합니다.
둘째, 네트워크 의존성입니다. 지하 설비실, 금속 구조물 밀집 지역, 원격 야외 현장 등 LTE·Wi-Fi 통신이 불안정한 환경에서는 클라우드 AI 시스템 자체가 작동하지 않습니다. 셋째, 비용 문제입니다. 수천 개의 센서에서 발생하는 대용량 데이터를 클라우드로 전송하고 저장·처리하는 데 드는 통신료와 서버 비용은 도입 확장을 가로막는 현실적 장벽입니다. 넷째, 데이터 보안입니다. 설비 가동 데이터는 기업의 핵심 자산이며, 이를 외부 클라우드로 전송하는 것 자체가 보안 위협이 될 수 있습니다.
On-Device AI — 엣지에서 생각하는 AI
On-Device AI(또는 Edge AI)는 클라우드 서버가 아닌 센서 디바이스 자체에 AI 추론 엔진을 탑재하여, 데이터 수집과 분석을 한 곳에서 수행하는 기술 패러다임입니다. 진동·온도·전류 등의 원시 센서 신호를 디바이스 내에서 실시간으로 분석하여 이상 패턴을 감지하고, 필요한 경우에만 경보·이벤트 데이터를 외부로 전송합니다.
이 방식은 클라우드 AI의 네 가지 한계를 모두 해결합니다. 로컬 추론으로 레이턴시는 1 ms 이하로 낮아지고, 네트워크 없이도 이상 감지가 가능하며, 불필요한 데이터 전송이 없어 통신 비용이 크게 줄어들고, 원시 데이터가 디바이스 밖으로 나가지 않으므로 보안이 강화됩니다. 전송되는 것은 '모터 이상 감지됨'과 같은 고수준의 이벤트 정보뿐입니다.
TinyML — 초소형 AI의 구현 기술
MCU(마이크로컨트롤러)에 AI를 탑재하기 위해서는 수백 MB에 달하는 대형 AI 모델을 수십 KB 수준으로 압축해야 합니다. TinyML은 이를 가능하게 하는 모델 경량화 기술의 총칭입니다. Qintelligence는 다음 세 가지 핵심 기법을 조합하여 MCU 탑재 AI를 구현합니다.
양자화(Quantization)
AI 모델의 가중치(Weight)를 32비트 부동소수점(FP32)에서 8비트 정수(INT8)로 변환하여 모델 크기를 75% 이상 줄이고, 추론 속도를 2~4배 향상시킵니다. STM32 등 FPU(부동소수점 연산 유닛)가 없는 MCU에서도 정수 연산으로 빠른 추론이 가능해집니다. 정확도 손실은 대부분 1% 미만으로 유지됩니다.
가지치기(Pruning)와 지식 증류(Knowledge Distillation)
가지치기는 AI 모델에서 성능 기여도가 낮은 뉴런과 연결을 제거하여 모델을 경량화하는 기법입니다. 지식 증류는 대형 Teacher 모델이 작은 Student 모델을 학습시키는 방식으로, Student 모델이 Teacher 모델의 추론 능력을 습득하면서도 크기는 10분의 1 이하로 유지하게 합니다. 이 두 기법을 양자화와 결합하면, 원본 모델 대비 1/50 이하 크기에서도 95% 이상의 정확도를 달성할 수 있습니다.
Qintelligence의 자립형 AI 예지보전 노드
Qintelligence의 AI 예지보전 노드는 TinyML 기반 이상 감지 AI, 에너지 하베스팅 전원 시스템, BLE/LoRa 무선 통신을 하나의 초소형 모듈에 통합한 제품입니다. STM32 MCU에 탑재된 AI 모델은 3축 진동, 온도, 전류 신호를 1 kHz로 샘플링하여 실시간 FFT 분석을 수행하고, 비정상 주파수 패턴을 밀리초 단위로 검출합니다.
에너지 하베스팅 전원으로 구동되므로 외부 전원 배선이나 배터리 교체가 전혀 필요 없습니다. 설비에 부착하는 것만으로 즉시 모니터링이 시작되며, 이후 수년간 자율 운영됩니다. 이상 감지 시에는 BLE 또는 LoRa를 통해 즉각적인 알림을 전송하고, 정상 구간에서는 슬립 모드로 전환하여 전력 소비를 최소화합니다.
감지 가능한 설비 결함 유형
Qintelligence의 On-Device AI는 다음과 같은 설비 결함을 99% 이상의 정확도로 사전 감지합니다. 회전 설비의 경우 베어링 내·외륜 손상, 볼 결함, 케이지 파손, 불균형(Imbalance), 미스얼라인먼트(Misalignment)를 감지합니다. 펌프에서는 캐비테이션(Cavitation), 임펠러 손상, 시일 누수를 탐지하며, 모터에서는 권선 절연 열화, 회전자 편심, 전기적 아크를 식별합니다. 배관에서는 누수, 이물질 막힘, 부식에 따른 진동 패턴 변화를 포착합니다.
단순 임계값 비교 방식과 달리, AI 기반 이상 감지는 설비별 정상 상태의 미세한 패턴 차이까지 학습하여 오경보(False Alarm)를 최소화합니다. 동일 기종의 설비라도 설치 환경과 운전 조건에 따라 정상 진동 특성이 다르기 때문에, 설비별 개별 학습(Per-asset Learning) 기능이 핵심 경쟁력입니다.
도입 성과와 비즈니스 가치
On-Device AI 예지보전 도입 시 기대할 수 있는 주요 효과는 다음과 같습니다. 비계획 정지(Unplanned Downtime)를 최대 80% 감소시켜 생산 가동률을 극대화합니다. 불필요한 예방 정비 작업을 40% 이상 절감하여 정비 인력과 부품 비용을 최적화합니다. 설비 수명을 평균 20~30% 연장하여 자산 가치를 보전합니다.
Qintelligence의 솔루션은 배터리 교체 없이 수년간 자율 운영되기 때문에, 기존 유선 CbM 시스템이나 클라우드 AI 시스템 대비 총소유비용(TCO)이 현저히 낮습니다. 초기 설치 비용 또한 기존 유선 시스템의 1/10 수준이며, 설비 고장 예방을 통한 생산 손실 감소 효과를 포함한 투자 회수 기간(ROI Period)은 평균 12개월 내외로 산출됩니다. 스마트 팩토리 전환의 핵심 인프라로서, On-Device AI 예지보전은 도입 즉시 측정 가능한 가치를 제공합니다.