KITECH 생산기술 전문지

산업 설비의 고장은 생산 손실과 품질 저하뿐 아니라 안전사고, 정비 비용 증가 및 공급망 차질로 이어질 수 있다. 이와 같은 문제를 사전에 방지하기 위한 방안으로, 센서 데이터와 정비 이력을 활용하여 설비의 현재 상태를 평가하고, 고장 원인과 미래 열화를 추정하며, 그 결과를 정비 행동으로 연결하는 통합 체계인 고장 예지 및 건전성 관리(Prognostics and Health Management, PHM)가 널리 활용되고 있다 [1]. 산업 현장의 센서화와 운전 데이터의 축적, 연산 자원의 고도화에 힘입어 딥러닝이 확산되면서, PHM은 전문가가 설계한 특징에 의존하는 분석에서 데이터로부터 고장 및 열화 표현을 자동으로 학습하는 방식으로 빠르게 전환되었다. 이러한 접근은 진동, 음향, 전류, 온도 및 영상과 같은 다양한 센서 데이터로부터 고장 관련 특징을 효과적으로추출함으로써 PHM의 진단 및 예측 성능 향상을 이끌었으며, 공개 벤치마크는 관련 방법론을 재현 가능하게 비교할 수 있는 기반을 제공하였다 [2]. 그러나 동일 데이터셋의 무작위 분할에서 얻은 높은 정확도가 새로운 설비, 부하, 환경 및 센서 구성에서도 유지된다고 보기는 어렵다. 실제 산업 환경에서는 고장 라벨이 희소하고 분포 이동이 빈번하며, 정비 정책과 경제적 제약이 모델 성능의 해석과 활용 가능성에 직접적인 영향을 미친다. 최근에는 시계열 파운데이션 모델, PHM 특화 대규모 모델, 물리 정보 학습 및 도구 호출형 에이전트가 등장하면서연구 범위가 개별 진단 모델에서 신호, 문서, 규칙, 디지털 트윈 및 정비 프로세스를 연결하는 운영 시스템 수준으로 확대되고 있다 [3,4]. 이에 따라 PHM 연구 방법론을 개별 알고리즘 단위가 아니라 상호 연계되는 연구 영역의 관점에서 정리할 필요가 있다. 본 논문은 2019년 이후 발표된 대표 연구를 중심으로 하되, 방법론의 기반이 되는 주요 선행 연구를 함께 포함하여 PHM의 핵심 연구 동향을 체계적으로 정리하는 것을 목적으로 한다. 이를 위해 표현·사전학습, 데이터 제약·일반화, 물리·디지털 트윈, 지식·LLM·에이전트, 신뢰·배포·정비 가치의 다섯 연구 영역을 중심으로 최근의 발전과 향후 과제를 논의한다. 또한 PHM의 기능적 범위를 균형 있게 반영하기 위해 이상 탐지·고장 진단과 예지·잔여수명 추정을 함께 검토하고, 각 연구 영역이 두 기능을 어떻게 지원하는지를 분석한다.

키워드 인공지능, Prognostics and Health Management, 연구 동향