[제조업 AX] 예지보전의 현실 — 센서 데이터로 고장을 예측한다는 것

이 기사, AI에게 물어보기

화려한 약속과 현장의 온도차, 그 사이에서 중소 제조기업이 찾아야 할 길

“이 시스템만 도입하면 고장 나기 전에 미리 알 수 있습니다.”

설비 유지보수 솔루션 영업 담당자들이 중소 제조기업 경영자에게 가장 자주 하는 말이다. 예지보전(Predictive Maintenance, PdM). 센서가 설비의 온도·진동·전류를 실시간으로 읽고, AI가 그 패턴을 분석해 고장 시점을 미리 예측한다. 돌발 정지가 사라지고, 과잉 정비 비용이 줄며, 생산성이 올라간다. 브로셔에는 “정비 비용 30% 절감”, “가동 중단 시간 40% 감소” 같은 숫자들이 가득하다.

실제로 삼성전자·LG전자는 반도체 및 가전 라인에 예측형 유지보수 시스템을 적용해 설비 중단 시간을 절반으로 줄였다. 틀린 말이 아니다. 그런데 이 성과가 직원 30~70명짜리 중소 제조기업에도 그대로 적용될 수 있는가?

필자가 현장에서 본 예지보전의 얼굴은 브로셔와 사뭇 달랐다.

예지보전이란 무엇인가 — 세 가지 보전의 차이

예지보전을 이해하려면 먼저 보전(保全)의 세 단계를 구분해야 한다.

첫 번째는 사후 보전(BM, Breakdown Maintenance)이다. 고장이 나면 고친다. 가장 단순하지만 돌발 정지가 반복된다. 납기를 맞춰야 하는 협력사에게 돌발 정지는 곧 클레임이다.

두 번째는 예방 보전(PM, Preventive Maintenance)이다. 일정 주기마다 부품을 교체하거나 점검한다. 돌발 정지는 줄지만, 멀쩡한 부품도 교체하는 과잉 정비가 생긴다. 멀쩡한 부품을 주기적으로 교체하는 과잉 정비를 없애고 필요한 시점에만 정비하면 부품비와 인건비를 30% 이상 절감할 수 있다.

세 번째가 예지보전이다. 센서로 설비 상태를 실시간 진단하고 고장 시점을 예측해 가장 효율적인 타이밍에 정비한다. 2026년형 시스템은 클라우드로 모든 데이터를 보내지 않고 현장에서 즉시 분석하는 엣지 컴퓨팅 기술과, 정상 패턴을 스스로 학습하는 비지도 학습 AI 모델이 적용되어 도입 장벽을 낮추고 있다.

이론은 완벽하다. 문제는 현실이다.

현장이 말해주는 것 — 예지보전의 두 얼굴

▶ 사례 1 — “경보가 울렸는데 아무도 어떻게 해야 할지 몰랐습니다”

울산 소재 주조 부품 기업 Q사는 2년 전 정부 스마트제조혁신 지원사업을 통해 주요 주조 설비 3대에 진동·온도 센서를 설치하고 클라우드 모니터링 플랫폼을 도입했다. 총 지원금 포함 약 6천만 원이 투입됐다.

도입 초기 한 달은 신기했다. 대시보드에서 설비 상태가 실시간으로 움직이는 것을 보며 경영자는 “이제 공장이 달라지겠구나” 했다. 그런데 두 달이 지나면서 문제가 드러났다. 어느 날 진동 센서가 이상 경보를 울렸다. 담당자가 대시보드를 봤다. 빨간 숫자가 깜빡이고 있었다. 그런데 그 숫자가 얼마나 심각한 건지, 지금 당장 설비를 멈춰야 하는 건지, 아니면 조금 더 지켜봐도 되는 건지 아무도 몰랐다.

결국 설비 공급업체에 전화를 걸어 물었다. 업체 담당자가 원격으로 데이터를 확인하더니 “지금은 괜찮습니다. 1주일 정도 지켜보세요” 라고 했다. 그 말을 들으러 경보 시스템을 도입한 것이 아니었는데.

Q사의 문제는 센서가 아니었다. 센서가 보내는 데이터를 해석하고 판단할 ‘기준값’이 없었다. 이 설비의 정상 진동 범위가 어떻게 되는지, 어떤 패턴이 나타날 때 고장 전조인지를 정의한 데이터가 존재하지 않았던 것이다. 경보는 울렸지만 아무것도 바뀌지 않았다.

▶ 사례 2 — “이상 징후를 사흘 전에 잡았습니다”

이 연재에서 계속 등장해온 경남 소재 L사는 다른 경로로 예지보전에 도달했다. 이 회사는 3편의 바이브 코딩으로 생산 실적 자동화 툴을 만들었고, 4편의 데이터 수집 전략에 따라 6개월간 용접 설비의 전류·전압·아크 안정성 데이터를 꾸준히 쌓았다. 그리고 5편에서 구축한 사내 RAG 기반 AI에 이 데이터를 연동했다.

어느 날 AI 대시보드에서 아크 안정성 지수가 평소보다 미묘하게 낮아지는 패턴이 사흘째 이어졌다. 현장 팀장이 AI에게 물었다. “이런 패턴이 과거에도 있었나요?” AI가 답했다. “6개월 전 비슷한 패턴이 나타난 후 9일 뒤 와이어 피더 모터 결함이 발생했습니다. 당시 교체 이력을 참고하세요.” 팀장은 즉시 와이어 피더를 점검했다. 내부 베어링에 마모가 시작되고 있었다. 부품을 선제 교체했고, 돌발 정지는 없었다.

Q사와 L사의 차이는 단 하나였다. L사는 예지보전 시스템을 도입하기 전에 ‘비교할 과거 데이터’를 먼저 만들었다. Q사는 시스템부터 들여왔다. 병목 현상은 센서가 아니다. 아이디어는 충분하지만 IT 백로그와 데이터 부재가 발목을 잡는다. Q사의 실패는 기술의 실패가 아니라 순서의 실패였다.

예지보전이 작동하려면 반드시 필요한 세 가지

중소 제조기업이 예지보전을 도입하기 전에 반드시 갖춰야 할 조건이 있다. 이것이 없으면 어떤 솔루션도 Q사의 경보 시스템처럼 울리기만 하고 아무것도 바꾸지 못한다.

첫째, 정상 상태 데이터다. AI가 이상을 감지하려면 ‘정상’이 무엇인지 먼저 알아야 한다. 그런데 대부분의 중소 제조기업은 설비가 정상적으로 돌아갈 때의 진동·온도·전류 데이터를 가지고 있지 않다. 예지보전 시스템 도입 전에 최소 3~6개월간 정상 가동 데이터를 쌓는 것이 필수다. 이것이 이 연재 4편에서 강조한 “먼저 수집하고, 나중에 분석하라”는 원칙의 핵심이다.

둘째, 맥락이 있는 고장 이력이다. “2023년 3월에 설비 B가 고장났다” 는 기록만으로는 AI가 학습할 수 없다. “2023년 3월, 겨울철 소재 투입 후 사흘째에 진동이 평소보다 15% 높았고, 이후 베어링 파손이 발생했다” 는 맥락이 있는 기록이어야 한다. 고장 이력에 날씨·소재·공정 변수·교체 부품 정보를 함께 기록하는 습관이 예지보전의 진짜 원료다.

셋째, 판단할 사람이다. 중소 제조기업에서 예지보전이 실질적으로 작동하려면 AI가 보내는 신호를 해석하고 행동으로 옮길 수 있는 현장 담당자가 필요하다. 시스템이 “이상 징후 감지” 를 알려도 그 신호의 의미를 이해하고 “지금 멈출지, 더 지켜볼지” 를 판단하는 사람이 없으면 경보는 소음이 된다. 이 사람이 바로 이 연재 1편부터 강조해온 ‘AI 챔피언’이다.

중소 제조기업의 현실적인 예지보전 진입 전략

IoT 센서 네트워크 구축과 관련된 높은 비용은 특히 중소기업에게 상당한 진입 장벽이다. 이 비용은 센서 자체를 넘어 게이트웨이, 클라우드 플랫폼, 전문적인 설치와 시스템 통합, 지속적인 유지 관리 비용까지 포함된다. 그러나 2026년 현재, 진입 장벽은 생각보다 빠르게 낮아지고 있다. 핵심은 전체 공장을 한꺼번에 바꾸려 하지 않는 것이다.

필자가 제안하는 중소 제조기업의 예지보전 진입 경로는 세 단계다.

1단계 — 가장 아픈 설비 하나를 골라라. 전체 공장이 아니라, 고장 났을 때 가장 큰 피해를 주는 설비 단 하나를 선택한다. 월 1회 이상 돌발 정지가 발생하거나, 고장 시 납기 지연으로 직결되는 설비가 첫 번째 대상이다. 센서 1~2개를 해당 설비에 부착하고, 최소 3개월간 정상 가동 데이터를 수집한다. 이 단계의 비용은 센서와 게이트웨이를 포함해 수십만 원~200만 원 수준이면 가능하다.

2단계 — 고장 이력을 소급 복원하라. 설비 점검 일지, 부품 구매 이력, 담당자 기억을 동원해 지난 2~3년간의 주요 고장 사례를 문서화한다. 날짜, 증상, 원인, 교체 부품, 당시 생산 조건을 함께 기록한다. 이것이 이전 편에서 구축한 사내 AI의 지식베이스와 연결될 때, “과거에 이런 패턴이 있었다” 는 맥락 있는 예측이 가능해진다.

3단계 — 알람이 울리면 반드시 기록하라. 센서가 이상 신호를 보낼 때마다 그 시점의 상태와 실제 후속 조치를 기록한다. “경보 → 점검 → 이상 없음”, “경보 → 점검 → 베어링 마모 발견 → 교체”. 이 축적이 6개월, 1년이 지나면 우리 설비만의 고장 패턴 데이터베이스가 된다. 외부 솔루션에 의존하지 않고 우리 공장의 언어로 고장을 예측하는 기반이 만들어지는 것이다.

AX 로드맵에서 예지보전의 위치 — 2.5단계의 진짜 의미

이 연재의 AX 4단계 로드맵에서 예지보전은 2.5단계에 해당한다. 1단계 AI 문해력, 1.5단계 바이브 코딩, 2단계 전용 AI 구축을 거친 뒤에야 의미 있게 작동하는 단계다.

왜 그런가. 예지보전은 데이터와 AI와 사람이 동시에 작동해야 한다. 1단계를 거쳐야 현장 직원이 AI 신호를 읽고 판단할 수 있다. 1.5단계를 거쳐야 센서 데이터를 자동으로 집계하는 도구를 직접 만들 수 있다. 2단계를 거쳐야 과거 고장 이력이 AI의 지식베이스에 담겨 “이 패턴은 과거 어떤 고장과 유사하다”는 맥락 있는 예측이 가능해진다. Q사가 실패한 것은 이 세 계단을 모두 건너뛰고 2.5단계부터 시작했기 때문이다.

2025년 중소 제조기업에서는 공정 데이터의 자동 수집, 설비 상태 모니터링, 간단한 예지보전, 보급형 MES·HMI 도입 등이 빠르게 확산되며 단기 ROI를 목표로 하는 실용 중심 접근이 두드러졌다. AI 내장 센서나 클라우드 기반 진단 서비스처럼 설치가 간편한 솔루션이 중소 제조기업의 진입 장벽을 낮추고 있다. 이 흐름은 옳다. 그러나 진입 장벽이 낮아졌다는 것이 준비 없이 시작해도 된다는 의미는 아니다.

예지보전의 진짜 가치는 ‘고장 예측’이 아니다

마지막으로 솔직하게 말하고 싶다. 예지보전의 진짜 가치는 “고장을 예측하는 것” 이 아니다. 그것은 결과일 뿐이다. 진짜 가치는 설비를 숫자로 이해하기 시작하는 것, 즉 설비와 대화하는 법을 배우는 것이다.

30년 베테랑 설비 담당자는 설비 소리만 들어도 이상을 감지한다. 그의 귀가 곧 센서이고, 그의 판단이 곧 AI다. 예지보전 시스템은 그 베테랑의 감각을 데이터로 만들어 조직의 자산으로 남기는 과정이다. 베테랑이 떠난 뒤에도 그 감각이 센서 데이터와 AI 속에 살아남는 것. 이것이 이 연재 2편에서 다룬 암묵지 디지털화와 예지보전이 하나의 흐름으로 연결되는 이유다.

오늘 할 수 있는 일은 하나다. 가장 자주 고장 나는 설비 하나 앞에 서라. 그리고 물어라. “이 설비는 고장 나기 전에 어떤 신호를 보내왔는가.” 그 답이 기억 속에 있다면 지금 당장 기록하라. 그것이 예지보전의 진짜 시작이다.