📘최종프로젝트 - 사출성형 AI 예지보전 시스템
1. 신뢰할 수 있는 예지보전 만들기
단순히 이상을 탐지하는 모델을 넘어, 현장 작업자가 "지금 믿고 써도 되는가?"에 답할 수 있는 실시간 대시보드 구축을 목표로
- 핵심 기술 스택: Python, NiceGUI, XGBoost, LOF(Local Outlier Factor), Plotly.
- 주요 기능: 실시간 센서 모니터링, RUL(잔여 수명) 예측, AI 신뢰도 지표 산출.
2. 주요 기술적 도전과 해결
이슈 1: 서버 부하와 연결 끊김 현상
- 문제: 0.1초 단위의 초고속 데이터 주입 시 웹소켓(WebSocket) 연결이 끊기는 불안정성 발생.
- 해결: * Throttling 적용: 1초에 3샷으로 시뮬레이션 속도를 최적화(0.33초 주기).
- 연산 분리: 무거운 AI 분석은 io_bound를 통해 시리얼 엔진에서 선처리하고, UI는 결과값만 렌더링하도록 구조 개선.
- 재연결 로직: reconnect_timeout 설정을 통해 네트워크 불안정 대응.
이슈 2: "정답 없는" 신뢰도의 정량화
- 문제: 현장에서는 실시간 정답(Label)이 없어서 AI의 판단이 맞는 지 알기 어려움.
- 해결: 자율 신뢰지표(50:50) 로직 설계.
- 판단 안정성(50%): 확률값의 변동성(Standard Deviation)을 분석해 AI의 갈팡질팡 정도를 측정.
- 결정 자신감(50%): 임계치와 확률값의 거리를 계산해 AI의 확신 정도를 수치화.
이슈 3: 통계적 공정 관리(SPC)의 결합
- 문제: AI 확률만으로는 현장 관리자가 기존 공정 대비 직관적인 판단을 내리기 어려움.
- 해결: 그래프에 3시그마($\pm3\sigma$) 기준의 UCL/LCL(상하한선) 동적 생성 기능을 추가하여 통계적 관리 도구로서의 가치 부여.
3. 완성된 시스템 레이아웃
| 탭 구분 | 핵심 기능 | 비고 |
| 실시간 센서 | 센서 데이터 시각화 + UCL/LCL + 이상확률표시 | 현장 직관성 중심 |
| 예지 보전 | 건강도(Health Score) 기반 상태 분류 및 RUL 예측 | 선제적 유지보수 가이드 |
| AI 신뢰도 | 오경보율(정답 있을 시) 및 AI 판단 안정성/자신감 지표 | 모델 신뢰도 검증 |