AI 예지보전 시스템 로직 설계 및 고도화
주요 내용: 설비군별 RUL 산출 로직 수립 및 AI 판단 신뢰도(Trust Score) 정량화 체계 설계
1. 설비 특성별 RUL(잔여수명) 산출 로직 고도화
설비의 가동 상태와 데이터 특성에 따라 임계치를 차등 적용하는 성능저하 모델(Degradation Model)을 설계함.
- 설비군별 동적 임계치 설정: * 고성능군: 미세한 변화도 감지하기 위해 높은 임계치(70점) 설정 (보수적 관리)
- 난조군: 데이터 변동성을 고려하여 낮은 임계치(40점) 설정 (오탐 방지)
- 건강지수(Health Index) 정의: 이상 확률($P_{anomaly}$)을 점수화($100 - P \times 100$)하고, 최근 10분(50행) 평균값을 사용해 단기 노이즈 제거.
- RUL 산출 공식: * $\text{RUL} = \frac{\text{현재 건강지수} - \text{동적 임계치}}{|\text{건강지수 변화율}(\beta)|}$
- 1시간(500행) 단위의 선형 회귀 기울기($\beta$)를 활용해 수명 예측의 통계적 유의성 확보.
2. AI 신뢰도 모니터링 시스템 설계
AI의 판단을 현장에서 즉시 신뢰할 수 있도록 **'3-Shot 필터링'**과 **'2단계 신뢰도 산출 체계'**를 수립함.
① 1차 방어선: 3-Shot 연속 판정 로직
- 통계적 근거: 단일 오탐율 5% 기준, 3회 연속 발생 시 오탐 확률은 $0.0125%$로 급감 (신뢰도 400배 향상).
- 공학적 근거: 일시적 노이즈와 달리 실제 설비 이상은 '자기상관성'을 가지며 계단식으로 변화하는 특성을 반영.
② 2차 방어선: 정량적 신뢰도(Trust Score) 산출
- 1단계(실시간 성적 $S_{now}$): 설비별 태생 지표($B_m$)에서 오경보 빈도에 따른 벌점과 오경보 간격에 따른 가산점을 결합.
- 2단계(시간 안정화 $T_{final}$): 과거 점수(85%)와 현재 점수(15%)를 재귀적으로 결합하여 지표의 널뛰기 방지.
- 운영 가치: "한 번의 실수는 용인하되, 반복되는 실수는 엄중 경고"하는 현장 관리 정서 수식화.
3. 기대 효과 및 향후 계획
- 효과: 오탐율(FPR) 5% 미만 달성, 정비 우선순위 결정을 위한 객관적 점수 제공, 불필요한 공정 중단 예방.
- 향후 계획: 설계된 로직을 대시보드 UI에 반영하고, 설비별 $B_m$(Baseline) 및 임계치 최적화 튜닝 지속 수행.