사후 유지보수 (Reactive Maintenance)의 실제 비용

부동산 및 산업 자산 관리 분야의 시설 관리자들은 사후 유지보수 (Reactive Maintenance)를 기본 운영 모델로 오랫동안 받아들여 왔습니다. 즉, 무언가 고장 나면 누군가 보고하고, 기술자가 파견되는 방식입니다. 이 모델은 유지보수 예산에서는 항상 눈에 보이지 않는 방식으로 비용이 발생하지만, 운영 효율성, 세입자 만족도, 그리고 계획되지 않은 자본 지출 (Unplanned Capital Expenditure) 측면에서는 명확하게 나타납니다.

대규모 포트폴리오와 산업 시설의 경우, 단 한 번의 계획되지 않은 가동 중단 (Outage)만으로도 이를 방지할 수 있었던 예측 시스템 비용보다 수십 배 더 많은 비용이 발생할 수 있습니다. 복잡한 시설 인프라를 관리하는 천연자원 추출 기업을 위해 수행된 VSBD 가동 중단 예측 (Outage Prediction) 프로젝트는 AI 기반의 예측 유지보수가 실제 운영 환경에서 어떻게 구현되는지를 보여줍니다.

과제: 대규모 규모에서의 예후 (Prognosis)

고객사는 펌프, 압축기 (Compressors), 전기 스위치기어 (Electrical Switchgear), HVAC 유닛 등 수백 개의 모니터링 시스템을 갖춘 시설을 운영하고 있었습니다. 각 시스템은 온도, 진동, 압력, 전류 소모량, 운영 사이클 횟수와 같은 지속적인 원격 측정 데이터 (Telemetry Data)를 생성했습니다. 엔지니어링 측면에서의 과제는 데이터 수집이 아니었습니다. 고객은 이미 센서를 보유하고 있었기 때문입니다. 진짜 과제는 원시 원격 측정 데이터를 고장이 발생하기 전에 실행 가능한 유지보수 예측으로 전환하는 것이었습니다.

AI 아키텍처 (AI Architecture)

VSBD는 서로 연결된 세 가지 구성 요소로 이루어진 예측 유지보수 시스템을 설계하고 구축했습니다:

• 이상 탐지 엔진 (Anomaly Detection Engine): 과거의 운영 데이터와 알려진 고장 패턴을 학습하여 정상 운영 프로필로부터의 편차를 식별하는 머신러닝 (ML) 모델입니다. 이 모델은 노이즈 (정상적인 운영 변동성)와 신호 (초기 단계의 고장 지표)를 높은 정밀도로 구분합니다.

• 성능 저하 모델 (Performance Degradation Model): 모니터링 중인 시스템 전반의 점진적인 저하 추세를 추적하는 시계열 예측 (Time-series forecasting) 모델로, 고장 확률이 허용 가능한 임계값을 초과하기 전에 선제적인 유지보수 일정을 수립할 수 있게 합니다.

• 리스크 식별 모듈 (Risk Identification Module): 중요도, 고장 확률 및 운영 영향도를 기반으로 유지보수 개입의 우선순위를 정하는 분류 (Classification) 시스템입니다. 이를 통해 유지보수 팀이 가장 위험도가 높은 시스템에 먼저 집중할 수 있도록 합니다.

MLOps: 시간이 지나도 모델의 정확도 유지하기

예측 유지보수 모델은 독특한 과제에 직면합니다. 예측에 따라 조치를 취하는 행위 자체가 데이터 분포를 변화시킨다는 점입니다. 유지보수를 통해 고장을 방지하면, 해당 고장은 모델이 예상했던 결과 데이터를 생성하지 않게 됩니다. 적절한 MLOps 관행이 없다면 시간이 지남에 따라 모델은 드리프트 (Drift) 현상을 겪고 성능이 저하됩니다.

VSBD의 접근 방식에는 다음이 포함되었습니다:

• 성능 지표 드리프트 (Drift)에 의해 트리거되는 자동화된 모델 평가

• 개입에 대한 반사실적 로깅 (Counterfactual logging) — 유지보수 조치가 없었을 경우 발생했을 상황을 기록

• 새로운 고장 이벤트가 발생할 때마다 이를 통합하는 지속적 재학습 (Continuous retraining) 파이프라인

• 예측값과 함께 모델 신뢰도 점수를 시각화하는 모니터링 대시보드

지원 팀 파견 최적화

예측 정확도를 넘어, 시스템의 운영 가치는 유지보수 자원이 얼마나 효율적으로 배치되느냐에 달려 있었습니다. VSBD는 예측 결과물을 다음과 같은 기준에 따라 기술자 일정을 최적화하는 파견 계획 모듈과 통합했습니다:

• 시설물까지의 지리적 근접성 및 이동 시간

• 예측된 고장 유형과 기술자 기술 세트 (Skill set) 간의 매칭

• 부품 가용성 및 조달 리드 타임 (Lead times)

• 운영 중단을 최소화하는 유지보수 시간대 (Maintenance windows)

그 결과, 낭비되는 이동 시간과 부품 불일치 감소를 기준으로 측정했을 때 유지보수 팀의 파견 계획 효율성이 60% 향상되었습니다.

결과물: 6개월 미만, 40만 유로 미만

데이터 파이프라인부터 AI 모델, 운영 대시보드에 이르는 전체 시스템은 고정 비용 비즈니스 모델 약속 내에 인도되었습니다. 팀 구성은 다음과 같습니다: 프로젝트 매니저 (Project Manager), 개발 팀장 (Dev Team Lead), 백엔드 개발자 (Backend Developer), 프론트엔드 개발자 (Frontend Developer), 데이터 엔지니어 (Data Engineer) 2명, 데이터 사이언티스트 (Data Scientist) 1명, MLOps 엔지니어 (MLOps Engineer) 1명, 그리고 자동화 QA (Automation QA) 1명입니다.

사후 대응적 (Reactive) 유지보수에서 예측적 (Predictive) 유지보수로 전환할 준비가 된 부동산 및 시설 관리 기업의 경우, 대부분의 배포 사례에서 AI 시스템에 대한 투자는 운영 첫해 이내에 회수됩니다.

원문은 VSBD 블로그에 게시되었습니다.