머신러닝 운영 (MLOps)은 소프트웨어 공학 분야로 성숙해가고 있으나, 사이버 물리 시스템 (CPS)에 내장된 자원 제한적인 마이크로컨트롤러를 대상으로 하는 초소형 규모 변형인 TinyMLOps (Tiny Machine-Learning Operations)는 산업 현장에서 여전히 이해도가 낮습니다. 불투명한 모델, 노이즈가 섞인 이기종 데이터, 그리고 엄격한 메모리 예산은 대부분의 결정이 여전히 인간 전문가에게 의존하는 안전 필수 (safety-critical) 환경에서의 도입을 저해합니다. 본 연구에서는 도메인 물리학 (domain physics), 전문가의 추측 (expert speculation), 그리고 센서 스트림을 융합하여 온디바이스 (on-device)에 배포 가능한 설명 가능하고 저용량인 모델을 제공하는 엔드 투 엔드 (end-to-end) 지식 중심 TinyMLOps 파이프라인에 대한 현장 연구를 보고합니다. 이 파이프라인은 이기종 시계열 데이터의 자동 수집 및 정제, 지식 기반 특징 생성 (feature construction), 해석 가능한 정규화 모델 (interpretable regularized models), 그리고 개념 드리프트 (concept drift) 상황에서의 롤링 시간 교차 검증 (rolling temporal cross-validation)을 아우릅니다. 우리는 두 차례의 해상 풍력 케이블 트렌칭 (cable-trenching) 캠페인에서 얻은 4.4 GB의 데이터를 통해 이를 평가합니다. 분류기는 ARM Cortex-M4의 32 kB 메모리 점유율 내에서 0.84 AUC로 최대 3분 앞서 유해한 부하 피크를 예측하며, 어블레이션 연구 (ablation study)를 통해 사전 지식을 주입하는 것이 오경보를 절반으로 줄이고 실행 가능한 운영 규칙을 도출함을 보여줍니다. 운영 대시보드에서 권장 사항을 재현했을 때 비생산적 시간 (non-productive time)이 11% 감소함을 확인했습니다. 우리는 CPS 환경에서 신뢰할 수 있는 TinyMLOps를 위한 엔지니어링 교훈과 타당성 위협 요인을 정리하였으며, 재현성을 지원하기 위해 코드와 주석이 달린 데이터셋을 공개합니다.