인사이트 / 블로그

소음과 진동은 설비 상태를 보여주는 핵심 물리 데이터입니다. 기존 룰 기반 진단은 특정 주파수 크기만 감시하므로 현장 잡음이나 운전 속도 변화에 취약하고, 정상적인 운전 변화를 고장으로 오인하거나 미세한 고장 징후를 놓칠 수 있습니다.

산업용 AI 진단은 FFT 등 주파수 특성을 복합 분석해 정상 패턴을 학습합니다. A사는 현업 엔지니어가 프로그래밍 없이 AI 모델을 직접 학습하고 운영하는 기반을 구축하고자 했습니다.

도입 배경 : 룰 기반 진단의 오탐지와 개발자 의존

소음·진동 데이터는 기계 고장과 이상 상태를 조기에 파악할 수 있는 중요한 신호입니다. 하지만 현장에서는 데이터 수집과 전처리, 모델 학습, 운영 관리가 분리되어 있는 경우가 많습니다.

AI 모델 개발이 전문 개발자 중심으로만 진행되면 실제 설비와 데이터를 이해하는 현업 엔지니어가 문제를 정의하고 모델을 개선하기 어렵습니다. 고객사는 현업에서 직접 사용할 수 있는 산업 신호 데이터 기반 AI 진단 구조가 필요했습니다.

적용 방식 : 신호 전처리부터 모델 배포까지 통합 운영

써로마인드는 소음·진동 데이터를 현업 엔지니어가 반복적으로 활용할 수 있도록 전처리, 특징 추출, 모델 학습, 배포를 하나의 운영 흐름으로 구성했습니다.

• 소음·진동 데이터 입력 및 통합
• 데이터 정제, 전처리, 특징 추출 자동화
• FFT, Log-Mel Energy 등 신호 특징 추출
• Autoencoder 기반 이상탐지 모델 학습
• 진단 모델 후보 성능 검증
• 모델 배포와 운영 자동화
• 현업 엔지니어가 별도 프로그래밍 없이 데이터를 입력하고 모델을 비교하며 운영 결과를 확인할 수 있는 구조

도입 결과 : 정확도 검증과 학습·추론 시간 400~1600배 단축

운영 효과 : 현업 엔지니어 중심의 지속 가능한 MLOps

산업용 AI의 병목은 모델 알고리즘 하나가 아닙니다. 현장에서는 데이터가 계속 들어오고 설비 상태도 계속 달라지기 때문에 모델은 운영 중에도 평가되고 개선되어야 합니다.

이 프로젝트는 소음·진동 데이터를 단순 분석 대상이 아니라 반복적으로 학습하고 성능을 비교해 배포할 수 있는 운영 자산으로 다뤘습니다. 데이터 전처리와 특징 추출을 자동화하고, 여러 모델의 성능을 비교해 현장 조건에 맞는 모델을 선택할 수 있게 했습니다.

그 결과 소음·진동 데이터를 고장진단, 이상탐지, 예지보전 업무에 활용할 수 있는 AI 운영 기반을 마련했습니다.