Digital Twin 기반 예지정비 시스템 구축: 센서 융합과 실시간 RUL 예측 파이프라인 설계

Digital Twin과 예지정비의 만남

제조 현장에서 설비가 예고 없이 멈추는 순간, 생산 라인 전체가 정지된다. 비계획 다운타임(Unplanned Downtime)의 비용은 산업에 따라 시간당 수천만 원에서 수억 원에 달한다. 이 문제를 해결하기 위해 등장한 것이 Digital Twin 기반 예지정비(Predictive Maintenance) 시스템이다.

Digital Twin은 물리적 자산의 가상 복제본으로, 실시간 센서 데이터를 기반으로 설비의 현재 상태를 시뮬레이션하고 미래 고장 시점을 예측한다. 이 글에서는 센서 융합부터 실시간 RUL(Remaining Useful Life) 예측 파이프라인까지, 실무에서 적용 가능한 시스템 설계 전체 흐름을 다룬다.

시스템 아키텍처 개요

Digital Twin 기반 예지정비 시스템은 크게 네 개의 레이어로 구성된다.

Digital Twin의 핵심 가치는 물리 기반 모델(Physics-based)과 데이터 기반 모델(Data-driven)을 결합하여 단일 모델로는 불가능한 수준의 예측 정확도를 달성하는 데 있다.

센서 융합: 다중 신호를 하나로 통합하기

산업 설비에는 진동, 온도, 전류, 음향 방출(AE) 등 다양한 센서가 부착된다. 각 센서는 고장의 서로 다른 측면을 포착하므로, 센서 융합(Sensor Fusion)을 통해 종합적인 건강 상태 지표(Health Indicator)를 만들어야 한다.

센서 융합의 세 가지 수준

1. 데이터 수준 융합: 원시 신호를 직접 결합 (가장 정보량이 많지만 노이즈에 취약)
2. 특징 수준 융합: 각 센서에서 추출한 특징(RMS, 첨도, FFT 피크 등)을 결합 (가장 실무에서 많이 사용)
3. 결정 수준 융합: 각 센서별 독립 판단을 종합 (앙상블 방식)

특징 추출 예시 코드

import numpy as np
from scipy import signal
from scipy.stats import kurtosis

def extract_features(vibration_signal, sampling_rate=25600):
    """진동 신호에서 시간·주파수 도메인 특징 추출"""
    # 시간 도메인 특징
    rms = np.sqrt(np.mean(vibration_signal ** 2))
    peak = np.max(np.abs(vibration_signal))
    crest_factor = peak / rms
    kurt = kurtosis(vibration_signal)

    # 주파수 도메인 특징
    freqs, psd = signal.welch(vibration_signal, fs=sampling_rate, nperseg=1024)
    dominant_freq = freqs[np.argmax(psd)]
    band_energy = np.sum(psd[(freqs >= 1000) & (freqs <= 5000)])

    return {
        'rms': rms,
        'peak': peak,
        'crest_factor': crest_factor,
        'kurtosis': kurt,
        'dominant_freq': dominant_freq,
        'band_energy_1k_5k': band_energy
    }

실무 팁: 베어링 고장 진단에서는 첨도(Kurtosis)가 초기 결함 감지에 특히 효과적이다. 정상 상태에서 약 3.0인 값이 결함 발생 시 급격히 증가한다.

Digital Twin 엔진 설계

Digital Twin 엔진은 물리 모델과 데이터 모델을 결합한 하이브리드 모델로 구성하는 것이 가장 효과적이다.

물리 모델과 데이터 모델 비교

하이브리드 접근의 핵심 아이디어는 간단하다:

1. 물리 모델로 기본 열화 경향을 예측한다
2. 물리 모델의 예측값과 실제 관측값의 잔차(Residual)를 계산한다
3. 데이터 기반 모델(ML/DL)이 이 잔차 패턴을 학습하여 보정값을 제공한다

실시간 RUL 예측 파이프라인

실시간 RUL 예측 파이프라인은 스트리밍 데이터를 처리하면서 지속적으로 잔여 수명을 갱신해야 한다.

파이프라인 구성 요소

Sensor → MQTT Broker → Stream Processor → Feature Store
                                              ↓
                              Digital Twin Engine (상태 갱신)
                                              ↓
                                    RUL Predictor (추론)
                                              ↓
                              Alert Manager → Dashboard / MES

RUL 예측 모델 구현

import torch
import torch.nn as nn

class RULPredictor(nn.Module):
    """LSTM 기반 RUL 예측 모델"""
    def __init__(self, input_dim, hidden_dim=128, num_layers=2, dropout=0.3):
        super().__init__()
        self.lstm = nn.LSTM(
            input_size=input_dim,
            hidden_size=hidden_dim,
            num_layers=num_layers,
            batch_first=True,
            dropout=dropout
        )
        self.attention = nn.MultiheadAttention(hidden_dim, num_heads=4, batch_first=True)
        self.regressor = nn.Sequential(
            nn.Linear(hidden_dim, 64),
            nn.ReLU(),
            nn.Dropout(dropout),
            nn.Linear(64, 1)
        )

    def forward(self, x):
        # x shape: (batch, seq_len, features)
        lstm_out, _ = self.lstm(x)
        attn_out, _ = self.attention(lstm_out, lstm_out, lstm_out)
        last_hidden = attn_out[:, -1, :]
        rul = self.regressor(last_hidden)
        return rul.squeeze(-1)

예측 결과 기반 의사결정 기준

실무 적용 시 고려사항

데이터 품질 관리

• 센서 드리프트: 정기적인 센서 캘리브레이션과 드리프트 감지 알고리즘 적용
• 결측치 처리: 센서 고장 시 Digital Twin의 물리 모델로 가상 센서값 생성
• 라벨 부족: 고장 데이터가 부족한 경우 준지도 학습 또는 전이 학습 활용

모델 운영(MLOps)

• 모델 갱신 주기: 새로운 고장 이벤트 발생 시 온라인 학습 또는 주기적 재학습
• A/B 테스팅: 신규 모델 배포 전 섀도우 모드로 기존 모델과 병렬 비교
• 설명 가능성: SHAP 값을 활용해 RUL 예측에 기여한 주요 특징 시각화

Digital Twin은 한 번 구축하면 끝이 아니다. 설비가 노화하고 운전 조건이 변하면 모델도 함께 진화해야 한다. 지속적인 모니터링과 갱신 체계가 시스템의 성패를 좌우한다.

마무리

Digital Twin 기반 예지정비 시스템의 핵심을 정리하면 다음과 같다:

• 센서 융합은 특징 수준에서 수행하는 것이 실무에서 가장 균형 잡힌 접근이다
• 하이브리드 모델(물리 + 데이터)이 단일 모델보다 높은 예측 정확도를 제공한다
• 실시간 파이프라인은 스트리밍 아키텍처(MQTT + Stream Processor)로 설계해야 지연 없는 예측이 가능하다
• RUL 예측 결과는 단계별 의사결정 기준과 연동하여 실제 정비 행동으로 이어져야 한다
• 시스템 구축 후 지속적인 모델 갱신과 모니터링이 장기적인 성능 유지의 핵심이다

예지정비는 단순한 기술 도입이 아니라, 데이터 수집부터 의사결정까지 이어지는 end-to-end 시스템 설계가 필요한 영역이다. Digital Twin은 이 전체 과정을 하나의 프레임워크로 통합하는 강력한 도구다.