예측분석/ML
개요
이 메뉴는 무엇인가요?
센서 데이터를 기반으로 ML 모델을 구축하여 설비 고장을 사전에 예측하고, 이상 탐지 알고리즘으로 비정상 패턴을 자동 감지하는 영역입니다. 잔여수명(RUL) 예측, 이상점수 산출, 품질 예측, 에너지 예측 등을 지원합니다.
누가 사용하나요?
- 데이터 분석가: 예측 모델 구축, 학습, 성능 평가
- IoT 엔지니어: 이상 탐지 설정, 모델 배포
언제 사용하나요?
- 설비 고장을 사전에 예측하여 예방 보전을 수행하고 싶을 때
- 센서 데이터에서 비정상 패턴을 자동으로 감지하고 싶을 때
- ML 모델의 학습 이력과 정확도를 관리할 때
화면 구성
| 순서 | 화면명 | 설명 |
|---|---|---|
| 1 | 예측모델 목록 | ML 예측 모델 등록 및 관리 (RUL, 이상탐지 등) |
| 2 | 예측결과 이력 | 모델 예측 결과 조회 (RUL, 이상점수, 정비필요도) |
| 3 | 이상탐지 설정 | 설비별 이상 탐지 알고리즘(통계/ML) 설정 |
| 4 | 모델학습 이력 | ML 모델 학습·평가 이력 조회 |
업무 흐름에서의 위치
관련 워크플로우
| 워크플로우 | 유형 | 설명 |
|---|---|---|
| ML모델추론 | 자동 | 배포된 모델로 실시간 추론 수행 |
| RUL잔여수명계산 | 자동 | 설비별 잔여 수명 예측값 산출 |
| 긴급정비요청 | 자동 | RUL이 임계값 이하일 때 자동 정비 요청 |
| EAM작업지시생성 | 자동 | 예측 기반 EAM 보전 작업지시 자동 생성 |
| 정비계획승인 | 승인 | 예방정비 계획 승인 프로세스 |
자주 묻는 질문 (FAQ)
RUL(잔여수명)이란 무엇인가요?
**RUL(Remaining Useful Life)**은 설비가 고장 없이 운전할 수 있는 잔여 시간을 예측한 값입니다. 예: RUL = 720시간이면 약 30일 후 고장이 예상됩니다. 이 정보를 활용하여 EAM 솔루션과 연계하여 보전 계획을 사전에 수립합니다.
이상탐지 방법별 차이는?
| 방법 | 설명 | 적합한 경우 |
|---|---|---|
| STATISTICAL | 통계적 임계값 기반 | 단순 이상, 빠른 설정 |
| ML_AUTOENCODER | 오토인코더 기반 재구성 오차 | 복잡한 다변량 이상 |
| ML_ISOLATION_FOREST | 격리 포레스트 | 희소 이상 데이터 |
| RULE_BASED | 전문가 규칙 기반 | 도메인 지식 활용 |
| ENSEMBLE | 복수 방법 앙상블 | 최고 정확도 필요 시 |
참고: 데이 터 관계도
업무 자동화
안내
화면에서 데이터를 저장하면 시스템이 관련된 다른 화면의 데이터를 자동으로 갱신합니다.
➡️ 자동 처리
- AI 이상 감지 → 알람 자동 생성: AI가 이상을 감지하면 알람이 자동으로 발생합니다.
- 예측 결과 생성 → 자산 성능 대시보드 즉시 반영: 예측 결과가 생성되면 자산성능지표(잔여수명, 정비점수 등)가 자동으로 갱신됩니다.
- 이상탐지 모델 성능 저하 → 재학습 자동 요청: 이상탐지 모델의 성능 저하가 감지되면 예측모델에 재학습 요 청이 자동으로 전파됩니다.
- 모델 배포 완료 → 예측모델 프로덕션 자동 전환: 학습된 모델이 배포되면 예측모델이 자동으로 프로덕션 상태로 전환됩니다.