이 기능은 무엇인가요?
예지보전/이상탐지는 머신러닝 모델을 활용하여 설비 고장을 사전에 예측하고 이상 패턴을 자동 탐지하는 기능입니다. 설비 센서 데이터를 분석하여 고장 확률, 잔존 수명(RUL)을 예측합니다.
비즈니스 가치:
- 사전 고장 예측으로 비계획 정지 감소
- 이상 탐지 자동화로 품질 사고 예방
- 잔존수명(RUL) 예측으로 보전 일정 최적화
업무 프로세스 개요
포함된 화면
시작하기
위 화면 목록에서 필요한 기능을 선택하여 시작하세요.
📋 기술 참고 정보 (개발자/관리자용)
데이터 관계도
관련 워크플로우
- 예지보전 예측 시작 (startEvent): -
- RUL 임계값 평가 (autoTask): 잔여수명(RUL) 예측 결과를 임계값과 비교하여 긴급도를 판정합니다
- PM 작업지시 자동 생성 (autoTask): RUL 긴급/경고 시 EAM 보전작업지시를 자동 생성합니다 (크로스솔루션: EAM bm_work_orders)
- 이상징후 탐지 (startEvent): -
- 이상 심각도 평가 (autoTask): 이상 점수(anomaly_score)와 편차를 기반으로 심각도를 자동 판정합니다
- 엔지니어 수동 분석 (humanTask): Major 이상 시 공정엔지니어가 이상 원인을 분석하고 조치 사항을 기록합니다
- 이상 조치 기록 (autoTask): 이상 탐지 대응 결과를 기록하고 감사추적에 남깁니다
테이블 요약
예지보전모델 (predictive_models)
| 컬럼명 | 한글명 | 타입 | 설명 |
|---|
model_code | 모델코드 | VARCHAR *필수 *고유 | - |
model_name | 모델명 | VARCHAR *필수 | - |
description | 설명 | TEXT | - |
equipment_id | 설비ID | UUID (FK) | - |
model_type | 모델유형 | ENUM(regression, classification, timeseries, anomaly_detection) *필수 | - |
algorithm | 알고리즘 | VARCHAR | XGBoost, LSTM, Isolation Forest 등 |
training_data_start | 학습데이터시작일 | DATE | - |
training_data_end | 학습데이터종료일 | DATE | - |
training_sample_count | 학습샘플수 | INT | - |
accuracy_score | 정확도 | DECIMAL | - |
precision_score | 정밀도 | DECIMAL | - |
recall_score | 재현율 | DECIMAL | - |
model_version | 모델버전 | VARCHAR | - |
model_file_path | 모델파일경로 | VARCHAR | - |
status | 상태 | ENUM(draft, training, validated, deployed, retired) | - |
deployed_at | 배포일시 | TIMESTAMP | - |
last_prediction_at | 최종예측일시 | TIMESTAMP | - |
예측결과 (prediction_results)
| 컬럼명 | 한글명 | 타입 | 설명 |
|---|
prediction_code | 예측코드 | VARCHAR *필수 *고유 | - |
model_id | 예지보전모델ID | UUID (FK) | - |
equipment_id | 설비ID | UUID (FK) | - |
prediction_date | 예측일시 | TIMESTAMP *필수 | - |
failure_probability | 고장확률 | DECIMAL *필수 | - |
predicted_failure_date | 예상고장일 | DATE | - |
confidence_level | 신뢰수준 | DECIMAL | - |
recommended_action | 권고조치 | ENUM(no_action, monitor, schedule_pm, immediate_repair) | - |
remaining_useful_life_hours | 잔여수명(시간) | DECIMAL | - |
risk_level | 위험등급 | ENUM(low, medium, high, critical) | - |
actual_failure_date | 실제고장일 | DATE | 고장 발생 전까지 NULL |
prediction_accuracy | 예측정확도 | DECIMAL | - |
status | 상태 | ENUM(active, expired, confirmed, false_alarm) | - |
이상징후탐지결과 (anomaly_detection_results)
| 컬럼명 | 한글명 | 타입 | 설명 |
|---|
detection_code | 탐지코드 | VARCHAR *필수 *고유 | - |
equipment_id | 설비ID | UUID (FK) | - |
process_parameter_id | 공정파라미터ID | UUID (FK) | - |
detection_time | 탐지일시 | TIMESTAMP *필수 | - |
anomaly_score | 이상점수 | DECIMAL *필수 | - |
severity | 심각도 | ENUM(info, warning, critical, emergency) *필수 | - |
anomaly_type | 이상유형 | ENUM(point, contextual, collective, trend) | - |
contributing_factors | 기여요인 | TEXT | JSON: 이상 기여 요인 목록 |
baseline_value | 기준값 | DECIMAL | - |
actual_value | 실제값 | DECIMAL | - |
deviation_pct | 편차율(%) | DECIMAL | - |
auto_action_taken | 자동조치 | VARCHAR | - |
resolved_at | 해결일시 | TIMESTAMP | - |
resolution_notes | 해결내용 | TEXT | - |
status | 상태 | ENUM(detected, investigating, confirmed, false_positive, resolved) | - |