Research Task · RT-W7 · 2025.04 · WMS AI
🔧 WMS AI - 예측 정비(Predictive Maintenance) 구현
IoT 센서 · Isolation Forest + LSTM Autoencoder 앙상블 · 정밀도 91.3% · 다운타임 −66.2% · 박소연 선임연구원 · 연구노트 31p 대응
🎯 연구 배경
창고 설비의 예상치 못한 다운타임은 작업 지연·추가 인건비·배송 지연으로 이어져 시간당 수백만 원의 기회비용을 발생시킵니다. 전통적인 스케줄 기반 정기 정비(TBM, Time-Based Maintenance)는 고장이 나기 전 부품을 과잉 교체하거나, 반대로 예기치 못한 돌발 고장을 놓치는 두 가지 비효율을 동시에 갖습니다. RT-W7은 IoT 센서 데이터를 AI로 실시간 분석하여 컨베이어·포크리프트·AGV 등 창고 설비의 고장을 사전에 예측합니다. 예상치 못한 다운타임을 80% 감소시키는 것이 목표이며, 4월 실증에서 정밀도 91.3% · 재현율 88.7% · 계획 외 다운타임 66.2% 감소를 달성했습니다.
📡 센서 데이터 수집 구조
설비별로 4종의 IoT 센서를 부착하여 초당 10Hz 주기로 데이터를 수집합니다. MQTT 브로커에 와일드카드 토픽 구독 방식으로 모든 설비·센서 스트림을 단일 파이프라인에서 처리합니다.
📳 진동 센서
3축 가속도
X·Y·Z 3축 가속도계. 베어링·기어의 이상 진동 패턴을 주파수 영역에서 탐지. 초기 마모 단계에서 특정 고주파 대역의 RMS가 상승.
🌡 온도 센서
°C
모터 하우징·배터리 셀 온도. 모터 과열·배터리 열 폭주를 조기 감지. 환경 온도 대비 ΔT 이상 상승 시 경고.
⚡ 전류 센서
A · Δ%
모터 입력 전류. 정상 대비 15% 이상 편차 발생 시 부하 이상 판정. 기계 마찰 증가·고정 마모의 전기적 대리 지표.
🔄 사이클 카운터
cycles · h
누적 작동 시간·사이클 수. 부품 RUL(Remaining Useful Life) 계산에 사용. Weibull 수명 곡선과 결합하여 교체 시점 추정.
# MQTT 브로커 구독 — 모든 설비·센서 와일드카드
client.subscribe("warehouse/+/sensor/+") # 와일드카드 구독
# 메시지 형식: {device_id, sensor_type, value, timestamp}
def on_message(client, userdata, msg):
payload = json.loads(msg.payload)
buffer[payload["device_id"]].append(payload)
if len(buffer[payload["device_id"]]) >= 60:
run_anomaly_check(payload["device_id"]) # 60샘플 윈도우
🧠 앙상블 이상 탐지 설계
단일 모델로는 false positive가 많아 현장 신뢰도가 낮습니다. RT-W7은 통계적 이상치 탐지(Isolation Forest)와 시계열 패턴 이상 탐지(LSTM Autoencoder) 두 모델을 병렬 운영하고, 두 모델이 모두 이상으로 판정한 경우에만 알람을 발생시키는 confirm 룰을 도입했습니다.
# Isolation Forest (통계적 이상치)
iso = IsolationForest(contamination=0.03, n_estimators=200)
iso.fit(X_train) # 정상 기간 학습
# LSTM Autoencoder (시계열 패턴 이상)
encoder = build_lstm_encoder(seq_len=60, latent_dim=32)
decoder = build_lstm_decoder(latent_dim=32, seq_len=60)
ae = Autoencoder(encoder, decoder)
ae.fit(X_train, X_train, epochs=50)
# 앙상블: 두 모델 모두 이상 판정 시 알람
def ensemble_alert(x):
iso_anom = iso.predict(x) == -1
recon_err = ((ae.predict(x) - x) ** 2).mean()
lstm_anom = recon_err > threshold
return iso_anom and lstm_anom # AND 룰 = confirm
🌲 Isolation Forest
contamination=0.03
무작위 특징·분할로 고립되기 쉬운 희귀 포인트를 이상치로 판정. 학습 빠름·해석 용이. 200 트리 앙상블.
✓ 고속 추론 · 라벨 불필요
✗ 시계열 패턴 둔감
🧬 LSTM Autoencoder
seq_len=60 · latent=32
60-sample 윈도우를 latent 32차원으로 압축 후 복원. 정상 패턴은 복원 오차 낮고, 이상 패턴은 높음. MSE 기반 임계치.
✓ 시계열 패턴 포착
✗ 학습 비용·false alarm
📉 4월 결과
✓ Isolation Forest + LSTM AE 앙상블 운영 (2025.04 기준)
이상 탐지 정밀도
91.3%
Phase2(3월) 85.4% → +5.9p · 목표 90% 달성
이상 탐지 재현율
88.7%
3월 81.3% → +7.4p · 놓침 < 12%
계획 외 다운타임
−66.2%
월 14.2h → 4.8h · 목표 80% 감소 진행 중