제조AI 용어 사전 EP.5 — RUL, "고장까지 남은 수명"을 숫자로 말하는 법

"알 유 엘은 고장까지 남은 수명을 예측하는 수치예요." 오늘 아침 쇼츠 '제조AI 용어 사전 EP.5'의 한 문장 요약이다. 30초에서는 맛만 봤으니, 블로그에서는 7년차 현장 엔지니어 관점으로 제대로 풀어 보자. RUL이 뭔지, 어떻게 계산되는지, 현장에서 왜 숫자를 그대로 믿으면 안 되는지까지.

1. RUL은 예지정비가 내놓는 "답"

RUL(Remaining Useful Life, 잔여 유효 수명)은 말 그대로 설비가 지금부터 고장나기까지 남은 시간을 수치로 표현한 것이다. 단위는 시간·일·사이클, 어떤 설비는 "남은 가동 시간"으로 쓴다.

앞선 EP.1에서 예지정비(고장나기 전에 기계가 먼저 알려주는 것)를 다뤘다(→ https://developer-archive.tistory.com/126). 관계는 간단하다. 예지정비가 '전략'이라면 RUL은 그 전략이 내놓는 '답'이다. 센서 데이터를 모아 상태를 진단하고, 열화가 얼마나 진행됐는지를 시간으로 환산한 것. "진동이 이상하다"는 진단이 아니라, "이 베어링은 앞으로 약 40일 버틴다"는 일정이 나온다는 게 RUL의 존재 이유다. 고장 대응이 아니라 정비 계획을 세울 수 있게 된다.

2. RUL은 어떻게 계산되나

핵심은 열화 곡선(degradation curve)이다. 새 설비의 진동·온도·전류는 낮은 수준에서 안정적이다가, 수명이 다해갈수록 급격히 올라간다. 이 곡선을 알면 "지금 어디쯤 와 있는가"를 시간으로 환산할 수 있다.

방법은 크게 세 가지다.

물리 모델 기반: 고장 메커니즘을 수식으로 기술한다(예: 베어링 피로 수명식). 해석이 명확하지만, 실제 환경 변수를 반영하기 어렵다.

데이터 기반: 정상·고장 이력 데이터로 머신러닝 회귀를 학습한다. 유연하지만, 고장 데이터가 없으면 만들 수 없다.

하이브리드: 물리식과 데이터 보정을 병행한다. 현장에서 가장 현실적이지만, 설계가 복잡하다.

NASA의 C-MAPSS 데이터셋이 대표적이다. 항공기 엔진의 센서 데이터와 고장 시점을 공개해, RUL 예측 모델의 벤치마크가 됐다. 제조 현장에서도 이 방식을 응용해 베어링·모터·펌프의 잔여 수명을 추정한다.

3. 현장에서 숫자를 그대로 믿으면 안 되는 이유

RUL의 절대값보다 '변화율'이 중요하다. "잔여 수명 30일"이라는 숫자 자체보다, 지난주 45일에서 이번주 30일로 줄었는지, 아니면 32일에서 30일로 완만하게 줄었는지가 핵심이다. 급격히 떨어지면 열화가 가속화되고 있다는 신호다.

임계값의 함정도 있다. "RUL 7일 이하이면 정비" 같은 규칙은 간단하지만, 설비마다 열화 속도가 다르다. 어떤 베어링은 7일 전부터 진동이 급등하고, 어떤 건 3일 전에도 멀쩡하다. 임계값은 설비별 이력으로 튜닝해야 한다.

데이터가 부족하면 모델이 낙관적으로 나온다. 고장 사례가 적은 설비는 "아직 멀쩡하다"고만 학습해서, 실제보다 RUL을 길게 예측한다. 이럴 땐 유사 설비의 데이터를 빌려오거나, 물리 모델을 섞는 하이브리드가 안전하다.

4. 그래서 뭘 하면 되나

핵심 지표 3개만 정해라. 진동·온도·전류처럼 고장과 상관관계가 높은 지표부터 시작한다. 지표가 많으면 노이즈만 늘어난다.

건강할 때 데이터를 쌓아라. 고장나고 나서 "데이터가 없네" 하면 늦다. 정상 상태의 베이스라인이 있어야 열화를 감지할 수 있다.

RUL 대시보드는 추세로 봐라. "30일"이라는 숫자에 일희일비하지 말고, 곡선이 어떻게 꺾이는지를 본다. 꺾이는 지점이 정비 타이밍이다.

RUL은 "언제 고장나는가"를 맞히는 점쟁이가 아니다. 정비 계획을 세울 수 있게 해주는 나침반이다. 숫자를 믿되, 변화율을 보고, 현장의 눈으로 검증하자.