팀명

EHEI

소속

한국전자통신연구원

팀장

유유빈

팀원

고석갑, 손승철, 이현용, 이형옥, 이상준, 박상준, 황유민, 신용관, 이준기, 김에덴, 김스잔

인터뷰

팀소개

참가계기

“팀명 EHEI는 ETRI Honam Research Division Energy Intelligence Section(호남권연구본부 에너지지능화연구실)의 약자입니다. 저희 연구실은 전력, 열, 수소 등 에너지 시스템의 효율적인 관제와 운영을 위해 시계열 예측, 운영 최적화, 디지털트윈 기반 상태추정, 이상·고장진단 및 수명 예측 등 인공지능 기반 기술을 연구하고 있습니다. 평소 수행해 온 예측, 진단, 최적화 연구 경험을 실제 기계 데이터 문제에 적용하고, PHM 분야의 도메인 지식과 데이터 기반 문제 해결 경험을 넓히고자 참가하게 되었습니다."

개발 기술의 특장점

"저희 팀이 개발한 기술의 가장 큰 특징은 단일 인공지능 모델의 예측 성능에만 의존하기보다는, 베어링 열화 현상에 대한 도메인 지식과 물리적 특성, 데이터 기반 인공지능 모델을 함께 활용했다는 점입니다. 실제 산업 현장 데이터는 충분한 고장 사례 확보가 어렵고, 운전 조건이나 설비 환경에 따라 데이터 분포가 달라지는 경우가 많다고 판단하였습니다. 이에 베어링 열화 관련 물리 정보와 신호 특성, 인공지능 기반 예측 기법을 결합하여 보다 실생활 문제 해결에 가까운 구조를 고민하였으며, 열화 진행 양상과 잔여 수명 예측에 유의미한 정보를 모델이 효과적으로 활용하고 제한된 데이터 환경에서도 안정적인 예측이 가능하도록 중점을 두었습니다."

산업 현장 적용 가능성

"저희 기술이 당장 산업 현장에 바로 적용될 만큼 완성되었다고 보기는 어렵지만, 잔여 수명 예측 기술이 실제 현장에서 매우 중요한 역할을 할 수 있다는 점을 다시 느꼈습니다. 베어링은 발전설비, 제조설비, 철도, 에너지 인프라 등 다양한 기계 시스템의 핵심 부품이어서, 고장을 사전에 예측하고 적절한 정비 시점을 판단하는 기술은 설비의 안정적 운영과 밀접하게 연결됩니다. 다만 실제 현장에서는 센서 노이즈, 데이터 누락, 예기치 못한 운전 패턴 변화 등 여러 문제가 발생할 수 있어, 이번 경험을 바탕으로 기술의 신뢰성과 적용성을 더 높여 나간다면 설비 고장 예방과 유지보수 비용 절감, 산업 현장의 안전성과 운영 효율 향상에 기여할 수 있을 것으로 기대합니다."

수상소감

"예선에서 예상보다 좋은 결과를 얻게 되어 매우 감사하게 생각합니다. 특별한 비결이 있었다기보다 이번 문제를 단순한 인공지능 모델 성능 경쟁이 아니라 실제 현장에서 잔여 수명 예측 기술을 적용할 때 발생할 수 있는 어려움을 함께 고민하려 했던 점이 도움이 되었다고 생각합니다. 데이터 부족과 일반화 문제, 도메인 지식의 중요성을 염두에 두고 물리 정보와 신호 특성, 인공지능 기반 예측 방법을 함께 고려하려고 노력했습니다. 평소 시계열 예측과 설비 진단 문제를 고민해 온 경험도 이번 결과에 조금이나마 도움이 되었다고 생각하며, 앞으로 실제 현장에서 활용할 수 있는 예지보전 기술을 더 깊이 연구해 나가고 싶습니다."

사진자료

발표하는 모습

단체사진

팀명

BRIDGE

소속

동국대학교

팀장

조한결

팀원

DAI MIAO, 반상우

인터뷰

팀소개

참가계기

"저희는 베어링 상태진단 및 잔여 수명 예측 연구를 수행하고 있는 대학원 연구실 팀 BRIDGE(Bearing Remaining-life Inference & Degradation Growth Estimator)입니다. 팀명에는 베어링의 상태를 진단하고 열화 과정을 분석하여 잔존수명을 예측한다는 연구실의 목표를 담았습니다. 이번 챌린지에 참가한 가장 큰 이유는 연구실에서 개발한 알고리즘과 분석 방법들이 실제 산업 현장에서도 활용할 수 있는 경쟁력을 갖추고 있는지 확인해 보고 싶었기 때문입니다. 연구실 환경에서 얻은 성과가 실제 설비 데이터에서도 유효한지 검증하고, 연구의 강점과 한계를 객관적으로 파악하고자 했습니다."

개발 기술의 특장점

"저희 팀 기술의 가장 큰 특징은 베어링의 현재 상태를 분석하는 데 그치지 않고, 열화가 진행되는 과정과 변화 속도를 함께 반영하여 잔여 수명을 예측한다는 점입니다. 이를 위해 RMS, Kurtosis 등 열화를 나타내는 특징뿐만 아니라 다양한 시간 구간의 변화량 정보를 활용하여 베어링의 열화 패턴을 추적하였습니다. 또한 데이터 기반 딥러닝 모델만 사용하는 것이 아니라, 열화 추세 분석 결과를 함께 반영하는 하이브리드 예측 구조를 적용하여 단일 모델의 한계를 보완하고자 하였습니다. 특히 현재 상태보다 '앞으로 얼마나 빠르게 열화될 것인가'에 초점을 두고 예측 모델을 설계하였습니다."

산업 현장 적용 가능성

"베어링은 모터, 펌프, 압축기 등 다양한 산업 설비의 핵심 부품으로 사용되며, 설비의 안정적인 운영을 위해 지속적인 상태 관리가 필요합니다. 저희 팀이 개발한 잔여 수명 예측 기술은 베어링의 열화 진행 상태를 분석하여 남은 사용 가능 시간을 추정함으로써 유지보수 및 부품 교체 시점에 대한 의사결정을 지원할 수 있습니다. 또한 실제 설비 상태를 기반으로 정비 계획을 수립할 수 있어 불필요한 예방 정비를 줄이고 설비 운영 효율을 높이는 데 활용될 수 있습니다. 향후 다양한 운전 조건과 설비 환경에 대한 검증이 추가된다면 스마트팩토리 및 예지보전 시스템의 핵심 기술로 활용될 수 있을 것으로 기대하고 있습니다."

수상소감

"많은 참가팀 가운데 수상하게 되어 매우 기쁘고 영광스럽게 생각합니다. 저희 팀이 좋은 결과를 얻을 수 있었던 가장 큰 이유는 연구실에서 오랫동안 축적해 온 베어링 상태진단 및 잔여 수명 예측 연구 경험이라고 생각합니다. 또한 챌린지를 준비하는 과정에서 기대했던 결과가 나오지 않거나 성능이 오히려 감소하는 경우도 많았지만, 이러한 실패들을 단순한 시행착오로 넘기지 않고 원인을 분석하며 개선 방향을 찾기 위해 노력했습니다. '어떻게 하면 이 문제를 더 잘 해결할 수 있을까?'라는 질문을 끊임없이 던지며 다양한 방법을 비교·검증했던 과정이 이번 성과로 이어진 것 같습니다."

사진자료

발표하는 모습

단체사진

팀명

한양최신베어링

소속

한국항공대학교

팀장

신정민

팀원

한승윤,양지환,최지우

인터뷰

팀소개

참가계기

“저희 팀은 베어링의 잔존수명 예측에 관심을 가지고 관련 연구를 준비하던 중 이번 데이터 챌린지를 접하게 되었고, 실제 베어링 데이터를 기반으로 분석하고 모델을 구축하며, 관련 지식을 더욱 깊이 학습할 수 있는 좋은 기회라고 생각하여 참가하게 되었습니다. 팀명인 한양최신베어링은 팀원들의 성씨를 조합해 만든 이름입니다.”

개발 기술의 특장점

“가장 큰 특징은 데이터 기반 모델을 단순히 적용하는 것이 아니라, 베어링 열화 과정의 물리적 의미를 반영하여 RUL을 예측했다는 점입니다. 회귀 모델과 유사도 매칭이라는 비교적 기본적인 방법을 사용하였지만, 시스템의 건전성을 잘 대변할 수 있는 특징을 선정하고, 각 특징이 열화 과정에서 어떤 의미를 가지는지 해석하는 것에 중점을 두었고 이에 기반한 시스템의 Phase, Type을 설정했습니다. 최종적으로, 저희 방법은 비교적 단순한 모델을 사용하면서도, 예측 결과를 해석할 수 있고 열화 과정에 대한 설명력이 있다는 점이 가장 큰 장점입니다.”

산업 현장 적용 가능성

“산업 현장에 적용되는 잔여 수명 예측 기술에서 정확도도 중요하지만, 그 결과를 현장에서 신뢰하고 의사결정에 활용할 수 있는지가 가장 중요하다고 생각합니다.

저희가 제안한 기술은 단순히 예측값만 제시하는 것이 아니라, 베어링 진동 신호에서 추출한 특징들이 시스템의 건전성과 어떤 관련이 있는지 해석하는 과정을 포함하고 있습니다. 따라서 예측 결과가 왜 그렇게 도출되었는지 설명할 수 있고, 이는 실제 산업 현장에서 기술을 적용할 때 중요한 신뢰성 확보에 도움이 될 수 있다고 생각합니다.”

수상소감

“먼저 많은 훌륭한 팀들 가운데 수상하게 되어 매우 기쁘고 감사하게 생각합니다. 대회를 준비하는 과정에서 어려운 점도 많았지만, 팀원들과 함께 데이터를 분석하고 여러 방법을 고민했던 시간이 좋은 결과로 이어진 것 같아 뜻깊습니다.

수상할 수 있었던 비결은 데이터의 특성과 신호의 의미를 깊게 이해하려고 노력한 점이라고 생각합니다. 베어링 열화 데이터의 특징을 분석하면서 어떤 변화가 실제 시스템의 상태를 반영하는지 고민했고, 이를 바탕으로 모델을 구성하려고 했습니다. 아마도 이러한 점이 수상할 수 있었던 가장 큰 비결이 아니었을까 생각합니다.”

사진자료

발표하는 모습

단체사진

팀명

소원을말해봐

소속

서울시립대학교

팀장

이준하

팀원

조성찬, 박찬희

인터뷰

팀소개

참가계기

"저희 팀은 11월부터 베어링 잔여 수명 예측을 주제로 논문 스터디를 하면서, 해당 논문에서 사용된 방법을 직접 구현해 보는 과정을 통해 도메인 지식을 넓혀가던 중, 지도교수님께서 'KSPHM-KIMM 기계 데이터 챌린지라는 대회에서 논문으로 배운 내용을 실제 데이터에 적용해 보면 도움이 될 것'이라고 권해주셔서 참가하게 되었습니다. 팀명 '소원을 말해봐'라는 팀원들끼리 추억의 플레이리스트를 들으며 팀명을 고민하던 중 마침 흘러나온 이 노래가 듣기 좋아 그대로 정하게 된 이름입니다."

개발 기술의 특장점

"저희가 개발한 기술의 강점은 크게 세 가지입니다. 첫 번째로는 데이터 전처리입니다. 이번 측정 데이터는 노이즈가 많은 환경에서 수집되었기 때문에, 저희는 노이즈 제거에 특히 중점을 두었습니다. 둘째로, STFT와 통계적 특성을 함께 활용했습니다. STFT만 사용하거나 통계적 특성만 사용하는 모델에는 한계가 있다고 판단하여, 두 정보를 크로스 어텐션으로 결합해 서로 보완되도록 설계했습니다. 셋째로, 출력층에 일반적인 시그모이드 대신 파워시그모이드를 적용했습니다. 이를 통해 기울기 소실 문제를 완화하여, 역전파 과정에서 학습이 더 원활하게 이루어지도록 유도했습니다."

산업 현장 적용 가능성

"저희가 개발한 기술은 베어링의 고장을 사전에 예측·진단할 수 있게 해줍니다. 베어링은 매우 다양한 기계에 두루 쓰이는 부품인데, 고장이 발생한 뒤에 교체하면 그만큼 기계가 멈춰 있는 시간이 길어지고, 그동안의 가동 중단으로 손실이 발생합니다. 반면 저희 기술을 실제 산업 현장에 적용하면 고장을 미리 예지해 사전에 대응할 수 있으므로, 계획되지 않은 정지로 인한 손실을 줄일 수 있을 것으로 기대됩니다. 나아가 이 모델을 LLM 에이전트와 결합하면, 전문가가 아니더라도 자연어로 묻고 답할 수 있는 형태가 됩니다. 이렇게 되면 현장 인력 누구나 손쉽게 활용할 수 있어, 산업 현장에서 한층 범용적으로 쓰일 수 있을 것으로 기대합니다."

수상소감

"저희 팀의 가장 큰 강점은 팀워크라고 생각합니다. 팀원 모두 1학년 때부터 함께 학부 생활을 해왔고, 현재도 같은 연구실에서 학부 연구생으로 활동하고 있어 다른 팀에 비해 호흡이 잘 맞았습니다. 팀워크와 더불어, 랩미팅마다 지도교수님께서 모델 개선 방향에 대한 가이드라인을 제시해 주신 점도 큰 도움이 되었습니다. 학부생의 지식 한계에 부딪히는 순간마다 교수님의 적절한 방향 제시 덕분에 막힌 곳 없이 개발을 이어갈 수 있었습니다. 마지막으로, 팀원 중 한 명이 작년 대회 참가 경험이 있어 데이터에 빠르게 접근하고 초기 방향을 잡는 데 수월했던 점도 좋은 결과로 이어진 것 같습니다."

사진자료

발표하는 모습

단체사진

팀명

SUNYPOF

소속

한국뉴욕주립대학교 Physics-of-Failure(PoF) 연구실

팀장

김주환

팀원

김윤정, 조정하, 류채린, Ma. Alyza Rovyn De Guzman, Leigh Clyde Raper, 김현빈, 박수빈

인터뷰

팀소개

참가계기

“우리 연구실은 전자 부품의 신뢰성과 ML 기반 PHM을 주로 다루고 있습니다. 최근 PHM 분야가 빠르게 AI/ML 기반으로 옮겨가고 있는데, 아주 적은 데이터만으로 잔여수명을 예측하는 문제가 특히 흥미로웠습니다. 데이터가 적을수록 모델 성능에만 기대기는 어렵고, 베어링이 어떻게 고장나는지에 대한 도메인 지식이 필요하기 때문입니다. 우리 연구실이 가장 잘할 수 있는 주제라고 생각해 참가하게 되었습니다.”

개발 기술의 특장점

“가장 먼저 주목한 것은 베어링 PHM에 이미 쌓여 있는 연구와 도메인 지식이었습니다. 저희는 성격이 다른 feature들을 함께 사용했습니다. 하나의 모델에 의존하지 않고 서로 성격이 다른 세 개의 신경망을 ensemble 했습니다. 몇 시간 규모의 패턴을 보는 CNN, 긴 추세를 매끄럽게 다듬는 state-space model(SSM), 그리고 겉으로는 멀쩡해 보이지만 속으로 열화가 진행되는 베어링을 잡아내는 Bidirectional GRU를 함께 썼습니다. 세 모델이 각자의 약점을 서로 메워 주도록 설계했습니다. 마지막으로 Train 3이나 test 5/6처럼 거동이 다른 베어링이 섞여 있다는 점을 인지하고 gate mechanism을 도입하여 모델의 정확도를 올렸습니다.”

산업 현장 적용 가능성

“실제 산업 현장에서는 설비의 고장 데이터를 충분히 확보하기 어렵습니다. 고장이 드물고 지속적인 모니터링이 쉽지 않기 때문입니다. 따라서, 데이터가 적은 상황에 도메인 지식을 모델에 잘 녹여 잔여 수명을 예측할 방법을 제시함으로써 산업 현장에서 수명 예측 모델을 운용할 수 있을 거라 기대합니다. 베어링 결함 주파수와 고장 물리에 바탕을 둔 특징을 사용하여 적은 데이터로도 수명 예측이 가능해진다면 회전체가 핵심인 설비들에 적용되어 계획에 없던 갑작스러운 가동 중단과 그에 상응하는 비용을 줄이는 데 이바지할 수 있으리라 기대합니다.”

수상소감

“평소 PHM의 기초를 탄탄히 다져 주신 한창운 교수님, 그리고 베어링을 비롯한 PHM 수업으로 핵심을 짚어 주신 최주호 교수님께 이 자리를 빌려 감사드립니다. 또 MEIC를 비롯한 다른 연구실 동료들과 선의의 경쟁을 하며 정말 즐겁게 참여할 수 있었습니다. 대회를 준비하는 내내 교수님들과 동료들에게서 많은 것을 배웠고, 그 배움이 모여 좋은 결과로 이어졌다고 생각합니다. 결국 수상의 비결은 한 사람의 뛰어난 아이디어가 아니라, 함께 배우고 토론하며 서로의 부족한 부분을 채워 준 협업에 있었다고 말씀드리고 싶습니다.”

사진자료

발표하는 모습

단체사진

팀명

아이사

소속

아주대학교

팀장

김한솔

팀원

정인환, 김현증, 이도훈, 이동훈, 이정해, 조민혁

인터뷰

팀소개

참가계기

"평소 회전기계의 고장 예지(PHM)와 진동 신호 기반 진단에 관심이 있던 팀원들이, 강의실에서 배운 신호처리와 데이터 분석 기법을 실제 산업 현장의 데이터에 직접 적용해 보고 싶다는 생각으로 이번 챌린지에 참여하게 되었습니다. 특히 정답을 주지 않은 검증 데이터를 다뤄야 한다는 점이 도전적으로 느껴져, 한 학기 동안 배운 것을 시험해 볼 좋은 기회라 판단하였습니다."

개발 기술의 특장점

"저희 기술의 가장 큰 특장점은 모델을 만들기 전에 고장의 원인부터 데이터로 직접 규명했다는 점입니다. 학습 데이터의 토크·온도·진동을 분석해, 이 베어링이 서서히 마모되어 고장나는 것이 아니라 종단부에서 토크가 급락하는 '토크 시저(seizure)'로 급정지한다는 것을 밝혀냈습니다. 또한 검증 데이터에는 회전속도(RPM) 정보가 없었는데, 진동 신호 속 회전 성분으로부터 RPM을 역으로 복원하여 차수추종을 가능하게 했습니다. 특징 선택에서는 처음 보는 베어링에도 일관되게 통하는 '전이성' 높은 지표를 선별했고, 채점 방식이 과대 예측에 더 큰 감점을 주는 점에 착안해 베이지안 보정으로 보수적 예측값을 채택했습니다. 데이터가 4개뿐인 환경에서 해석할 수 있는 단순 모델을 택해 과적합을 피한 것도 핵심입니다."

산업 현장 적용 가능성

"저희 기술은 별도의 회전속도계나 추가 센서 없이 진동 신호 하나만으로 잔여 수명을 추정할 수 있다는 점에서 산업 적용 가능성이 높다고 생각합니다. 현장의 많은 설비는 운전 정보가 충분히 계측되지 않거나 누락되는 경우가 많은데, 저희가 구현한 RPM 복원 기법은 이러한 환경에서도 진단을 가능하게 합니다. 채점 비대칭을 반영한 보수적 예측은 계획되지 않은 정지로 인한 손실을 줄이는 데 직접 활용될 수 있습니다. 소표본·해석 가능 모델을 지향했기에, 데이터가 적은 신규 설비에도 비교적 빠르게 적용할 수 있을 것으로 기대합니다."

수상소감

"먼저 부족한 저희 팀을 좋게 평가해 주셔서 진심으로 감사드립니다. 저희가 수상할 수 있었던 비결은 성능을 높이는 기법보다 문제 자체를 먼저 이해하려 한 태도에 있다고 생각합니다. 모델을 바로 만들기보다 토크와 온도 데이터를 들여다보며 고장이 왜, 어떻게 일어나는지를 규명했고, 그 이해를 바탕으로 무엇을 측정해야 하는지를 정했습니다. 밤새 신호를 함께 들여다보며 고민한 팀원들께 감사드립니다."

사진자료

발표하는 모습

단체사진

팀명

구수영

소속

서울시립대학교

팀장

조수민

팀원

구효본, 박소영

인터뷰

팀소개

참가계기

“팀명은 구효본, 조수민, 박소영 세 팀원의 이름에서 한 글자씩 따서 만들었습니다. 박찬희 교수님의 '산업 인공지능응용' 대학원 수업에서 본 챌린지 참여가 프로젝트 과제로 제시되어 참가하게 되었습니다."

개발 기술의 특장점

"저희 모델의 특장점은 단 두 가지 지표만으로 RUL을 예측하는 높은 해석성과 낮은 연산량입니다. 진동 데이터의 RMS와 Crest factor에서 열화율과 ARC 이 두 가지 핵심 지표를 계산합니다. 열화율은 열화 진행 속도 지표이며, ARC는 고장 모드를 파악하는 지표입니다. 예측은 2단계로 이루어지는데, 먼저 열화율로 1차 RUL을 추정하고, 그 잔차를 ARC로 추가 보정합니다. 또한 짧은 관측 시간과 회전속도 변동으로 인해 열화율 측정에 잡음이 섞이면 회귀 기울기가 0쪽으로 과도하게 수축하는 감쇠 편향이 발생하는데, 이를 신뢰도 기반 보정으로 해소하여 예측 정확도를 높였습니다."

산업 현장 적용 가능성

"저희 모델은 RMS와 Crest factor만 계산하면 되어서 기존 산업 현장의 진동 센서 인프라를 그대로 활용할 수 있습니다. 연산량이 적어서 엣지 디바이스나 임베디드 시스템에도 탑재가 가능하고, 예측 근거가 열화율과 ARC 지표로 설명되기 때문에 현장 엔지니어가 결과를 신뢰하고 정비 계획에 반영하기 쉽다고 생각합니다."

수상소감

"챌린지 초반에는 대학원 수업에서 배운 다양한 특징들을 모두 활용해 모델을 학습시켜 보았으나, 관련 논문과 사례를 찾아보면서 특징이 많을수록 오히려 정확도가 떨어지는 경향을 확인하였습니다. 이후 방향을 바꿔서 학습 데이터에서 직접 관찰할 수 있는 물리적 패턴들을 파악해 보려고 했습니다. 이를 통해 후방 베어링 에너지의 증가 추세와 반경 방향 고장은 장수명, 축 방향 고장은 단수명이라는 고장 모드 특성에 집중하였고, 두 가지 핵심 지표만으로 모델을 단순화한 것이 좋은 결과로 이어진 것 같습니다."

사진자료

발표하는 모습

단체사진

인터뷰

Q. KSPHM-KIMM 기계데이터 챌린지」 소개

A. 「2026 KSPHM-KIMM 기계데이터 챌린지」는 한국기계연구원이 보유한 실제 기계 연구자료를 공개하고, 연구자와 학생들이 이를 활용해 기계 이상 진단 및 고장 예측 알고리즘을 개발·경쟁하는 경진대회다. 올해 주제는 '베어링 열화 데이터를 이용한 잔여 수명 예측'으로, 참가팀들은 가변 운전 조건에서 수집된 데이터를 바탕으로 알고리즘을 개발해 제출하며 실시간으로 순위를 겨뤘다. 해외 PHM 관련 학술대회에서는 매년 비슷한 데이터 챌린지가 열리고 있으며, 국내에서는 한국 PHM 학회와 연계해 올해로 2회째 시행됐다. 본선 발표 평가와 시상식은 6월 25일 웨스틴 조선 부산에서 진행됐다.

Q. 올해 2회째를 맞은 챌린지의 의의

A. 산업 AI 연구에서 데이터 확보는 늘 높은 장벽이다. 고장 관련 산업 데이터는 기업 보안과 직결되는 탓에 외부 공개 사례가 드물어, 연구자들이 실제 현장 데이터를 접하기 어려운 것이 현실이다. 그런 점에서 한국기계연구원이 자체 보유 데이터를 직접 공개한 것은 쉽지 않은 결단이었다. 올해 대회에는 아주대·성균관대·한국전자통신연구원·현대자동차·일진글로벌 등 총 80개 팀 259명이 참가했다. 대학뿐 아니라 산업계와 연구기관이 함께 참여해 데이터 기반 AI-PHM 생태계의 가능성을 보여줬다는 점에서 의미가 있다.

Q. PHM 기술 발전을 위한 한국 PHM 학회의 역할

A. 학회장은 한국기계연구원에 이어 산업 현장 데이터를 보유한 기업과 연구소들도 연구자들을 위해 데이터를 개방할 수 있도록 참여 기회를 넓혀가기를 희망한다고 밝혔다. 학회장은 "이런 기회가 이어지면 연구자들이 PHM이 죽은 학문이 아니라 실제 산업 현장에서 필요한 기술을 다룬다는 것을 피부로 느낄 것"이라고 말했다. 다크팩토리·무인 자율 제조로 대표되는 미래 제조 환경에서는 설비 상태를 사전에 진단하고 고장을 예측해 사고를 미리 방지하는 PHM 기술의 역할이 더욱 중요해질 것이라고 내다봤다.

사진자료