자산관리 — 전력설비 HI 평가부터 Weibull RUL, 정비 일정 최적화까지

워크숍 목표

다 끝내고 나면 D.Hub 안에서 다음 흐름을 한 사이클 손으로 통과한 셈이 됩니다.

• 시나리오 1개를 포털로 적재해 컬렉션 1종, 데이터셋 11종(입력 7 + 출력 4), 코드 노드 6종, 파이프라인 5종, 온톨로지 6엔티티/6관계, 대시보드, 지식 1종을 한꺼번에 등록합니다.
• 변압기 5대(154–765kV) · GIS 3대(170–362kV) · 지중케이블 2회선(154kV) 총 10대 설비의 마스터·센서·점검·정비·DGA·고장 이력 7종을 살펴봅니다.
• 4-알고리즘 파이프라인을 연쇄 실행합니다:
  • thermal_anomaly_detection — Z-score + IQR + CUSUM 으로 비정상 온도 패턴 식별
  • health_index_evaluation — IEC/IEEE 가중 규칙으로 0–100 점 HI 산출, A–E 등급 부여
  • reliability_rul_estimation — Weibull MLE + 운전조건 보정으로 잔여수명 + 신뢰구간 예측
  • maintenance_optimization — 예산·인력 제약 하 우선순위 정비 일정 수립
• HS_Equipment 와 5개 보조 엔티티 그래프에서 한 변압기의 하위계통 → 센서 → 점검 → 결함 → 정비 경로를 펼쳐 봅니다.
• equipment_health_overview 대시보드 위젯 8종으로 운영 시점을 확인합니다.

IIoT 시점의 예측 유지보수(Predictive Maintenance, PHM) 워크숍입니다. 이전 iot 워크숍이 이상 탐지 → 일별 rollup 까지 다뤘다면, 본 워크숍은 수명 추정 → 정비 일정 최적화 까지 한 단계 더 나아갑니다. 권장 소요 시간은 90분.

사전 준비

• D.Hub 포털 접근 가능한 엔지니어 계정 (Editor 권한 이상)
• 약 156KB 의 zip 한 개를 받을 다운로드 여유

iot 워크숍을 먼저 끝내 두면 센서 시계열 → 이상 탐지 → 일별 집계 의 기본 흐름이 익어 본 워크숍의 4-알고리즘 연쇄가 매끄럽게 풀립니다.

1. 시나리오 적재 (10분)

포털 좌측 사이드바 컬렉션 → 더보기(⋯) → 가져오기 로 zip 을 올립니다.

manifest.json 순서대로 다음 자산이 올라갑니다.

1. 컬렉션 1종 — hs_asset_management (alias: 자산관리 — 전력설비 생애주기 지능화)
2. 데이터셋 11종 — 입력 7 (equipment_master, sensor_readings, inspection_records, maintenance_records, dga_analysis, failure_history, operating_conditions), 출력 4 (thermal_anomaly_results, health_index_scores, rul_estimates, maintenance_schedule)
3. 코드 6종 (Python) — thermal_anomaly_detection, health_index_evaluation, reliability_rul_estimation, maintenance_optimization, build_hs_ontology, report_generation
4. 파이프라인 5종 — health_assessment, reliability_analysis, maintenance_planning, ontology_materialization, periodic_report
5. 온톨로지 — 엔티티 6종(HS_Equipment, HS_Subsystem, HS_Sensor, HS_Inspection, HS_Defect, HS_Maintenance), 관계 6종
6. 지식 1종 — equipment_maintenance_manual
7. 대시보드 — equipment_health_overview (위젯 8종)

2. 입력 데이터 둘러보기 (10분)

equipment_master (10 행) — 자산 마스터. 컬럼: equipment_id (TX-001 ~ TX-005, GIS-001 ~ GIS-003, CBL-001 ~ CBL-002), equipment_type, voltage_kv, commissioned_year, manufacturer, installation_site.

sensor_readings — 센서 시계열. 측정 종류 3 가지:

• 온도 (°C, 변압기 권선·코어, GIS 격실)
• 부분방전 PD (pC, 절연 열화 신호)
• 가스 밀도 (g/L, GIS 의 SF6)

5분 주기로 들어옵니다. 컬럼: reading_id, equipment_id, sensor_type, value, recorded_at, quality_flag (OK / WARN / FAULT).

inspection_records — 정기 점검 결과. equipment_id, inspection_date, inspector, result_summary, defects_found (배열).

maintenance_records — 과거 정비 이력. equipment_id, maintenance_date, maintenance_type (preventive / corrective / emergency), defect_id, duration_hours, cost.

dga_analysis — 유중가스 분석. 변압기 한정. 컬럼: 6 종 가스(H2, CH4, C2H6, C2H4, C2H2, CO) 농도, sampling_date. 가스 비율 패턴이 어떤 종류의 고장이 진행 중인지 의 강력한 시그널입니다.

failure_history — Weibull 학습용. equipment_id, failure_date, failure_mode, time_to_failure_years. §5 의 RUL 추정이 이 분포를 적합합니다.

operating_conditions — 부하율·온도·습도. 운전조건 보정에 사용.

7 입력의 시간 해상도와 빈도 가 모두 다른 점이 중요합니다 — 5분 (센서), 일 (DGA), 월 (점검), 비정기 (정비·고장). 다음 단계 파이프라인이 이 다른 해상도를 설비 1대 / 기간 1단위 로 정렬합니다.

3. 열화상 이상 탐지 + HI 평가 (15분)

health_assessment 파이프라인을 엽니다. 노드 2 단계.

1. thermal_anomaly_detection — sensor_readings 중 온도 종류만 읽어 설비별·센서별 Z-score + IQR + CUSUM 세 알고리즘으로 이상 점수를 계산합니다. 출력은 thermal_anomaly_results — 컬럼 equipment_id, sensor_id, window_start, window_end, zscore, iqr_outlier_flag, cusum_drift, anomaly_score (0–1 종합 점수).
2. health_index_evaluation — IEC 60076 / IEEE C57 규격의 가중 규칙으로 HI 를 산출합니다. 입력: equipment_master (경년) + thermal_anomaly_results (열) + dga_analysis (가스, 변압기) + inspection_records (점검 결과). 가중치는 설비 타입별로 다름 — 변압기는 DGA 가중 큼, GIS 는 가스 밀도 가중 큼.

health_index_evaluation 의 점수 → 등급 매핑:

Run 을 눌러 실행합니다. 끝나면 health_index_scores 미리 보기에서 10 설비의 HI 점수와 A–E 등급 분포를 봅니다.

4. Weibull 잔여수명 추정 (15분)

reliability_analysis 파이프라인을 엽니다. 노드 하나, reliability_rul_estimation 가 failure_history + operating_conditions + health_index_scores 를 읽어 rul_estimates 를 만듭니다.

Weibull 분포는 고장률이 시간에 따라 변하는 설비의 표준 신뢰성 모델입니다. 스크립트의 핵심은 두 단계:

1. MLE 적합 — failure_history 의 time_to_failure_years 분포로 Weibull 형상 모수 β 와 척도 모수 η 를 설비 타입별로 적합합니다.
2. 운전조건 보정 — β·η 를 그대로 쓰면 모든 설비가 같은 RUL 을 받습니다. operating_conditions 의 부하율·온도·습도 를 보정 계수로 적용하고, health_index_scores 의 HI 를 가속 인자로 곱해 이 설비의 현재 상태에서 남은 수명 을 추정합니다.

출력 rul_estimates 의 컬럼: equipment_id, rul_years (점추정), rul_lower_5pct, rul_upper_95pct (90% 신뢰구간), confidence_level, estimation_method.

Run 을 눌러 실행. 끝나면 미리 보기에서 신뢰구간 양 끝 컬럼이 모두 채워졌는지, HI 가 D 등급인 설비의 rul_years 가 다른 설비보다 짧은지 확인합니다.

5. 정비 일정 최적화 (15분)

maintenance_planning 파이프라인을 엽니다. 노드 하나, maintenance_optimization 이 rul_estimates + health_index_scores + maintenance_records 를 읽어 maintenance_schedule 을 만듭니다.

문제 정의는 한 줄로 정리됩니다 — 예산과 인력 제약 하에서 정비 우선순위가 가장 높은 설비부터 일정에 배치. 우선순위 점수는 priority_score = (1 / rul_years_lower_5pct) × HI_weight × cost_factor 의 그리디 정렬입니다.

스크립트의 입력 파라미터:

• annual_budget — 연간 정비 예산 (시드: 500M KRW)
• monthly_crew_hours — 월별 가용 인력 시간 (시드: 320 시간)
• min_interval_days — 같은 설비에 대한 최소 정비 간격 (시드: 90일)

출력 maintenance_schedule 컬럼: equipment_id, scheduled_date, maintenance_type (preventive / corrective), estimated_cost, estimated_hours, priority_score, rationale.

Run 을 눌러 실행. 끝나면 미리 보기에서 D 등급 설비가 첫 달에 배치돼 있는지, 예산·인력 누적이 제약 안에 들어오는지 확인합니다.

6. 온톨로지 + 그래프 탐색 (15분)

ontology_materialization 파이프라인을 Run 합니다. build_hs_ontology 가 입력 7 + 출력 4 데이터셋을 batch 모드로 읽어 다음 6 엔티티 + 6 관계를 upsert 모드로 적재합니다.

관계 6종: HAS_SUBSYSTEM, MONITORED_BY (설비 → 센서), INSPECTED_ON, HAS_DEFECT, DETECTED_BY (점검 → 결함), REPAIRED_BY (결함 → 정비).

그래프 탐색기 에서 한 설비의 수직 분해 와 수평 이력 을 한 번에 봅니다.

MATCH (e:HS_Equipment {equipment_id: 'TX-003'})
OPTIONAL MATCH (e)-[:HAS_SUBSYSTEM]->(s:HS_Subsystem)
OPTIONAL MATCH (e)-[:MONITORED_BY]->(sn:HS_Sensor)
OPTIONAL MATCH (e)-[:HAS_DEFECT]->(d:HS_Defect)-[:REPAIRED_BY]->(m:HS_Maintenance)
RETURN e, s, sn, d, m

한 변압기의 하위계통 + 센서 + 결함 + 정비 가 한 화면에 펼쳐집니다. 그래프로 본 자산 한 대의 생애주기 압축 입니다.

7. 대시보드 + 다음 단계 (10분)

equipment_health_overview (alias: 설비 건전성 종합 현황) 위젯 8종은 운영 시점의 한 화면 요약입니다. 출력 데이터셋 4종을 골고루 봅니다.

• 관리 설비 수 (statistic) — equipment_master 의 COUNT(DISTINCT equipment_id)
• 평균 건전성 지수 (statistic) — health_index_scores 의 AVG(overall_hi)
• 이상 탐지 설비 수 (statistic) — thermal_anomaly_results 의 anomaly_flag = true 건수
• 잔여수명 2년 미만 설비 (statistic) — rul_estimates 의 rul_estimate_years < 2.0 건수
• 설비별 건전성 지수 (막대) — health_index_scores 의 equipment_id × overall_hi, HI 오름차순
• 설비별 잔여수명(년) (막대) — rul_estimates 의 equipment_id × rul_estimate_years, RUL 오름차순
• 건전성 등급별 설비 현황 (데이터 테이블) — health_index_scores 의 grade 별 건수 (A–E 분포)
• 정비 최적화 일정 (데이터 테이블, Top 20) — maintenance_schedule 의 equipment_id · scheduled_day · maintenance_type · estimated_cost · priority_score, 우선순위 내림차순

운영 시점의 4 점화한 머리줄 은 statistic 4종입니다. 평균 HI 가 떨어지고 이상 탐지 설비 수가 늘어나는데 잔여수명 2년 미만 설비도 증가 라는 세 시그널이 동시에 잡히면 예산·인력 재배치 의제로 즉시 이어집니다. 막대 두 종은 어떤 설비가 정렬에서 가장 앞 또는 가장 뒤에 있는지를 한 화면에 보여 주고, 테이블 두 종은 바로 다음 행동 (등급별 점검 강화, 정비 일정 발주) 의 입력입니다.

각 위젯은 4 파이프라인의 출력 데이터셋을 직접 보므로, 파이프라인 한 번의 재실행 이 대시보드 전체에 즉시 반영됩니다.

다음 단계:

• 엔지니어 코스 의 파이프라인 스케줄링 으로 가서, health_assessment (매일 02:00) / reliability_analysis (매주 월 03:00) / maintenance_planning (매주 월 04:00) / ontology_materialization (매주 월 05:00) 4 파이프라인의 주간 운영 시계열 을 직접 등록합니다.
• iot 워크숍 과 비교 — 같은 IIoT 도메인의 짧은 사이클 (이상 탐지) 과 긴 사이클 (수명 추정) 의 차이를 손으로 짚습니다.

검증 체크리스트

• 컬렉션 hs_asset_management 에 입력 7 + 출력 4 데이터셋이 모두 올라가 있는지
• health_assessment 실행 뒤 health_index_scores 의 10 설비가 A–E 등급으로 분포돼 있고, DGA 가 거친 변압기 (시드 TX-003) 가 D 등급으로 떨어졌는지
• reliability_analysis 실행 뒤 rul_estimates 의 모든 행 이 신뢰구간 (rul_lower_5pct, rul_upper_95pct) 컬럼을 가졌는지
• maintenance_planning 실행 뒤 maintenance_schedule 의 첫 달 누적 비용이 annual_budget / 12 안에 있는지 (제약 충족)
• 그래프 탐색기에서 HS_Equipment 한 노드를 시작점으로 4 종류 이웃 (Subsystem / Sensor / Defect / Maintenance) 을 한 화면에 펼칠 수 있는지