스마트 철강과 AI 이상 탐지 기술 시리즈(PREDICTIVE MAINTENANCE)

 

 

✅ 개요

최근 철강 제조 산업은 인더스트리 4.0 흐름에 맞춰,
AI 기반의 예지 보전(Predictive Maintenance) 및 이상 탐지(Anomaly Detection) 기술을 빠르게 도입하고 있습니다.

센서 데이터를 활용하여 장비 고장이나 품질 저하를 사전에 감지함으로써, 설비 가동률 향상, 안전성 확보, 유지보수 비용 절감에
크게 기여하고 있습니다.

 

특히 2022년부터 2025년 사이 발표된 연구들을 보면,
AI를 적용한 이상 탐지 기술이 다음과 같은 방향으로 발전하고 있음을 알 수 있습니다.

 

---

 

🧠 주요 AI 기술 흐름

1. 순환 신경망 (LSTM, GRU)

• 시간적 패턴 분석에 강점을 가지며, 센서 데이터를 기반으로 정상 작동 흐름을 학습합니다.
• 예측값과 실제값 사이의 차이가 클 경우 이상으로 간주합니다.
• 개념 드리프트(Concept Drift) 대응을 위해, **주기적 재학습(batch retraining)**이 효과적인 전략으로 부상하고 있습니다.

📌 사례: 냉간압연기에서 롤링력을 예측하여, 실시간 이상 탐지에 성공한 LSTM 기반 모델 개발 (Jakubowski et al.)

 

2. 합성곱 신경망 (CNN) 및 하이브리드 모델

• 진동, 온도 신호 등에서 지역적인 특징 추출이 가능하며, 종종 LSTM과 결합하여 시계열 구조를 모델링합니다.
• CNN + LSTM을 결합한 LSTM-FCN 모델은 주조 공정에서 균열 예측 정확도를 크게 향상시켰습니다.

📌 사례: 연속주조공정의 강판 슬래브에서 횡방향 균열을 CNN-LSTM 하이브리드 모델로 정확히 예측 (Geng et al.)

 

3. 비지도 및 자기 지도 학습 (Unsupervised & Self-Supervised)

• 산업 현장에서 이상 레이블이 부족하다는 점을 극복하기 위해 많이 사용됩니다.
• **오토인코더(VAE)**는 정상 데이터를 재구성해보고, 오차가 클 경우 이상으로 판단합니다.
• 자기 지도 학습은 레이블 없이도 데이터를 학습하여 이상을 탐지하며, 이종 센서 데이터 융합에도 활용됩니다.

📌 사례: Tata Steel에서는 VAE가 기존 모델보다 숨은 이상까지 탐지하며 빠르고 효과적인 성능을 보임

📌 사례: Falkonry는 중요도 기반 이상 우선순위화 시스템을 통해 경고 피로도 감소와 조기 대응 성공

4. Transformer 기반 이상 탐지

• 장기 시계열 의존성과 다변량 센서 간의 복잡한 상관관계를 모델링하는 데 유리합니다.
• Anomaly Transformer, RINAT, TFT 등의 모델이 등장하여, 고정밀 이상 탐지 및 예측을 가능케 하고 있습니다.

📌 사례: Hot strip mill 데이터에 Transformer를 적용해 정확한 이상 예측 및 조기 경고 성공

 

 

---

 

🏭 실제 산업 적용 사례

🔧 ArcelorMittal (캐나다)

• 전 공정에 IoT 센서를 설치, 빅데이터 플랫폼과 AI를 통해 설비 상태 실시간 모니터링 및 고장 사전 대응.
• 고로, 압연기 등에서 비정상 진동 패턴 탐지 후 선제적 유지보수 실시.

🔧 SORBA.ai

• 열간압연기의 Entry Guide 부품 고장을 5시간 전에 조기 경고.
• 리스크 점수 기반 유지보수 결정, 잘못된 수리까지 재탐지.

🔧 SMS group (전기로 EAF)

• Tap-hole 막힘과 냉각 패널 고장 예측 시스템을 도입하여, 설비 수명 연장과 생산 안정성 확보.

---

 

[ 모델 및 어플리케이션 비교 ]

Study / Deployment	Context & Data	AI Techniques Used	Key Results / Findings
Jakubowski et al. (2023)	Cold rolling mill (predict rolling force; 1 Hz sensor data from 20k coils)	Regression model with streaming LSTM; concept drift detection; online vs batch learning	Real-time anomaly flags on rolling force. Tested learning modes: found batch retraining upon drift gave best accuracy, handling evolving process conditions【5†L7-L10】. Addressed data imbalance via clus esampling. Enabled detection of force anomalies that physical models missed.
Geng et al. (2025)【15†L17-L24】	Continuous casting (predict erse cracks; multivariate process data)	Hybrid LSTM-FCN deep network (LSTM + 1D CNN)	Proposed a 3-stage deep learning framework (data prep → processing → prediction). Achieved high crack prediction accuracy, allowing early intervention in casting. Demonstrated deep learning’s advantage over linear models for quality defect prediction in steel【15†L17-L24】. Validated on real casting operatio et al. (2023)**【38†L2501-L2509】
SORBA.ai (2022)【49†L90-L98】	Roughing mill stand (motor currents, etc. from 4 stands; classed normal vs f Supervised classification** (clustering of failure vs non-failure patterns in time-series)	Predicted gearbox/guide failure ~5 hours in advance【49†L90-L98】, enabling proactive fix. Risk score spiked to 100% at failure, with low false alarms otherwise. ed a repeat issue post-maintenance【49†L95-L99】. Resulted in avoided unplanned downtime and impr ance practices for the mill.
SMS group (2024)【58†L25-L33】【58†L31- ectric Arc Furnace (cooling panels & tap-hole; temperature, process signals)	Ensemble of ML models (classificat s) with domain knowledge integration	Developed custom ML models for two use-cases: (1) Tap-hole blockage risk prediction – allowed root-cause analysis of refractory failures【58†L7-L15】; (2) Cooling panel breach prediction – achieved high accuracy in predicting rapid temperature rise events, **reducing incidents to near-ze -L38】. Proven on actual EAF operations, improving equipment lifetime and safety.

 

 

 

---

 

🔮 향후 전망

• 물리 기반 시뮬레이션(Digital Twin)과 AI 모델의 하이브리드화가 진행 중
• 설명 가능한 AI (XAI)에 대한 수요 증가
• Transformer 및 그래프 신경망(GNN)의 채택 확대
• 현장 작업자와의 협업 중심 통합 시스템이 강조됨