성능이 비슷하면 이미 잘한 것입니다지난번 LLM·Chronos-2 시도가 룰과 차이가 없었다는 점에 대해, 교수님은 비슷하게 나온 것 자체가 성과라고 보셨습니다.
AI의 가치는 편의성입니다그룹 설정, 절전 시간 등록처럼 사람이 일일이 하던 설정을 데이터로 대신해 주는 것이 핵심입니다.
정부과제용이 아닌 현장용입니다참신함이나 과장보다, 실제 공장에 들어갈 시스템을 기준으로 조언하셨습니다.
공통 원칙
AI와 룰을 상호보완으로 쓰는 구조
AI 결과를 룰 결과와 비교해 괜찮으면 AI를 따르고, 이상하거나 잘못되면 룰베이스 솔루션으로 대체합니다. 강화학습은 가능한 한 쓰지 않고, 쓰더라도 목표값만 정하게 합니다. LLM은 설명을 돕는 정도로만 쓰는 것이 좋다고 하셨습니다. AI가 시스템의 몸통이 되면 개발이 오래 걸린다는 이유였습니다.
그림 1. 교수님이 제시한 AI·룰 결합 구조. 실제로 설비를 끄고 켜는 동작은 항상 룰이 담당합니다.
도입 순서
현장에 들어가자마자 바로 돌아가야 하므로 처음부터 AI를 쓸 수는 없습니다. 딥러닝도 처음부터 크게 만들지 말고, 작은 단위로 학습이 되는지 확인하면서 키워가야 한다고 하셨습니다.
룰 기본값으로 운영도입 즉시 동작하는 디폴트 세팅
데이터 수집운전 시점부터 계속 쌓음
작게 학습·검증작은 범위부터 학습되는지 확인
AI 모델로 전환충분히 학습됐다고 판단될 때
학습 위치(서버를 둘지, 온보드로 할지)는 사업 여건에 따라 정하면 된다고 하셨습니다. 어느 쪽이든 AI를 넣는다는 것은 데이터를 모아야 한다는 뜻입니다.
역할 분담
6개 과제는 두 갈래로 나뉩니다
AI + 룰 공동 결정
①피크제어
③공정부하제어
⑥냉동기·순환펌프
룰 제어 + AI 보정·추천·감지
②부하적응제어
④운전 스케줄러
⑤절전 스케줄러
기존 5개 과제에 지난 미팅에서 요청한 냉동기·순환펌프가 더해져 6개가 됐습니다. 남은 3회 미팅에서 두 과제씩 자세히 다룰 예정입니다.
과제별 논의
무엇을 AI에 맡길 것인가
①
피크제어
AI + 룰 공동 결정
현재 J-EMS
주의·경계·위기 3단계 그룹을 미리 정해두고, 15분 뒤 전력을 예측해 단계별로 정해진 설비를 끔
AI 버전은 피크가 예상되면 전체 주파수를 낮춰 가동률을 줄이고, 순간적으로 튀는 피크는 룰이 처리
교수님 지적
그룹을 현장마다 사람이 직접 짜야 함
설비별 감소량, 공정 상황이 반영되지 않음
그림 2. 15분 구간에서 남은 전력을 분배하는 개념(수치는 예시). 회사 측이 앞서 제안한 ‘남은 전력 분배’ 방식을 강화학습 보상과 엮을 수 있다는 논의가 있었습니다.
1안 · 지금 구조에 편의성 추가AI가 그룹을 짜고, 룰이 끄고 켭니다
과거 데이터로 그룹을 자동 구성하고, 3단계보다 더 세분화할 수 있음
15분 평균을 예측해 얼마나 줄여야 하는지 판단하고, 영향이 가장 적은 설비 조합을 추천
실제 on/off는 룰이 실행
2안 · 강화학습 고도화AI가 설비별 목표 %만 주고, 기존 제어기가 따라갑니다
A75%
B80%
C90%
D60%
15분마다 설비별 유지 가동률을 결정하고, 모터 제어나 MPC가 그 값을 추종
보상: 기준 피크를 넘으면 마이너스, 안 넘으면 플러스. 요금·감축량, 부드럽고 안정적인 운전도 보상에 반영
그룹과 단계 구분이 필요 없어지고, 룰은 긴급 상황 대응만 담당
출력 규모 차이: 전체 가동률 하나만 제어하면 출력 신호가 1개이고, 설비별로 제어하면 설비 대수만큼 출력이 늘어납니다.
②
부하적응제어
룰 제어 + AI 보조
교수님이 이 과제를 잘못 이해하고 계셔서 미팅의 상당 시간을 설명에 썼습니다. 설명을 들은 뒤 교수님은 준비한 슬라이드가 의미 없겠다며 다시 정리해 오기로 하셨고, 강화학습으로 하면 잘 될 것 같다는 의견을 주셨습니다.
동작 원리 (회사 측 설명)
인버터가 계산해 주는 토크값을 그대로 사용 (설비 개조 없이 가장 안정적인 방법)
블로어: 댐퍼가 닫히면 공기를 덜 나르므로 토크가 내려감 → 유체 상사법칙으로 적정 Hz를 계산해 회전수를 낮춤
Hz를 낮추면 토크도 같이 내려가다가 평형 구간이 생김
한계
센서가 없어 목표치에 맞는지 알 수 없음 → 현장에서 계측 후 보정상수를 수동 입력
컴프레서는 부하가 커지면 토크가 올라가므로 블로어와 반대. 공정마다 다름
동작 Hz 범위를 지정해 그 안에서만 움직이게 함
그림 3. 회사 측 블로어 시험 그래프를 바탕으로 다시 그린 개념도입니다(실측값 아님). 정속 모터는 부하와 관계없이 전력이 일정하지만, 부하적응제어는 토크에 맞춰 Hz를 낮춰 필요한 만큼만 전력을 씁니다.
③
공정부하제어
AI + 룰 공동 결정
가동률에 따른 온도·습도 반응을 AI가 학습하고, 제어는 MPC가 합니다. 수학 모델은 현장 조건 변화를 따라가지 못하므로, 실제 입출력 데이터로 학습한 신경망 모델을 씁니다. 회사 측이 MPC를 대체하는 것인지 보정하는 것인지 물었고, 교수님은 기존 제어 입력에 신경망 보정항을 더하는 형태라고 정리하셨습니다. 지금 다른 제어기를 쓰고 있다면 그대로 써도 된다고 하셨습니다.
그림 4. u = uMPC + uNN. 신경망이 공정의 입출력 관계를 학습해 기존 제어 입력을 보정합니다.
④
운전 스케줄러
룰 제어 + AI 보조
현재 J-EMS
정해진 순서와 간격으로 설비를 차례로 기동
AI 버전은 예측 데이터로 피크가 칠 것 같으면 기동을 조금 늦춤. 교수님은 이 시도가 의미가 있었다고 보셨습니다
교수님 제안
앞 설비가 정상적으로 기동됐는지 AI가 판단한 뒤 다음 설비를 켬
피크제어의 여유분을 받아 더 빨리 켜는 식으로 두 시스템이 상호작용
장기적으로 피크제어와 운전 스케줄러를 하나의 시스템으로 통합
그림 5. 기동 순서는 룰이 정하고, AI는 기동 시점 조정과 정상 기동 확인을 맡는 구조입니다. 오래된 공장일수록 정속 모터가 많아 on/off 제어가 필요하다는 점에서 회사 측도 피크제어와의 통합에 동의했습니다.
교수님 요청: 이 과제는 무엇을 AI로 더 할지 교수님도 막연하다고 하셨습니다. 고객이 요구했던 기능이나 개발하면서 하고 싶었지만 어려웠던 것을 역질문으로 달라고 하셨습니다.
⑤
절전 스케줄러
룰 제어 + AI 보조
현재 J-EMS
요일·시간대별 절전 구간을 사람이 등록 (예: 매주 월요일 몇 시~몇 시)
서버가 절전 시작 신호를 주면 PLC가 해당 설비를 최소 가동하거나 끔
AI는 넣을 곳이 없어 보여 적용하지 않음
교수님 제안
설비 상태와 전력 이력을 학습해 절전 스케줄을 자동으로 만들고 주기적으로 갱신
야근·특근 같은 예외만 사람이 룰로 등록하고, 룰이 AI보다 우선
한 달치를 고정해 두면 더 절전해도 되는 날과 덜 해야 하는 날을 놓침
그림 6. 예시 주간 스케줄. 주황은 AI가 운영 이력에서 정한 절전 구간, 빈 칸은 가동 구간, 파랑은 사람이 등록한 예외(룰 우선)입니다.
회사 측 반응이 가장 좋았던 제안입니다. 다만 AI가 예상치 못하게 절전에 들어갈까 봐 결국 다시 등록해야 하는 딜레마가 있다는 우려도 나왔고, 예외만 등록하는 방식으로 정리됐습니다.
⑥
냉동기·순환펌프
AI + 룰 공동 결정
냉동기는 정속 모터라 on/off만 되고, 순환펌프는 가변속이 가능합니다. 운전하면서 냉동기별 가동 상태, 시간, 펌프 속도, 수온 데이터가 자동으로 쌓이므로, 이를 신경망으로 학습해 효율곡선을 보완할 수 있다고 하셨습니다. 강화학습이 가장 이상적이지만 아직 실전 핵심에 넣기에는 완벽하지 않다고 보셔서, 안전하게 현실화할 조합을 고민 중이라고 하셨습니다.
그림 7. 교수님이 화이트보드로 설명한 입출력 구조를 옮긴 것입니다.
후속 조치
누가 무엇을 하는가
다음 미팅11월 5일(목) 15:00일정 변동 시 연락하기로 함
J-EMS 팀
1차 보고서에 사진을 첨부하고 2페이지를 작성해 김태원 위원님께 송부 (관계자 전원 참조). 오늘부터 사진은 직접 촬영
교수님께 데모 장비 테스트 계정 제공 (기술자료 PPT는 제공하지 않음)
과제별 역질문 정리: 고객이 요구했던 기능, 개발하면서 하고 싶었지만 어려웠던 것, “이런 것도 가능할까요?”
특허 명세서 공유 가능 여부 회신 대기 (대표님께 공유)
이명환 교수
과제별 2안 준비: 지금 바로 할 수 있는 편의성 중심안, 강화학습까지 넣은 고도화안
부하적응제어 다시 정리
보고서 작성 후 다음 미팅까지 필요한 자료를 메일로 정리해 전달
특허 명세서 공개 가능 여부를 산학협력단에 확인
이해한 내용이 맞는지 전화로 확인 연락
기타
교수님 특허 건
대표님 요청으로 교수님 특허를 조사하려 했으나, 아직 공개 전이라 KIPRIS에서 검색되지 않습니다. 대표님은 연구소기업 설립에 필요한 특허를 1차 목적으로 보고 있고, 이왕이면 J-EMS 기술과 연관성을 만들 수 있는지도 알아보길 원하십니다.
관심 특허: 데이터만으로 인과구조를 추론해 강화학습을 효율화하는 기술. 일반 강화학습은 데이터를 조각내 무작위로 섞어 학습하면서 인과가 깨지는데, 이를 보완하는 방식입니다.
공유 제약: 관련 논문이 아직 게재 전이라 명세서를 넘기면 문제가 될 수 있어, 산단과 협의 후 가능하면 전달하기로 했습니다.
지분: 목록 맨 위 특허는 교수님의 지도교수님·후배와 공동이라 지분 구성을 확인해야 합니다.
정리 의견
다음 미팅 전에 짚어볼 점
유틸리티 우선 방침과 순서가 엇갈립니다. 9월 22일 회의에서 정한 초기 적용 대상(공기압축기·집진기·공조기·냉동기)과 가장 가까운 과제는 ②부하적응과 ⑥냉동기·순환펌프인데, 이 두 과제의 제안이 가장 덜 구체적입니다. 다음 미팅에서 이 둘을 먼저 다뤄달라고 요청할 만합니다.
데이터 로깅을 지금 시작하는 것이 좋습니다. 교수님 제안은 거의 전부 운영 이력이 전제입니다. 설비별 15분 단위 전력, on/off 상태, Hz와 토크, 수온·온습도를 데모 장비와 현장에서 미리 쌓아두면 다음 단계가 빨라집니다.
과제 설명을 문서로 넘기면 효율이 오릅니다. 지난번 1시간 설명 후에도 ①과 ②의 이해가 어긋나 있었습니다. 테스트 계정과 함께 과제별 1페이지(입력, 출력, 제약조건, 현재 로직)를 드리면 좋겠습니다.
역질문 후보. ②의 보정상수를 AI가 자동으로 맞출 수 있는지, 블로어처럼 토크가 반대로 움직이는 설비 유형을 AI가 자동 판별할 수 있는지 물어볼 만합니다.