파라미터 로그로 범인을 잡다 — 동일이력 추적으로 변곡점 찾는 3단계

F1 레이스에서 이런 상황을 상상해보자. 파라미터 로그가 없었다면 이 진단은 불가능했을 것이다.

레이스 중반, 머신에서 이상한 진동이 감지됐다. 엔지니어링 월에 있는 팀원들이 실시간 텔레메트리를 뜯어보기 시작했다. 그런데 수석 엔지니어가 한 마디를 던진다. “작년 바르셀로나에서 똑같은 진동 봤어. 그때 뭐가 바뀌었지?”

팀원 하나가 작년 레이스 데이터를 불러온다. 진동이 처음 나타난 랩, 그 직전에 타이어 압력이 0.3bar 떨어졌다. 그리고 그때 팀은 프론트 윙 각도를 조정했었다. 지금 상황과 완전히 같다. 진단 시간 3분. 이것이 동일이력 추적의 힘이다.

장비 트러블슈팅에서 가장 강력한 무기 중 하나는 새로운 분석 기법이 아니다. “이 증상, 전에도 있었다”는 기억을 파라미터 로그 데이터로 만드는 것이다. 파라미터 로그가 쌓여 있어야 이 추적이 가능하고, 추적이 가능해야 진단 시간이 줄어든다.

동일이력 추적이란 — 장비 트러블슈팅의 기본기

동일이력 추적은 현재 장비에서 발생한 문제와 동일하거나 유사한 증상이 과거에도 있었는지를 이력 데이터에서 찾아내는 기법이다.

제조 장비는 반복된다. 같은 공정, 같은 조건에서 운영되다 보면 비슷한 패턴의 문제가 반복해서 나타난다. 그 반복 안에 답이 있다. 동일이력 추적은 두 가지 방향으로 탐색한다.

두 방향 모두 핵심은 변곡점이다. 증상이 시작된 시점, 또는 증상이 해소된 시점. 그 전후에 무슨 일이 있었는지를 파라미터 로그 트렌드로 들여다보는 것이 장비 트러블슈팅의 본질이다.

변곡점을 찾는 3단계 실전 절차

막연하게 과거 데이터를 뒤지는 것과 구조적으로 탐색하는 것은 다르다. 아래 3단계로 접근하면 훨씬 빠르게 유효한 단서를 찾을 수 있다.

Step 1 — 현재 증상을 정의한다

어떤 알람인지, 어떤 파라미터가 어느 방향으로 튀었는지, 언제부터인지를 명확히 기록한다. “장비가 이상하다”는 출발점이 될 수 없다. “A 파라미터가 정상 범위(100 ± 3) 대비 -8 수준으로 하락했고 오늘 오전 6시부터 발생했다”가 출발점이다. 파라미터 로그에서 탐색할 기준이 여기서 만들어진다.

Step 2 — 동일 또는 유사 이력을 검색한다

장비 이력 시스템에서 동일 알람 코드, 동일 파라미터의 이탈 패턴을 과거 데이터에서 조회한다. 검색 범위는 최소 6개월, 가능하면 1년 이상을 본다. 계절성 요인이 영향을 주는 장비라면 1년 전 같은 시기를 우선 확인한다. Lot 단위나 Batch 이력과 교차 검토하면 원인 범위를 더 빠르게 좁힐 수 있다.

Step 3 — 변곡점 전후 파라미터 로그 트렌드를 분석한다

이력을 찾았다면, 그 시점 전후 주요 파라미터의 트렌드를 함께 띄운다. 증상이 나타나기 직전에 무언가가 바뀌었을 가능성이 높다. 온도, 압력, 전류, RPM — 어느 파라미터 로그가 먼저 움직였는지를 확인하면 원인 파라미터를 좁힐 수 있다.

파라미터 로그, 무엇을 보고 어떻게 읽나

변곡점을 찾은 뒤에는 어떤 파라미터를 볼지가 관건이다. 모든 파라미터를 동시에 보는 것은 오히려 노이즈가 된다. 파라미터 로그 트렌드를 효과적으로 읽는 데는 두 가지 원칙이 있다.

선행 파라미터를 먼저 찾는다

증상 파라미터가 튄 시점보다 먼저 움직인 파라미터가 있다면, 그쪽이 원인에 가깝다.

B 파라미터(온도)가 2시간 먼저 움직였다. 이런 패턴이 과거 동일이력에서도 반복됐다면, 온도 제어 계통이 원인일 가능성이 높다. 파라미터 로그 분석으로 장비 트러블슈팅의 방향이 확연히 좁혀진다.

추세(trend)와 급변(spike)을 구분한다

서서히 기울어지는 트렌드와 갑자기 튀는 스파이크는 원인이 다르다.

머신러닝으로 확장하면 달라지는 것

동일이력 추적을 사람이 수동으로 하면 한계가 생긴다. 볼 수 있는 파라미터 수가 제한되고, 탐색할 수 있는 이력의 깊이도 제한된다. 여기서 머신러닝이 개입하면 게임이 달라진다.

수석 엔지니어가 기억으로 “작년 바르셀로나”를 떠올리는 것과, 시스템이 파라미터 로그 채널 200개를 실시간으로 과거 이력과 비교해서 “유사도 92% — 2023년 레이스 43랩과 패턴 동일”을 알려주는 것은 차원이 다르다.

핵심은 데이터의 양이다. 현장 엔지니어의 도메인 지식으로 파라미터를 정의하고, ML이 그 파라미터 로그들을 대규모로 비교하는 구조가 가장 강력하다.

아직 ML 도입이 어려운 현장이라도 첫 단계는 같다. 파라미터 로그를 잘 쌓는 것. 데이터가 있어야 이력도 있고, 이력이 있어야 추적도 된다.

핵심 요약

동일이력 추적은 과거 동일 증상 또는 개선 이력에서 변곡점을 찾아 현재 문제에 대입하는 장비 트러블슈팅 기법이다.

도메인 지식으로 파라미터를 정의하고, 데이터로 증명하는 것 — 그것이 현장 엔지니어 출신 데이터 분석가의 가장 강력한 무기다.

[링크 제안]

파라미터 로그로 변곡점을 찾았다면, 다음은 그 원인이 상관관계인지 인과관계인지 판단하는 단계다.

• 인과관계 상관관계 차이 — 데이터 분석에서 절대 혼동하면 안 되는 3가지 이유

현장 데이터를 제대로 쓰려면 도메인 지식이 먼저다. 왜 그런지 이 글에서 확인할 수 있다.

• 데이터 설계가 AI 분석을 결정한다 — H/W Eng’r가 알아야 할 3가지 이유

레이스 위의 데이터 — 영화 F1이 보여주는 엔지니어링

FAQ