제조업 인사이트: 금속·광업에서 배우는 교훈 (3부) – Axora 전문가 패널

트렌드 디텍션 팟캐스트: 금속·광업의 유지보수 관행과 데이터 과제

Senseye가 제공하는 트렌드 디텍션 팟캐스트에 오신 것을 환영합니다. Senseye는 AI를 활용해 확장 가능하고 지속 가능한 자산 성능과 신뢰성을 선도하는 업계 리더입니다. 이 시리즈는 유지보수 효율을 높이는 아이디어를 얻어가실 수 있도록 기획되었습니다.

금속·광업 업계에서 제조업이 배울 점을 논의하는 3부작의 마지막 편으로, 다시 한번 Axora의 조 카(Joe Carr) 님을 모셨습니다. 1부와 2부도 들어보세요.

이 에피소드에서는 금속·광업 기업들이 따르는 유지보수 관행, 기계 가동률이 핵심인 이유, 방대한 기계 데이터가 오히려 과제가 되는 현실을 다룹니다.

Apple, Google, Spotify 등 즐겨 쓰는 팟캐스트 플랫폼에서 구독하시면 새 에피소드 알림을 받으실 수 있습니다. 리뷰로 피드백도 남겨 주세요.

주요 논의 주제

1. 금속·광업 업계의 핵심 유지보수 관행
2. 금속·광업에서의 기계 데이터 활용
3. 금속·광업에서의 AI·머신러닝 활용 사례
4. 금속·광업의 지속가능성
5. 사례 연구: 알코아(Alcoa)

대담 전문

가동률이 생명인 산업: 반응형 유지보수는 예외여야 한다

나일 설리번(Niall Sullivan), Senseye: 유지보수 이야기가 나와서 말인데, 현재 금속·광업 기업들은 어떤 유지보수 관행을 따르나요? 반응형인가요, 아니면 4,000일 주기로 교체하는 식인가요?

조 카, Axora: 광업·금속 세계에서 가동률(Uptime)은 생명입니다. 항공기 좌석과 같아서, 팔지 못한 좌석은 비행기가 뜨면 되돌릴 수 없죠. 제련소도 마찬가지입니다. 1시간 동안 구리를 생산하지 못하면 그 생산량은 영원히 잃는 겁니다.

업계는 반응형 유지보수를 원하지 않습니다. 어느 정도 불가피하지만 예외여야 하죠. 그 외에는 계획·예방 정비가 혼재돼 있습니다. 트럭처럼 센서가 많은 장비는 예측 정비가 가능하지만, 많은 영역에서는 여전히 제조사 권장 주기(예: 5,000시간)대로 부품을 교체합니다.

이상적으로는 전체 산업이 예측 정비로 나아가길 원합니다. AI와 센서 데이터, 머신러닝이 고장 100시간 전에 알려줘서 딱 맞춰 교체할 수 있다면 좋겠죠. 하지만 계획성도 필요합니다. 부품 수명을 최대한 늘리고, 여유 있을 때 계획적으로 정비하면 생산 손실을 막을 수 있습니다.

현재 운영 현장에서는 가동률 88% 정도를 목표로 합니다. 예측 정비로 이를 90%대 중반으로 끌어올리면 광업 기업과 사회 전체에 막대한 이익이 됩니다. 같은 자산으로 더 많은 금속을 생산하고, 새 광산을 열 필요 없이 기존 설비 효율을 극대화할 수 있으니까요.

예측 정비의 확산과 데이터 과제

나일: 예측 정비 가치가 명확한데, 현장에서 얼마나 받아들여지고 있나요?

조 카: 업계에서 매우 잘 알려진 분야입니다. 유지보수 솔루션이 가장 큰 시장이니까요. 가동률 1% 상승이 가져오는 가치를 계산하기 쉽고, 부품 비용은 생산 가치에 비하면 미미하니까요.

문제는 데이터가 무질서하게 축적돼 왔다는 점입니다. 캐터필러(Caterpillar)나 코마츠(Komatsu) 같은 대형 장비 제조사는 수만 대 트럭의 센서 데이터를 보유해 예측 정비를 오래전부터 해왔습니다. 이들은 차량을 '가동률 보장' 형태로 리스하기도 하죠. 하지만 개별 광산이 자체 시스템을 구축하려 하면 데이터 풀이 너무 작아 효과가 떨어집니다.

제련소, 정련소, 농축시설은 단일 제조사가 아닌 여러 업체 부품으로 조립됩니다. 여기에 디지털 트윈을 구축하려 해도 데이터 통합이 난제입니다. 바로 이 지점에서 AI·예측 정비·머신러닝이 기회가 됩니다. 단일 OEM이 장악하지 않은 영역이니까요.

데이터 홍수, 인사이트 가뭄

나일: 데이터가 없거나 너무 많거나, 양극단 상황인데 금속·광업 기업들은 어떤가요?

조 카: 엄청난 데이터를 모으지만 어떻게 활용할지 모릅니다. 혁신 예측 조사에서도 최대 과제로 꼽혔습니다.

• 데이터 수집 자체가 네트워크 인프라 문제로 어렵습니다.
• 데이터가 다양한 포맷, 분산된 위치에 존재합니다.
• 현장 인력(광산 엔지니어 등)은 데이터 분석이 본업이 아닙니다.
• 클라우드 보안 우려로 데이터가 현장 서버에만 방치됩니다.
• 트럭 한 대가 하루 2GB, 83대면 하루 166GB… 저장소가 금방 찹니다.
• 500개 변수 중 20개만 실시간 추적하고 나머지는 버려집니다.

이건 엄청난 놓친 기회입니다. 세대 교체와 함께 변화가 오겠지만, 현재는 '당장 생산이 급한' 현장 엔지니어와 '혁신 프로젝트'를 추진하는 부서 간 단절도 큽니다. 현장 엔지니어는 생산량으로 보너스를 받지 AI 프로젝트로 받지 않으니까요.

AI·머신러닝 활용 분야: 유지보수부터 지질 모델링, 자율 장비까지

나일: 예측 정비 외에 AI·ML이 어디에 쓰이나요?

조 카: 분야가 매우 넓습니다. 다섯 가지로 요약하면:

1. 유지보수: '열매가 땅에 떨어진' 수준으로 쉽게 적용 가능. 필터 교체 주기 등을 데이터 기반으로 최적화.
2. 매장량 이해(지질 모델링): 인간이 일주일에 하나 만들 모델을 ML이 오후에 수백 개 생성, 지질학자가 검증.
3. 반복 작업 자동화: 천공, 굴착, 발파, 적재 등 매번 같은 패턴 → 자율 드릴링, 원격 조종 센터로 전환.
4. 머신 비전으로 품질 검사: 정련 금속 표면 결함 자동 판독, 고객 맞춤형 사양 생산으로 연결.
5. 통합 공급망(유토피아): 고객 주문 → 최적 매장량 채굴 → 농축·제련·정련 → 정확한 사양으로 납품. 기술적으로 가능하지만 아직 구현 안 됨.

지속가능성: 녹색 철강과 기후 위기의 역설

나일: 지속가능성은 뜨거운 주제입니다. 금속·광업에 어떤 영향인가요?

조 카: 업계가 꽤 적극적입니다. 배터리 트럭, 수소 도입 중입니다. 포테스큐 메탈(Fortescue Metals) 회장이 윌리엄스 F1 배터리 부문 인수, 호주 아웃백에 태양광 단지 조성해 해수에서 그린 수소 생산 → 그린 스틸 생산 추진 중.

철강·금속 부문은 광업계 최대 CO₂ 배출원입니다. 제철에 코크스(석탄)가 필수라서죠. 그린 스틸(수소 환원 제철 등)로 전환이 핵심 과제입니다.

흥미로운 역설: 많은 사람이 광업은 싫지만 기후 위기 대응(그린 에너지)은 원합니다. 구리 광산 없이 전기차·풍력·태양광 불가능합니다. 두 입장을 동시에 가질 수 없죠. 멸종 저항(Extinction Rebellion) 시위대가 "기후 위기엔 구리 광산이 필요 없다" 모순을 보이더군요.

알코아(Alcoa) 사례 연구

알코아(Alcoa Corporation)는 보크사이트, 알루미나, 알루미늄 제품 글로벌 리더로 130년 역사를 가집니다. 전 세계 생산 공장에서 혁신과 모범 사례를 적용해 효율성, 안전성, 지속가능성, 지역 사회 기여를 높여왔습니다.

알코아가 Senseye와 손잡고 최고 수준의 예측 유지보수 기술과 운영 관행을 도입한 이유를 확인해 보세요.