AWS Bedrock Agent 기반 제조 설비 고장 예측 및 자율 정비 권고 시스템
manufacturing-maintenance-agent — AWS Bedrock Agent 기반 제조 설비 고장 예측 및 자율 정비 권고 시스템
제조 설비 센서 데이터를 AI Agent가 도구를 자율적으로 활용하여 고장을 사전 예측하고, RAG 기반 정비 권고부터 부품 발주까지 전 과정을 자동화하는 시스템입니다.
| 이름 | 역할 | 담당 |
|---|---|---|
| 허소영 | 클라우드 인프라 | AWS 리소스 구성, Lambda(sensor_read / calculator / range_check / dynamo_save), Bedrock Agent 배포·운영 |
| 임수희 | AI/ML | 데이터 전처리, Knowledge Base 구축, Bedrock Agent Instruction 설계 |
| 손재우 | 프론트엔드 | 웹 대시보드, Lambda(inventory_check / create_order / dashboard_data / refresh) |
- 100% 서버리스 아키텍처 — Lambda, DynamoDB, S3, Bedrock 등 완전관리형 서비스만으로 구성하여 VPC·서버 관리 오버헤드를 제거
- AI Agent 기반 자율 판단 워크플로우 — Bedrock Agent가 calculator, range_check, Knowledge Base 등 도구를 자율적으로 선택하여 고장을 진단
- RAG 기반 과거 이력 활용 — Knowledge Base에 축적된 과거 고장 이력과 정비 매뉴얼을 검색하여 유사 사례 기반 정비 권고를 생성
- 이벤트 기반 알림 및 통합 대시보드 — DANGER 판정 시 SNS로 즉시 알림, 웹 대시보드에서 전체 현황을 한눈에 파악
현재 대다수 제조 현장은 고장이 발생한 뒤 대응하는 사후 정비, 또는 일정 주기마다 부품을 교체하는 예방 정비에 의존하고 있습니다.
- 설비가 한 번 정지하면 피해 규모가 막대함 (예: 반도체 공장 정전 사고 시 단시간 정지에도 수백억 원 손실 사례)
- 예지 정비(Predictive Maintenance) 도입률이 극히 낮음 — 국내 제조 중소기업 중 AI 기반 스마트공장 도입률은 0.1% 수준
- 기존 예지 정비 시스템은 평균 구축비 7.5억 원, ML 전담 인력 보유율 0.9%로 GPU 서버와 별도 ML 파이프라인 구축이 필수적이라 중소기업이 감당하기 어려운 진입 장벽 존재
속도, 접근성, 비용을 모두 만족하는 새로운 방식의 예지 정비가 필요합니다. 이에 대한 해답으로, GPU 서버나 상시 운영 인프라 없이 서버리스 AI Agent 기반 시스템을 설계했습니다.
설비 센서 데이터를 10분마다 자동 수집하고, 이상이 감지되면 Bedrock Agent가 자율적으로 원인을 진단하여 정비를 권고하며, 필요 부품의 재고 확인부터 발주까지 자동화합니다.
- 자동 센서 수집: EventBridge가 10분 주기로 설비 5대의 센서 데이터를 조회
- Agent 자율 진단: Bedrock Agent가 calculator(정밀 계산), range_check(정상범위 판정), Knowledge Base 검색(과거 이력/매뉴얼)을 상황에 맞게 자율적으로 호출해 고장 유형과 위험도를 판정
- RAG 기반 정비 권고: 과거 고장 이력과 정비 매뉴얼을 검색해 유사 사례 기반의 구체적인 권고안 생성
- 이벤트 기반 알림: DANGER 판정 시 SNS를 통해 담당자에게 즉시 이메일 발송
- 재고 확인·발주 자동화: 필요 부품의 재고를 조회하고, 부족 시 발주서(PDF)를 자동 생성
- 통합 대시보드: 설비 현황, 센서 추이, 발주 승인/거절을 한 화면에서 관리
- 설비 센서 데이터가 S3에 저장됨
- EventBridge가 10분 주기로
sensor_readLambda를 트리거 sensor_read가 5대 설비의 센서값을 Bedrock Agent에 전달- Agent가 calculator/range_check/Knowledge Base를 자율적으로 활용해 고장 유형·위험도 판정
- 판정 결과를
dynamo_save가 DynamoDB에 저장, DANGER 시 SNS 이메일 발송 - 필요 부품이 있으면
inventory_check로 재고 확인 → 부족 시create_order로 발주서 생성 - 현장 작업자가 대시보드에서 결과를 확인하고 발주를 승인/거절
| 항목 | 기존 예지 정비 시스템 | 본 프로젝트 |
|---|---|---|
| 인프라 | GPU 서버, 상시 운영 ML 파이프라인 필요 | 100% 서버리스, 즉시 도입 가능 |
| 처리 범위 | 이상 탐지까지만 | 원인 진단 → 정비 권고 → 발주까지 자동화 |
| 판단 방식 | 사전에 고정된 파이프라인 | Agent가 상황별로 도구를 자율 선택 |
| 근거 제시 | 결과값만 제공 | 계산 근거 + 과거 유사사례(RAG) 함께 제시 |
| 초기 구축비 | 평균 7.5억 원 | 완전관리형 서비스 사용량 기반 과금 |
AI/모델
- Amazon Bedrock (Claude Opus 4.8) — Agent 오케스트레이션 및 추론
- Bedrock Knowledge Base + OpenSearch Serverless — RAG 벡터 검색
데이터
- AI4I 2020 Predictive Maintenance Dataset (10,000건, 설비 5대 상정)
- 과거 고장 이력 데이터, 정비 매뉴얼 (Knowledge Base 색인용)
인프라 / 백엔드
- AWS Lambda (Python) — Agent Action Group 및 데이터 파이프라인
- Amazon DynamoDB — 분석 결과, 재고, 발주 데이터 저장
- Amazon S3 — 센서 원본 데이터, Knowledge Base 문서 저장
- Amazon EventBridge — 10분 주기 자동 트리거
- Amazon SNS — DANGER 판정 시 이메일 알림
- Amazon API Gateway — 대시보드 연동 REST API
- AWS IAM — 최소 권한 정책
- Amazon CloudWatch — Lambda 실행 로그, Agent trace 모니터링
프론트엔드
- React + Vite
Bedrock Agent Action Group (5개)
sensor_read— S3에서 센서 데이터를 조회해 Bedrock Agent를 호출하는 트리거range_check— 개별 센서값의 정상 범위 이탈 여부와 이탈률을 반환 (예: 정상 범위 12.6~70.0 대비 63% 이탈)calculator— 전력, Strain, 온도차 등 복합 사칙연산을 정밀 계산. LLM이 직접 계산 시 발생할 수 있는 오차를 방지하기 위해 별도 도구로 분리dynamo_save— 분석 결과를 DynamoDB에 저장하고, 위험도 DANGER 확정 시 SNS 알림 발송inventory_check— 필요 부품의 재고 수량 조회
발주/대시보드 연동
create_order— 재고 부족 시 발주서 PDF 생성dashboard_data— API Gateway를 통해 DynamoDB의 설비별 분석 결과를 대시보드에 전달refresh— 대시보드의 수동 새로고침 버튼 요청을 받아sensor_read를 즉시 트리거
[제조 설비 센서 데이터]
│ 저장
▼
[Amazon S3] ──(10분 주기)── [EventBridge] ──▶ [sensor_read Lambda]
│ invoke_agent (설비 5대)
▼
┌─────────────────────────┐
│ Bedrock Agent │
│ (Claude Opus 4.8) │
│ │
│ ── 자율적으로 도구 호출 ── │
│ · calculator │
│ · range_check │
│ · Knowledge Base 검색 │
└───────────┬──────────────┘
│
┌───────────────────┼───────────────────┐
▼ ▼ ▼
[dynamo_save] [inventory_check] [create_order]
│ │ │
▼ ▼ ▼
[DynamoDB] (재고 조회) (발주서 PDF)
│
DANGER 판정 시
▼
[Amazon SNS]
(이메일 알림)
│
▼
[API Gateway] ──▶ [dashboard_data] ──▶ [웹 대시보드]
▲
[refresh] ─┘ (수동 새로고침)
| 서비스 | 역할 |
|---|---|
| Amazon Bedrock (Agent + Knowledge Base) | 자율 진단 오케스트레이션, RAG 검색 |
| AWS Lambda | 8종의 Action Group / 데이터 파이프라인 실행 |
| Amazon DynamoDB | 분석 결과·재고·발주 데이터 저장 |
| Amazon S3 | 센서 원본 데이터, Knowledge Base 원본 문서 저장 |
| Amazon EventBridge | 10분 주기 자동 트리거 |
| Amazon SNS | DANGER 판정 시 이메일 알림 발송 |
| Amazon API Gateway | 대시보드-백엔드 연동 REST API |
| AWS IAM | Lambda·Agent 최소 권한 정책 |
| Amazon CloudWatch | Lambda 로그 및 Agent trace 모니터링 |
- Bedrock Agent가 calculator/range_check/Knowledge Base를 상황에 따라 자율적으로 호출하여 고장 유형과 위험도를 판정하는 워크플로우 구현 완료
- 단일 고장뿐 아니라 복합 고장(예: PWF+OSF 동시 발생)도 정확히 탐지
- 판정부터 DynamoDB 저장, SNS 알림, 재고 확인, 발주서 생성까지 전 과정 자동화 확인
- 대시보드에서 설비 현황 조회, 발주 승인/거절, 수동 새로고침 기능 정상 동작 확인
- 관리자 로그인 화면
- 설비 현황 대시보드 (정상/이상 설비 분리 조회, 설비별 센서 추이)
- 발주 승인/거절 화면 및 발주서 PDF
- 긴급 알림 이메일 (예:
[긴급] FAC-005 장비 중대한 위험 발견)
docs/ 폴더 내 시연 영상 링크 참고 (별도 첨부)
정상, 단일 고장, 복합 고장 등 총 8개 시나리오를 전수 테스트하여 전부 기대값과 일치함을 확인했습니다.
예시 (FAC-004, L등급, torque 65.7Nm, tool_wear 191min 입력 시):
calculator를 3회 호출하여 전력 9.70kW, Strain 12,548, 온도차 10.1K를 정밀 계산- 전력 9.70kW가 임계값 9.0kW를 초과 → PWF(전력 고장) 판정
- Strain 12,548이 L등급 임계값 11,000을 초과 → OSF(과부하 고장) 동시 판정
- Knowledge Base 검색으로 과거 유사 사례(동일 유형 복합 고장 이력) 확인
- 위험도 88, DANGER로 최종 판정, 필요 부품 PW-303 / OS-404 지정
dynamo_save로 결과 저장,inventory_check로 재고 확인(PW-303 재고 1개, OS-404 재고 0개) → OS-404만 발주 필요로 판단
센서 수신부터 재고 확인까지 모든 단계를 Agent가 자율적으로 수행했으며, 사람의 개입 없이 전 과정이 완료되었습니다.
- 고장 대응 시간을 수 시간에서 수 분으로 단축
- 전문 인력 의존도를 낮춰 비숙련자도 AI 권고 기반 대응 가능
- 서버리스 구조로 인프라 도입·운영 비용 최소화
- 복합 고장 탐지와 RAG 교차 검증으로 정비 정확도 향상
- 고장 판정 로직이 규칙(임계값) 기반이라 학습 기반 예측 대비 정밀도에 한계
- 단일 데이터셋(AI4I 2020) 기반으로 검증되어 실제 현장 데이터와의 차이 존재 가능
- 재고/발주 처리가 조건 분기 로직에 의존
- 10분 주기 배치 방식으로 실시간성에 제한
- SageMaker ML 모델 도입 — 규칙 기반 진단을 데이터 학습 기반 이상 탐지로 전환
- Kinesis Data Streams 도입 — 배치 방식에서 실시간 스트리밍 처리로 전환
- 재고/발주 로직 분리 — Agent와 재고·발주 처리 책임을 분리해 역할 명확화
- Bedrock Guardrails 적용 — Human-in-the-loop 강화로 안전성 확보
- 멀티모달 진단 (이미지·음향 데이터 결합)
- 제조업 외 다른 산업 도메인으로 확장
- 서버리스 구조를 활용한 설비 수 확장 (5대 → N대)
- 시계열 데이터 축적 후 고장 확률 예측 모델로 발전
main: 최종 완성본soyoung: 허소영suhee: 임수희jaewoo: 손재우agent: Agentic 아키텍처 전환 작업 브랜치
cp .env.example .env
# .env에 값 입력 후 개발 시작.env파일 절대 커밋 금지
- AI4I 2020 Dataset: https://archive.ics.uci.edu/dataset/601
- Bedrock Agents: https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html