전기차 충전기 칠러 “고장 예측/수명 예측” 을 AI로

이 경우는 일반 AI 챗봇보다 설비 예지보전 AI / 시계열 이상탐지 AI / 잔여수명 예측 AI 영역으로 보면 됩니다.
전기차 급속충전은 고전류로 인해 열이 많이 발생하고, 고출력 충전에서는 액체 냉각·칠러·펌프·열교환·케이블 냉각 상태가 안전성과 성능에 직접 영향을 줍니다. 냉각계통에서는 일반적으로 온도, 유량, 압력이 핵심 감시 대상입니다.

1. 목표를 먼저 나누는 것이 중요합니다

칠러 AI는 한 번에 “수명 예측”부터 만들기보다 아래 3단계로 가는 것이 좋습니다.

단계목적구현 난이도현실성

1단계	이상징후 감지	낮음~중간	가장 먼저 가능
2단계	고장 유형 예측	중간	고장 이력 필요
3단계	잔여수명 예측	높음	장기간 데이터 필요

처음부터 RUL, 즉 Remaining Useful Life를 정확히 예측하려면 고장까지 이어진 충분한 이력 데이터가 필요합니다. 예지보전 분야에서는 설비의 센서·운전 시계열 데이터를 이용해 남은 사용 가능 시간을 예측하는 접근이 일반적이지만, 고장 데이터가 부족하면 정확도가 낮아질 수 있습니다.

따라서 처음에는 정상 패턴을 학습하고 정상에서 벗어나는 정도를 점수화하는 방식이 가장 적합합니다.

---

2. 수집해야 할 데이터

A. 칠러 / 냉각계통 센서 데이터

가장 중요한 데이터입니다.

구분수집 항목설명

온도	냉각수 입구 온도	칠러로 들어오는 냉각수 온도
온도	냉각수 출구 온도	냉각 후 나가는 온도
온도	칠러 내부 온도	제어함, 냉각모듈 내부 온도
온도	외기 온도	여름/겨울 조건 보정용
온도	충전 케이블 온도	케이블 과열 감지
온도	충전 커넥터 온도	접촉저항 증가 감지
유량	냉각수 유량	펌프 성능, 막힘, 누수 판단
압력	냉각수 압력	배관 막힘, 공기 혼입, 펌프 이상
압력차	입구/출구 압력차	필터 막힘, 열교환기 막힘 추정
펌프	펌프 RPM	제어명령 대비 실제 반응
펌프	펌프 전류	베어링 마모, 부하 증가 감지
팬	팬 RPM	방열 성능 판단
팬	팬 전류	팬 고착, 모터 이상 감지
압축기	압축기 전류	냉동사이클 부하 판단
압축기	압축기 ON/OFF	동작 패턴 분석
냉매	고압/저압 압력	가능하면 수집 권장
냉각수	수위	부족, 누수 추정
냉각수	전도도/농도	부식, 냉각수 품질 추정
진동	펌프/압축기 진동	베어링, 회전체 이상 감지

최소 구성으로 시작한다면 다음 10개는 꼭 권장합니다.

충전전력(kW)
충전전류(A)
외기온도
냉각수 입구온도
냉각수 출구온도
케이블온도
냉각수 유량
냉각수 압력
펌프전류
팬/압축기 동작상태

 

---

B. 충전기 운전 데이터

칠러 상태는 충전 부하와 같이 봐야 합니다. 같은 냉각수 온도라도 50kW 충전 중인지, 350kW 충전 중인지에 따라 의미가 다릅니다.

구분수집 항목

충전 상태	대기, 충전중, 종료, 오류
충전 전압	DC 출력 전압
충전 전류	DC 출력 전류
충전 전력	kW
충전 시간	세션 시작/종료
누적 충전량	kWh
커넥터 번호	A/B 포트 구분
차량 요청전류	가능하면 수집
충전 제한 여부	온도 때문에 전류 제한 발생 여부

고출력 충전에서는 열 부하가 전류와 밀접하게 연결되므로, 냉각 AI는 반드시 충전전류·충전전력과 함께 학습해야 합니다. 고출력 충전에서 액체냉각이 필요한 이유도 전류 증가에 따른 열 증가 때문입니다.

---

C. 제어 명령 데이터

AI가 설비 이상을 판단하려면 “명령”과 “실제 반응”을 비교해야 합니다.

명령값실제값판단 예

펌프 80% 명령	유량 낮음	펌프 성능저하/막힘
팬 ON 명령	팬 RPM 낮음	팬 고장
냉각 ON	출구온도 하락 없음	냉각성능 저하
전류 제한 명령	케이블온도 상승 지속	냉각 부족

이 구조가 매우 중요합니다. 단순히 온도만 보면 “더운 날이라 높은 것인지, 고장이라 높은 것인지” 구분하기 어렵습니다.

---

D. 이벤트 / 알람 / 정비 이력

AI 학습에서 가장 가치 있는 데이터입니다.

데이터예

알람 코드	과온, 저유량, 고압, 저압, 팬 이상
발생 시간	2026-06-18 10:23:15
복구 시간	자동복구/수동복구
정비 이력	필터교체, 냉각수 보충, 펌프교체
부품 교체 이력	펌프, 팬, 센서, 압축기
고장 원인	누수, 막힘, 센서불량, 냉매부족
작업자 메모	현장 점검 내용

수명 예측은 이 정비 이력이 있어야 가능합니다.
예를 들어 펌프 교체일이 있어야 “교체 10일 전부터 어떤 패턴이 나타났는지”를 학습할 수 있습니다.

---

3. 데이터 저장 구조

수집 주기는 설비 상태에 따라 다르게 가져가는 것이 좋습니다.

상태권장 수집 주기

대기 상태	30초~60초
충전 중	1초~5초
이상 발생 전후	1초
알람 발생 시	전후 5~10분 상세 저장

기본 테이블은 다음처럼 잡으면 됩니다.

 

chiller_sensor_log
- log_time
- charger_id
- connector_id
- operation_mode
- charge_power_kw
- charge_current_a
- ambient_temp
- coolant_in_temp
- coolant_out_temp
- cable_temp
- connector_temp
- coolant_flow
- coolant_pressure
- pump_rpm
- pump_current
- fan_rpm
- compressor_current
- alarm_code
- status

 

정비 이력은 별도 테이블로 둡니다.

 

maintenance_log
- maintenance_time
- charger_id
- component_type
- action_type
- failure_code
- replaced_yn
- description

 

---

4. AI 학습용 데이터 전처리

센서 원본값을 그대로 AI에 넣으면 성능이 낮습니다. 반드시 시간 기준 정렬, 결측 처리, 이상값 처리, 파생 변수 생성이 필요합니다.

A. 시간 정렬

모든 센서값을 같은 시간축으로 맞춥니다.

예:

1초 단위 또는 5초 단위로 리샘플링

 

센서별 수집 시간이 다르면 다음처럼 맞춥니다.

10:00:00  온도, 유량, 압력, 전류
10:00:05  온도, 유량, 압력, 전류
10:00:10  온도, 유량, 압력, 전류

 

---

B. 결측값 처리

상황처리 방법

1~2개 누락	직전값 보간
긴 구간 누락	학습 제외
특정 센서 지속 누락	센서 이상 플래그 생성

센서값이 없는 것을 그냥 0으로 넣으면 안 됩니다. 0은 실제값으로 오해될 수 있습니다.

---

C. 이상값 처리

물리적으로 불가능한 값은 제거하거나 별도 플래그를 둡니다.

예:

냉각수 온도 -50℃
유량 9999 L/min
압력 음수
충전전류는 0인데 케이블온도 급상승

 

이런 값은 AI가 고장 패턴으로 잘못 학습할 수 있습니다.

---

D. 파생 변수 생성

여기가 핵심입니다. AI 성능은 원본 센서보다 파생 변수가 좌우합니다.

파생 변수계산

냉각 온도차	입구온도 - 출구온도
온도 상승률	현재온도 - 1분 전 온도
냉각 효율	온도차 / 충전전력
유량 대비 냉각성능	온도차 / 유량
압력 대비 유량	유량 / 압력
펌프 부하율	펌프전류 / 유량
과열지수	케이블온도 - 외기온도
제어반응 지연	냉각 ON 후 온도 하락까지 시간
누적 운전시간	부품별 누적 시간
누적 충전량	kWh 누계
알람 빈도	최근 7일 알람 횟수

예를 들면 다음 패턴은 중요합니다.

펌프전류는 증가하는데 유량은 감소한다
→ 펌프 마모, 필터 막힘, 배관 막힘 가능성

충전전력은 동일한데 케이블온도가 과거보다 빠르게 오른다
→ 냉각성능 저하 가능성

냉각 ON 후 출구온도 하락 시간이 길어진다
→ 칠러 성능 저하 가능성

 

---

5. 학습 데이터 만드는 방법

1단계: 정상 데이터 만들기

처음에는 고장 데이터가 부족하므로 정상 데이터부터 만듭니다.

정상 조건 예:

알람 없음
정비 직후 일정 기간 제외
충전 중 강제 종료 없음
센서 결측 없음
온도/유량/압력이 정상 범위

 

이 정상 데이터를 AI에 학습시킵니다.

AI는 이후 다음을 판단합니다.

이 장비의 현재 패턴이 정상과 얼마나 다른가?

 

이것이 이상탐지 방식입니다.

---

2단계: 이상 라벨 만들기

알람 코드와 정비 이력을 기준으로 라벨을 만듭니다.

예:

라벨조건

NORMAL	정상
OVER_TEMP	과온 알람
LOW_FLOW	저유량 알람
HIGH_PRESSURE	고압 알람
PUMP_DEGRADE	펌프 교체 전 7일
FAN_FAULT	팬 이상 알람 전후
SENSOR_FAULT	센서값 비정상

고장 발생 시점만 라벨링하면 너무 늦습니다.
예지보전에서는 고장 전 기간을 별도 라벨로 잡아야 합니다.

예:

펌프 교체일 = 2026-06-18

2026-06-11 ~ 2026-06-17 = PUMP_PRE_FAILURE
2026-06-18 = PUMP_FAILURE
그 이전 정상 기간 = NORMAL

 

---

3단계: 시계열 윈도우 데이터 생성

AI는 순간값 1건보다 일정 시간 구간을 봐야 합니다.

예:

최근 5분 데이터
최근 10분 데이터
최근 30분 데이터
최근 1시간 데이터

 

학습 샘플 예:

입력 X = 최근 10분간의 온도, 유량, 압력, 전류, 충전전력
출력 Y = 정상 / 이상 / 고장예상

 

또는:

입력 X = 최근 24시간 운전 패턴
출력 Y = 향후 7일 내 이상 발생 가능성

 

---

6. 적합한 AI 모델

A. 초기 추천 모델

초기에는 복잡한 딥러닝보다 아래 조합이 좋습니다.

목적추천 모델

정상/이상 탐지	Isolation Forest
정상 패턴 학습	AutoEncoder
고장 유형 분류	Random Forest, XGBoost, LightGBM
이상 점수 산출	One-Class SVM, Isolation Forest
시계열 이상탐지	LSTM AutoEncoder, TCN AutoEncoder
잔여수명 예측	LSTM, GRU, Temporal CNN, XGBoost Regression

처음 구축할 때는 다음 순서가 현실적입니다.

1차: Rule + 통계 기준
2차: Isolation Forest / Random Forest
3차: AutoEncoder
4차: LSTM AutoEncoder / TCN
5차: RUL 예측 모델

 

산업 시계열 이상탐지에서는 정상 패턴과의 차이를 학습하는 AutoEncoder 계열이 많이 사용되며, 최근 실제 산업 시계열 연구에서도 단순 Isolation Forest보다 AutoEncoder 계열이 복잡한 공정 변동을 더 잘 포착하는 사례가 보고되었습니다.

---

B. 현재 목적에 가장 적합한 구성

질문하신 목적에는 아래 구성이 가장 적합합니다.

1) 이상 상태 예상

모델: LSTM AutoEncoder 또는 TCN AutoEncoder
입력: 최근 10~30분 센서 시계열
출력: 이상점수

 

정상 데이터를 학습시켜 놓고, 현재 데이터가 정상 패턴에서 벗어나면 이상점수를 높입니다. LSTM 기반 모델은 장시간 의존성이 있는 센서 시계열 분석에 적합하고, LSTM AutoEncoder는 예지보전 이상탐지에 자주 사용됩니다.

2) 고장 유형 예측

모델: XGBoost / LightGBM / Random Forest
입력: 파생 변수 + 최근 통계값
출력: 저유량, 과온, 펌프성능저하, 팬이상 등

 

예:

최근 10분 평균 유량
최근 10분 최대 케이블온도
최근 10분 온도상승률
최근 1시간 펌프전류 평균
최근 7일 알람횟수

 

이런 Feature 기반 모델은 설명력이 좋습니다.
현장에서는 “왜 이상이라고 판단했는지”가 중요하므로 초기에는 딥러닝보다 Random Forest / XGBoost가 유리할 수 있습니다.

3) 장비 수명 예측

모델: LSTM / GRU / Temporal CNN / XGBoost Regression
입력: 장기간 누적 운전 데이터
출력: 잔여수명, 고장확률, 정비권장일

 

다만 수명 예측은 최소한 다음 데이터가 필요합니다.

부품별 교체일
고장 발생일
누적 운전시간
누적 충전량
부하율
정비 이력
고장 전 센서 패턴

 

RUL 예측은 다변량 시계열을 이용하는 대표적인 예지보전 문제이며 CNN, RNN, LSTM 계열이 많이 활용됩니다.

---

7. 현장 적용용 AI 판단 예시

예시 1: 냉각 성능 저하

충전전력: 150kW로 동일
외기온도: 비슷함
냉각수 유량: 정상
출구온도: 과거보다 높음
케이블온도 상승률: 증가

 

AI 판단:

냉각 효율 저하 가능성
열교환기 오염 또는 냉매계통 성능 저하 의심

 

---

예시 2: 펌프 이상

펌프전류 증가
유량 감소
압력 변동 증가
냉각수 온도차 감소

 

AI 판단:

펌프 마모 또는 배관/필터 막힘 가능성
정비 점검 권장

 

---

예시 3: 센서 이상

외기온도 25℃
냉각수 온도 80℃로 순간 상승
다음 측정값 28℃ 복귀
다른 센서 변화 없음

 

AI 판단:

실제 과열보다 온도센서 노이즈 가능성
센서 점검 필요

 

---

8. 추천 시스템 구조

현장 적용 구조는 다음처럼 잡으면 좋습니다.

전기차 충전기 제어보드
        ↓
센서 데이터 수집
        ↓
Edge Gateway 또는 서버 수집 API
        ↓
MariaDB / PostgreSQL / InfluxDB 저장
        ↓
전처리 Batch / 실시간 Stream
        ↓
AI 모델
        ↓
이상점수 / 고장예상 / 정비권장
        ↓
관리자 화면 / 알림 / 리포트

 

사용자님의 기존 개발 방향을 기준으로 하면 다음 구성이 적합합니다.

영역추천 기술

수집 서버	Python Flask / FastAPI
저장 DB	MariaDB + 시계열 테이블
AI 학습	Python, Pandas, Scikit-learn, PyTorch
관리자 화면	C# WinForms / Syncfusion Grid
현장 알림	FCM, 카카오 알림, Email
대시보드	Flask Web 또는 WinForms
배포	서버 AI + 현장 Edge 보조

---

9. 처음 만들 때의 현실적인 MVP

처음부터 완전한 AI 수명 예측을 만들기보다 아래 범위로 시작하는 것이 좋습니다.

1차 MVP 기능

1. 충전기별 칠러 센서 데이터 수집
2. 정상 범위 기준 알람
3. 최근 10분/1시간/24시간 추이 조회
4. 냉각효율 지표 계산
5. 이상점수 산출
6. 이상징후 TOP 5 표시
7. 정비 권장 메시지 출력

 

1차 AI 모델

Isolation Forest + Random Forest

 

또는 데이터가 충분하면:

AutoEncoder

 

1차 출력 예

충전기 ID: CHG-001
상태: 주의
이상점수: 82/100
예상 원인: 냉각수 유량 저하
근거:
- 동일 충전전력 대비 케이블온도 상승률 35% 증가
- 펌프전류 18% 증가
- 유량 12% 감소
권장 조치:
- 필터 막힘 확인
- 냉각수 수위 확인
- 펌프 상태 점검

 

이런 식으로 “AI가 왜 그렇게 판단했는지”를 같이 보여줘야 현장에서 신뢰를 얻을 수 있습니다.

---

10. 데이터 최소 수집 기간

목적필요 데이터 기간

기본 모니터링	즉시 가능
정상 패턴 학습	2주~1개월
계절/외기 보정	3개월 이상
고장 유형 예측	고장 사례 20~50건 이상
수명 예측	부품별 교체 이력 6개월~1년 이상

고장 데이터가 거의 없다면 처음에는 비지도 이상탐지가 맞고, 고장 이력이 쌓이면 지도학습 분류 모델과 RUL 모델로 확장하면 됩니다.

---

11. 결론

전기차 충전기 칠러 AI는 다음 방향이 가장 적합합니다.

1단계: 센서 데이터 수집
2단계: 정상/비정상 기준 정리
3단계: 파생 변수 생성
4단계: 이상탐지 AI 적용
5단계: 고장유형 예측
6단계: 부품별 수명 예측

 

초기 추천 모델은 다음입니다.

초기: Rule + Isolation Forest + Random Forest
중기: AutoEncoder
고도화: LSTM AutoEncoder / TCN AutoEncoder
수명예측: LSTM / XGBoost Regression / Temporal CNN

 

핵심 수집 데이터는 다음입니다.

충전전력
충전전류
외기온도
냉각수 입구/출구 온도
케이블/커넥터 온도
냉각수 유량
냉각수 압력
펌프 RPM/전류
팬 RPM/전류
압축기 전류
알람 코드
정비/교체 이력

 

이 방식으로 설계하면 단순 모니터링이 아니라 **“이상징후 감지 → 원인 추정 → 정비 권장 → 수명 예측”**까지 확장 가능한 충전기 칠러 예지보전 시스템을 만들 수 있습니다.