AI가 공기 여과에 들어오다: 필터가 똑똑해진 것이 아니라 그 주변의 판단이 달라졌다

AI를 공기 여과에 쓴다고 하면 많은 사람이 먼저 필터가 똑똑해지느냐고 묻습니다.

>

답은 아닙니다. 필터는 여전히 그 필터입니다. 다만 주변의 판단이 똑똑해졌고, 그것만으로도 시스템 전체의 비용 구조가 달라집니다.

2025년 8월 Discover Applied Sciences(Springer)에 실린 연구가 이 문제를 체계적으로 다뤘습니다. 정리하면 다음과 같습니다.

AI가 공기 여과에서 맡는 네 가지 영역

1. 여과 효율 예측

문제: 새 여재를 개발하려면 실험에 많은 시간이 듭니다. 섬유 지름, 충전 밀도, 공경을 바꿔 가며 한 바퀴씩 시행착오를 거치는데 한 바퀴에 몇 주가 걸립니다.

AI 해법: 머신러닝 모델(랜덤 포레스트, 신경망)이 과거 데이터를 분석해 여러 파라미터 조합에서의 여과 효율을 예측합니다. 연구개발팀이 가장 유망한 방향에 힘을 모을 수 있어 개발 기간이 30–50 % 줄어듭니다.

실무적 의미: 새 여재의 개발 주기가 12개월에서 6–9개월로 줄어듭니다.

2. 에너지 최적화

문제: 전통적인 PID 제어 공조 시스템은 변하지 않는 설정으로 모든 상황에 대응하려 합니다. 보수적인 풍량 설정으로 청정도가 무너지는 것을 막는 방식입니다. 그 결과 대부분의 시간을 낭비합니다.

AI 해법: 실내 입자 계수, 인원 재실 감지, 공정 상태를 결합해 풍량과 풍속을 실시간으로 조정합니다. 청정도가 기준을 만족하는 시간대에는 풍량을 내리고 오염이 올라갈 때는 풍량을 올립니다.

실측 절전 효과는 15–30 %입니다. 중형 클린룸(1만 제곱미터)이라면 연간 전기료 절감액이 대만달러 수백만 단위에 이릅니다.

3. 스마트 모니터링 —— 디지털 트윈

문제: 수천 장의 필터가 각각 따로 작동하는데, 언제 교체할지는 그때 가서 보는 수밖에 없습니다.

AI 해법: IoT 센서(차압계, 입자 계수, 온습도)의 실시간 데이터를 결합해 필터마다 디지털 트윈(Digital Twin)을 만듭니다.

클라우드 안에서 실물 필터마다 가상의 짝이 하나씩 있어 건강 상태, 누적 오염, 예상 수명을 기록합니다. 이상 예고 경보를 72시간 이상 앞당길 수 있습니다.

4. 예측 정비

문제: 정기 교체 방식은 아직 망가지지 않았는데 갈아 낭비하거나, 망가진 뒤에 갈아 수율을 도박에 거는 것입니다.

AI 해법: 과거 데이터와 머신러닝을 바탕으로 필터마다 남은 수명을 정확히 예측합니다. 필터 교체가 6개월마다에서 3주 남았을 때로 바뀝니다.

실측 결과 소모품 사용량이 20 % 줄었습니다. 소모품 비용 규모가 큰 공장이라면 연간 회수액이 대만달러 백만 단위부터 시작합니다.

열 쾌적성과 음향: AI가 더 할 수 있는 일

논문은 비교적 덜 주목받는 두 가지 용도도 언급합니다:

열 쾌적성 최적화

AI가 실내 인원 밀도와 활동 형태에 따라 급기 온도와 풍량 분포를 동적으로 조정합니다. 아무도 없는 회의실에 냉방을 세게 틀거나, 사람이 많은 사무실에는 오히려 부족하게 부는 전형적인 낭비를 막습니다.

음향 공진 모니터링

송풍기와 덕트 시스템의 진동 스펙트럼을 감시합니다. 송풍기 베어링이 망가지기 직전에 진동 스펙트럼에 특징적인 변화가 나타나므로 AI가 미리 경보할 수 있어 갑작스러운 고장 정지를 피할 수 있습니다.

도입하려면 어떤 조건이 필요한가

AI는 달기만 하면 되는 것이 아니라 세 가지 기반이 필요합니다:

1. 충분한 센서 밀도

FFU마다 최소 한 대의 차압계, 구역마다 한 대의 파티클 카운터, 핵심 지점에 IMS나 VOC 센서 한 대가 필요합니다. 데이터가 없으면 AI도 없습니다.

2. 데이터 관리 시스템

IoT 데이터 흐름이 24시간 계속 쌓이므로 시계열 데이터베이스(InfluxDB 등)로 저장하고 시각화 도구(Grafana)로 보여 주어야 합니다.

3. 초기 학습 데이터

머신러닝 모델은 충분한 과거 데이터가 있어야 정확해집니다. 막 가동한 시스템은 정확도가 낮으며 보통 6–12개월 운전해 데이터를 충분히 모은 뒤에야 온전한 효과가 드러납니다.

흔한 오해

오해 1: AI가 사람의 판단을 대체한다

그렇지 않습니다. AI가 잘하는 것은 많은 데이터를 처리하고 패턴을 찾는 것이며, 새로운 상황이나 예외, 설계 판단에는 여전히 사람이 필요합니다. AI는 보조이지 대체가 아닙니다.

오해 2: AI를 도입하면 비싸다

비싸지 않을 수 있습니다. 센서 하드웨어 값은 계속 내려가고 오픈소스 도구(TensorFlow, scikit-learn)는 무료이며 주된 비용은 데이터 구조와 초기 학습 공수입니다. 많은 공장이 이미 차압 모니터링과 입자 계수 기반을 갖추고 있어 연결과 분석 계층만 모자랍니다.

오해 3: AI를 달면 자동으로 15–30 % 절약된다

자동으로 되지는 않습니다. 15–30 %는 센싱이 완비되고 학습이 충분하며 최적화를 계속한 뒤에 나오는 성과입니다. 첫해는 보통 시스템을 세우는 기간이고 둘째 해부터 효과가 보입니다.

필터 산업에 주는 의미

앞으로 필터는 독립 부품에 그치지 않고 스마트 빌딩 시스템 안에서 감지하고 통신하며 스스로 적응하는 노드가 됩니다. 다시 말해:

• ▸필터에 센서가 내장됩니다(압력손실, 온도, 습도, 어쩌면 입자 계수까지)
• ▸필터가 무선이나 유선 네트워크로 중앙 시스템에 데이터를 보냅니다
• ▸필터 본체가 명령을 받을 수도 있습니다(정전기 장 세기를 자동 조정하거나 재생 주기를 촉발하는 등)

구매 사양이 달라집니다. 과거에는 효율, 압력손실, 치수를 봤지만 앞으로는 통신 프로토콜, API 지원, BMS(건물 관리 시스템) 연동이 더해집니다.

AI가 공기 여과에 들어오는 일의 본질은 필터를 똑똑하게 만드는 것이 아니라 필터를 쓰는 사람을 똑똑하게 만드는 것입니다. 판단 효율, 에너지 효율, 소모품 효율. 이 세 가지를 함께 끌어올리는 것이 진짜 가치입니다.

필터 자체는 달라지지 않았습니다. 달라진 것은 우리가 그것을 어떻게 쓰느냐입니다.

더 읽어보기

• ▸AMC 온라인 모니터링 기술 비교: IMS, SAW, CRDS, GC-MS 중 어느 것을 써야 하나
• ▸필터의 지속가능성: 전 세계에서 매년 수십억 장이 버려지는데 어떻게 해야 하나
• ▸차압 5 Pa, 풍속 0.4 m/s —— 어떻게 재야 맞게 재는 것인가