제조 AI 도입사례 1(공정혁신)

1. 실제 구축 사례로 보는 공정 혁신 3대 축
2. 사업재편 시 공정 재설치 조건 비교 분석
3. 현장 인프라 점검 3대 체크리스트
정리

1. 실제 구축 사례로 보는 공정 혁신 3대 축

국내 제조 현장 및 스마트공장 플랫폼(KAMP, 솔루션사 레퍼런스 등)에서 검증된 실제 구축 데이터를 바탕으로 정리

[비전 검사 (Vision AI)] 글로벌 소재·부품 가공 기업의 미세 결함 전수 검사
- 배경 및 과제 (As-Is):
  - 신소재 원자재 및 정밀 가공 부품 표면에 간헐적으로 발생하는 미세 스크래치, 기공, 변색 불량
  - 기존 룰(Rule) 기반 머신비전은 조명 각도, 미세한 진동, 표면 반사율 차이에 취약해 과검률(정상을 불량으로 오판하는 비율)이 15% 이상 발생
  - 결국 최종 판정을 검사원의 육안 샘플링 검사에 의존하게 됨 🡪 전수 검수가 불가능 🡪 검사원 간 판단 편차로 클레임 위험 상존
- AI 도입 내용 (To-Be):
  - 초고속 고해상도 카메라와 검사 특화 조명(동축/돔 조명) 설치
  - 딥러닝 기반 이미지 분류 및 결함 검출(Detection) 모델 탑재
  - 현장 실시간 판정을 위해 클라우드가 아닌 엣지 컴퓨팅(Edge Device)을 구축
    🡪 제품 통과 속도(Tact time, 이미지당 230ms 수준)에 맞춰 실시간 양/불 판정
- 실측 성과 (Impact):
  - 검수 정확도 98.8% 달성 및 모델 결함 분류 정확도 96.1% 확보
  - 완제품 최종 불량률 13.2% 감소, 육안 검사 인력을 최종 QC 및 고부가가치 공정으로 재배치
[예지보전 (PdM)] 정밀 프레스/가공 중견 S사의 불시 다운타임 차단
- 배경 및 과제 (As-Is):
  - 대형 프레스, CNC 가공기, 로봇 암 등 핵심 설비의 모터 및 스핀들 베어링 마모
  - 3개월 주기 ‘정기 예방정비’를 진행했으나,
    - 부품의 실제 마모 상태와 무관하게 부품을 조기 교체하거나
    - 주기 사이에 예기치 못한 파손으로 라인이 멈춤
  - 연간 비계획 가동 중단 발생
- AI 도입 내용 (To-Be):
  - 핵심 구동부에 진동(가속도) 센서, 고주파 음향 센서, 모터 부하 전류 센서를 설치
  - 설비 가동 시 발생하는 초당 수백 회의 시계열(Time-series) 진동 파형을 FFT(고속 푸리에 변환)로 주파수 변환 후,
  - 이상 탐지 딥러닝 모델(CNN/RNN/Isolation Forest)을 통해 정상 주파수 대역 이탈 여부를 실시간 감시
- 실측 성과 (Impact):
  - 설비 비계획 가동 중단(Downtime) 시간 40% 이상 감축
  - 고장 발생 최소 48~72시간 전 부품 마모 경보 발송
    🡪 야간/비가동 시간을 활용한 부품 교체로 생산 라인 가동률 극대화
[수율·공정 최적화] 로봇 용접 및 사출 공정의 파라미터 제어 (KAMP 사례 기반)
- 배경 및 과제 (As-Is):
  - 가전·전장 부품 조립 라인에서 로봇 용접 공정 운영 시, 용접 전극의 마모와 열 축적으로 인해 용접 불량 빈발
  - 전극 팁 교체 시기를 작업자의 경험적 ‘감’에 의존
    - 너무 일찍 교체해 소모품 비용이 낭비되거나
    - 늦게 교체해 대량 용접 불량(터짐, 미접합) 발생
- AI 도입 내용 (To-Be):
  - 비전 카메라로 전극 팁의 표면 흑화도(열화 정도)를 1차 판정
  - PLC에서 가압력, 용접 전류, 통전 시간 데이터를 초 단위로 동시 수집
  - 2단계 복합 머신러닝 모델을 구축
    🡪 전극 마모 상태에 맞춰 최적의 전류·가압력 보정값을 실시간으로 설비에 역전달(Feed-forward 제어)
- 실측 성과 (Impact):
  - 전극 교체 주기를 데이터 기반으로 최적화하여 소모품 수명 25% 연장
  - 신제품 셋업 초기 불량률 획기적 감축 및 작업자 노하우 의존 문제 해소

2. 사업재편 시 공정 재설치 조건 비교 분석

새로운 사업 제품 라인을 깔거나 기존 공정을 개조(Retrofit)할 때, AI 기술별로 요구되는 물리적 설비 조건은 완전히 다름

이 조건을 간과하면 라인을 다 깔아놓고도 설비를 다시 뜯어내어야 할 수 있음

구분	1. 딥러닝 비전 검사	2. 설비 예지보전 (PdM)	3. 수율/공정 파라미터 최적화
설비 개조 범위	국소 집중 개조 (검사 구역 신설) 컨베이어 말단 또는 주요 가공 직후 암실/검사 부스 설치	부착형 개조 (설비 비파괴) 주요 모터, 감속기, 베어링 하우징 외벽에 센서 스터드 가공 또는 자석 부착	제어반 중심 개조 (신호선 연동) 설비 PLC, 센서, 가열기 제어기 등 통신 모듈 (RS-485, 이더넷) 연동
핵심 하드웨어 요건	• 고해상도 에어리어/라인스캔 카메라 • 특화 광학계(동축/편광/바 조명) • 제품 진동을 흡수하는 방진 지그(Jig)	• 고감도 압전형 진동 가속도 센서 • 비접촉식 적외선 온도계 및 CT 전류계 • 방수/방진(IP67) 무선 IoT 게이트웨이	• 고속 데이터 로거(Data Logger) • 신호 변환기(인버터 파라미터 추출용) • 양방향 제어를 위한 PLC 메모리 개방
데이터 수집 주기 및 용량	• 주기: 제품 통과 시점 트리거(Shot당 1회) • 용량: 장당 10~50MB (대용량 비정형)	• 주기: 초당 1,000~10,000회 (고주파) • 용량: 엣지 전처리(FFT) 미수행 시 통신망 과부하 발생	• 주기: 1초~10초 단위 주기적 수집 • 용량: 수치형 데이터로 상대적 저용량
컴퓨팅 인프라 구조	현장 인라인 엣지 PC (GPU 필수) 라인 속도(ms 단위)를 맞추기 위해 검사기 바로 옆에 산업용 GPU 박스 탑재	게이트웨이 $\rightarrow$ 온프레미스/클라우드 현장에서 주파수 특징값만 추출한 뒤 상위 관제 서버로 주기적 전송	상위 MES / 공정 분석 서버 과거 이력과 실시간 계측값을 매칭하는 분석 서버 연동
현장 환경 제약 요소	• 분진, 오일 미스트에 의한 렌즈 오염 • 외부 채광(태양광, 공장 형광등) 간섭	• 주변 설비의 진동 노이즈 간섭 • 고온 배관 인근 센서 내열 한계	• 노후 PLC의 통신 프로토콜 폐쇄성 • 라인 멈춤 없는 실시간 데이터 추출 한계

3. 현장 인프라 점검 3대 체크리스트

“카메라를 달 수 있는 물리적 공간과 진동 통제가 가능한가?” (비전 검사)
- 아무리 좋은 AI 모델도 컨베이어가 덜컹거리면 이미지가 흔들려(Motion Blur) 판정이 불가능함
- 셔터 스피드 확보를 위한 충분한 조명 광량과 진동 흡수 마운트 설치 공간이 도면에 확보되어 있어야 함
“우리 공장의 낡은 PLC에서 데이터를 밖으로 빼낼 수 있는가?” (수율 최적화)
- 15~20년 된 노후 설비는 외부 통신 포트가 없거나 제조사 전용 폐쇄형 프로토콜을 사용함
- 이런 경우
  - 설비 전체를 바꿀 필요 없이,
  - 외부 아날로그 전류선에 분할형 센서(Clamp-on Sensor)를 덧대거나
  - 보조 PLC를 달아 데이터를 가로채는 ‘비침습(Non-invasive) 방식’을 고려해야 함
  - (물론 자금 여유가 있다면 설비 전체를 교체할 수도 있지만 연관된 시스템의 수정 및 연쇄적인 교체 이슈가 발생할 수 있음)
“데이터 전송 시 공장 와이파이가 버틸 수 있는가?” (예지보전)
- 수십 대의 설비에서 진동 원시 데이터(초당 수천 개 숫자)를 그대로 서버로 전송하면 사내 네트워크가 마비될 수 있음
- 현장 센서 게이트웨이 단에서 1차로 이상 징후 요약값(RMS, 첨도 등)만 걸러서 보내는 ‘엣지 컴퓨팅(Edge Computing)’ 아키텍처를 사전에 계획해야 함

정리

공정 혁신 AI는 공장 안에서 눈(비전), 귀(예지보전), 뇌(수율 최적화)를 담당하며 즉각적인 수율 개선과 다운타임 감축을 입증해 줌

그러나 성공의 80%는 AI 알고리즘 자체가 아니라, 물리적 공정 재설치 조건을 사전에 얼마나 치밀하게 맞췄는가에 달려 있음

카메라 조명 박스를 어디에 둘 것인가?

센서를 진동 노이즈 없이 어떻게 붙일 것인가? 등

1. 실제 구축 사례로 보는 공정 혁신 3대 축

2. 사업재편 시 공정 재설치 조건 비교 분석

3. 현장 인프라 점검 3대 체크리스트

정리

📌 함께 보면 좋은 글