AI

불량 예측 넘어 공정 판단까지…숙련자 노하우 품는 ‘제조 AI’

테크월드뉴스 ·

불량 예측 넘어 공정 판단까지…숙련자 노하우 품는 ‘제조 AI’
박한구 한국인더스트리4.0협회 명예회장. [사진=김승기 기자]

✦ AI 요약

제조 AI는 설비 고장·품질 불량 예측을 넘어 이상 원인 분석과 공정 대응 방안 제시로 확대되고 있다.

박한구 한국인더스트리4.0협회 명예회장은 제조 데이터와 숙련자 지식을 결합한 AI 기반 의사결정 체계와 'AI 브레인 OS 플랫폼'을 제안했다.

이 플랫폼은 사내 기술자료와 숙련자 암묵지를 판단 규칙으로 전환해 공정 이상 시 대응 시나리오를 도출하고, 그 결과를 작업자에게 권고하는 방식이다.

제조 AI의 역할이 확대되고 있다. 설비 고장·품질 불량 예측을 넘어 이상 원인 분석·공정 대응 방안 제시 단계로 나아가는 흐름이다.

이 같은 제조 AI 기반에는 숙련자 경험·노하우의 활용이 자리하고 있다. 핵심 방향으로는 숙련자 암묵지 디지털화가 제시됐다.

한국인더스트리4.0협회는 19일 경기 수원컨벤션센터에서 개최된 'SMATEC 2026' 현장에서 '제6회 인더스트리4.0과 산업 AX 국제 컨퍼런스'를 개최했다. 이 자리에서 박한구 한국인더스트리4.0협회 명예회장은 'AI 팩토리, 휴먼 브레인에서 AI 브레인으로 미래공장을 설계하다'를 주제로 발표했다.

박한구 명예회장은 국내 제조 AI 사업의 일회성 개념검증(PoC) 문제를 지적하면서, 제조 데이터와 숙련자 지식을 결합한 AI 기반 의사결정 체계 구축을 제안했다. 이와 함께 예측은 AI, 판단은 사람이라는 소주제를 제시했다.

제조 현장에서는 기존에 ERP·MES를 활용해 생산 데이터를 축적하고 공정을 관리해 왔다. 최근에는 ML 기반 AI 솔루션을 도입해 설비·공정 시계열 데이터를 분석하고 있으며, AI 솔루션의 목적은 품질 불량·설비 고장을 사전 예측하는 데 있다.

다만 AI는 불량·고장 가능성을 통지한 이후의 원인 파악과 대응 방안 결정까지 맡지는 못하고, 이 부분은 작업자가 담당하고 있다. 또한 숙련자 기술·경험의 후속 인력 전수가 미흡하고, 제조 시스템별로 데이터가 분산돼 있는 점도 AI 활용의 제약 요인으로 꼽힌다.

박 명예회장은 작업표준서·기술표준서·품질기준서·설비관리 매뉴얼이 존재하지만 현장 작업은 경험에 의존하는 경향이 있다고 밝혔다. 이어 설비 변경 후 품질 개선·고장 감소 정도의 데이터 기록이 필요하며, 설비 변경 결과의 피드백도 필요하다고 말했다.

박 명예회장은 제조 현장 문제 대응을 위한 해법으로 'AI 브레인 OS 플랫폼(AI Brain OS Platform)'을 제시했다. 이 제시안은 기존 제조 시스템 데이터와 전문 AI 솔루션을 연계하는 구성이다. 활용 기술로는 검색증강생성(RAG), 지식그래프(Knowledge Graph), 지식공학(Knowledge Engineering)을 포함한다.

이 플랫폼은 사내 기술자료와 숙련자 암묵지를 판단 규칙으로 전환하는 기능을 갖는다. 공정 이상이 발생하면 판단 규칙을 기반으로 대응 시나리오를 도출한다. 대응 항목은 생산 유지, 설비 파라미터 조정, 생산라인 중단이다.

도출된 시나리오는 경량 디지털 트윈(Light Digital Twin)으로 분석하며, 시나리오별 불량, 재작업, 생산 중단, 납기 지연 비용을 비교 대상으로 삼는다. 그 결과는 작업자를 대상으로 한 대응 방안 권고로 제공된다. 박 명예회장은 A안·B안 선택별 손실 비용 계산이 필요하고, C안으로 생산라인을 중단할 때 발생 비용 계산도 필요하다고 밝혔다. 또 실제 데이터를 활용한 경제성 분석이 필요하다고 밝혔다.

조치 이후에는 생산 데이터를 재수집하고 판단 규칙을 개선하며 경제성 분석 모델을 개선하는 과정을 거친다. 이후 AI 판단 능력이 검증되면 AI 에이전트 도입을 구상하고 피지컬 AI 도입을 구상하며, 공정 운영 자동화와 설비 제어 자동화로 확대한다는 구상이다.

이 같은 흐름을 위해서는 서로 다른 AI 솔루션의 제조 데이터 활용을 위한 데이터 구조 표준화가 중요하다는 지적이 나왔다. 박 명예회장은 국제표준 IEC 63278 기반 자산관리셸(Asset Administration Shell, AAS)을 적용하면 신규 솔루션 도입 때 제조기업의 데이터 변환 비용을 절감할 수 있다고 밝혔다.

박 명예회장은 또 국내 제조 AI 기업이 해외 검증 솔루션의 기술·운영 방식을 검토할 필요가 있다고 강조했다. 해외 검증 솔루션 사례로는 시계열 데이터 분석 기업인 팔코너리(Falkonry), 설비 고장예지 전문기업인 오규리(Augury), AI 기반 비전검사 전문기업인 키토브AI(KITOV.ai)가 제시됐다.

아울러 일회성 PoC에서 탈피할 필요성도 제기됐다. AI 평가 기준과 관련해서는 AI 정확도보다 현장 손실 감소를 중시해야 한다는 점이 강조됐다.

제조 AI 솔루션 사례로는 먼저 팔코너리가 제조 현장 시계열 데이터를 분석해 신규 이상 징후를 탐지하고, 기존 발생 문제의 재발을 방지하는 방식이 제시됐다. 오규리는 회전설비의 온도·진동·자기장 데이터를 AI로 분석하고 전문가 원격 진단을 결합해 설비 고장을 예측하며 유지보수를 지원하는 기능을 소개했다. 키토브AI는 3차원 설계(CAD) 도면을 활용한 비전검사 자동화 기술을 제공하며, 도면상 검사 위치·항목을 지정하고 별도 로봇 동작 프로그래밍 없이 제품 표면 결함과 조립 불량을 자동 검사하는 방식으로 설명됐다.

박 명예회장은 해외 솔루션의 현장 적용 사례를 소개했다. 박 명예회장의 발언 요지는 제조기업이 지속 활용 가능한 AI 개발이 필요하다는 것이었다.

제조 AI 도입 성과의 평가 기준은 모델 정확도보다 불량률·재작업 비용·비계획 설비 정지시간 감소에 둬야 한다는 점이 제시됐다. AI의 가치는 기술 성능 자체보다 제조 현장의 손실을 얼마나 줄이고 운영 성과를 얼마나 개선하는지로 판단해야 한다는 기준이 연결됐다.

제조 AI를 지속 활용하기 위한 조건으로는 품질 향상·비용 절감·납기 준수가 제시됐다. 탄소배출 저감·작업자 안전 개선 등 실질 성과도 제조 AI의 지속 활용 조건으로 함께 언급됐다.

제조 AX를 넓히기 위한 선행 방식으로는 실증 단계 착수 시점에 특정 공정의 반복 문제 1~2개를 선정하자는 제안이 나왔다. 이를 위해 3~12개월 축적 공정 데이터의 활용과 기술표준서의 활용, 숙련자 인터뷰의 활용을 제안했으며, 이들 자료를 기반으로 판단 규칙을 구축하고 경제성 분석 모델을 구축하자는 제안도 함께 제시됐다.

향후 국내 제조 AX 사업의 확산 조건으로는 일회성 실증에서 탈피하는 점이 제시됐다. 확산 범위는 다른 생산라인·공장으로 제시됐으며, 이를 위한 확산 요건으로는 숙련자 제조 지식의 AI 의사결정 활용과 실제 공정에서 비용 절감 효과 입증, 실제 공정에서 생산성 향상 효과 입증이 제시됐다.

출처: 테크월드뉴스 · 김승기 기자
원문: https://www.epnc.co.kr/news/articleView.html?idxno=410018

참고자료

이 기사는 자동생성 알고리즘의 도움을 받아 작성되었습니다.


출처 테크월드뉴스

원문 확인

이 기사는 테크월드뉴스 원문을 바탕으로 비즈크러시가 요약 정리했습니다. 정확한 인용과 세부 내용은 원문을 확인해 주세요.

이어서 보기

BizCrush
온라인 회의 화면에 실시간 자막을 띄운 BizCrush

BizCrush 앱

회의·통화 실시간 자막과 요약

주식회사 비즈크러시 · 대표 곽태민 · 사업자등록번호 691-86-03729

서울특별시 강남구 영동대로 602, 6층 602호 내 Z112 (삼성동, 삼성동 미켈란 107)

고객문의 help@bizcrush.ai · 사업 제휴 문의 business@bizcrush.ai

AI 안내

일부 서비스는 생성형 AI를 활용합니다.

해당 기능에는 이용 전 안내와 AI 생성 결과 표시를 별도로 제공합니다. AI 결과는 참고용이며, 중요한 결정 전에는 반드시 원문 확인과 전문가 검토가 필요합니다.