Predictive Quality 제조 AI | 공정 데이터로 불량 위험을 사전 예측하는 설계
최종 수정일: 9월 9일
Predictive Quality 제조 AI: 검사 이후가 아니라 불량 발생 전에 대응하는 구조
제조 현장의 품질 데이터는 대부분 검사 결과를 기록하는 데서 끝납니다. 그러나 설비 조건, 공정 파라미터, 자재 Lot, 환경 데이터와 검사 결과를 시간축으로 연결하면 불량이 발생한 뒤 원인을 찾는 방식에서 불량 위험이 높아지는 조건을 조기에 감지하는 방식으로 확장할 수 있습니다. Siemens가 2026년 9월 공개한 AI 기반 제조 자료에서도 Production Copilot, Predictive Quality, Predictive Maintenance를 생산 데이터 기반의 선제적 의사결정 수단으로 제시하고 있습니다.
1. Predictive Quality는 비전검사를 대체하는 기술이 아닙니다
비전, 치수, 전기검사와 같은 End-of-Line 검사는 실제 제품의 합격·불합격을 판정합니다. Predictive Quality의 역할은 그 이전 공정에서 품질에 영향을 주는 변수의 조합을 분석해 위험도를 추정하는 것입니다. 따라서 최종 판정은 기존 검사계가 담당하고 AI는 공정조건의 이상 징후와 품질 위험을 보조적으로 알려주는 구조가 현실적입니다.
2. 먼저 데이터의 시간과 제품 ID를 맞춰야 합니다
PLC Cycle 데이터, Servo 하중·위치, 체결 Torque·Angle, 온도·압력, Vision Score, 자재 Lot와 검사 결과가 서로 다른 시간축과 ID로 저장되면 상관분석 자체가 왜곡됩니다. 설비 Clock 동기화, 제품 Serial 또는 Carrier ID, Recipe와 Lot Context를 먼저 정의하고 데이터 수집 주기를 공정 특성에 맞춰 결정해야 합니다.
3. 권장 데이터 흐름
Sensor·PLC·Robot·Vision → Edge/Gateway → Historian 또는 제조 데이터 플랫폼 → Feature Engineering → 품질 위험 모델 → Dashboard/MES → 작업자 확인 또는 공정조건 검토 순으로 구성합니다. AI 결과를 PLC Setpoint에 즉시 자동 반영하기보다 초기 PoC에서는 Advisory Mode로 운영해 False Alarm과 실제 품질 상관성을 검증하는 것이 안전합니다.
4. 어떤 데이터를 우선 수집해야 하나
모든 Tag를 수집하는 방식보다 CTQ와 직접 연관된 변수를 우선합니다. 예를 들어 압입 공정은 Peak Force, Force-Displacement Curve, 최종 위치, 부품 Lot, 설비 온도와 최종 검사 결과를 연결합니다. 체결 공정은 Torque, Angle, Seating 구간, Retry 횟수와 제품 결과를 연결합니다. 데이터 양보다 공정 의미가 명확한 Feature가 중요합니다.
5. PoC 성공 기준
모델 정확도 한 숫자만으로 판단하지 않습니다. 불량 Recall, False Alarm, 예측 Lead Time, 공정별 설명 가능성, 데이터 누락률과 현장 대응 가능성을 함께 평가해야 합니다. 실제 불량 Sample이 충분하지 않으면 정확도를 보장할 수 없으므로 초기에는 데이터 수집과 원인분석 체계를 먼저 구축하는 것이 적절합니다.
6. 기존 스마트팩토리 데이터 구조와 연결
7. 도입 전 체크포인트
① CTQ와 불량 정의 ② 제품 ID 추적 가능 여부 ③ PLC·검사 데이터 Timestamp ④ Recipe·Lot 정보 ⑤ 정상/불량 Sample 수 ⑥ 데이터 보존기간 ⑦ 현장 대응 Rule ⑧ 모델 변경관리와 검증 절차를 먼저 확인합니다.
댓글