카메라 검사는 불량을 찾아냅니다. 그런데 왜 불량이 났는지는 알려주지 않습니다.
이 둘은 다른 문제입니다. 검사는 결과를 봅니다. 원인은 현장에 있습니다.
같은 설비, 같은 작업자인데도 어떤 날은 불량률이 낮고 어떤 날은 갑자기 오릅니다. 검사 데이터만 들여다보면 그 이유를 찾기 어렵습니다. 검사 결과는 “불량이 났다”는 사실만 보여줄 뿐, 그 순간 현장에서 무슨 일이 있었는지는 담고 있지 않기 때문입니다.
원인을 찾으려면 제품이 아니라 현장을 봐야 합니다
불량 원인 분석에 필요한 데이터는 검사 결과 하나가 아닙니다. 최소 세 가지가 더 필요합니다.
먼저 PLC 설정값입니다. 불량이 발생한 순간 설비가 어떤 공정 조건으로 돌아가고 있었는지를 알려줍니다. 온도, 압력, 속도 같은 값이 여기 들어 있습니다. 다음은 자재 위치입니다. 어떤 자재가 언제 어느 공정에 투입됐는지를 봐야 합니다. 특정 로트가 특정 라인에서만 문제를 일으켰다면, 이 데이터 없이는 확인이 불가능합니다.
마지막은 작업자 위치입니다. 그 시간 누가 어느 구간에서 작업하고 있었는지입니다. 사람을 탓하자는 게 아닙니다. 반복되는 패턴을 찾자는 것입니다.
검사, 설비, 자재, 사람. 이 네 가지 데이터를 같은 시간 축 위에 올려야 비로소 원인이 보입니다. 따로 떨어져 있으면 각자 의미 없는 숫자일 뿐입니다.
태창포징 사례: 검사와 현장 데이터를 함께 연결했습니다
태창포징에서는 카메라 기반 불량 검사에 PLC 설정 데이터와 작업자·자재 위치 데이터를 함께 연결했습니다.
세 가지 데이터를 시간과 공정 단위로 묶으면, 불량이 어떤 조건에서 반복되는지가 드러납니다. 어떤 설정값에서, 어떤 자재가, 누가 작업할 때 불량률이 오르는지를 함께 보는 방식입니다.
여기서 AI는 이 데이터를 종합해 불량률이 오르는 원인을 짚어내고, 개선 방법을 제시합니다. 데이터가 쌓이면 불량이 나기 전에 미리 예측하는 것도 가능해집니다.
다만 최종 판단은 사람이 합니다. AI가 자동으로 라인을 세우거나 설정을 바꾸지 않습니다. 원인 후보와 근거를 정리해서 보여주고, 결정은 현장 담당자가 내립니다.
AI의 역할은 불량을 찾는 데서 끝나지 않습니다
발견, 원인 분석, 개선안, 사전예측. 이 네 단계가 이어져야 진짜 효과가 납니다.
발견만 하는 시스템은 이미 많습니다. 문제는 그다음입니다. 왜 났는지, 무엇을 바꿔야 하는지, 다음에는 미리 막을 수 있는지까지 가야 투자한 값어치가 생깁니다.
중요한 건 AI 모델 하나가 아닙니다. 이미 있는 검사 장비, PLC, 위치 데이터를 실제 업무 흐름에 연결하는 작업이 핵심입니다. 공장마다 설비 구성과 데이터 형태가 다르기 때문에, 이 연결 작업은 현장에 맞춰 직접 설계해야 합니다.
우리 공장도 적용할 수 있을까요
먼저 지금 갖고 있는 데이터를 확인해야 합니다. 비전검사, PLC, MES, 작업자·자재 이력 중 무엇이 있고 무엇이 없는지부터 정리합니다.
그다음 어떤 불량을 우선 해결할지 정합니다. 모든 불량을 한 번에 잡으려 하면 범위가 커져 시작이 늦어집니다.
필요한 데이터를 연결할 수 있는지 확인한 뒤, 작은 범위에서 먼저 검증합니다. 검증이 끝나면 현장 시스템으로 넓혀갑니다.
GrowSpace는 이 과정을 상담부터 설계, 구축, 이후 운영까지 한 팀이 맡습니다. 소프트웨어와 하드웨어를 따로 발주하고 따로 관리하실 필요가 없는 구조입니다.
자주 묻는 질문
비전검사 시스템이 이미 있는데도 필요한가요?
필요합니다. 검사 시스템은 불량 발견까지만 합니다. 원인 분석은 PLC·위치 데이터를 더해야 가능합니다.
우리 공장은 PLC 데이터를 따로 모으지 않는데 시작할 수 있나요?
가능합니다. 현재 보유한 데이터부터 확인하고, 부족한 부분은 수집 장치를 추가해 설계합니다.
작은 범위로 먼저 테스트해볼 수 있나요?
됩니다. 불량률이 높은 라인 하나부터 검증한 뒤 범위를 넓히는 방식을 권장합니다.
분석 결과대로 설비를 자동으로 조정하나요?
아닙니다. AI는 원인과 개선안을 제시하고, 최종 결정은 현장 담당자가 합니다.
