역지사지! 지금부터 제조기업의 문제를 이해하기 위하여 제조기업이 되어보는 상상을 해봅니다.
우리가 바삭한 치킨 
을 만드는 기업을 운영 중이라고 해봅시다. 더 많은 사람들에게 맛있는 치킨을 팔기 위하여 다양한 메뉴도 개발하고 마케팅도 해야겠지만, 치킨은 우선 맛과 양(?!) 아니겠습니까. 그럼 최상의 맛과 정량을 지키는 치킨집이 되어 봅시다.
을 만드는 기업을 운영 중이라고 해봅시다. 더 많은 사람들에게 맛있는 치킨을 팔기 위하여 다양한 메뉴도 개발하고 마케팅도 해야겠지만, 치킨은 우선 맛과 양(?!) 아니겠습니까. 그럼 최상의 맛과 정량을 지키는 치킨집이 되어 봅시다.
(1) 제일 먼저 우리 치킨의 맛과 양을 평가할 수 있어야 한다.
우선 기본적인 메뉴별 레시피는 그간의 고민을 통해 마련해둔 상태로 가정하고, 치킨의 품질을 맛과 양으로 정의해보겠습니다. 우리 제품의 품질을 정확히 평가할 수 있어야겠죠?
만들어진 치킨의 양을 평가하는 것은 어렵지 않아 보입니다. 중량을 잴수도 있고, 조각의 수를 셀수도 있겠죠. 혹은 치킨을 튀기기 전에 원재료의 양을 관리함으로서 최종 중량 측정을 스킵할 수도 있습니다.
정해진 레시피가 있어도 치킨의 맛은 그때그때 양념의 조합과 튀김 기름의 품질, 튀김 시간 등등에 따라 달라질 수 있습니다. 맛을 평가하기 위한 가장 좋은 방법은 먹어보는 것이겠죠. 하지만 소중한 고객님을 위해 튀긴 치킨 우리가 먹어보는 것은 예의가 아닐수 있습니다. 그렇다면 튀김옷의 색깔과 모양을 보고 맛을 추정해보는 것은 해볼만 하겠네요. 황금빛이어야 할 우리의 치킨이 거뭇거뭇하다면 이대로 고객님께 내보낼수는 없습니다!
(2) 거뭇거뭇한 치킨, 원인이 뭘까?
불량 치킨을 찾을 수 있다면 그 원인을 찾아보는게 다음 우리가 할일입니다. 기름이 오래되지는 않았는지, 튀김기 온도조절기가 고장난 것인지, 불순물이 기름통에 들어간건 아닌지, 너무 오랜 시간 치킨을 튀긴건지, 원인을 찾을 수 있다면 우리는 소중한 다음 치킨부터는 황금빛으로 튀길 수 있을 것입니다.
(3) 원인을 알았다면 개선해야죠!
기름이 오래됐다면 기름을 교체해주고요. 튀김기 온도조절기의 고장이라면 설비를 교체해봅니다. 기름통에 불순물이 들어갔다면 건져내야죠. 치킨을 너무 오래 튀긴거라면 다음부터는 시간을 잘 맞추면 되겠습니다. 원인을 알면 개선은 어렵지 않습니다!
한발더 욕심을 내어 본다면 이런 문제가 또 생기지 않도록 해보는 겁니다. 기름의 상태를 지속적으로 체크해서 교체 시기를 주방장님께 안내해주는 장치. 치킨 튀기는 시간을 잘 지키도록 알람 시계를 가져다두는 등으로 해볼수 있겠죠. 어느덧 우리는 로봇이 치킨을 튀기는 시대에 살고 있습니다. 자동적으로 이러한 문제 원인을 개선할 수 있도록 시스템을 도입해본다면, 고품질을 유지하면서도 훌륭한 주방장님은 신메뉴 개발이나 맛의 개선을 위한 고민에 집중할수 있습니다!
반도체, 2차전지, 산업용가스 등 공정이 복잡한 제조업에서도 위와 같은 고민의 순서는 달라질 것이 없습니다. RTM 은 제조 문제를 아래 그림처럼 일반화하고 있습니다.
RTM 3단계 AI 공정 진단 & 제어 솔루션
제조업 내에서도 산업과 기업에 따라 고민 중인 문제의 단계와 데이터의 종류는 천차만별입니다. 어떤 타이어, 배터리 기업은 이미지를 기반으로 불량을 검사하는 1단계) 품질 평가와 불량 검사 문제를 풀고 있고, 반도체 기업들은 주로 2단계) 불량 원인 분석 문제에 집중하고 있으며, 2차전지를 생산하는 일류 기업은 3단계) 공정 개선 및 제어 모델로 완벽한 자동화를 시도하고 있습니다. 얼마전 기사를 통해 접했던 소식 중 우리에게 익숙한 과자 치토스 의 생산 공정도 AI 제어 모델을 도입하고 있다고 해요!
의 생산 공정도 AI 제어 모델을 도입하고 있다고 해요!1단계) 품질 평가와 불량 검사
대표적인 품질 평가와 불량 검사 사례는 머신비전 기술을 활용하는 분야입니다.
모노셀 배터리의 외관 불량을 탐지하는 AI 는 사람보다 정확하고 빠르게 품질 검사를 수행합니다.
이미지 데이터 외에도 소음, 진동 등 계측 데이터의 데이터 타입이 vector 이상의 형태를 가져 간단한 로직으로 정량적으로 명확한 평가가 쉽지 않은 분야에는 모두 적용될 수 있습니다.
머신비전 기술이 뭐에요?
머신 비전은 카메라, 이미지, 소프트웨어 등으로 구성된 시스템입니다.
카메라를 통해 획득한 이미지를 원하는 목적에 맞춰 소프트웨어가 처리 및 분석해 원하는 정보를 얻는 것 입니다.
즉, 사람이 콜라와 사이다를 구별하던 것을 AI가 대신 구별해주는 거에요!
배터리 불량 탐지를 위한 이미지 인식
반도체 웨이퍼 식각 및 세정 결과 판단
슬러리와 같은 1d image 계측 환경
슬러리 공정 결과 판단
2단계) 불량 원인 분석
불량이 발견되면 그 원인을 찾아 대응하고 개선해야 합니다. 불량의 원인은 크게 공정, 설비, 자재에서 도출할 수 있습니다. 반도체의 경우 공정 단위가 작고 공정 복잡도가 높아서 작은 공정의 이상이 큰 불량을 야기하게 됩니다. 반도체 공정의 이상탐지는 이미 인지하고 있는 공정 사고를 탐지하거나 (Fault Classification), 일반적이지 않은 공정 변수의 변동을 탐지하는 문제 (Fault Detection) 로 나눠볼 수 있습니다. 설비 측면에서는 설비의 노후화나 고장을 사전에 탐지하는 (Predictive Maintenance) 문제가 주요 연구 분야입니다.
반도체 공정 이상탐지 사례 (Fault Classification)
3단계) 공정 개선 및 제어
3단계는 공정 설비들이 전문가 이상의 지능을 탑재하여 스스로 불량과 원인을 인지하고 그에 따라 실시간 제어를 수행하는 수준을 의미합니다. 빠른 기술의 발전으로 인하여 이러한 시도가 이뤄지는 제조 분야들이 등장하고 있습니다.
실시간으로 공정 결과를 판단하여 타겟 품질을 달성하지 못한 경우 그 원인을 도출하여 해결하기 위한 제어를 수행합니다. 원인이 설비에 있다면 엔지니어에 알람을 통하여 지원을 요청해야 하지만, 원인이 공정 변수 제어에 있다면 스스로 제어 변경을 통해 해결할 수 있습니다. 공정 변수와 공정 결과 간의 관계를 분석하는 다양한 알고리즘을 통하여 본 문제를 해결할 수 있으면, 특히 강화학습 (Reinforcement Learning) 은 이러한 문제 해결에 매우 적합한 기술입니다.
실시간 공정 제어 개념도
AI 가 제조업에 기여할 수 있는 부분은 이외에도 무수히 많습니다만, 공정 안에서만 찾아도 이렇게 많은 기회가 있습니다. RTM 이 어떤 일을 하고 있는지 알아가시기에 조금은 도움이 되셨길 바라면서 더 큰 비전을 향해 우리와 함께할 여러분을 기다립니다!
