데이터 통합 : DATA CAMP를 활용한 이차전지 기업 A사의 생산이력 관리

2023-11-30

Pain Point : 검사 데이터와 바코드 통합이 가능한 생산이력 관리 툴 부재

2015년 새로운 원통형 배터리인 ‘21700 배터리’가 개발됐습니다. 기존에 사용되던 18650 배터리보다 에너지 밀도와 용량을 늘린 것이죠. 이제는 많은 전기차에 21700 배터리가 탑재되는데요. 기존 18650의 생산라인을 그대로 사용한 탓에 생산 관리에 문제가 생기기 시작했습니다. 불량 검사 체계가 과거에 머물러 있었고, 데이터를 통합·연계할 수 없었던 겁니다. 예를 들어 각 배터리에 할당된 고유 바코드 숫자와 각종 검사 데이터가 따로따로 수집되는 식이었죠. 요컨대, 생산이력을 관리할 수 없었습니다.

 

Goal : 불량으로 인한 인명 피해와 막대한 리콜 비용 발생 사전 방지

21700 배터리가 소형 전동공구나 노트북 등에 적용될 때에는 이게 별 문제가 되지 않았어요. 하지만 전기자동차에 들어가면서 상황이 달라집니다. 소형 애플리케이션 대비 전기차에는 워낙 많은 양의 배터리가 탑재됐고, 한번 사고가 나면 인명 피해로 직결될 가능성이 컸죠. 막대한 리콜 비용이 발생하는 건 물론이고요.

재발을 막으려면 사고가 난 직후, 기존에 거르지 못했던 어떤 유형의 불량이 어떤 배터리에 내포돼 있었는지를 역추적해서 알아내야 합니다. 하지만 검사 데이터가 통합되지 않은 환경에서는 이 같은 생산이력 추적이 매우 어려웠습니다.

전기자동차 이차전지를 생산하는 A사는 아하랩스의 기존 고객사였습니다. 다양한 프로토콜을 제공하는 DATA CAMP 솔루션을 활용해 검사 장비들이 생산하는 데이터를 한꺼번에 수집하고 DB에 저장했으며, 시각화 기능을 활용해 검사 전반을 한 눈에 모니터링 하고 있었죠. 이 프로젝트를 통해 끊임없이 고객사와 소통하는 과정에서 생산이력 추적이 어렵다는 페인 포인트를 발견하게 됐습니다. 불과 몇 년 사이 타사 전기자동차에서 화재가 많이 발생한 상황이었죠.

스마트 팩토리 데이터를 한번에 수집해 연계하고, 언제 어디서나 손쉽게 모니터링하고 제어 해보세요

Solution : DATA CAMP라는 단일 솔루션을 이용해 검사 데이터와 바코드 매칭 및 전송까지

아하랩스는 이에 맞춰 DATA CAMP 솔루션을 고도화하는 프로젝트를 진행했습니다. 공정 처음부터 마지막 단계까지 모든 검사 장비가 생산하는 검사 데이터를 고유 바코드 숫자와 통합했습니다. 또한, 그렇게 수집 통합한 데이터를 자동 전처리해서 상위 서버에 원하는 형태로 올려줄 수 있도록 솔루션화했습니다. 그 결과, 사용자는 각 배터리에 대한 전체 검사 데이터를 한 눈에 확인할 수 있게 됐습니다.

과정은 이렇습니다. PLC(programmable logic controller)가 검사 장비와 DATA CAMP에 검사를 시작하라는 코드를 동시에 보냅니다. DATA CAMP는 이때 고유 바코드 숫자를 함께 받습니다. 검사 장비가 불량 유무 데이터를 만들어내면, DATA CAMP는 이 검사 데이터와 고유 바코드 숫자를 통합해 제조실행시스템(MES) 및 상위 서버로 보냅니다. 이런 과정을 각 검사 장비마다 반복합니다.

 

  • 제조 현장의 데이터 통합은 왜 어려울까요?
    기존 제조 현장에 도입돼 있는 검사기는 PC 기반이 아닌 ‘컨트롤러’ 타입이 많습니다. 가령, 비전 컨트롤러는 생산품의 표면을 촬영해 사전 지정된 룰에 따라 정상에서 벗어난 샘플을 알려주는 카메라 기반의 장비죠. 이러한 컨트롤러 타입의 검사 장비는 대부분 불량 유무 데이터만을 전송할 뿐, 검사하는 생산품의 바코드 숫자 등 외부 정보를 함께 처리하는 기능이 없습니다. 즉, 비전 컨트롤러는 앞에 놓인 검사 대상이 어느 셀인지 모른다는 거죠. 별도 소프트웨어를 개발하는 방법도 있지만 상용 검사 장비의 특성상 외부 정보 처리는 부하가 큰 일이기 때문에, 자칫 공정 속도가 느려지거나 에러가 발생할 수 있습니다.

생산품 고유 번호와 검사 이미지 통합 개념도. 제조 현장의 다양한 데이터를 수집하고 서로 연계하는 DATA CAMP 솔루션을 활용하면 생산이력을 손쉽게 추적할 수 있습니다. - Image Credit : 아하랩스

생산품 고유 번호와 검사 이미지 통합 개념도. 제조 현장의 다양한 데이터를 수집하고 서로 연계하는 DATA CAMP 솔루션을 활용하면 생산이력을 손쉽게 추적할 수 있습니다. – Image Credit : 아하랩스

 

Future : 제조 디지털 혁신

DATA CAMP는 다양한 종류의 검사 장비, 다양한 유형의 데이터에 모두 대비되어 있습니다. 데이터 통합 성공률 99.9%를 유지하고 있죠. 향후 제품에 문제가 생겼을 경우, 수집 통합된 데이터를 통해 생산공정을 손쉽게 역추적해서 문제점을 발견하고 빠르게 개선할 수 있습니다.

아하랩스는 이처럼 현장의 디테일한 요구에 빠르게 대응하여 고객사가 Data Driven 제조 비즈니스를 성공적으로 구현할 수 있도록 도와드립니다.

우아영 아하랩스 책임연구원

Related Stories

‘1종 오류’ 찾아내는 딥러닝 모델로 ‘과검’일 확률을 계산한 사례

‘1종 오류’ 찾아내는 딥러닝 모델로 ‘과검’일 확률을 계산한 사례

이상탐지(Anomaly Detection) 딥러닝 모델을 활용해 검사 이미지 전체 영역을 학습합니다. 실제 생산품의 결함이 아닌, 그 밖의 다른 문제로 인한 과검(1종 오류) 사례일 확률을 추론합니다. [이차전지] [딥러닝] 도입 이유 품질 검사 안정화를 위한 과검 재검사 및 이력 관리 툴 부재   최근 스마트팩토리, 산업 자동화 트렌드를 타고 다양한 제조 현장에 검사 자동화 프로세스가 속속 도입되고 있지만, 수십 년 동안 사람이 직접 하던 일을 자동화하는 것이...

이상탐지(Anomaly Detection) 솔루션 활용 파우치 배터리 검사 자동화 사례

이상탐지(Anomaly Detection) 솔루션 활용 파우치 배터리 검사 자동화 사례

파우치형 배터리 생산 라인에서는 양/불량 판정 규칙을 정해놓고 검사를 수행하는 기존의 룰 베이스 솔루션을 활용하기가 어렵습니다. 표면 재질이 물러 불량 케이스가 너무 많기 때문입니다. 이때 이상탐지(Anomaly Detection) 모델이 좋은 솔루션이 될 수 있습니다.  [이차전지] [딥러닝][Anomaly Detection] 도입 배경 쉽게 손상되는 파우치형 배터리의 자동 검사 툴 부재  전기자동차에 들어가는 배터리 가운데 파우치형 배터리가 있습니다. 배터리...

촬영 문제로 줄줄이 NG?! 이미지 퀄리티 분석 딥러닝 모델로 검사 99.9% 성공

촬영 문제로 줄줄이 NG?! 이미지 퀄리티 분석 딥러닝 모델로 검사 99.9% 성공

아하랩스의 DATA CAMP 솔루션과 이미지 퀄리티를 분석하는 딥러닝 모델을 활용하면, 카메라와 노후 조명 문제로 이미지를 잘못 촬영해 품질 검사에 실패하는 경우를 미연에 방지할 수 있습니다. [이차전지][딥러닝]    도입 배경 검사 장비에 생긴 문제를 사전에 알 수 있는 방법 부재 스마트팩토리에는 다양한 검사 장비들이 있습니다. 가장 대표적인 게 머신비전 장비, 즉 카메라와 조명이죠. 항상 일정한 광학 이미지가 촬영되어야 머신러닝 모델을 제대로 학습시키고...

비디오 이상탐지(Anomaly Detection)로 로봇 파지를 관리한 사례 

비디오 이상탐지(Anomaly Detection)로 로봇 파지를 관리한 사례 

아하랩스의 산업용AI 솔루션 LISA는 비디오 데이터로부터 이상탐지(Anomaly Detection)를 수행할 수 있습니다. 정상 데이터만으로 학습시켜서 데이터 분포가 정상과 얼마나 떨어져 있는지 계산하기 때문에, 산업현장의 클래스 불균형 문제를 극복할 수 있습니다. [이차전지][Anomaly Detection][Object Detection]    도입 배경 100만 분의 1 확률로 일어나는 이상 상황을 학습시키고 추론할 툴 필요 스마트팩토리에는 다양한 자동...

DATA CAMP 레시피 기능을 활용한 다품종 소량생산의 품질 관리 사례 

DATA CAMP 레시피 기능을 활용한 다품종 소량생산의 품질 관리 사례 

Pain Point : 모델마다 다른 품질 기준 관리, 판단 이력을 조회할 수 있는 컨트롤러의 부재 최근 제조 트렌드는 소비자 기호 다양화에 따른 ‘다품종 소량생산’입니다. 품종이 다양해진다는 것은 곧 제조현장에서 품종별로 제각각 품질 관리를 해야 한다는 뜻입니다. 그런데 기존 제조현장에서 생산품의 표면 결함을 판정해주던 비전 컨트롤러 같은 장비로 이에 대응하기란, 생각보다 까다롭습니다. 왜냐하면 비전 컨트롤러는 대부분 한번 세팅한 고정 규칙(Rule based)에 따라...