육안 검사부터 AI 자율제조까지 – Data CAMP가 함께한 이차전지 제조사의 DX 여정을 소개합니다

전기자동차 시장이 급격히 커지면서 최근엔 이차전지 제조업이 첨단 산업으로 여겨지지만, 사실 한국 충전식(리튬 이온) 배터리의 역사는 1990년대부터 시작합니다. 그리고 이렇게 역사가 빛나는 제조 현장에는 옛 것과 새로운 것이 공존하기 마련이죠. 잘 돌아가던 공장인 만큼 모든 걸 한 번에 바꾸기 어려우니까요.

예를 들어, 전기차용 배터리 생산 초기에는 생산품을 샘플링 한 뒤 작업자가 직접 육안으로 불량을 검사했습니다. 기존의 소형 배터리 검사와 동일한 방식으로요.

그러다가 머신비전 검사기가 도입돼 품질 검사가 자동화됐습니다. 이 장비들에서 배터리 내외부를 촬영한 디지털 이미지들이 나오기 시작했고, 새로 들인 최신 설비에서도 디지털 데이터가 나오기 시작했습니다.

그런데 아하랩스 팀이 고객사를 처음 만난 2020년까지만 해도, 이런 디지털 데이터를 모으는 과정은 여전히 자동이 아닌 수동 방식으로 남아있었습니다. 작업자가 직접 설비 PC나 검사 장비에서 데이터를 USB로 일일이 다운로드 받아야 했죠.

1단계: 데이터 수집/시각화/저장 자동화

조립 공정 데이터를 수동으로 수집, 정리 → 검사 이미지 자동 수집율 99.9% 달성(하루 약 40만 개 생산 공장)

때는 글로벌 전기차 시장이 가파른 L 커브를 그리기 직전이었고, 점차 늘어날 시장 수요에 대비한 디지털 전환이 시급한 과제였습니다. 아하랩스 팀은 2020년 당시 출시한 Data CAMP를 고객사 조립 일부 공정에 적용했습니다.

(1) 웹 기술을 활용한 솔루션

Data CAMP는 웹 기반 솔루션으로, 데이터를 자동 수집할 뿐만 아니라 원격 모니터링도 가능합니다. 즉, 데이터 관리의 물리적 제약을 없앴죠. 2020년만 해도 많은 제조 현장은 로컬 환경에서만 데이터를 관리했고, 웹 기반의 데이터 관리 솔루션이라는 건 매우 생소한 개념이었습니다. Data CAMP는 출시부터 매우 획기적인 솔루션이라는 평가를 받았습니다.

도입 결과, 관리자는 더 이상 현장에 들어가 공장 설비나 검사기에서 직접 데이터를 수동 복사하여 확인할 필요 없이, 한 모니터에서 연결된 모든 설비와 검사기의 데이터를 확인할 수 있게 되었습니다.

(2) 노코드 기반 레시피로 데이터/기능 확장

Data CAMP는 노코드 기반의 레시피로 추후 설비 및 검사 단에서 데이터를 추가로 수집해야 하거나 데이터 가공을 수정해야 할 때 쉽게 대응이 가능합니다. 기존에는 데이터 수집 솔루션을 개발한 외부 업체 담당자의 퇴사 등 다양한 이유로 유지보수가 어려운 상황이었죠.

Data CAMP를 통해 데이터 수집 효율이 크게 향상된 덕분에, 고객사는 더 중요한 일에 시간을 활용할 수 있게 되었습니다.

Data CAMP는 현재 고객사의 양산 라인에서 여전히 안정적으로 구동하고 있습니다. 예컨대, 하루 생산량이 약 40만 개에 달하는 공장에서 검사 이미지 수집률 99.9%를 달성하고 있습니다.

2단계: 데이터 연계 → 생산이력추적

“생산품 고유 바코드” + “검사 이미지” 데이터 매칭 정확도 99.9% 달성 → 생산이력 조회, 불량 원인 역추적 가능

이후 전기차 시장이 급격히 확대되면서 화재 사고가 다량 발생하기 시작했습니다. 전기차 화재는 생명과 직결되는 큰 위험이라, 품질을 더욱 철저히 관리해야 할 필요성이 높아지게 되었죠.

그 동안은 조립 공정 일부 데이터를 수집하고 단일 DB에 저장하는 데에서 그쳤는데요. 이제 전 공정 데이터를 보다 효율적으로 관리하고 상위 시스템과 연결하여 더 큰 그림에서 활용하고 싶다는 요구사항이 생겨난 거죠. 그래서 아하랩스 팀은,

• 수집 범위 확장: 조립~활성화까지 공정 전체의 설비와 검사 장비 데이터를 수집했습니다.
• 데이터 연계: 생산품의 고유 바코드(설비 데이터)와 표면 검사 이미지를 Data CAMP가 자동으로 전처리(매칭) 하였습니다. 기존까지는 각 검사 데이터가 몇번째 생산품의 이미지인지 알 방법이 없었죠.
• 데이터 통합: 그리고는 이 데이터를 통합할 수 있는 시스템도 구축하였습니다. 데이터 통합이란, 모든 유형의 데이터에 일관되게 접근하고 데이터를 어디로든 전달할 수 있게 하는 모든 프로세스를 뜻하는데요. 예컨대, 서로 매칭한 데이터를 MES 등 상위 시스템에서 요구하는 파일 형태로 자동 전처리한 뒤 전송함으로써 언제 어디서든 생산이력추적이 가능하도록 구축하였습니다.

그 결과, 데이터 매칭 정확도(데이터 정합률) 99.9%를 달성하였습니다. 출하된 배터리에 문제가 생길 시, 생산이력을 간편하게 조회할 수 있죠. 이 데이터를 이용하면 생산 당시에 발견하지 못한 불량의 원인을 역추적하는 것도 가능합니다.

3단계: 데이터 분석/AI 연동 → 데이터 기반 의사결정 → 제어

원격 모니터링/제어 시스템 구축 → 관제 효율 300% 향상, 1/3 수준으로 성인화(省人化)

이렇게 여러 설비와 장비 데이터를 수집하고 연동할 수 있게 되자, 이제 단순 모니터링을 넘어 보다 깊이 있는 인사이트를 발굴하는 단계로 나아갈 수 있게 되었습니다.

아하랩스 팀은 고객사의 현장 요구를 경청하고, 다양한 데이터 분석 및 AI 기능을 연동하였습니다. 또한, 데이터 기반의 의사결정 이후 현장을 제어할 수 있도록 Data CAMP를 통한 설비 원격 제어 솔루션을 구축하였습니다.

Q. 시스템이 공정의 이상 트렌드를 감지하고, 경고 알람도 보내줄 수 있나요?

→ 통계적 공정 관리(SPC; Statistical Process Control)는 데이터를 기반으로 생산 공정의 변동성을 모니터링하고, 문제가 발생하기 전에 조치를 취할 수 있도록 돕는 관리 기법입니다. Data CAMP에는 다양한 SPC 도구들이 포함되어 있습니다.

예컨대 ‘관리 차트’(I Chart, MR Chart, I-MR Chart)는 시간 경과에 따른 프로세스 데이터를 그래픽으로 표현한 것을 뜻합니다. 항상 평균을 나타내는 중앙선(Central Line), 관리 상한을 나타내는 상한선(Upper Control Limit), 관리 하한(Lower Control Limit)을 나타내는 하한선이 있습니다. 이 선은 과거 데이터를 통해 결정되죠.

그 결과, 고객사는 프로세스가 현재 안정적인지 아니면 관리 불능 상태인지 한눈에 파악할 수 있게 되었습니다. 예측할 수 없는 지경으로 발생하는 공정 변동 트렌드가 발견되면 Data CAMP가 자동으로 알람을 전송하기 때문에, 예기치 못한 다운타임이 발생하기 전 빠른 현장 대처가 가능합니다.

Q. 규칙 기반(Rule-based) 검사기 소프트웨어의 신뢰도가 낮아 샘플링 육안 검사로 2차 검수를 진행하고 있습니다. 제품이 정상인데 검사기가 불량이라고 판별한 사례는 별도로 엑셀에 정리하고 있어요. 이를 자동화 할 수 있나요?

→ 과검(False positive, 1종 오류)을 적발하는 이상탐지 AI 모델을 개발하여 Data CAMP에 연동하였습니다. 이를 통해 재검에 드는 시간을 줄이고 정확도는 더 높였죠. 뿐만 아니라 1종 오류와 실제 불량 사례 통계를 파이차트 및 파레토도로 시각화하여, 품질 상태를 한 눈에 모니터링할 수 있게 되었습니다.

Q. 품질 검사가 제대로 수행되고 있는지 실시간으로 모니터링할 수 있나요?

→ 검사 이미지가 제대로 촬영되고 있는지 평가하는 데이터 품질 지표(DQI; Data Quality Index) 딥러닝 모델을 개발하여 Data CAMP에 연동하였습니다. 이미지 밝기나 초점 등 다양한 요소를 분석해 DQI 점수를 계산하고, Data CAMP 대시보드에 표시해줍니다.

만약 DQI 점수가 일정 범위 이상으로 높아지면, 즉 Data CAMP로 들어오는 검사 이미지의 품질이 기준 이미지 대비 나빠지면 경고 알람을 전송합니다.

이를 통해, 검사 실패가 장시간 누적되기 전 현장에서 빠르게 대응할 수 있게 되었죠. 검사 장비 노후나 고장을 얼마간 선제적으로 알 수 있게 되어 사전 유지보수도 가능합니다. 예기치 못한 다운타임을 예방할 수 있습니다.

Q. 대시보드를 보고 의사결정을 내린 뒤, 원격으로 설비를 제어할 수 있나요?

→ Data CAMP를 이용하면 제공하는 각종 모니터링 및 분석 기능을 통해 데이터 기반의 의사결정을 내린 뒤, 설비를 원격에서 제어할 수 있습니다. 설비 이상이 감지될 시 경고 알람을 울리고 PLC 제어권을 획득하죠.

Data CAMP는 데이터나 기능을 자유롭게 확장할 수 있는 마이크로 아키텍쳐로 설계됐기 때문에, 같은 기능을 하는 소프트웨어를 코딩으로 개발하는 시간과 비교해 75% 더 빠르게 시스템 구축을 완료할 수 있었습니다.

우선 이차전지 조립 설비에 원격 제어 시스템을 구축하였습니다. 그 결과, 관제 인력을 1/3 수준으로 성인화(省人化)했습니다. 관제 효율이 300% 향상된 것이죠. 고객사는 연 6억 규모의 비용을 절감하게 되었습니다.

향후 이와 같은 현장 엔지니어의 대처 방안을 데이터로 정형화하고 기록하여 AI 모델에 학습시켜서 무인화(無人化) 자율제어를 구현할 계획입니다.

4단계: 계측 데이터 수집 → 예측

최근 아하랩스 팀은 다양한 센서에서 발생하는 계측 데이터도 수집하기 시작했습니다. 미래의 사건을 ‘예측’하기 위해서 입니다. 예측적 유지보수, 즉 예지보전은 장비의 상태를 미리 예측하여 문제를 사전에 해결하는 스마트 제조의 핵심 기술입니다.

 

(1) 계측 데이터는 무엇을 말해줄까?

계측기에서 나오는 데이터는 장비의 상태, 생산품의 제조 조건 등을 나타내는 지표입니다. 예를 들어, 진동 데이터는 장비가 정상적으로 작동하고 있는지, 아니면 이상이 발생하고 있는지를 보여줍니다. 또한 온도, 습도, 압력 등 다양한 생산 조건 데이터를 보면 현재 생산을 하기에 적절한 환경인지 아닌지를 알 수 있죠.

하지만 이 데이터만으로는 단순히 ‘현재 상태’를 알 수 있을 뿐, 미래에 어떤 문제가 생길지 예측할 수는 없습니다.

[참고] 이차전지 생산라인의 주요 계측 데이터

• 전압: 셀의 충방전 상태를 모니터링하기 위한 데이터로, 셀의 초기 전압과 충방전 중 전압 변화 등을 포함
• 전류: 충방전 중 흐르는 전류 값을 계측하여 셀의 효율과 성능을 파악
• 저항: 셀 내부 저항값을 측정하여 셀의 품질 상태나 이상 여부를 확인
• 온도: 전지 내부와 외부 온도를 측정하여 과열 여부를 파악하고 안정적인 작동 환경을 유지
• 습도: 특히 조립 공정 중 환경 내 습도를 관리하여 전지 성능에 영향을 미치는 수분 침투를 방지
• 압력: 셀 조립 및 공정 중 일정한 압력을 유지해야 하는 경우 압력 데이터를 계측
• 무게: 셀의 충전 상태나 재료 적재 상태를 확인하기 위해 무게를 측정
• 충방전 시간: 셀의 충전 및 방전 시간이 계측되어 충방전 효율을 판단
• 셀 두께 및 크기: 전지의 셀 크기 및 두께를 측정하여 일정한 품질을 유지
• 전해액 주입량: 전해액이 적정량 주입되었는지 확인
  
• 불량 검사 데이터: X-ray, CT 검사 등을 통한 전극 불량, 절연체 불량 등의 품질 검사 결과

(2) ‘이벤트’ 데이터 필요

장비의 상태를 예측하려면, 장비 및 생산품에서 발생했던 과거의 이벤트를 함께 기록해야 합니다. 예를 들어 진동 데이터가 특정 임계치를 넘은 뒤 설비가 고장 났다면, 그 ‘고장 발생’이 바로 이벤트입니다. 또한 온도 습도 압력 등 생산 조건이 특정한 상태일 때 제품에서 불량이 났다면, 그 ‘불량품 발생’이 바로 이벤트입니다.

이러한 이벤트 데이터를 계측 데이터와 함께 결합하면, 데이터에 기반한 학습과 예측이 가능해집니다.

하지만 현재 많은 제조 현장에서는 이런 이벤트를 사람이 수작업으로 입력하는 경우가 많습니다. 이 방식은 시간이 많이 걸리고, 데이터의 신뢰성에도 문제가 생길 수 있습니다.

이차전지 고객사는 Data CAMP로 기초 데이터 수집부터 차근차근 확장해 왔기 때문에, 이러한 이벤트 데이터 기록, 그리고 여러 데이터의 결합도 자동으로 처리가 가능합니다.

(3) 기대 효과

• 설비 고장의 사전 예방: 진동 데이터가 일정한 패턴을 벗어났을 때 고장이 발생한다는 사실을 미리 학습하면, 유사한 상황에서 고장을 사전에 예측할 수 있습니다. 이를 통해 설비의 가동 중단 시간을 줄이고, 생산성을 극대화할 수 있습니다.
• 유지보수 비용 절감: 설비 고장이 발생하기 전에 필요한 부품을 미리 준비하고, 예측된 시점에 선제적으로 유지보수를 진행함으로써 비용을 크게 절감할 수 있습니다. 불필요한 점검과 유지보수를 줄이고, 필요한 부분만 타겟팅할 수 있습니다.
• 데이터 기반의 의사결정: 어떤 설비에서 고장이 자주 발생하는지, 어떤 이벤트가 가장 큰 영향을 미치는지 데이터로 분석할 수 있습니다. 이를 바탕으로 설비의 운영 전략을 최적화할 수 있습니다.

 

 

 

 

5단계: end-to-end MLOps로 구현하는 “AI 자율제조”

DX 여정은 데이터를 단순히 수집하고 관리하는 단계를 넘어, AI 기반의 자율 제조 시스템을 구축하는 것이 최종 목표입니다. end-to-end MLOps(머신러닝 개발 전주기 자동화)가 필수 도구로 활용됩니다.

Data CAMP는 이 과정의 핵심 기반을 제공합니다.

1. 고품질 데이터셋 생성

AI의 성능은 입력되는 데이터의 품질에 따라 결정됩니다. 고객사는 Data CAMP로 공장에서 발생하는 다양한 데이터를 체계적으로 수집하고 통합하여, 이미 고품질 데이터셋을 생성하고 있습니다.

2. AI 학습/배포/추론

이 데이터셋으로 다양한 AI 모델을 생성할 수 있습니다. 생성된 파일을 현장 PC에 설치(배포)하고 실행하면, 다양한 역할을 수행해내죠. 실제로 고객사 현장에서 아하랩스 AI 모델을 이용해 로봇팔의 이상동작을 감지하거나, 파우치 배터리의 표면 결함을 검사하고 있습니다.

3. 신규 데이터 재학습으로 모델 성능 유지

공정 데이터는 계속 변화합니다. 이에 따라 AI 모델의 성능도 떨어질 수 있습니다. AI 자율제조로 진화하기 위해서는 AI 모델의 신뢰도를 계속 높게 유지할 방안이 필요하죠.

Data CAMP는 공정 데이터는 물론 AI 모델의 추론 결과값(즉, 모델의 성능)도 실시간 모니터링이 가능합니다. 따라서 데이터가 업데이트되거나 AI 모델의 성능이 떨어지는 시점을 선제적으로 알 수 있습니다. 그리고 차곡차곡 쌓아온 고품질 데이터셋을 바로 재학습시켜 AI 모델의 성능을 높게 유지할 수 있습니다.

4. 자동화

이 단계들을 자동으로 실행하는 것이 바로 MLOps 개념이며, 아하랩스 팀이 2025년 중 정식 출시할 산업용 AI 개발운영 플랫폼 DAISY에서 이를 구현하게 될 예정입니다.

AI 자율제조로의 확장

아하랩스 팀은 향후 Data CAMP와 AI를 결합하고 고도화하여 AI 자율제조 시스템을 구축할 것입니다. 그렇게 하면 실시간 공정 데이터를 분석하고 최적화하여, 그 결과를 다시 실시간으로 공정에 반영할 수 있게 되죠.

예를 들어 설비 이상이 예측되면 시스템이 공정을 자동으로 중단하고, 관리자에게 알림을 보낸 뒤 최적의 대응 방법을 제안합니다. 보다 신뢰성 높은 AI로 고도화되면, 공정의 다양한 시나리오를 스스로 시뮬레이션하고 가장 효율적인 공정 조건을 찾아내 실시간으로 공정을 변경하는 것도 상상해볼 수 있습니다.

AI 기반의 자율제조는 최종적으로 생산성을 향상하고 불량률을 감소시키고 에너지 효율을 최적화하여 지속 가능한 스마트 제조 환경을 구현할 것입니다.

그 핵심 기반을 Data CAMP가 지금 바로, 고객사의 글로벌 제조 현장에서 만들어가고 있습니다. Data CAMP와 함께, 데이터를 넘어 AI 자율제조로의 미래를 준비하세요.