스마트팩토리아 · 조립 공정 AI 품질관리

조립 공정 AI 품질 개선, 오조립·체결 불량은 정말 줄어들까

불량 유형별 적용 방식과 비용·검증 기준으로 판단하는 법

조립 불량은 왜 검사를 늘려도 잘 줄지 않을까

조립 라인 품질 담당자에게서 자주 듣는 질문이 있습니다. 검사원을 더 배치하고 최종 시험도 빠짐없이 하는데, 왜 고객 클레임은 그대로일까 하는 질문입니다. 조립 불량의 상당수는 부품을 놓는 순간에 생기지만, 실제로 드러나는 시점은 제품이 닫힌 뒤이거나 고객이 사용하기 시작한 뒤이기 때문입니다.

그래서 AI에 거는 기대가 크지만, 모든 조립 불량에 AI가 답이 되지는 않습니다. 형상 지그나 센서로 이미 막고 있는 불량에 카메라를 덧붙이면 비용만 늘어납니다. 반대로 사람의 눈과 최종 시험 사이의 빈틈에서 생기는 불량은 AI가 가장 잘 메울 수 있는 영역입니다.

이 글은 조립 공정에서 AI가 개선할 수 있는 품질 문제를 유형별로 나누고, 공개된 실제 사례의 수치와 비용을 근거로 어디부터 적용할지 판단하는 기준을 정리합니다. 마지막에는 도입 전 자가진단 항목과 지금 바로 해 볼 수 있는 첫걸음을 제시합니다.

1. 조립 공정에서 AI가 다루는 품질 문제는 네 가지로 나뉩니다

조립 불량은 원인보다 "어떤 신호로 잡을 수 있는가"로 나눠 보면 AI 적용 여부를 판단하기 쉽습니다. 이미지로 보이는 불량, 체결 도구의 신호로 보이는 불량, 설비 상태가 서서히 흐트러지며 생기는 불량은 각각 다른 접근을 요구합니다.

누락과 오조립: 부품이 빠졌거나 방향이 뒤집힌 경우

개스킷, 씰, 와셔처럼 작고 색이 비슷한 부품은 사람이 반복해서 확인할수록 놓칠 가능성이 커집니다. 카메라 이미지로 정상·뒤집힘·누락을 구분하는 "비전 AI"가 가장 직접적인 대안입니다.

• 누락: 부품 자체가 없는 상태로, 최종 누설 시험 등에서 걸러지는 경우가 많습니다.
• 뒤집힘·오방향: 부품은 있지만 방향이 틀린 상태로, 최종 시험을 통과한 뒤 현장에서 드러나기 쉽습니다.
• 오삽입: 비슷한 부품이 잘못 들어간 상태로, 품번이 많은 혼류 라인에서 자주 생깁니다.

체결 불량: 최종 토크값은 정상인데 과정이 비정상인 경우

나사 체결은 보통 최종 토크와 각도가 기준 범위에 들어오면 합격으로 처리합니다. 그러나 체결 도중의 각도-토크 곡선이 평소와 다르게 움직였다면 나사산 손상이나 부품 균열 같은 문제가 숨어 있을 수 있습니다. 이 곡선 전체를 학습해 평소와 다른 패턴을 찾아내는 것이 "시계열 이상탐지"입니다.

외관·이물 불량과 공정 조건 이탈

조립 중 생긴 긁힘이나 이물, 접착제 도포 상태처럼 형태가 일정하지 않은 불량은 규칙 기반 검사로 기준을 잡기 어렵습니다. 또 압입력이나 설비 상태가 서서히 흐트러지며 불량률이 올라가는 경우에는 설비 데이터를 바탕으로 한 예측과 예지보전이 필요합니다.

어떤 불량부터 손댈지는 두 가지 질문으로 정리할 수 있습니다. 그 불량이 공정 안에서 바로 드러나는지, 그리고 지금의 검사 방식으로 잘 걸러지는지입니다. 늦게 드러나면서 기존 검사로도 잘 걸리지 않는 불량이 AI를 가장 먼저 적용할 대상입니다.

2. 비전 분류, 시계열 이상탐지, 반지도 학습은 어떻게 다를까

조립 품질 AI는 대부분 세 가지 방식 가운데 하나이거나 그 조합입니다. 차이는 알고리즘 이름보다 "불량 데이터를 얼마나 모을 수 있는가"에서 갈립니다.

비전 분류: 불량 유형이 분명하고 사진을 모을 수 있을 때

정상 상태와 불량 상태를 사진으로 찍어 직접 가르치는 방식입니다. 불량 상태를 일부러 재현할 수 있는 누락이나 뒤집힘에 잘 맞습니다.

• 장점: 판정 결과가 정상·뒤집힘·누락처럼 명확해 설비 인터록에 연결하기 쉽습니다.
• 한계: 불량 이미지가 충분해야 하고, 조명이나 카메라 위치가 바뀌면 다시 검증해야 합니다.

시계열 이상탐지: 불량은 드물고 정상 데이터가 많을 때

정상 데이터만으로 "평소의 모습"을 학습하고, 거기서 벗어난 체결을 이상으로 표시합니다. 체결처럼 데이터는 대량으로 쌓이지만 불량마다 라벨을 붙이기 어려운 공정에 적합합니다.

• 장점: 불량 사례에 일일이 라벨을 붙이지 않아도 학습할 수 있습니다.
• 한계: 이상이 곧 불량은 아니므로, 작업자가 이상 구간을 확인하는 절차가 함께 있어야 합니다.

반지도 학습: 라벨링 인력이 부족할 때의 절충안

일부 데이터에만 라벨을 붙이고, 나머지 라벨 없는 데이터로 학습을 보강하는 방식입니다. 조립품의 납 봉인과 개스킷 누락을 판정한 공개 연구에서는 라벨을 붙인 데이터가 전체의 20%일 때 판정 정확도가 98.83%까지 나왔습니다. 불량 비율이 낮아 데이터가 한쪽으로 치우친 조립 검사에서 라벨링 부담을 줄이는 선택지가 될 수 있습니다.

3. 실제 사례로 본 개선 효과: 어떤 불량을 어떻게 잡았나

아래 사례는 공개된 학술 논문과 정부 보도자료에서 확인되는 내용만 정리한 것입니다. 사례마다 측정한 지표가 다르고, 학술 사례는 현장 시범 적용 단계의 결과이므로 수치를 서로 직접 비교하지 말고 각 사례 안에서만 해석해야 합니다.

오일씰 뒤집힘을 공정 중에 막은 기어박스 조립 라인

이탈리아 대학 연구진이 공개한 농기계용 기어박스(증속기) 조립 라인 사례입니다. 고객 현장에서 축 주변 누유 클레임이 반복됐고, 반품된 제품을 확인한 결과 원인은 모두 오일씰이 뒤집힌 채 장착된 것이었습니다.

기존 공정은 마지막 단계에서 압축공기를 넣는 누설 시험으로 검사했지만, 이 시험은 오일씰 누락은 잡아도 뒤집힘까지 확실히 잡지는 못했습니다. 게다가 오일씰은 베어링 아래에 압입되기 때문에 끝에서 발견해도 베어링을 빼내는 분해 작업과 숙련 인력이 필요했습니다.

연구진은 개념 검증(PoC) 단계에서 프레스 암 아래에 카메라를 다는 구조를 제안하고, CNN 모델이 오일씰 상태를 정상·뒤집힘·누락으로 분류해 정상일 때만 프레스가 내려가도록 설계했습니다. 스마트폰으로 찍은 사진 500장으로 학습한 모델은 5겹 교차검증에서 평균 정확도 98.8%를 기록했고, 뒤집힌 오일씰을 정상으로 판정한 경우는 한 건도 없었습니다.

나사 체결 데이터로 이상 체결을 찾아낸 연구

포르투갈 연구진은 실제 생산 라인에서 나온 나사 체결 데이터로 이상 체결을 찾는 모델을 검증했습니다. 라벨링 비용을 줄이기 위해 정상 데이터만으로 학습하는 비지도 방식을 택했고, 입력은 각도-토크 쌍으로 단순화해 계산 부담을 낮췄습니다.

3개 조립 제품의 체결 6만 7,337회에서 나온 약 2,690만 개 각도-토크 측정값으로 시험한 결과, 두 가지 모델 모두 양품과 불량을 90% 이상 구분했습니다. 연구진은 이상 판정의 근거가 된 각도-토크 구간을 작업자가 직접 볼 수 있는 시각화 도구도 함께 만들었습니다. 판정 결과를 현장이 납득할 수 있게 보여 주는 장치까지 설계 범위에 넣은 셈입니다.

국내 AI팩토리 선도 프로젝트에서 확인된 성과

산업통상부는 AI팩토리 선도 프로젝트로 지원한 170여 개 사업장 가운데 일찍 착수한 42개 사업장을 점검한 결과, 생산성은 평균 30.1% 높아지고 불량률은 평균 15.5% 낮아졌다고 발표했습니다. 같은 발표에는 품질과 관련된 개별 기업의 성과도 실려 있습니다.

4. 비용 구조: 장비값보다 엔지니어링 시간이 더 큽니다

조립 품질 AI의 예산을 잡을 때 가장 흔한 착오는 카메라와 PC 가격만 보는 것입니다. 앞의 기어박스 사례는 비용 구성이 항목별로 공개되어 있어 이 점을 확인하기 좋습니다.

연구진은 같은 불량을 없애는 대안으로 하우징과 커버를 다시 설계하는 방안과 AI 포카요케를 비교했습니다. 재설계는 엔지니어링 시간만으로 평균 72,000유로(범위 48,000~96,000유로)로 추정됐고, 새 금형과 시험 비용은 포함하지 않았습니다. AI 포카요케는 약 27,320유로로 추정돼 재설계 비용의 절반에 못 미쳤습니다.

표에서 보듯 비용의 대부분은 장비가 아니라 사람의 시간입니다. 사진을 찍고, 모델을 만들고, 실제 라인 조건에서 검증하는 데 드는 엔지니어링 시간이 예산의 중심이 됩니다. 공급사 견적을 비교할 때도 하드웨어 단가보다 데이터 수집과 현장 검증 범위가 어디까지 포함되는지를 먼저 확인해야 합니다.

5. 안전·검증 기준: AI 판정을 설비에 연결할 때 지켜야 할 것

AI 판정을 프레스나 체결기의 작동 조건에 연결하는 순간, 품질 장치는 설비 제어의 일부가 됩니다. 이때 품질 판정과 작업자 안전을 같은 회로에 섞지 않는 것이 기본 원칙입니다.

AI 판정은 작동 허용 조건으로만 씁니다

기어박스 사례에서도 AI 판정은 오일씰이 정상일 때만 프레스 작동을 허용하는 저전압 릴레이 신호로 연결하도록 설계됐습니다. 비상정지, 양수 조작 버튼, 라이트 커튼처럼 작업자를 보호하는 안전 기능은 AI와 무관하게 별도 안전 회로로 유지해야 합니다. 기계 제어의 안전 관련 부분은 ISO 13849 같은 기능안전 표준에 따라 요구 성능을 정해 설계하는 것이 일반적이며, 학습형 판정 모델을 이 안전 기능의 대체 수단으로 쓰지 않습니다.

오판정의 방향을 먼저 정합니다

조립 품질 AI의 오류는 두 방향으로 나타납니다. 불량을 정상으로 보는 "놓침"은 불량을 다음 공정과 고객에게 넘기고, 정상을 불량으로 보는 "과검출"은 작업자의 재확인 시간을 늘립니다.

• 누유나 체결 풀림처럼 놓침이 치명적인 불량은 과검출을 어느 정도 감수하더라도 놓침이 없도록 판정 기준을 잡습니다.
• 과검출은 작업자가 부품을 다시 놓고 재판정하는 절차로 흡수할 수 있도록 공정을 설계합니다.
• 전체 정확도 하나만 보지 말고, 불량 유형별로 놓침과 과검출 건수를 따로 확인합니다.

현장 검증은 실제 조건에서 반복합니다

실험실에서 나온 정확도는 조명, 카메라 각도, 부품 로트가 바뀌면 달라질 수 있습니다. 기어박스 사례도 카메라가 프레스 헤드와 함께 움직이며 촬영 각도가 바뀌는 점, 오일씰이 약간 기울어진 채 놓일 수 있는 점을 판정 모델이 감당해야 할 조건으로 명시했습니다. 라인에 설치한 뒤에는 일정 기간 사람의 검사와 AI 판정을 함께 운영하며 결과를 맞춰 보는 것이 안전합니다.

6. 시행착오에서 배우는 점검 포인트

조립 품질 AI가 기대만큼 효과를 내지 못하는 경우, 원인은 기술보다 적용 위치와 운영 방식에 있는 일이 많습니다. 앞의 사례들이 공통으로 보여 주는 점검 포인트를 정리하면 다음과 같습니다.

특히 마지막 항목은 정부 성과 발표에서도 확인됩니다. 같은 프로젝트 안에서도 기업마다 불량률, 품질검사시간처럼 서로 다른 지표로 효과를 보고했습니다. 자사 라인에서 무엇을 성과로 볼지 먼저 정하지 않으면, 시범 적용이 끝난 뒤 확산 여부를 판단하기 어렵습니다.

7. 조립 품질 AI, 어떤 순서로 시작할까

조립 공정 AI는 공장 전체가 아니라 불량 하나를 정해 작게 시작하는 편이 성공 가능성이 높습니다. 아래 순서는 앞의 사례와 판단 기준을 실행 단계로 옮긴 것입니다.

1. 최근 클레임과 재작업 기록에서 반복되는 조립 불량 유형을 추립니다.
2. 불량이 만들어지는 공정과 처음 발견되는 지점을 짝지어 적습니다.
3. 우선순위 매트릭스에서 늦게 드러나고 기존 검사로 잘 걸리지 않는 불량을 첫 대상으로 고릅니다.
4. 불량을 재현할 수 있으면 비전 분류, 어렵다면 이상탐지나 반지도 학습으로 방식을 정합니다.
5. 적은 데이터로 시범 적용을 하되, 실제 조명·각도·부품 편차를 반영해 검증합니다.
6. 판정 결과를 설비 작동 허용 신호와 작업자 화면에 연결하고, 놓침과 과검출 건수를 기록합니다.
7. 효과가 확인되면 같은 부품을 쓰는 유사 모델과 인접 공정으로 범위를 넓힙니다.

기어박스 사례의 연구진도 가장 많이 생산하는 모델 하나로 데이터를 모은 뒤, 형상이 비슷한 다른 모델로 넓히는 방식을 제안했습니다. 처음부터 모든 품번을 학습시키려 하면 데이터 수집 기간이 길어지고 현장의 관심도 떨어집니다.

8. 도입 전 자가진단 체크리스트

아래 질문에 그렇다고 답하기 어려운 항목이 많다면, AI 모델을 고르기보다 데이터와 공정 정리부터 시작하는 것이 좋습니다.

조립 품질 AI는 검사 장비가 아니라 실수를 막는 장치로 설계할 때 효과가 큽니다

조립 공정에서 AI가 개선하는 품질 문제는 누락·뒤집힘 같은 오조립, 최종값만으로는 보이지 않는 체결 이상, 형태가 일정하지 않은 외관·이물 불량, 서서히 흐트러지는 공정 조건으로 나눌 수 있습니다. 이 가운데 효과가 가장 분명한 것은 늦게 드러나면서 기존 검사로도 잘 걸리지 않는 불량입니다.

공개 사례가 보여 주듯 성과는 정확도 자체보다 판정 시점과 연결 방식에서 나옵니다. 오일씰을 놓는 순간 판정해 프레스를 멈추게 하는 설계는 재설계의 절반에 못 미치는 비용으로 같은 불량을 막을 수 있는 것으로 추정됐고, 체결 데이터 연구는 불량 라벨 없이도 정상 패턴만으로 이상을 걸러 낼 수 있음을 보여 줍니다. 다만 비용의 대부분이 데이터 수집과 검증에 드는 사람의 시간이라는 점은 처음부터 예산에 반영해야 합니다.

본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.