불량 예측 넘어 공정 제어까지…진화 속도내는 ‘자율제조 AI’ [테크언커버드] 작성일 10-21 14 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">■성큼 다가온 ‘완전 자율공장’<br>공장 곳곳 파편화된 데이터 묶어<br>공정·설비별 체류 시간까지 계산<br>숙련된 전문가처럼 최적 값 도출<br>불량 줄이는 최적 생산환경 구축<br>재학습 통한 AI 능력유지가 관건</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="Y74jSm9USP"> <figure class="figure_frm origin_fig" contents-hash="0beacb4506e2f2d0b3006fa57997abc1f9943e4b7efa1a62a085a0b0e643939f" dmcf-pid="Gz8Avs2uT6" dmcf-ptype="figure"> <p class="link_figure"><img class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175157781huuh.jpg" data-org-width="1200" dmcf-mid="VBWYzFaeTN" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175157781huuh.jpg" width="658"></p> </figure> <p contents-hash="48d47e575757c8caacc32e803cf3a63154308087a1adc33687bf699e99b91465" dmcf-pid="Hq6cTOV7v8" dmcf-ptype="general">이달 13일(현지 시간)부터 20일까지 일주일간 유럽을 순방한 젠슨 황 엔비디아 최고경영자(CEO)는 19일(현지 시간) 마지막 방문지인 독일에서 “다음 인공지능(AI)의 물결은 제조업·자동차·중공업·로보틱스 등 현실 세계와 상호작용하는 기술이 될 것”이라고 말했다. 같은 날 엔비디아는 독일 에를랑겐의 지멘스 전자공장에서 AI와 디지털 트윈(가상 공장) 기술을 결합한 자율제조 기술을 공개했다. 엔비디아는 지멘스와 산업용 AI 운영체제(OS)를 공동 개발하고 있으며, 공장 자동화율을 현재 30~40%에서 최대 70~80%까지 끌어올리는 것을 목표로 하고 있다. 완전 자율공장의 ‘두뇌’가 산업용 AI 시장의 새 성장동력이 될 것으로 본 것이다.</p> <p contents-hash="5dcbec3327660cdaea9845d1347aaac60fe5b70eb9ac8798b628b2c767aed5c1" dmcf-pid="XBPkyIfzW4" dmcf-ptype="general">설비의 이상 징후나 제품 불량을 찾아내는 데 그쳤던 제조 AI의 역할이 생산계획을 세우고 설비의 운전조건까지 판단하는 영역으로 넓어지고 있다. 기존 공장 자동화에서 한발 더 나아가 AI가 생산 상황에 맞춰 스스로 대응책을 찾는 ‘자율제조 AI’가 제조업의 새로운 경쟁 분야로 떠올랐다. 다크 팩토리(무인 공장)가 사람 없이 정해진 작업을 수행하는 무인화에 초점을 맞춘 개념이라면, 자율제조 AI는 생산 조건이 달라질 때마다 최적의 대응을 스스로 판단하는 데 무게를 둔다.</p> <div contents-hash="24bf4f88d285c8ac1373c4dfc40a7cbc57ea5e480038502d63e3f5fb7eb54945" dmcf-pid="ZbQEWC4qTf" dmcf-ptype="general"> <div> <strong>‘제각각’ 공장 데이터 정합이 자동화 출발점</strong> </div> <br> </div> <figure class="figure_frm origin_fig" contents-hash="45041e1a1c1461c9727b834b75b06a9d70afb624355a49acc7efaa7401543f99" dmcf-pid="5KxDYh8BSV" dmcf-ptype="figure"> <p class="link_figure"><img alt="AI자율제조 플랫폼 기업 아이제라가 개발한 식품 공장의 에이전트 구성도. 두부의 응고 상태와 품질을 분석하는 AI 에이전트들이 생산 데이터를 공유하면 제어 권고 에이전트가 운전조건 변경안을 제시한다. 사진 제공=아이제라" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175159093wmrh.png" data-org-width="1200" dmcf-mid="feaNlrKpWa" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175159093wmrh.png" width="658"></p> <figcaption class="txt_caption default_figure"> AI자율제조 플랫폼 기업 아이제라가 개발한 식품 공장의 에이전트 구성도. 두부의 응고 상태와 품질을 분석하는 AI 에이전트들이 생산 데이터를 공유하면 제어 권고 에이전트가 운전조건 변경안을 제시한다. 사진 제공=아이제라 </figcaption> </figure> <div contents-hash="86bdaaa04e684fdc39f4036b52b64ab3e2b4d3ed0ba12fbb6b624461212d18a7" dmcf-pid="13KLOkztW2" dmcf-ptype="general"> 기존 공장 자동화 설비는 사람이 정한 온도·속도·순서를 정확히 반복할 뿐이었다. 여기에 AI를 붙이더라도 고장·불량 위험을 파악한 뒤 대응책을 정하는 일은 여전히 사람의 몫이었다. 자율제조 AI는 달라진 공장 상태를 파악하고 결과를 예측한 뒤 숙련된 전문가처럼 어떤 운전조건을 얼마나 조정할지 판단해 실제 설비에 반영한다. 제조업계에서는 숙련 인력의 고령화와 이탈이 이어지면서 숙련자 의존도를 낮출 수 있는 이 같은 기술의 수요가 빠르게 커질 것으로 보고 있다. </div> <p contents-hash="cce16936a2f04cc0bf0fc0cff62803d3d307948f065d5c7a3f75d7a80214a17e" dmcf-pid="t09oIEqFS9" dmcf-ptype="general">자율제조 AI 구현은 공장 곳곳에 흩어진 데이터를 같은 기준으로 연결하는 데서 출발한다. 공장에는 온도·압력·속도 등을 측정하는 센서와 설비제어장치(PLC), 원료·재고를 관리하는 전사적자원관리(ERP), 생산 품목과 작업 이력을 기록하는 제조실행시스템(MES), 품질검사 시스템 등이 각각 따로 운영된다. AI가 공장 상태를 정확히 파악하려면 이들 데이터를 통합해 어떤 조건에서 제품을 생산했고 그 결과가 어땠는지를 연결해야 한다. 특히 데이터마다 기록 주기가 다르다는 점이 걸림돌이다. 센서값은 초 단위로 기록되지만 품질검사 결과는 생산이 끝난 뒤에야 나온다. 제품이 공정 사이를 이동하는 시간과 설비마다 다른 시계 오차까지 반영해 데이터를 맞추는 ‘정합’ 기술이 중요한 이유다.</p> <p contents-hash="4c240bc5b14f5c94dc901fc031ef310643ecc0d8704d94da7601a023370f0692" dmcf-pid="Fp2gCDB3yK" dmcf-ptype="general">철강·시멘트·정유 등 연속 공정에 특화된 기업인 인이지의 최재식 대표는 “철강 코일을 열처리하는 가열로의 경우 구간별 온도와 라인 속도, 코일별 강종·두께·생산 순서, 최종 품질검사 결과를 각각 수집해 정합한다”며 “코일이 가열로의 각 구간을 통과하는 시간을 반영하고 누락되거나 비정상적인 계측값을 걸러내야 최적 운전조건을 제대로 도출할 수 있다”고 설명했다. 식품 제조 공정에 특화된 아이제라의 장성묵 대표도 “두부의 응고·압착·절단 과정에서 수집한 데이터를 하나의 시계열 데이터베이스에 모아 설비별 시계 오차를 보정한다”며 “공정별 체류 시간을 계산해 원료·생산 조건·품질 결과를 연결하고 센서값의 신뢰도까지 AI에 전달해야 오판을 막을 수 있다”고 강조했다.</p> <figure class="figure_frm origin_fig" contents-hash="bf8ad32fb050c69e34f9cbf1a995ff3d70102703578a7760118a6722c10eb649" dmcf-pid="3UVahwb0Wb" dmcf-ptype="figure"> <p class="link_figure"><img alt="아이제라 관계자들이 풀무원식품의 두부 생산라인을 살펴보고 있다. 아이제라는 원료 투입부터 응고·압착·절단까지 각 공정에서 수집한 데이터를 연결해 품질을 예측하고 운전조건을 조정하는 AI 기술을 개발하고 있다. 사진 제공=아이제라" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175200410efkx.jpg" data-org-width="1200" dmcf-mid="4dEp6KsACg" dmcf-mtype="image" height="auto" src="https://img3.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175200410efkx.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 아이제라 관계자들이 풀무원식품의 두부 생산라인을 살펴보고 있다. 아이제라는 원료 투입부터 응고·압착·절단까지 각 공정에서 수집한 데이터를 연결해 품질을 예측하고 운전조건을 조정하는 AI 기술을 개발하고 있다. 사진 제공=아이제라 </figcaption> </figure> <p contents-hash="e93469e63a3f088ad1ed7f7802df73cc515739e1761597a83d3f168bbf4e2d7b" dmcf-pid="0ufNlrKpvB" dmcf-ptype="general">여기에 수치로 기록되지 않은 숙련자의 노하우까지 반영해야 한다. 설비의 공식 허용 범위와 실제 현장에서 작업자가 경험상 안전하다고 판단하는 범위가 다를 수 있기 때문이다. 임용섭 마키나락스 최고AI책임자(CAIO)는 “현장 인터뷰를 통해 특정 품질 지표가 나빠졌을 때 어느 설비의 설정값을 바꾸는지, 어느 수준 이상은 조정하지 않는지 등 작업자의 판단 기준을 구체적으로 수집해 데이터화하는 작업도 수반된다”고 설명했다. 장 대표 역시 “식품 공장은 레시피가 같아도 콩의 수분, 밀가루의 단백질 함량, 육류의 지방·크기 등에 따라 결과가 달라진다”며 “숙련자가 감각으로 맞추던 기준을 데이터화해 AI가 원료 상태에 따라 작업장의 미세한 온·습도 등까지 조절하도록 하는 것이 중요하다”고 말했다.</p> <div contents-hash="2b71e6a221c5745eced7764c9ab3a710abc81a6c7bc1a0ec166e8a0b7fdaf07d" dmcf-pid="p74jSm9UWq" dmcf-ptype="general"> <div> <strong>AI로 수백만 가지 조합 중 최적 운전조건 도출</strong> </div> <br> </div> <figure class="figure_frm origin_fig" contents-hash="9c7213f0d78dc7d2b99dccc263e375877c7d392e04914a1a4071f6d109f93fd3" dmcf-pid="Uz8Avs2uhz" dmcf-ptype="figure"> <p class="link_figure"><img alt="조선소 내부에서 자율제조 AI 에이전트의 설비 재가동·제어값 선제 조정 등으로 자동화된 공정이 수행되고 있다. AI 생성 이미지 제공=마키나락스" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175201846wfga.png" data-org-width="1200" dmcf-mid="8L0LOkztho" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175201846wfga.png" width="658"></p> <figcaption class="txt_caption default_figure"> 조선소 내부에서 자율제조 AI 에이전트의 설비 재가동·제어값 선제 조정 등으로 자동화된 공정이 수행되고 있다. AI 생성 이미지 제공=마키나락스 </figcaption> </figure> <div contents-hash="5ebfe8c1bd7102fbc058fb42703d188f1c902aa0c1bf8fdb9228d1085df2e045" dmcf-pid="uq6cTOV7v7" dmcf-ptype="general"> 공장 상태를 파악한 다음에는 수많은 운전조건 가운데 가장 적절한 조합을 찾아야 한다. 조건 하나를 바꾸면 다른 지표도 함께 움직이기 때문이다. 예컨대 가열로 온도를 높이면 강판 품질은 좋아질 수 있지만 연료 사용량도 늘어난다. AI는 원료 특성처럼 바꿀 수 없는 조건과 온도·압력·투입량처럼 조정 가능한 변수를 구분하고 품질·생산성·에너지 효율을 함께 고려해 최적값을 계산한다. 다만 가능한 조합을 실제 설비에서 일일이 시험하기는 어렵다. 기업들이 실제 공장 데이터를 학습한 가상 공장에서 여러 제어안을 미리 시험하는 기술을 활용하는 이유다. </div> <p contents-hash="3b4aabbba866d238aecc787875a98b7c9dd9cff71bf59022fba743981a328f87" dmcf-pid="7BPkyIfzTu" dmcf-ptype="general">마키나락스는 월드모델 기반의 디지털 트윈을 활용해 전기차 배터리 생산라인에 AI 에이전트를 적용했다. AI 에이전트가 불량 판정을 재검증해 정상 제품으로 판단하면 설비를 다시 가동하고, 가압장치의 토크 설정값도 조정한다. 인이지는 KG스틸의 연속용융아연도금라인(CGL) 가열로에 예측제어 기술을 적용했다. 현재 생산 중인 코일뿐 아니라 다음 코일의 두께·강종·생산 순서까지 고려해 온도 설정값을 미리 계산하고 실제 제어시스템에 반영하는 방식이다.</p> <p contents-hash="5bae32c5ec8dcd9510134199952a2150eadc0699fc479f0e44448943d19f2fea" dmcf-pid="zbQEWC4qlU" dmcf-ptype="general">아이제라는 풀무원 두부 공정에서 품질관리 AI와 공정관리 AI를 연계해 운전조건을 조정하는 기술을 실증하고 있다. 품질관리 AI가 응고 상태와 중량 등의 편차를 분석하면 공정관리 AI가 응고제 공급 비율이나 절단 조건의 조정안을 제시한다.</p> <p contents-hash="78c5771781363828b63bb781823d73b88c3da4901f14ca76f97a40e0b6a112d6" dmcf-pid="qbQEWC4qlp" dmcf-ptype="general">실제 생산 결과를 지속적으로 반영해 AI의 판단 능력을 유지하는 재학습 기술도 중요하다. 설비 노후화나 계절 변화 등으로 AI의 예측이 빗나갈 수 있어서다. 기업들은 실제 생산 결과와 AI 예측값의 차이, 원료·설비 상태의 변화 등을 감지해 재학습 필요성을 판단하고 모델을 업데이트한다.</p> <p contents-hash="3c3ae09b7cf68017dc7e4b1adb037db7bed2d1a17473f1ad770f44a563887969" dmcf-pid="BKxDYh8BW0" dmcf-ptype="general">임 CAIO는 “재학습에는 언제 할지, 어떤 데이터로 할지, 재학습한 모델이 정말 나아졌는지 등 세 가지 판단이 필요하다”며 “데이터 드리프트(학습 당시와 달라진 데이터의 특성)와 예측 오차를 감지해 시점을 정하고, 머신러닝 운영(MLOps) 파이프라인을 활용해 기존 모델보다 성능이 개선된 경우에만 현장에 적용한다”고 말했다. 최 대표도 새 모델은 기존 모델과의 성능 비교와 공정 제약조건 검토 등을 거쳐 현장 적용 여부를 결정한다고 설명했다.</p> <div contents-hash="b2ad02c64c33ff62d32bf79f917ad82bb9cfe3919354dd7ce818ee7e0140a17d" dmcf-pid="b9MwGl6bT3" dmcf-ptype="general"> <div> <strong>자율제조 확산 관건은 안전성…AI 오판에도 생산라인 지킨다</strong> </div> <br> </div> <figure class="figure_frm origin_fig" contents-hash="22d84c6a4decebe45def0d6ddddef190a031a6554496a76fec052d4778d2861e" dmcf-pid="K2RrHSPKSF" dmcf-ptype="figure"> <p class="link_figure"><img alt="자율제조 AI 에이전트가 적용된 공장 내부에서 구간별 설비·작업 데이터가 실시간으로 수집돼 제어에 반영되고 있다. AI 생성 이미지 제공=마키나락스" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175203427miib.png" data-org-width="1200" dmcf-mid="6fFimAu5hL" dmcf-mtype="image" height="auto" src="https://img3.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/21/seouleconomy/20261021175203427miib.png" width="658"></p> <figcaption class="txt_caption default_figure"> 자율제조 AI 에이전트가 적용된 공장 내부에서 구간별 설비·작업 데이터가 실시간으로 수집돼 제어에 반영되고 있다. AI 생성 이미지 제공=마키나락스 </figcaption> </figure> <div contents-hash="8996004e1024dacdc573fdb6c8eea4da45c5ca9966c831cde6b30bf66324575e" dmcf-pid="9VemXvQ9yt" dmcf-ptype="general"> 자율제조 AI가 더 많은 생산 현장에 자리 잡으려면 AI가 잘못 판단하더라도 설비 고장이나 생산 중단으로 이어지지 않도록 제어 기술을 보완해야 한다는 것이 업계의 평가다. 기업들은 디지털 트윈에서 제어안을 미리 검증하고, 이상이 생기면 기존 제어 방식으로 되돌아가는 안전장치 등을 마련하고 있다. </div> <p contents-hash="cde502a440f613f82ad314ee73ef0cde7c26bca5302dbab587235adbbf7cb21c" dmcf-pid="2fdsZTx2S1" dmcf-ptype="general">임 CAIO는 “제어안 실행 전에는 AI가 찾을 수 있는 값 자체를 설비 안전 범위와 현장 작업자가 허용하는 범위 안으로 제한하고, 학습 때 본 적 없는 낯선 상황에서는 AI의 제어권을 즉시 회수해 현장 관리자에게 알리는 모드로 전환한다”고 설명했다.</p> <p contents-hash="9dd9c0a15e231a784ed9fe3099800143e1101ee7fee052194587f831fc2e3f8e" dmcf-pid="V4JO5yMVS5" dmcf-ptype="general">최 대표는 “AI의 판단이 실제 설비에 영향을 주는 만큼 일반 정보 서비스보다 엄격한 안전 원칙이 필요하다”며 “기존 PLC·분산제어시스템(DCS)의 보호 로직과 인터록(안전 연동장치) 등 설비 안전 기능은 AI와 별도로 유지하도록 설계하고, 제어 권한도 공정의 위험도와 AI 모델의 검증 수준에 따라 단계적으로 부여해야 현장에서 신뢰를 얻을 수 있다”고 말했다.</p> <p contents-hash="03d3323489ebd72b65de425afbfb6c036da1c659f8dc5fc6a6e293d17891d94c" dmcf-pid="f8iI1WRfyZ" dmcf-ptype="general">장형임 기자 jang@sedaily.com</p> </section> </div> <p class="" data-translation="true">Copyright © 서울경제. 무단전재 및 재배포 금지.</p> 관련자료 이전 "백덤블링 해도 병뚜껑은 못 열더라"…삼성의 '남다른 로봇' 전략 10-21 다음 "사이버트럭 타고 스타링크 연결"…'머스크 유니버스' 뜬다 10-21 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
