⊙ 아티클 스터디
주제 : "AI 품질관리로 시작하는 스마트 제조 혁신"
( https://saige.ai/blog/ai-quality-management/ )
요약
: 제조업에서 숙련된 기술자들의 육안 검사로 진행하던 품질검사가 AI 비전 검사로 전환하는 시대가 도래함으로써 AI 품질관리 시스템이 어떤 방식을 채택해 품질검사를 진행하는지, 이점, 도입 시 고려사항 , 트렌드 까지를 제시하며 생산성 극대화의 전략을 제시한다.
주요 포인트
- 전통적 방식의 한계 극복 : 작업자의 컨디션이나 숙련도에 따라 결과가 달라지는 수동 검사의 주관성과 비효율성을 AI 자동화로 해결함으로 검사의 정확도와 속도를 높이고 생산성을 높이는데 기여할 수 있다
- 딥러닝 기반의 정밀 검사 : 복잡하고 불규칙한 형태의 미세 결함까지 탐지해 내어 기존 룰 기반(Rule-based) 방식보다 높은 검출률을 기록한다. 이는 휴먼에러로 인한 불량률 감소, 실시간 결함 발견 및 즉시 수정 가능해진다.
- 비용 절감 및 공정 효율화 : 불량 원인을 실시간으로 파악하여 폐기 비용을 줄이고, 전체 공정의 병목 현상을 해소한다.
- 데이터 선순환 구조(Feedback Loop) : 현장에서 발생하는 데이터를 지속적으로 학습시켜 AI 모델의 성능을 고도화하고 변화하는 생산 환경에 유연하게 대응한다.
- 의사결정 속도 향상 : 관리자 입장에서 올바른 방향성의 판단 가능 및 전체 제조 전력에 영향을 준다.
- AI 품질관리 이점 : 당장의 생산 리스크 줄이는 해법
- 도입 시 봐야할 것
: 현재 사용 중인 장비, MSE(제조 실행 시스템), ERP 시스템과 AI가 제대로 연동돼야 실시간 검사가 결과 반영이 가능한데 호환문제가 생기면 데이터 누락, 판단 기준이 엇갈려 생산성이 되려 떨어진다. 설비 호환성 테스트 및 표준 설정이 꼭 필요하다.
: 우리 환경에 맞는 데이터 유출 위험 및 클라우드 연동시 암호화 등을 고려해야 한다. - AI 품질관리 전망 : 예측 중심의 스마트 유지 보수 시스템 및 지속가능성 중심 제조 전략. 이는 단순히 불량을 찾는게 아닌 고장을 미리 예상하고 방지하는 역할 기대
핵심개념
- AI 비전 검사 : 카메라와 AI 알고리즘을 결합해 제품의 결함 여부를 실시간으로 판정하는 기술입니다.
- 품질 지능화 : 단순히 불량을 골라내는 것을 넘어, 축적된 품질 데이터를 분석해 공정 자체를 최적화하는 단계입니다.
- 결함 탐지(Defect Detection) : 이미지 데이터를 분석하여 제품의 균열, 스크래치, 이물질 등 비정상적인 특징을 찾아내는 과정입니다.
용어정리
- 머신 비전(Machine Vision) : 기계에 인간의 시각 능력을 부여하여 이미지를 촬영하고 처리 및 해석하는 기술
- 딥러닝(Deep Learning) : 방대한 데이터를 스스로 학습하여 복잡한 패턴을 인식하는 인공신경망 기술로, AI 비전 검사의 핵심 엔진 역할
- 미탐(False Negative) : 불량품을 정상으로 잘못 판정하는 오류로, 품질 신뢰도에 치명적인 영향을 미침
- 과검(False Positive) : 정상 제품을 불량으로 잘못 판정하는 오류로, 불필요한 재작업이나 폐기 비용을 발생
- ESG : 환경(Environment), 사회(Social), 지배구조(Governance)를 의미. 이러한 요소를 고려해 지속가능한 발전을 추구하는 경영 방식
- downtime : 비가동 시간 / 사용이 불가능한 시간 = 불가용성 시간
+ 실무 적용 사례(도메인 : 제악)
○ 실무 적용 |
|
| 고형제(정제/캡슐) 외관 자동 검사 | 기존의 육안 검사나 단순 룰 기반(Rule-based) 장비가 식별하기 어려웠던 정제의 미세한 깨짐, 이물 부착, 색상 편차 등을 딥러닝 비전 알고리즘으로 판별 |
| 주사제 이물 및 성상 검사 | 투명한 액체 속에 부유하는 미세 유리 파편이나 불용성 이물질을 고속 카메라와 AI로 분석하여, 인간의 눈보다 빠르고 정확하게 불량품을 배출 |
| 포장 공정의 완결성 확인 | PTP 포장의 실링 상태, 알루미늄 호일의 찍힘, 가변 정보(제조번호, 사용기한)의 오타 및 인쇄 불량을 실시간으로 감정하여 휴먼 에러를 차단 |
○ 관련 사례 |
|
| 바이오 의약품의 외관 검사 고도화 | 세포 치료제나 백신 등 고부가가치 제품군의 용기(Vial) 크랙이나 캡핑(Capping) 상태를 딥러닝으로 검사하여, 제품 손실 비용을 획기적으로 절감하고 있습니다 |
| 대형 제약사의 스마트 팩토리 도입 | 국내 상위 제약사들은 생산 라인에 AI 비전 검사기를 도입하여 품질 관리(QC) 인력의 주관적 개입을 줄이고 있습니다. 특히 대량 생산 체제인 만성질환 치료제 라인에서 미탐(False Negative)률을 0%에 가깝게 낮추는 것을 목표로 운영 중입니다 |
| 한미 : 경기도 팔탄에 위치한 '스마트 플랜트'를 통해 국내 제약업계의 디지털 전환을 주도하고 있습니다. : 이물 검사실에서 8개의 고성능 카메라를 이용해 정제 외관의 결함을 자동으로 검사하는 시스템을 운영 중입니다. : 실시간 공정 검사 장비를 통해 얻은 데이터를 바탕으로 공정 조건을 최적화하는 피드백 루프를 구현하여 야간 무인 운전이 가능한 수준의 자동화를 달성했습니다. |
|
| 삼성바이오로직스 : 글로벌 CDMO 기업으로서 생성형 AI와 업무 자동화 솔루션(Brity Automation)을 연계하여 품질 관리 업무의 효율성을 높이고 있습니다. 대규모 생산 라인에서 일관된 품질을 유지하기 위해 데이터 기반의 스마트 제조 환경을 구축하고 있습니다. |
|
| SK바이오사이언스 : 대한민국 최초로 백신 개발 및 품질 관리 공정에 AI를 활용한 'ADO 시스템'을 도입했습니다. 또한, 생성형 AI 기반의 안전 및 품질 관리 시스템을 통해 작업 현장의 위험 요소를 데이터화하여 관리하고 있습니다. |
|
○ 가상 시나리오 |
|
| 가상시나리오 | A 제약사는 고혈압 치료제 대량 생산 공정에서 코팅 불량으로 인한 무작위 미세 균열(Micro-crack) 문제로 고민하고 있습니다. 기존 광학 장비는 조명 반사로 인해 정상 제품을 불량으로 오인하는 '과검'이 자주 발생했다. |
| 아티클 적용 | 딥러닝 기반 AI 비전 시스템을 도입합니다. 다양한 조명 조건과 각도에서 학습된 AI는 빛 반사와 실제 균열을 정확히 구분하기 시작 |
| 인사이트 | 검사 속도가 분당 수천 정 단위로 유지되면서도 과검률이 이전 대비 40% 감소했습니다. 또한, 탐지된 불량 데이터를 분석하여 코팅기(Coater)의 특정 분사 노즐 문제를 역으로 추적해 공정 자체를 개선하는 '품질 지능화'를 달성 |