A: AI로 OEE를 개선하는 핵심은 알고리즘이 얼마나 앞서 있는지가 아니라 데이터 기반이 “속도, 가용성, 품질”이라는 세 기둥을 지탱할 수 있는지다. 데이터가 갖춰지지 않으면 강한 모델도 헛돈다. 많은 공장이 AI 플랫폼을 바로 사들이지만 OEE는 그 자리에 그대로 있고 문제는 거의 항상 데이터 계층에 있다.
1. 먼저 세 가지 흔한 오해를 피한다
1. PLC 데이터면 충분하다고 가정한다. PLC는 설비가 돌고 있는지 멈췄는지는 알려주지만 정지 이유, 얼마나 지속되었는지, 미세 정지였는지는 흔히 부정확하게 기록된다. OEE의 가용성 손실 상당 부분은 분 단위 단기 정지와 교체에서 오고 이는 단일 신호로는 도저히 재구성할 수 없다.
2. 데이터가 많으면 항상 좋다고 가정한다. 센서는 쌓이는데 타임스탬프가 맞지 않아 A 설비는 로컬 시계를, B 설비는 게이트웨이 시간을 쓰고 계산된 다운타임이 마이너스로 나온다. 데이터 품질이 데이터 양보다 훨씬 중요하다.
3. AI가 누락 정보를 자동으로 채운다고 가정한다. 정지 이유가 기록되지 않고 작업 지시가 연결되지 않으면 AI는 추측만 할 수 있고 그 추측으로 내놓는 OEE 개선 제안은 기본적으로 실행 불가능하다.
2. 실제 함정은 어디에 있는가
어떤 전자 공장이 한 차례 시도했다. SMT 라인의 데이터 수집은 충실했지만 실장기의 자재 교체 기록은 MES에, 정지 신호는 SCADA에, 품질 판정은 AOI에 있었다. 세 시스템이 각각 다른 이야기를 해 OEE가 세 가지 버전으로 나왔고 작업장은 모두 거부했다. 또 다른 함정은 입도다. 교대조 단위로 집계된 데이터는 근본 원인 분석을 뒷받침하지 못하므로 AI는 “이 교대조가 비효율적이었다”고만 말할 수 있고 어느 설비, 어느 단계가 끌어내렸는지는 말하지 못한다. 게다가 설비 상태 코드가 통일되어 있지 않아 같은 “자재 대기”가 한 라인에서는 정지로, 다른 라인에서는 비계획으로 기록되어 라인 간 비교가 왜곡된다.
3. 피하는 방법: 데이터 기반을 네 계층으로 구축한다
1. 디바이스 계층: 운전, 대기, 알람, 교체를 포함한 상태 신호를 초 또는 분 단위로 수집하고 계획 정지와 비계획 정지를 구분한다. 미세 정지는 이산 신호에만 의존하지 말고 전류와 택트 같은 공정 변수로 판단을 보조한다.
2. 작업 지시 계층: 설비 상태가 작업 지시, 제품 모델, 배치와 결합되어야 한다. 그렇지 않으면 교체 손실을 계산할 수 없고 제품 유형별 OEE 비교도 불가능하다.
3. 품질 계층: 초도 수율, 재작업, 폐기 데이터가 특정 설비와 시간 창으로 추적 가능해야 품질 손실을 OEE 분석에 포함할 수 있다.
4. 시간 기준선: 공장 전체의 통일된 클록 소스와 시스템 간 정렬된 타임스탬프다. 가장 놓치기 쉽지만 가장 치명적인 연결 고리다.
4. 모범 사례는 어떤 모습인가
AI를 배포하기 전에 데이터 상태 점검을 하라. 한 라인을 2주 돌리며 세 지표를 본다. 상태 신호 완전성, 정지 이유 입력률, 작업 지시 연결률이다. 어느 하나라도 90퍼센트 미만이면 먼저 데이터를 고친다. 그다음 병목 설비의 단일 지점에서 진입해 AI로 정지 예측과 근본 원인 분류를 하고 효과를 검증한 뒤 전 라인으로 복제한다. 선정 시에는 벤더가 기존 MES, SCADA, PLC 시스템과 인터페이스할 수 있는지, 통일된 상태 코딩 표준이 있는지 물어라. ERP 시대부터 수십 년간 일하고 120만 고객을 서비스하며 수천만 단말을 보급하고 국내외 시장을 커버한 벤더는 보통 데이터 수집과 프로토콜 호환에서 더 성숙하지만, 귀사의 특정 라인은 여전히 실제 데이터로 검증해야 한다. OEE 개선은 데이터 엔지니어링 작업이고 AI는 마지막 가속 계층이다. 기초가 탄탄하지 않으면 가속은 편차만 증폭한다.