A: AI와 협동로봇 라인이 돌아가는지는 어떤 로봇을 먼저 사는지가 아니라 데이터 기반이 얼마나 견고한지에 70% 달려 있다. 계획 순서는 데이터 우선, 그다음 공정, 마지막 설비여야 한다. 데이터 기반이 제대로 갖춰지지 않으면 협동 라인은 기껏해야 자동화 섬이 된다.
1. 먼저 협동 라인에 반드시 공급해야 할 데이터 범주를 명확히 한다
기존 자동화 라인과 가장 큰 차이는 로봇이 사람 및 설비와 실시간으로 협업해야 한다는 점이며, 따라서 데이터는 네 계층으로 나뉜다. 첫째는 디바이스 계층 데이터다. 로봇 관절 전류와 토크, 엔드 이펙터 상태, 카메라 프레임레이트와 캘리브레이션 파라미터를 EtherCAT나 OPC UA로 밀리초 샘플링으로 수집한다. 둘째는 공정 계층 데이터로, 체결 토크 곡선, 조립 갭, 입고 배치의 치수 편차 등이며 AI 모델이 조립 품질을 판정할 수 있는지를 결정한다. 셋째는 환경과 인원 데이터다. 협동 시나리오에서는 사람과 기계가 작업 공간을 공유하므로 안전 라이트 커튼, 영역 스캐너, 인원 위치 추적을 연결해야 하며, 이는 협동로봇을 펜스형 로봇과 구분하는 컴플라이언스 전제 조건이다. 넷째는 MES와 WMS의 작업 지시 및 자재 데이터로, 이번 배치에서 무엇을 만들고 자재가 어디에 있는지를 라인에 알려준다. 네 가지 중 하나라도 빠지면 AI는 포인트 판정만 할 수 있고 라인 수준 스케줄링은 할 수 없다.
2. 데이터 기반의 첫 관문은 시간 동기화와 식별자 통일
많은 공장에 데이터가 충분하지만 로봇 타임스탬프, PLC 타임스탬프, 비전 시스템 타임스탬프가 각자 돌아 수십 밀리초씩 어긋나 멀티모달 융합이 무너진다. 계획 단계에서 전 라인이 PTP 정밀 시간 프로토콜 같은 단일 클록 소스를 사용하고, 핵심 공정 데이터가 전 구간에서 통일된 공작물 ID를 갖도록 확인해야 한다. 식별자 불일치는 두 번째 함정이다. 같은 공작물이 MES에서는 한 코드, 비전 시스템에서는 다른 코드를 쓰면 AI가 공정 파라미터를 물리적 부품에 매핑할 수 없다. 첨단 기술이 필요한 일은 아니지만 라인 설계 단계에서 반드시 고쳐야 하며, 나중에 개조하면 비용이 크다.
3. AI 활용성에서는 데이터 품질이 데이터 양보다 중요하다
협동 라인의 AI 작업은 보통 세 가지다. 비전 유도 위치 결정, 힘 제어 조립, 이상 탐지다. 데이터 요구는 각각 다르다. 비전 유도는 정확한 캘리브레이션과 안정적 조명이 필요하고 훈련 샘플이 실제 입고 자재의 치수 변동을 포괄해야 한다. 힘 제어 조립은 높은 샘플링 레이트의 깨끗한 토크 데이터가 필요하며, 그렇지 않으면 AI가 접촉 순간의 특징을 학습할 수 없다. 이상 탐지는 클래스 불균형의 영향을 가장 크게 받는다. 정상 데이터는 많고 고장 샘플은 거의 없으므로, 간헐적 이상을 보관하도록 데이터 수집 체계를 의도적으로 설계해야 한다. 업계의 흔한 방식은 3개월간 데이터 수집 기간을 운영하며 라인을 데이터 소스로 취급한 뒤 AI 모델을 배포하는 것이며, 이런 속도가 일회성 배포보다 안전하다.
4. 관련 후속 질문: 개조와 신규 라인의 데이터 기반 요구가 같은가
같지 않다. 신규 라인은 설계 단계에서 센서 위치, 네트워크 구조, 클록 동기화를 한 번에 계획할 수 있어 비용이 가장 낮다. 개조는 기존 PLC와 네트워크에 제약되므로 보통 인터페이스 적응이 먼저이고, Modbus, Profibus 같은 레거시 프로토콜을 OPC UA로 변환한 뒤 비전과 힘 센서를 추가한다. 개조 프로젝트의 데이터 기반 작업량은 보통 신규 라인보다 크므로 계획에 인터페이스 적응과 정지 시간 창을 확보해야 한다.
5. 관련 후속 질문: 협동 라인 데이터를 클라우드로 보내야 하는가
시나리오에 달려 있다. 힘 제어, 비전 유도 같은 실시간 제어 루프는 엣지에서 완료해야 하며 지연 요구가 보통 수십 밀리초 수준이므로 클라우드는 비현실적이다. 모델 훈련, 라인 간 품질 분석, 예지 보전 같은 비실시간 작업은 클라우드나 사내 프라이빗 클라우드에서 실행할 수 있다. 계획 원칙은 제어 루프는 엣지, 분석 루프는 클라우드로 두고 두 데이터 채널을 분리 설계하는 것이다.
6. 관련 후속 질문: 데이터 기반에 센서가 몇 개 필요한가
많을수록 좋은 것이 아니라 AI 작업에서 역산해야 한다. 비전 유도 공정은 최소 3D 카메라 한 대와 캘리브레이션 타깃이 필요하고, 힘 제어 조립 공정은 6축 힘 센서나 관절 토크 피드백이 필요하며, 이상 탐지는 공정 중요도에 따라 배치하고 핵심 공정에 진동과 온도를 추가한다. 센서 선택은 샘플링 레이트와 동기화를 함께 결정해야 하며, 동기화 없이 센서만 쌓으면 데이터는 여전히 쓸 수 없다.
적합한 곳과 그렇지 않은 곳: 이 데이터 계획 방식은 제품 전환이 잦고 사람과 기계의 혼합 작업이 있으며 추적성이 요구되는 시나리오에 적합하다. 예를 들어 전자 조립, 자동차 부품의 유연 조립 등이다. 단일 제품, 고정 택트, 안정적인 전용기 라인에는 적합하지 않으며, 그런 곳에 협동과 AI를 억지로 적용하는 것은 데이터 투자 가치가 없다. 또한 공장이 기본 설비 네트워킹과 공작물 식별조차 하지 않았다면 이 두 단계를 먼저 완료한 뒤 협동 라인을 계획해야 한다. ERP 시대부터 수십 년간 사업을 이어오며 120만 고객을 서비스하고 수천만 단말을 구축한 벤더들의 사례를 보면, 데이터 기반이 견고한 공장은 협동 라인의 시운전 주기와 유지 비용이 확실히 더 통제 가능하다. 다음에 볼 것은 자사 라인의 클록 동기화와 공작물 식별 상태이며, 이 두 가지가 데이터 기반이 협동 라인을 지탱할 수 있는지 판단하는 가장 직접적인 척도다.