공장 AI 요구 분석은 본질적으로 생산 라인의 문제 지점을 AI가 맡을 수 있는 엔지니어링 과제로 번역하고, 어떤 단계가 도입할 가치가 있고 어떤 단계는 도입해도 낭비인지 판단하는 것입니다. 쯔보 같은 노후 공업도시의 태양광 모듈에서는 알고리즘이 얼마나 앞서 있는지가 아니라 스트링 솔더링, 라미네이션, EL 검사 같은 공정의 사이클 타임, 정밀도, 입고 자재 변동을 명확히 설명할 수 있는지가 관건입니다. 결론은 태양광 모듈의 AI 요구 70퍼센트가 비전 검사와 공정 파라미터 최적화에 집중되고 30퍼센트가 예측 설비 유지보수이며 나머지는 대부분 개념 검증이라는 것입니다.
1. 공장 AI 요구 분석이 실제로 해결하는 문제
소프트웨어 한 편을 사는 것이 아니라 세 가지 질문에 답하는 것입니다. 이 라인의 어느 작업장에 AI 투자가 가장 가치 있는지, 어떤 유형의 AI를 투자할지, 이후 어떤 지표로 검수할지입니다. 많은 공장이 실패를 겪었습니다. 공급업체가 시연에서 99퍼센트 인식률을 보였지만 가동 후 작업장 조명이 바뀌면서 85퍼센트로 떨어졌고, 문제는 요구 분석이 환경 변수를 검수 조건에 기재하지 않은 데 있었습니다.
태양광 모듈 공장의 요구 분석은 구체적 공정에 도달해야 합니다. 예를 들어 스트링 솔더링 후 셀의 미세 균열 검출에서 0.5밀리미터 이하 미세 균열을 검출할지 아니면 명확한 파손만 선별할지 명시해야 합니다. 전자는 특정 파장 광원을 갖춘 고해상도 라인 스캔 카메라가 필요하고 후자는 일반 에어리어 스캔 카메라로 충분합니다. 요구 분석의 가치는 이 계산을 미리 정리하여 저급 문제에 고급 솔루션을 쓰는 일을 피하는 데 있습니다.
2. 핵심 기능과 주요 기술 포인트
완전한 공장 AI 요구 분석은 보통 네 가지 동작으로 구성됩니다. 공정 분해, 데이터 가용성 평가, 모델 선정 권장, 검수 지표 정의입니다.
공정 분해는 모듈 생산을 스크라이빙, 스트링 솔더링, 레이업, 라미네이션, EL 시험, IV 시험, 외관 검사까지 구간별로 훑으며 각 작업장의 검사 사이클 타임과 허용 오판률을 표시하는 것입니다. 데이터 가용성 평가는 가장 쉽게 간과됩니다. EL 시험기가 이미지 내보내기 인터페이스를 노출하는지, 과거 결함 이미지가 몇 장 저장되어 있는지, 등급 라벨이 존재하는지가 모두 프로젝트 착수 가능 여부를 직접 결정합니다. 업계의 흔한 상황은 태양광 공장이 AI 외관 검사를 원했지만 지난 2년간 결함 이미지가 썸네일로 저장되어 원본 해상도가 학습에 부족하다는 것을 알고 3개월의 데이터 수집을 먼저 추가해야 했던 것입니다.
모델 선정에서 결함 검출은 대부분 CNN 기반 시맨틱 분할이나 객체 검출을 사용하고, 공정 파라미터 최적화는 흔히 베이즈 최적화가 결합된 회귀 모델을 사용합니다. 기술 지표는 문서로 확정해야 합니다. 검사 사이클 타임은 라인 CT와 맞아야 하므로 스트링 솔더러가 스트링당 2~3초로 운전되면 비전 시스템의 단일 이미지 추론은 500밀리초 이내여야 합니다. 오판률은 보통 0.3퍼센트 미만, 누락률은 0.1퍼센트 미만을 요구하며 구체적 값은 고객 검수 기준으로 설정합니다. 통신 수준에서 MES와의 인터페이스는 주로 OPC-UA나 MQTT를 사용하고 PLC와의 상호작용은 Profinet이나 EtherNet/IP를 사용하며, 기존 설비가 어떤 프로토콜을 지원하는지 요구 단계에서 확인해야 합니다.
3. 전형적 태양광 모듈 적용 시나리오
쯔보의 모듈 공장이 연간 2기가와트 생산능력으로 스트링 솔더링, 라미네이션, EL 검사를 운영한다고 가정해 보겠습니다. 첫 번째 시나리오는 스트링 솔더링 후 셀의 외관 검사로, 주로 리본 오프셋, 냉납, 파손을 확인합니다. 이런 시나리오는 사이클 타임이 빠르고 입고 자재 일관성이 좋아 AI 비전에 적합하지만, 리본 반사가 이미징에 간섭하므로 요구 분석 시 조명 방식과 카메라 각도를 명시해야 합니다.
두 번째 시나리오는 라미네이션 후 EL 미세 균열 검출입니다. EL 이미지 자체가 대비가 낮고 미세 균열이 자재 결함과 혼동되기 쉬우므로, 요구 분석에서 공정 균열과 입고 자재 균열을 명확히 구분해야 합니다. 전자는 설비 파라미터 조정에 속하고 후자는 공급업체 관리에 속합니다. 이 시나리오는 데이터 라벨링에 높은 요구를 걸며 보통 공정 엔지니어가 라벨링 규칙 정의에 참여해야 합니다.
세 번째 시나리오는 IV 시험 후 출력 구간 최적화입니다. 고정 임계값으로 구간을 나누는 대신 AI가 다중 파라미터 상관 분석을 수행하여 전류-전압 곡선 특징을 공정 파라미터와 연결하고, 저출력 모듈 배치가 솔더링 문제인지 라미네이션 문제인지 판단하도록 돕습니다. 이 시나리오는 검사 설비를 직접 대체하지 않고 공정 측에 원인 판단 참고를 제공하며 데이터 축적이 어느 정도 있는 공장에 적합합니다.
4. 선정과 구현 시 주의 사항
질문: AI 시스템은 기존 MES와 어떻게 인터페이스하는가. 답: 주류 방식은 OPC-UA로 설비 데이터를 수집하고 검사 결과를 구조화된 필드로 MES 품질 모듈에 기록하며, 이미지는 별도 파일 서버에 저장하고 URL 인덱스를 MES에 두는 것입니다. 요구 단계에서 MES 공급업체가 쓰기 인터페이스를 노출하는지 확인하고, 구현 시점에 MES를 수정해야 한다는 사실을 발견하지 않도록 하십시오.
질문: 배포에 어떤 하드웨어가 필요한가. 답: 비전 검사 작업장은 보통 산업용 PC와 추론 GPU로 구성되며 RTX A2000 수준의 카드로 대부분의 2D 검사 작업을 충족합니다. 3D나 고해상도 라인 스캔 작업에는 비디오 메모리가 더 큰 모델이 필요합니다. 엣지 배포는 네트워크 지연을 줄이지만 모델 업데이트가 불편하고, 중앙 배포는 대역폭에 요구를 겁니다. 이런 트레이드오프는 실제 라인 조건에 따라 요구 분석 단계에서 정리해야 합니다.
질문: 구현에 얼마나 걸리는가. 답: 단일 작업장 비전 검사는 데이터 수집에서 가동까지 보통 8~12주가 걸리고 데이터 라벨링이 절반을 차지합니다. 다중 작업장 협조나 공정 파라미터 최적화 프로젝트는 흔히 3~6개월이 걸립니다. 상세한 요구 분석이 일정을 통제 가능하게 유지하며 모호한 요구는 재작업으로 기간을 두 배로 늘릴 수 있습니다.
질문: 비용은 무엇으로 구성되는가. 답: 주로 세 부분입니다. 소프트웨어 라이선스나 개발비, 하드웨어 구매, 데이터 라벨링과 구현 서비스입니다. 쉽게 과소평가되는 항목은 라벨링 비용과 라인 정지 협조 비용이며, 후자는 연속 가동되는 태양광 공장에서 소프트웨어 비용보다 큰 경우가 많습니다. 요구 분석에서 세 가지를 모두 명확히 제시해야 합니다.
흔한 오해는 소비자 등급 AI의 정확도 기대를 산업 시나리오에 적용하는 것입니다. 산업 검사의 어려움은 모델 아키텍처가 아니라 데이터 분포 이동입니다. 은 페이스트 배치를 바꾸거나 다른 공급업체의 EVA 필름으로 교체하면 이미지 특징이 변합니다. 요구 분석은 한 번의 학습으로 3년을 버티기를 기대하지 말고 모델 반복 메커니즘을 마련해야 합니다.
5. 적합한 공장과 부적합한 시나리오
적합한 경우는 라인 사이클 타임이 안정적이고 입고 배치 일관성이 좋으며 과거 데이터가 어느 정도 축적되고 검사 작업장의 수동 판정 편차가 큰 공정입니다. 태양광 모듈의 EL 검사와 외관 검사가 전형적 적합 시나리오로, 결함 정의가 비교적 명확하고 IPC-A-610 같은 산업 표준을 검수 기준으로 삼을 수 있습니다.
억지로 적용하기에 부적합한 경우는 입고 소스가 혼재하고 불규칙하며 결함 샘플이 극히 적어 라벨링이 불가능하고 라인 속도가 자주 크게 조정되는 공정입니다. 고반사 또는 고변형 부품의 검사 시나리오는 광학 솔루션을 별도로 평가해야 하며 표준 비전 구성을 복사할 수 없습니다. 또한 설비 데이터조차 수집할 수 없는 공장은 AI 요구 분석을 논하기 전에 SCADA와 데이터 수집을 강화해야 하며 순서를 뒤집을 수 없습니다.
ERP 시대부터 수십 년간 일해 온 업체가 120만 고객, 수천만 단말 배포 규모를 바탕으로 쌓은 업계 경험으로 볼 때, 공장 AI 요구 분석의 구분선은 기술 선택이 아니라 공정의 언어를 엔지니어링 조건으로 번역했는지 여부입니다. 쯔보의 태양광 모듈 공장은 산업 공급망이 완비되고 공정 데이터 가용성이 비교적 좋다는 장점이 있지만, 모듈 공정과 AI의 경계를 모두 이해하는 인력이 부족하다는 단점이 있습니다. 요구 분석 단계에서 외부 시각을 들이는 것이 시스템을 그대로 사는 것보다 가치 있는 경우가 많습니다.