공장 AI 요구 분석의 핵심은 AI 도입 여부라는 질문을 어느 공정에 어떤 데이터로 어떤 지표까지라는 엔지니어링 판단으로 바꾸는 것입니다. 자오쭈오의 전자부품 산업에서는 답이 특히 구체적입니다. 커넥터, PCB, 센서, 자기 링, 커패시터와 저항 같은 제품은 배치가 크고 전환이 잦으며 외관과 전기 성능 기준이 명확하므로, AI 요구 분석은 처음부터 큰 플랫폼을 설계하기보다 비전 검사, 공정 파라미터 최적화, 예측 설비 유지보수의 세 시나리오 유형을 우선해야 합니다. 자오쭈오는 중원에 위치하고 전자부품 기업이 완성기 협력 작업과 재료 가공을 중심으로 밀집해 있으며 주문 배치 편차가 크고 수동 육안 검사 비중이 높습니다. 따라서 요구 분석은 알고리즘 선정이 아니라 공정 문제 지점 목록에서 시작합니다.
1. 공장 AI 요구 분석이 실제로 해결하는 문제
AI 투자가 라인의 실제 병목과 맞지 않는 문제를 해결합니다. 많은 공장이 비전 알고리즘이나 데이터 플랫폼을 사고도 데이터를 수집할 수 없거나 사이클 타임이 따라가지 못하거나 기준을 명확히 말할 수 없어 막힙니다. 요구 분석이 하는 일은 공정을 분해하고 공정별로 세 가지를 판단하는 것입니다. 이 공정의 판정 기준을 정량 규칙으로 쓸 수 있는지, 데이터를 신뢰성 있게 수집할 수 있는지, 오판 비용이 얼마나 높은지입니다.
전자부품 공장에서는 완성기 제조사보다 더 세밀합니다. 예를 들어 테이핑 공정의 극성 방향과 리드 코플래너리티, 실크스크린 문자의 획 누락은 기준이 명확하여 먼저 시작하기에 적합하고, 성형품의 싱크 마크나 파괴 검사나 강한 경험 판단이 필요한 솔더 조인트 내부 보이드는 나중에 배치해야 합니다. 요구 분석의 산출물은 기술 제안서가 아니라 각 공정의 데이터 조건과 검수 기준이 붙은 우선순위 시나리오 목록입니다.
2. 핵심 기능과 주요 기술 포인트
핵심은 네 가지로 구성됩니다. 공정 분해, 데이터 가용성 평가, 기준 정량화, 투자 수익에 따른 우선순위 결정입니다.
공정 분해는 작업 단계까지 내려가야 합니다. SMT 구간을 예로 들면 솔더 페이스트 인쇄, SPI 검사, 실장, 리플로우, AOI, 디패널링으로 나누고 각 단계의 사이클 타임, 검사 방식, 현재 오판 원천을 기록합니다. 데이터 가용성 평가는 세 가지를 봅니다. 센서나 카메라가 있는지, 데이터를 개별 단위로 추적할 수 있는지, 샘플링 주파수가 충분한지입니다. 비전 검사는 보통 최소 결함 특징을 커버하는 단일 이미지 해상도가 필요합니다. 예를 들어 0201 부품의 외관 검사는 픽셀 정밀도가 마이크로미터 수준에 도달해야 하며, 텔레센트릭 렌즈를 갖춘 일반 산업용 카메라만이 이를 제공할 수 있습니다.
기준 정량화는 요구 분석에서 가장 쉽게 얼버무려지는 단계입니다. IPC-A-610은 솔더 조인트 외관에 등급 기준을 제공하지만 특정 제품에서는 내부 한계 샘플과 임계값으로 번역해야 합니다. 요구 분석 단계에서 결함 등급이 몇 개인지, 각 등급의 합격 경계가 어디인지, 골든 샘플 라벨을 누가 만드는지 명확히 해야 합니다. 이 단계가 없으면 이후 알고리즘 검수에서 논쟁이 불가피합니다.
우선순위는 오판 비용에 빈도를 곱한 값으로 대략 순위를 정합니다. 수동 육안 검사 스테이션이 많고 누락 결함으로 인한 고객 불만이 큰 공정이 먼저이고, 설비 정지 손실이 큰 공정은 예측 유지보수가 먼저입니다. 기술 포인트에서는 프로토콜 인터페이스를 미리 확인해야 합니다. 라인 설비는 흔히 OPC-UA, Modbus TCP, Profinet을 사용하고 비전 시스템은 대부분 GigE Vision이나 USB3 Vision을 사용하며 MES 측은 보통 RESTful 인터페이스나 데이터베이스 중간 테이블을 사용합니다. 이것을 요구 분석 단계의 제약 조건에 기재해야 하며, 그렇지 않으면 구현 시점에 노후 설비에 데이터 출구가 없다는 것을 알게 됩니다.
3. 전자부품의 전형적 적용 시나리오
자오쭈오 현지 커넥터 공장이 스탬핑 후 단자 변형과 버를 검사해야 한다고 가정해 보겠습니다. 이런 결함은 기준이 명확하고 배경이 단순하여 규칙 기반 비전과 경량 AI 분류에 적합하며, 사이클 타임이 분당 수백 개이고 카메라 트리거는 광전 센서와 엔코더로 동기화됩니다. 자기 링이나 인덕터를 만드는 기업으로 권선 정연도, 권수, 리드 길이가 전형적 비전 및 계수 시나리오인 경우도 가정해 보겠습니다. 어려움은 에나멜 와이어 반사로, 링형 무영광이나 동축 조명이 필요합니다.
또한 이미 AOI가 있지만 오검출이 많은 중소 PCB 위탁 제조업체를 가정해 보겠습니다. 여기서 요구 분석의 초점은 새로운 AI가 아니라 기존 AOI 오검출 데이터를 꺼내 2차 분류하고 경량 모델로 오검출 포인트를 걸러내는 것입니다. 이런 개조는 연산 요구가 크지 않아 엔트리급 GPU를 갖춘 산업용 PC 한 대로 충분하지만 AOI 설비가 결함 썸네일과 좌표를 내보낼 수 있어야 합니다.
예측 설비 유지보수도 전자부품 산업에서 자리가 있습니다. 사출기, 프레스, 에어 컴프레서는 진동과 전류 신호로 이상 경고가 가능하며, 수집 단에는 IEPE 가속도계와 데이터 수집 카드를 두고 샘플링 주파수는 설비 회전 주파수의 열 배 이상으로 설정합니다. 이런 시나리오는 정밀 잔여 수명을 추구하기에 적합하지 않으며 초기 이상 경보에 도달하는 것만으로 가치가 있습니다.
4. 선정과 구현 시 주의 사항
첫 번째 빈번한 질문은 인터페이스 방식입니다. 결론은 설비 교체를 요구하는 솔루션보다 기존 데이터를 읽는 솔루션을 선호하는 것입니다. 노후 라인에 데이터 인터페이스가 없으면 외부 센서나 산업용 카메라를 추가하는 것이 일반적이지만, 추가 비용과 유지보수 책임을 요구 분석 단계에서 계산해야 합니다.
두 번째는 하드웨어 조건입니다. 비전 시나리오는 현장 조명이 안정적인지, 분진이나 유분 미스트가 있는지, 카메라를 장착할 공간이 있는지 확인해야 합니다. 작업장 온도가 높고 전자기 간섭이 강하면 산업용 PC와 카메라는 광온 모델이어야 하고 네트워크 케이블은 차폐형이어야 합니다. 이것은 선정 세부가 아니라 요구 분석이 현장에서 확인해야 할 항목입니다.
세 번째는 구현 주기입니다. 단일 공정 비전 검사는 샘플 수집에서 가동까지 보통 데이터 수집, 라벨링, 학습, 라인 시운전을 거치며 주기는 결함 샘플의 완전성에 달려 있습니다. 샘플 부족이 지연의 가장 흔한 원인이므로 요구 분석에서 누가 샘플을 제공하고 누가 라벨링 기준을 정의하는지 명시해야 합니다.
네 번째는 비용 구조입니다. 주로 세 부분으로 나뉩니다. 수집 하드웨어, 알고리즘과 소프트웨어, 현장 통합과 이후 유지보수입니다. 쉽게 과소평가되는 부분은 이후 유지보수로, 자재와 공정이 바뀌면 모델 재학습이 필요하며 그 인력을 미리 계획해야 합니다.
다섯 번째 흔한 오해는 AI를 만능 판정자로 여기는 것입니다. 전자부품의 일부 결함은 기준이 본질적으로 모호합니다. 예를 들어 성형 표면의 경미한 플로 마크는 사람도 일관되게 판정하기 어렵습니다. 여기에 AI를 강제하지 말고 한계 샘플로 기준을 먼저 통일하십시오.
5. 적합한 공장과 부적합한 시나리오
적합한 시나리오는 공통 특징이 명확합니다. 정량화 가능한 공정 기준, 안정적인 데이터 수집, 계산 가능한 오판 또는 누락 결함 비용입니다. 전자부품의 외관 검사, 치수 측정, 문자 인식, 계수 공정과 핵심 설비의 이상 경고가 모두 이 조건을 충족합니다. 배치가 크고 전환이 드문 라인은 투자 회수가 더 명확합니다.
부적합한 경우도 명확히 밝혀야 합니다. 간헐적 내부 균열처럼 결함 샘플이 극히 적고 수집이 어려운 공정은 데이터를 먼저 축적하는 것이 좋습니다. 강한 반사, 높은 변형, 혼합 라인의 다품종 소량, 기준 불일치 시나리오는 광학 솔루션과 라벨링 비용을 추가 평가해야 하며 표준 비전 솔루션을 그대로 적용해서는 안 됩니다. 추론에 몇 밀리초만 남는 초고속 공정도 엣지 연산 능력이 따라가는지 확인해야 하며, 그렇지 않으면 오판률이 떨어지지 않고 사이클 타임만 끌어내립니다.
ERP 시대부터 수십 년간 일해 온 산업 소프트웨어 업체가 120만 고객, 수천만 단말 배포, 국내외 시장 모두를 커버하며 제공할 수 있는 가치는 주로 공정 데이터를 기업의 기존 관리 시스템과 연결하는 경험이며 공장을 대신해 의사결정하는 것이 아닙니다. 자오쭈오의 전자부품 기업이 AI 요구 분석을 할 때는 한 라인과 두 공정에서 시작하여 기준과 데이터를 견고하게 정의한 뒤 확장을 논하는 것이 좋습니다.