공장 AI 요구 분석의 본질은 라인에서 사람이 지켜보고, 경험으로 판단하고, 사후에 쫓아가는 방식에 의존하는 문제를 모델이 인식하고 처리할 수 있는 신호로 번역하는 것이다. 중국 서남부의 중요한 자동차·장비 제조 기지인 류저우는 최근 몇 년간 신에너지 배터리와 협력 소재 프로젝트가 밀집해 전개되었고, 배터리 라인은 전극 코팅 두께, 용접 품질, 화성 데이터에 대해 전통 자동차 부품보다 훨씬 높은 일관성 요구를 가진다. 수작업 샘플링과 반장 순회로는 택트를 커버할 수 없으며, 이것이 공장 AI 요구 분석이 자주 언급되는 배경이다.
1. 공장 AI 요구 분석이 실제로 분석하는 것
알고리즘을 사서 라인에 설치하는 것이 아니다. 공장 AI 요구 분석은 라인 기획과 개조 단계에서 품질, 설비, 물류, 에너지의 문제 중 시각 인식, 시계열 예측, 이상 탐지에 적합한 것을 먼저 선별하고, 데이터가 충분한지, 연산 능력을 어디에 둘지, 기존 MES와 PLC와 어떻게 연결할지를 판단하는 것이다. 요컨대 기술 선택 회의가 아니라 수요 측 진단이다.
전통적 린 개선과 식스시그마 프로젝트와 비교하면 대상이 다르다. 린은 공정 낭비를 보고, AI 요구 분석은 어떤 판단을 모델이 대신할 수 있는지를 본다. 일반 디지털 컨설팅보다 더 깊이 들어가 특정 워크스테이션, 특정 결함 유형, 특정 샘플링 주기까지 본다. 신에너지 배터리 공장 하나가 전극 코팅 공정에 대해 한 차례 분석을 수행하고 최종적으로 세 가지 고가치 시나리오만 선별했다. 코팅 면밀도 온라인 추정, 탭 용접 냉간 용접 검출, 화성 단계 용량 이상 선별이다. 나머지 십여 가지 아이디어는 데이터 샘플링 주기가 부족해 보류되었으며, 이 선별 행위가 바로 요구 분석의 가치다.
2. 주요 기능 모듈과 기술 포인트
완전한 분석 프레임은 보통 여러 부분을 아우른다. 데이터 가용성 평가가 먼저로, PLC 수집 주기, 비전 스테이션의 조명 안정성, MES 결함 코드의 입도를 본다. 많은 배터리 공장의 MES 결함 코드에는 외관 불량만 있고, 그 입도로 모델을 학습시키는 것은 아무것도 주지 않는 것과 같다.
시나리오 우선순위 선정이 두 번째 부분이다. 일반적 접근은 빈도 곱하기 1회 손실 곱하기 개입 가능성으로 점수를 매겨 냉간 용접, 웹 브레이크, 두께 편차 같은 고빈도 고손실 항목을 우선한다. 세 번째는 기술 경로 매칭이다. 시각 결함은 엣지 박스에서 실행되는 경량 CNN이나 증류된 소형 모델을 쓰고, 화성 용량 예측은 엣지 서버의 시계열 모델을 쓴다. 대형 모델부터 시작하지 마라.
네 번째는 시스템 통합 방안이다. 배터리 라인 설비 브랜드가 혼재하고 코터, 와인더, 화성·등급 선별 캐비닛의 통신 프로토콜이 통일되어 있지 않으므로, OPC UA 게이트웨이와 엣지 컴퓨팅 노드의 배치를 요구 단계에서 명확히 그려야 한다. 다섯 번째는 조직과 운영이다. 모델 가동 후 누가 경보를 보고, 오탐률이 어느 수준이면 롤백할지. 이런 규칙이 요구 문서에 없으면 나중에 분쟁이 생긴다.
3. 신에너지 배터리의 대표 적용 시나리오
류저우의 한 기업이 리튬인산철 셀을 만들며 증설을 막 마쳤고 가장 큰 골칫거리가 코팅 면밀도 일관성이라고 가정하자. 수작업 샘플링은 롤의 머리와 꼬리만 시험하고 중간은 전적으로 코터 자체 폐루프에 의존하며, 슬러리 점도가 흔들리면 롤 전체가 폐기된다. 요구 분석은 온라인 두께 측정기와 코터 PLC 갭 데이터에서 시작해 면밀도 예측 모델을 만들고 경보를 권취 이전으로 앞당기라고 제안할 것이다. 슬리팅 후에 문제를 발견하는 것이 아니라.
반대로 배터리 모듈 팩을 만드는 공장으로 버스바 레이저 용접 스테이션이 숙련 작업자의 용융 풀 영상 관찰로 냉간 용접을 판정하고 교대조가 바뀌면 기준이 흔들린다고 가정하자. 이런 시나리오는 비전과 용접 전류 시계열의 융합 모델을 의사결정 지원으로 쓰기에 적합하며, 요구 분석 단계에서 카메라 프레임레이트가 전체 용접 과정을 커버하는지, 과거 냉간 용접 샘플이 보존되었는지 확인해야 한다. 화성 단계의 용량 선별도 또 다른 사례다. 한 배터리 공장은 같은 배치 셀의 충방전 곡선이 특정 전압 구간에서 미세하게 갈라지는 것을 발견했고, 수동 검토 전에 이상 탐지 모델로 사전 선별해 등급 선별 공정의 재시험 작업량을 눈에 띄게 줄였다. 이런 시나리오는 기존 라인을 뒤엎을 필요가 없고 기존 자동화 위에 추가된다.
4. 선택과 실행 조언
넓게 펼치지 말고 하나의 생산 라인과 하나의 공정에서 시작하라. 데이터 기반이 비교적 좋은 워크스테이션을 우선하라. 이미 온라인 검사 설비가 있고 PLC 수집이 완비된 코팅이나 용접 구간 같은 곳이다. 공급업체가 배터리 산업의 공정 데이터 거버넌스 경험이 있는지에 주목하라. 비전 알고리즘만 알고 셀 공정 창을 모르는 업체는 구현 중 정상 공정 변동을 결함으로 보고하기 쉽다.
진행에서 요구 분석 보고서에는 네 가지가 반드시 들어가야 한다. 시나리오 목록, 데이터 격차 목록, 통합 토폴로지, 인수 지표다. 인수 지표는 오탐률과 미탐률의 이중 제약을 사용하고 95퍼센트 정확도 같은 모호한 표현을 쓰지 마라. 15개 이상 산업의 120여 고객, 3,200여 개 사이트를 보유한 공급업체는 보통 교차 산업 데이터 거버넌스의 재사용 가능한 방법론을 갖추고 있지만, 배터리 산업의 공정 노하우는 여전히 고객의 깊은 참여가 필요하다. 한 가지 더, 요구 분석 단계에서 운영 책임자를 정하라. 모델은 일회성 납품물이 아니며 화성 곡선의 드리프트에는 주기적 재학습이 필요하다.
5. 전망
류저우의 신에너지 배터리 체인은 여전히 상류 소재와 하류 재활용으로 확장되고 있으며, 공장 AI 요구 분석의 초점은 단일 지점 결함 검출에서 전 공정 품질 이력추적과 에너지 최적화로 이동할 것이다. 엣지 컴퓨팅 비용이 낮아지고 소량 샘플 학습이 배터리 결함 시나리오에서 더 활용 가능해지면서 향후 2~3년간 데이터가 부족하다는 병목은 다소 완화될 것이다. 그러나 공정 메커니즘과 데이터 모델의 결합은 변하지 않으며, 셀을 이해하는 사람이 요구 정의에 참여하는 것이 이런 프로젝트가 궤도를 유지하는 전제 조건이다.