문제
MPC Cooler 제조 공정 가운데 품질과 불량에 미치는 영향이 가장 큰 곳이 페이스트 도포 공정이었습니다. 실시간 검사가 자동화돼 있지 않았고, 도포 상태에 따라 품질이 어떻게 달라지는지 미리 예측할 수 없었습니다.
수집 데이터
3D 프로파일 비전 센서에서 나오는 비정형 데이터와 도포 로봇 PLC에서 수집되는 정형 데이터를 함께 모았습니다. A면·B면 각 L1~L12 구간의 도포량과 설비 설정값(SV)·측정값(PV)을 시계열로 저장했습니다.
적용 모듈
C²·D²로 수집과 표준화를 맡고, OPC 서버를 통해 프로토콜을 표준화한 뒤 TSDB에 원천 데이터를 저장했습니다. A²에서 LightGBM 알고리즘으로 최적 도포량과 품질을 예측하고, V²로 비전 검사를 수행했습니다.
결과
공정의 최적값을 도출하고 이를 설비 SV로 되돌려 보내는 자율형 제어 시스템을 구현했습니다. AI 추론 서버가 도출한 최적값이 프로토콜 변환을 거쳐 PLC로 전달되고, 변경 결과가 다시 시스템으로 돌아옵니다.
예측에서 멈추지 않았습니다
품질을 예측하는 것까지는 여러 현장에서 합니다. 문제는 그 예측값을 누가 언제 설비에 반영하느냐입니다. 사람이 화면을 보고 수동으로 설정을 바꾸는 방식이면, 결국 사람이 있을 때만 작동합니다.
이 사례에서는 AI가 도출한 최적값이 설비로 되돌아가는 경로를 만들었습니다.
데이터가 도는 경로
- 3D 비전 센서에서 정형·비정형 데이터를 수집
- OPC 서버에서 프로토콜을 표준화하고 Publish 모듈 구성
- Subscribe 모듈로 받아 TSDB에 원천 데이터 저장
- 전처리·가공 후 AI 추론 서버에서 공정 최적값과 실시간 품질 예측 결과 도출
- 결과값을 PLC로 전송, 명령어 프로토콜로 변환해 SV 변경
- SV 변경 후 결과를 리턴받아 다음 판단에 반영
LightGBM을 쓴 이유
회귀와 분류를 모두 다룰 수 있어 최적값 예측과 품질 예측을 한 알고리즘으로 처리할 수 있습니다. 학습 시간이 짧고 메모리 사용량이 적어 현장 설비 옆에서 반복 학습하기에 적합했습니다. 다만 데이터셋이 작으면 과적합 가능성이 있어, 수집 기간을 충분히 두고 검증했습니다.