"이상 확률 92%"라는 알림이 뜹니다. 그런데 담당자에게 필요한 정보는 그다음입니다. 왜 이상이 생겼을까요? 어느 부품이, 어떤 조건에서 문제를 일으켰을까요? 하지만 대부분의 알림은 여기서 멈춥니다.
이상을 감지하는 것과 원인을 찾는 것은 전혀 다른 문제입니다. 체온이 높다는 걸 아는 것과, 그 원인이 감염인지 탈수인지 아는 것이 다른 것처럼 말이죠.
기존 이상감지 AI가 어디서 멈추는지, 왜 원인분석이 어려운지, 그리고 원인분석까지 하는 AI가 현장에서 무엇을 바꾸는지를 이 글을 통해 살펴보도록 하겠습니다.
제조 AI의 흐름, 감지에서 원인분석으로
제조 AI는 단계적으로 발전해 왔습니다. 초기에는 임계값을 넘으면 알람을 울리는 단순 모니터링이었습니다. 다음 단계는 이상감지와 예지보전입니다. 정상 패턴과 다른 변화를 포착하고, 고장 가능성을 미리 알려줍니다. "정상과 다른가?"에 답하는 단계입니다.
그런데 여기서 한 단계가 더 필요합니다. "무엇이 원인인가?"에 답하는 원인분석입니다. 진동이 증가했다는 사실만으로는 베어링 마모인지, 축 정렬 불량인지, 윤활 부족인지, 부하 변화인지 구분할 수 없습니다.
즉, 이상감지는 증상의 발견이고, 원인분석은 발생 경로와 최초 원인의 추적입니다. 둘은 이어져 있지만 다른 작업입니다.
기존 이상감지 AI가 멈추는 지점은?
이상감지 AI는 "이상이 있다"는 사실은 잘 알려줍니다. 하지만 두 가지 지점에서 멈춥니다.
첫째, 상관관계와 인과관계를 구분하지 못합니다. 진동과 전류가 동시에 상승했다면, AI는 두 값이 함께 움직인다는 것을 포착합니다. 하지만 진동이 전류 상승을 일으켰는지, 부하 증가가 둘 다를 높였는지, 실제 원인은 냉각수 부족인데 두 값은 결과로 나타난 것인지는 별도로 확인해야 합니다. 함께 변했다는 사실이 곧 원인이라는 뜻은 아닙니다.
둘째, 설명이 부족합니다. "이상 확률 92%"는 경보로는 유용하지만, 담당자가 실제로 조치를 결정하기에는 정보가 모자랍니다. 어떤 변수가 판단에 영향을 줬는지, 이상은 언제부터 시작됐는지, 유사한 과거 사례가 있는지를 알아야 실제 행동으로 이어질 수 있습니다.
제조업에서 원인분석이 특히 어려운 이유는 무엇일까?
원인분석이 오래 걸리는 데는 구조적인 이유가 있습니다.
데이터가 현상 중심으로 기록되기 때문입니다. 시스템에는 "불량 발생", "설비 정지" 같은 결과는 남지만, 그 순간 생산 중이던 제품과 레시피, 직전 정비 이력, 작업자의 개입 같은 맥락은 기록되지 않는 경우가 많습니다.
시스템도 분리되어 있습니다. 원인은 한 시스템 안에만 있지 않습니다. 설비 상태는 PLC와 SCADA에, 생산 실적은 MES에, 검사 결과는 QMS에, 정비 이력은 별도 시스템에 흩어져 있습니다. 이 데이터들이 설비 ID와 시간, 제품 로트로 연결되지 않으면 담당자는 여러 화면을 수작업으로 대조해야 합니다.
시간축도 잘 맞지 않습니다. 냉각수 유량 저하가 3시간 뒤 품질 불량으로 나타나거나, 윤활 부족이 며칠에 걸쳐 서서히 진동을 키우는 경우가 있습니다. 불량이 발생한 순간의 값만 보면 결과에 가까운 변수를 원인으로 오인하기 쉽습니다.
원인이 복합적인 경우도 많습니다. 정렬 불량이 진동을 키우고, 진동이 윤활을 열화시키고, 그 결과 베어링이 마모되는 식의 연쇄가 흔합니다. 이때 베어링만 교체하면 일시적으로 정상화되지만, 근본 원인은 남아 재발합니다.
무엇보다 현장은 복구가 먼저입니다. 설비가 멈추면 재가동이 우선순위가 되고, 그 과정에서 알람은 리셋되고 부품은 교체되고 운전 조건은 원래대로 돌아갑니다. 원인 분석에 필요한 초기 상태가 사라지는 것입니다.
상관관계를 원인으로 착각하면 생기는 문제
현장에서 자주 발생하는 오해가 있습니다. 진동과 불량이 함께 증가했다고 해서 진동이 원인은 아닐 수 있습니다. 원료 경도가 높아져 부하와 진동, 불량이 동시에 늘어난 경우일 수 있기 때문입니다. 이때 베어링만 교체하면 문제는 그대로 남습니다.
특정 부품 교체 후 정상화됐다고 해서 그 부품이 근본 원인이라고 단정하기도 어렵습니다. 재가동, 설정 변경, 공정 안정화가 동시에 일어났을 수도 있기 때문입니다.
이런 오해가 반복되면 원인이 아닌 부품을 교체하고, 진짜 원인은 남아 같은 문제가 재발합니다. 정비 비용은 늘어나는데 다운타임은 줄지 않는 상황이 생깁니다.
제조 원인분석 AI가 만드는 변화는?
원인분석까지 하는 AI는 작업 흐름 자체를 바꾸게 됩니다.
기존에는 알람이 울리면 담당자를 호출하고, 여러 시스템을 수작업으로 조회하고, 현장 작업자에게 상황을 재확인하고, 과거 정비 기록을 개인 기억이나 파일에서 찾아야 했습니다. 원인분석 AI는 이상이 발생하면 관련 설비 로그, 센서값, 생산 조건, 품질 결과, 정비 이력을 자동으로 모아 원인 후보와 근거, 점검 순서를 제시합니다. 담당자는 이를 검증하고 최종 조치를 결정합니다.
이 변화는 반복 고장을 줄이는 데도 도움이 됩니다. "베어링 손상"을 최종 원인이 아니라 결과로 나타난 고장 모드로 분류하고, 축 정렬이나 설치 상태 같은 상위 원인을 추가로 점검하도록 유도할 수 있기 때문입니다.
다비스(DARVIS)를 도입한 정밀 부품 제조사 H사의 사례가 이 변화를 잘 보여줍니다. 30년 경력의 공장장도 찾지 못하던 불량 원인을 3시간 안에 찾아냈습니다. 여러 시스템에 흩어진 데이터를 사람이 수작업으로 대조하던 방식에서, 데이터를 자동으로 연결해 원인 후보를 제시하는 방식으로 바뀐 결과입니다. 원인 파악에 30일 걸리던 과정이 3시간으로 줄었고, 불량 재발률은 90% 감소했습니다. 근본 원인을 찾아 조치했기 때문에 같은 문제가 반복되지 않은 것입니다.
"왜"에 답하는 AI, 어디서 시작하는가?
다비스(DARVIS)는 이상을 감지하는 데서 멈추지 않습니다. 설비, 품질, 공정 데이터를 연결해 원인 후보와 근거를 함께 제시하고, 최종 판단은 담당자가 내리도록 설계되어 있습니다. 단순히 "이상하다"고 알리는 것이 아니라, 어떤 조건에서 어떤 원인으로 이어졌는지를 데이터로 보여줍니다.
기존 ERP·MES·설비 데이터를 교체하지 않고 그대로 연결하는 방식이라 시스템 변경은 0건이고, 도입까지 5주입니다. 이상을 아는 것에서 멈추지 않고 원인까지 아는 것, 그것이 제조 현장에서 실제로 문제를 해결하는 방법입니다.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 제조 현장의 실제 문제 해결 사례와 AI 활용 노하우를 공유합니다.
더 많은 제조 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.