데이터 기반 컬러 불량 원인분석 및 품질보증 AI 솔루션 실증 사례

기계와 눈이 다른 말을 할 때

염색 공정에서 컬러는 합격과 불합격을 가르는 기준입니다. 그런데 그 기준을 재는 방법이 두 가지였고, 둘이 자주 엇갈렸습니다.

CCM(Computer Color Matching) 은 색을 수치로 측정하는 장비입니다. 그런데 CCM이 “같다”고 한 원단을 사람이 보면 달라 보이는 일이 생겼습니다. 한 번이 아니라 반복적으로요.

그래서 현장은 CCM 수치를 참고만 하고 최종 판정은 육안에 맡기는 방식으로 운영되고 있었습니다. 1차 검사자가 보고, 어려우면 2차 판별로 넘기고, 합격한 제품도 최종적으로 고객에게 컬러 판정을 받습니다.

이 구조에는 두 가지 비용이 있습니다. 판정에 사람의 시간이 계속 들어간다는 것, 그리고 판정 기준이 사람마다 달라진다는 것입니다.

색이 결정되는 순간을 데이터로

염색 공정은 이렇게 진행됩니다. 염료와 조제를 자동화 시스템으로 레시피의 표준량만큼 염색기로 보내고, 물과 원단을 투입한 뒤 온도와 시간을 제어해 원단에 컬러를 입힙니다.

즉 색은 설비 운영 조건이 만들어내는 결과입니다. 온도가 어떻게 올라갔고 얼마나 유지됐는지, 설비가 어떤 속도로 돌았는지, 물량이 얼마였는지가 최종 색을 결정합니다.

그렇다면 그 조건들을 모아 색차를 예측할 수 있어야 합니다. 염색 설비 PLC와 CCM 검사설비 PLC, 물량 정보를 묶어 13개 변수를 뽑았습니다. 염색 가동 길이, 설비 온도 실제값, 설비 속도, 그리고 결과값인 염색 색차 DE. 데이터는 3,181만여 건이 모였습니다.

XGBoost를 고른 이유

색차 예측에는 XGBoost 회귀를 썼습니다.

부스팅은 약한 예측 모형들이 낸 오차에 가중치를 두고, 그 오차를 다음 모형이 이어받아 보정하는 방식입니다. 틀린 부분을 계속 물고 늘어지는 구조라 정확도가 올라갑니다.

XGBoost는 여기에 병렬 학습과 과적합 규제를 더한 구현입니다. 현장 데이터는 특정 조건에 쏠려 있는 경우가 많은데, 규제 기능이 있어 학습 데이터에만 맞아떨어지는 모델이 되는 것을 억제합니다.

예측보다 중요했던 것

분석 결과 염색 색차를 사전에 예측할 수 있다는 것을 확인했습니다. 공정이 끝나고 CCM에 올려보기 전에, 진행 중인 조건만으로 결과를 가늠할 수 있다는 뜻입니다.

그런데 이 사례에서 더 의미 있었던 것은 변수 중요도 분석입니다. 어떤 조건이 색차에 얼마나 작용하는지가 수치로 나옵니다.

컬러 불량이 났을 때 “왜 났는가”에 답할 수 있는 재료가 생긴다는 뜻입니다. 육안 판정은 결과만 말해줄 뿐 원인을 말해주지 않습니다. 원인을 알아야 레시피를 고치고, 다음 LOT에서 같은 불량을 피할 수 있습니다.

남는 이야기

이 사례는 “AI가 사람 눈을 대체했다”는 이야기가 아닙니다. 최종 판정에는 여전히 사람이 있습니다.

달라진 것은 판정의 근거입니다. 감각으로만 설명되던 것이 데이터로 설명되기 시작하면, 그 기준은 사람이 바뀌어도 남습니다.