AI 기반 화장품 제조 공정 스마트공장 구축 실증 사례

끝나야 알 수 있는 불량

화장품 제조에서 불량은 생산이 끝난 뒤 품질검사에서 드러났습니다. 그 시점에는 원료도 설비 시간도 이미 들어간 뒤입니다. 되돌릴 수 있는 것이 없습니다.

원인을 찾는 일도 쉽지 않았습니다. 설비 설정값 대비 실제값의 허용 오차 범위가 넓게 잡혀 있어, 여러 항목이 동시에 그 범위를 벗어나는 일이 흔했습니다. 그중 무엇이 이번 불량과 관련 있는지는 알 수 없었습니다. 사람이 보기에는 모두 “범위 밖”이었기 때문입니다.

탱크 안에서 벌어지는 일을 데이터로

먼저 설비에서 나오는 값을 모았습니다. 메인 탱크의 호모 RPM, 스크래퍼와 패들의 회전수, 챔버와 자켓 온도, 진공도, 점도. 워터 탱크와 오일 탱크의 온도와 교반 속도. HMI와 PLC에서 나오는 13종입니다.

이것만으로는 부족합니다. 이 값들이 어떤 결과로 이어졌는지를 알아야 하기 때문입니다. ERP에서 LOT별 품질검사 결과를, MES에서 생산일·작업자·생산품목·생산시간을 가져와 시계열 설비 데이터에 붙였습니다.

공정을 스스로 나누게 했습니다

화장품 제조 공정은 하나의 연속된 작업처럼 보이지만 안에는 세부 단계가 있습니다. 그런데 어디서 어디까지가 어느 단계인지는 기록되지 않습니다.

RPM 같은 설비 데이터의 패턴을 보면 이 경계를 찾을 수 있습니다. 세부 공정을 자동으로 분류하고 나니, “이 단계에서의 조건이 최종 품질에 어떻게 작용하는가”를 단계별로 볼 수 있게 됐습니다.

두 알고리즘을 같이 쓴 이유

의사결정나무와 LSTM을 함께 썼습니다. 서로 부족한 부분이 다르기 때문입니다.

의사결정나무는 어떤 변수가 중요한지 골라내고 그 이유를 나무 구조로 보여줍니다. 두 변수가 겹쳐서 만드는 영향도 읽을 수 있습니다. 현장에서 “왜 그렇게 판단했는가”를 설명해야 할 때 필요합니다.

LSTM은 시계열 예측에 맞는 구조입니다. 탱크 안의 온도와 회전수가 시간에 따라 변해온 흐름 전체를 놓고 앞을 봅니다.

해석은 의사결정나무가, 예측은 LSTM이 맡는 구성입니다.

생산 중에 보이게

학습한 모델은 실시간 추론 엔진에 올렸습니다. 생산이 진행되는 동안 설비 데이터가 흘러 들어오고, 최적 작업 모델 대비 현재 작업이 어디로 가고 있는지를 그 자리에서 비교합니다.

불량이 났다는 사실을 나중에 확인하고 원인을 거슬러 올라가던 흐름이, 생산 중에 이탈을 감지하고 작업 가이드를 받는 흐름으로 바뀌었습니다.

2020년 12월부터 2021년 4월까지 AI 솔루션 실증 지원사업으로 수행했습니다.