스마트 SMT: AI 품질 관리와 예측 유지보수 전략

들어가며: 왜 지금 SMT 공정에 AI인가

최근 몇 년간 SMT 라인을 둘러싼 환경은 빠르게 변하고 있습니다. 인건비는 꾸준히 상승하고, 부품은 01005, 0201처럼 점점 더 미세해지고 있으며, 다품종 소량 생산이 일반화되면서 한 라인에서 수십 종의 모델을 하루에 전환해야 하는 상황도 드물지 않습니다. 이런 환경에서 기존의 룰 기반 검사 방식과 정기 점검(PM) 위주의 유지보수 방식만으로는 한계가 뚜렷해지고 있습니다.

특히 의사 불량(False Call)에 따른 재검사 부담, 미세 결함의 미검출, 그리고 갑작스러운 장비 정지로 인한 가동률 저하는 현장 엔지니어라면 누구나 한 번쯤 마주쳤을 문제일 것입니다. 이 글에서는 AI 기반 품질 관리와 예측 유지보수(PdM)라는 두 축이 어떻게 SMT 라인을 '사후 대응' 체계에서 '사전 예측' 체계로 전환시키는지를, 실무 관점에서 정리해 보고자 합니다.

SMT 공정의 페인 포인트와 데이터 기반 접근의 필요성

전통적 검사·유지보수 방식의 한계

AOI(Automated Optical Inspection)와 SPI(Solder Paste Inspection)는 SMT 품질 관리의 근간이지만, 룰 기반 알고리즘에 의존할 경우 의사 불량률이 높아지는 경향이 있습니다. 통상적으로 의사 불량 한 건을 사람이 재확인하는 데 수십 초에서 수 분이 소요되며, 이것이 누적되면 검사 공정 전체의 병목이 되기도 합니다. 또한 톰스톤, 미세 보이드, 비정형 솔더 형상 같은 결함은 룰만으로는 잡아내기 어려운 경우가 많습니다.

유지보수 측면에서도 마찬가지입니다. 정해진 주기에 따라 부품을 교체하는 PM 방식은 아직 멀쩡한 부품을 교체하거나, 반대로 주기 이전에 고장이 발생하는 비효율을 동시에 안고 있습니다.

스마트 팩토리 관점에서의 데이터 흐름

SMT 라인은 본질적으로 SPI → 마운터 → 리플로우 → AOI로 이어지는 직렬 공정입니다. 각 단계에서 발생하는 데이터를 분리해서 보면 단편적 진단에 그치지만, 이를 하나의 흐름으로 연결해 보면 전혀 다른 통찰을 얻을 수 있습니다. 예를 들어, SPI의 페이스트 볼륨 편차가 후공정 AOI의 솔더링 불량으로 이어지는 패턴이 일정하게 관찰된다면, 이는 단일 공정의 문제가 아니라 공정 간 상관관계의 문제로 접근해야 합니다.

SMT production line data flow diagram from SPI to AOI with sensor connections

AI 기반 품질 관리: 검사 정확도와 의사 불량 저감

딥러닝이 AOI·SPI에 가져온 변화

전통적인 검사기는 임계값(threshold) 기반의 룰에 의존해 왔습니다. 반면 최근의 AI 기반 검사기는 양품·불량 이미지를 학습한 CNN 계열 모델, 그리고 정상 패턴에서 벗어나는 신호를 잡아내는 이상 탐지(anomaly detection) 모델을 활용합니다. 이 덕분에 사전에 룰로 정의하기 어려운 비정형 결함, 예를 들어 미세한 컴포넌트 시프트나 솔더 표면의 미묘한 형상 이상까지 인식 가능성이 높아졌습니다.

의사 불량 저감 효과, 어떻게 봐야 할까

업계에서는 AI 검사 도입 후 의사 불량률이 크게 줄었다는 보고를 어렵지 않게 접할 수 있습니다. 그러나 "90% 감소"와 같이 인상적인 수치는 특정 라인·특정 제품군·특정 데이터셋 조건에서의 결과인 경우가 많습니다. 같은 모델이라도 학습 데이터의 다양성, 조명 조건, 검사 대상 부품 종류에 따라 효과는 크게 달라질 수 있습니다.

실무 팁: 도입 전 자체 라인의 의사 불량률, 미검출률, 작업자 재검사 시간을 베이스라인으로 측정하고, 동일 조건에서 AI 도입 후 수치를 비교해 ROI를 산정하는 것이 가장 신뢰할 수 있는 방법입니다.

도입 시 엔지니어가 챙겨야 할 체크포인트

• 라벨링 품질: 모델 성능의 상한은 라벨 품질에 의해 결정됩니다. 동일 결함을 두고 검사원마다 다르게 분류한다면 모델도 혼란스러워집니다.
• 재학습 주기: 신규 모델 투입, 부품 변경, 솔더 페이스트 교체 시 재학습 또는 미세 조정이 필요합니다.
• 광학 조건 표준화: 조명, 카메라 각도, 노출 등이 라인마다 다르면 모델 일반화가 어렵습니다.
• 현장 작업자 피드백 루프: 작업자가 모델의 판정 결과를 손쉽게 교정·피드백할 수 있는 인터페이스가 있어야 모델이 성숙합니다.

예측 유지보수(PdM): 가동률을 지키는 두 번째 축

어떤 데이터를 수집할 것인가

예측 유지보수의 출발점은 결국 데이터입니다. SMT 라인에서 일반적으로 의미 있게 활용되는 신호는 다음과 같습니다.

• 칩 마운터: 노즐 진공압, 헤드 진동, 서보 모터 전류, 픽업/플레이스 성공률
• 리플로우 오븐: 존별 온도 편차, 팬 모터 전류, 컨베이어 속도 변동
• 피더: 피딩 에러율, 테이프 텐션, 교체 주기
• 스텐실 프린터: 스퀴지 압력, 클리닝 주기, 페이스트 점도 추정치

이러한 신호를 시계열 형태로 누적하면, 정상 패턴과 이상 패턴을 분리해낼 수 있는 기반이 마련됩니다.

고장 예측은 어디까지 가능한가 — 현실적 시각

부품 단위의 잔여수명(RUL, Remaining Useful Life) 예측은 매력적인 목표지만, 기술적 난이도가 상당히 높습니다. 충분한 고장 이력 데이터와 일관된 운영 환경이 전제되어야 하며, 라인마다 가동 패턴이 달라지면 모델의 일반화도 어려워집니다.

따라서 현실적인 접근은 다음과 같은 단계적 성숙도 모델을 따르는 것입니다.

1. 이상 탐지: 평소와 다른 패턴이 나타나면 알람
2. 단계별 알람: 경고/주의/긴급 등 임계 단계 구분
3. RUL 추정: 충분한 데이터가 쌓인 뒤 잔여수명 예측 시도

PM에서 PdM으로 가는 단계적 로드맵

• 1단계 — 데이터 수집 인프라: 장비 로그, 센서 신호를 안정적으로 수집·저장하는 파이프라인 구축
• 2단계 — 상태 기반 모니터링(CBM): 핵심 지표를 대시보드화하여 실시간으로 상태 파악
• 3단계 — 예측 모델링: 이상 탐지·고장 예측 모델 적용
• 4단계 — 자동 워크오더 연동: CMMS/MES와 연계해 정비 지시가 자동 생성되는 체계 구축

Predictive maintenance dashboard showing equipment health indicators and anomaly detection trends

두 전략의 통합: 품질 데이터와 장비 데이터의 교차 분석

품질 이상 신호가 곧 장비 이상 신호일 때

실장 불량이 특정 헤드, 특정 노즐, 또는 특정 피더에서 집중적으로 발생한다면, 이는 단순한 품질 문제가 아닐 가능성이 큽니다. 통상적으로 노즐 마모, 헤드 캠 열화, 피더 스프링 피로 등이 이러한 패턴을 만들어냅니다. 즉, 품질 이상 신호가 그 자체로 장비 열화의 조기 경보가 되는 셈입니다.

이 관점은 매우 중요합니다. 품질팀과 설비팀이 각자 데이터를 보던 관행에서 벗어나, 두 데이터를 교차 분석할 때 비로소 숨어 있던 근본 원인이 드러나는 경우가 많기 때문입니다.

MES·SPC와의 연계 포인트

검사 데이터, 장비 로그, 생산 이력을 MES와 SPC 시스템에 통합하면, 근본 원인 분석(RCA)을 상당 부분 자동화할 수 있습니다. 예를 들어 SPC 차트에서 공정 능력 지수가 흔들리는 시점에 어떤 장비, 어떤 노즐, 어떤 모델이 가동 중이었는지를 자동으로 매칭해 보여주는 식입니다. 이를 통해 엔지니어는 가설 수립과 실험 설계에 더 많은 시간을 쓸 수 있게 됩니다.

도입을 검토하는 엔지니어를 위한 실무 가이드

작게 시작해서 검증하기

처음부터 전 라인에 AI 시스템을 적용하려는 시도는 대부분 어려움을 겪습니다. 한 라인, 혹은 한 장비군에 PoC(Proof of Concept)를 적용하고 다음과 같은 KPI를 베이스라인으로 측정한 뒤, 단계적으로 확장하는 것이 현실적입니다.

• 의사 불량률, 미검출률
• MTBF(평균 무고장 시간), MTTR(평균 수리 시간)
• OEE(설비 종합 효율)
• 라인 전환(Changeover) 시간

흔히 마주치는 함정

• 데이터 품질 부족: 센서가 있어도 결측·노이즈가 많으면 모델은 작동하지 않습니다.
• 현장과의 단절: 작업자와 엔지니어가 모델의 판정을 신뢰하지 못하면 도입은 형식적 단계에 머무릅니다.
• MLOps 체계 미비: 한 번 모델을 만들고 끝나는 게 아니라, 지속적인 재학습·배포·모니터링 체계가 필요합니다.
• 기대치 과잉: "AI를 도입하면 불량이 사라진다"는 식의 기대는 도입 후 실망으로 이어지기 쉽습니다.

마무리: 데이터 주도형 SMT 라인을 향한 점진적 전환

AI 기반 품질 관리와 예측 유지보수는 '한 번에 도입하는 솔루션'이 아니라, 데이터 자산을 쌓아가며 성숙시키는 여정에 가깝습니다. 화려한 사례나 인상적인 수치보다 중요한 것은, 우리 라인의 데이터가 어떤 상태인지, 어떤 KPI를 기준으로 개선을 측정할 것인지에 대한 명확한 정의입니다.

엔지니어 관점에서 가장 먼저 해야 할 일은 분명합니다. 현재 라인의 KPI를 정량화하고, 신뢰할 수 있는 데이터 파이프라인을 구축하는 것. 이 두 가지가 갖춰지면, AI 모델이든 PdM 시스템이든 그 위에 단계적으로 쌓아 올릴 수 있습니다. 반대로 이 기반이 부실한 상태에서 도입되는 어떤 솔루션도 기대했던 효과를 내기 어렵습니다.

스마트 SMT 공정으로의 전환은 결국 기술 도입의 문제가 아니라 운영 문화의 문제이기도 합니다. 데이터에 기반해 의사결정하는 습관, 품질팀과 설비팀이 같은 데이터를 함께 보는 협업 구조, 그리고 작은 개선을 꾸준히 검증하는 자세 — 이러한 토대 위에서 AI는 비로소 라인의 진짜 동료가 될 수 있을 것입니다.