제조 AI의 성패를 가르는 것은 인프라의 개수가 아니라, 적은 인력으로 지속 운영할 수 있는 구조입니다. 많은 제조사는 스마트 팩토리와 공정 자동화를 준비하면서 SPC(Statistical Process Control, 통계적 공정 관리)와 FDC(Fault Detection and Classification, 고장 탐지 및 분류)를 먼저 구축합니다. 센서 데이터를 모으고 관리 기준을 설정한 뒤, 정해진 조건을 벗어나면 알람을 보내는 방식입니다. 이런 시스템은 오랫동안 제조 현장의 기본 인프라로 쓰였고 지금도 필요한 곳이 많습니다. 다만 SPC와 FDC를 모두 갖추는 것이 제조 AI를 시작하기 위한 선행 조건은 아닙니다.
장비 센서 데이터와 공정 결과 데이터가 이미 수집되고 있다면 제조 AI에 필요한 기초 조건은 상당 부분 갖춰져 있습니다. 이후의 난점은 데이터 자체보다 운영입니다. 장비와 공정이 늘어나면 탐지 조건, 모델, 알람 정책, 업데이트 기준, 제어 정책도 함께 늘어나며, 이를 누가 얼마나 적은 인력으로 지속 관리할 수 있는지가 실제 확장성을 결정합니다.
- 센서 데이터와 공정 결과를 이미 사용할 수 있다면 SPC·
FDC의 완전한 구축 여부와 관계없이 제조 AI를 시작할 수 있습니다. - 양산에서 더 어려운 일은 모델 한 개를 만드는 것이 아니라 여러 모델과 룰을 계속 검증하고 업데이트하며 운영하는 것입니다.
- 실제 전제 조건은 데이터 연결 방식, 모델 운영 체계, 알람 정책, 업데이트 구조와 안전한 제어 운영입니다.
| SPC | FDC | APC | |
|---|---|---|---|
| 정식 명칭 | Statistical Process Control 통계적 공정 관리 | Fault Detection and Classification 고장 탐지 및 분류 | Advanced Process Control 고급 공정 제어 |
| 감시· | 공정 결과의 평균과 산포 | 장비 센서 데이터(압력, 온도, 유량, 전력 등) | 공정 결과 또는 가상 계측(VM) 결과 |
| 하는 일 | 관리도로 변화를 확인하고, 관리 한계를 벗어나면 이상 가능성을 알림 | 설정된 범위를 벗어나는 신호를 탐지 | 다음 생산에서 조정해야 할 레시피나 설정값을 계산해 반영 |
| 이상 발견 이후 | 엔지니어가 데이터를 확인하고 원인을 추정해 공정 조건을 수정 | 엔지니어가 발생한 알람을 하나씩 확인 | 제어 시스템이 보정을 반복적으로 수행 |
세 시스템의 감시 대상과 역할, 이상이 확인된 이후의 대응 방식을 비교하면 차이가 분명해집니다.
FDC와 AI 이상 탐지의 진짜 문제는 운영입니다
FDC는 압력, 온도, 유량, 전력 등 장비 센서 데이터를 감시하고 각 신호가 설정된 범위를 벗어나는지 탐지합니다. 원리는 비교적 명확하지만 양산에서는 관리해야 할 조건이 빠르게 늘어납니다. 반도체 제조 장비 한 대에서 수집되는 센서가 수백 개에 이르고 많으면 천 개를 넘기도 하며, 같은 센서라도 장비·
정상 범위는 레시피 변경, 투입 웨이퍼의 상태와 이전 공정 이력, 장비 상태 변화, 정비와 소모품 교체 같은 이유로 계속 달라집니다. 변화가 생길 때마다 기존 탐지 기준을 다시 검토해야 하므로 현장에서는 룰을 처음 만드는 일보다 유지하고 조정하는 데 더 많은 시간이 들 수 있습니다. 조건을 너무 엄격하게 잡으면 품질과 무관한 알람이 과도하게 발생하고, 반대로 알람을 줄이려고 범위를 넓히면 중요한 이상을 놓칠 위험이 커집니다. 일부 현장에서 기준을 넓게 잡거나 활용도가 낮은 항목의 감시를 사실상 중단하는 이유도 이 운영 부담과 관련이 있습니다.
센서마다 룰과 임계값을 관리해야 하고, 공정이나 장비 상태가 변하면 알람 정책과 기준을 다시 조정해야 합니다.
AI 기반 이상 탐지는 고정 임계값만으로 판단하기 어려운 공정에서 더 유연한 방법을 제공합니다. 센서 하나가 기준을 넘었는지만 보는 대신 여러 센서의 관계와 시간에 따른 공정 패턴을 함께 학습해 현재 신호가 정상적인 흐름에서 얼마나 벗어났는지 판단할 수 있습니다. 레시피나 장비 상태에 따라 정상 범위가 달라지는 공정에서는 이런 방식이 기존의 단일 임계값보다 유용할 수 있습니다.
그렇다고 모델을 도입하는 순간 운영 문제가 사라지는 것은 아닙니다. 공정 조건이 바뀌면 모델의 유효성을 다시 확인해야 하고, 정비·
SPC는 문제를 발견하지만 이후의 조치는 사람에게 남습니다
SPC는 공정 결과의 평균과 산포를 통계적으로 감시하는 오래된 방법이며, 지금도 품질 관리와 장기적인 공정 상태 확인에 유용합니다. 관리도를 통해 데이터가 관리 한계를 벗어나거나 정해진 규칙에 해당하는지를 확인할 수 있지만, 이상이 확인된 뒤 원인을 판단하고 어떤 공정 조건을 바꿀지는 별도의 업무입니다.
관리도는 관리 한계를 벗어난 지점을 알려주지만, 이후의 판단과 조치는 엔지니어가 수행합니다.
알람 이후에는 데이터 확인, 원인 추정, 보정값 결정, 다음 생산 반영, 결과 확인까지 일련의 업무가 이어집니다.
실제 대응은 보통 엔지니어가 데이터를 확인하고 원인을 추정한 뒤 수정할 공정 조건을 결정하고, 다음 생산에 반영한 다음 결과가 개선되었는지 확인하는 순서로 진행됩니다. 장비와 제품, 공정 조합이 늘어날수록 이 반복 업무에 필요한 엔지니어 시간도 함께 증가합니다. APC(Advanced Process Control, 고급 공정 제어)는 공정 결과나 가상 계측 결과를 이용해 현재 상태를 판단하고 다음 run에 필요한 레시피나 설정값을 계산함으로써 이 과정의 상당 부분을 자동화합니다. 사람이 관리도를 확인하고 매번 보정값을 정하던 일을 제어 시스템이 반복적으로 수행하는 구조입니다.
계측 결과가 상태 추정과 제어 판단으로 이어지고, 계산된 보정값이 다음 생산에 반영되면서 결과를 목표값 주변에 유지합니다.
APC가 안정적으로 적용된 공정에서는 SPC가 일상적인 보정의 중심에 있을 필요가 줄어듭니다. SPC는 품질 확인과 장기적인 추세 모니터링에 남고, 반복적인 목표값 유지와 조건 보정은 APC가 담당할 수 있습니다.
자동화 수준은
인프라의 개수가 아니라
운영 방식이 결정합니다
SPC와 FDC는 제조 데이터를 수집하고 공정 상태를 확인하는 기반을 만들어 왔습니다. 그러나 시스템을 도입한 뒤에도 사람이 수백 개 센서의 기준을 계속 조정하고, 반복되는 알람을 검토하고, 원인을 분석하고, 공정 변화 때마다 모델을 다시 검증하며, 이상이 확인되면 다시 조건을 수정해야 한다면 실제 자동화 수준은 제한적입니다. 새로운 시스템이 기존 업무를 줄이지 못하고 관리 업무만 하나 더 만드는 경우도 생깁니다.
이 상태에서는 데이터와 시스템이 늘어날수록 자동화가 좋아지는 대신 관리 대상이 함께 늘어납니다. 제조 자동화를 평가할 때는 구축한 시스템의 개수보다 한 명의 엔지니어가 얼마나 많은 장비와 모델을 관리할 수 있는지, 공정 변화에 시스템이 얼마나 빠르게 적응하는지, 탐지 이후의 판단과 조치까지 어느 정도 자동화되어 있는지를 보는 편이 더 현실적입니다.
- 한 명의 엔지니어가 얼마나 많은 장비와 모델을 관리할 수 있는가?
- 공정이 변했을 때 시스템은 얼마나 빠르게 적응할 수 있는가?
- 탐지 이후의 판단과 조치까지 얼마나 자동화되어 있는가?
SPC와 FDC를 이미 사용하고 있다면 기존 시스템과 그 안에 축적된 데이터를 그대로 활용할 수 있으며, 모두 제거하거나 새로운 시스템으로 교체할 이유는 없습니다. 반대로 SPC나 FDC가 완전히 구축되지 않았더라도 장비 센서, 공정 조건, 품질 결과에 접근할 수 있다면 AI 이상 탐지와 APC를 시작할 수 있습니다. 기존 인프라는 유용한 입력과 연결 지점이지만 제조 AI의 필수 선행 조건은 아닙니다.
중요한 것은 데이터를 연결하고 공정 상태를 모델링한 뒤, 공정이 바뀌어도 모델을 유지하고 필요한 조치까지 안전하게 이어갈 수 있는 운영 구조입니다. Amously는 공정 데이터 연결부터 모델 개발, 검증, 배포, 모니터링, 업데이트와 제어 정책 운영을 하나의 흐름으로 관리해 공정이 변할 때마다 엔지니어가 모든 조건을 다시 설정하는 부담을 줄이는 방향을 지향합니다.
※ 이 글은 SPC·