[기획] 작은 조립 실수, 다음 작업대로 번지기 전에 잡는다
컵을 놓지 않은 채 우유부터 부을 수는 없다. 하지만 컵에 우유와 설탕 중 무엇을 먼저 넣느냐는 결과에 영향을 주지 않을 수 있다. 조립공정도 마찬가지다. 매뉴얼과 순서가 다르다는 이유만으로 모든 작업을 오류라고 판단하면 불필요한 경고가 쏟아진다. 반대로 당장은 사소해 보이는 누락이 몇 작업대 뒤에서 불량을 만들 수도 있다. 미국 오번대 연구진은 이 둘을 구별해, 지금의 작은 편차가 실제 후속 문제로 번질지를 예측하는 시스템을 개발·평가할 계획이다.
이 구상은 카메라 기반 사건인식, 인과적 오류예측, 디지털 트윈 기반 개입 검증을 하나의 흐름으로 연결한다. 이를 묶어 ‘지능형 포카요케’라고 설명할 수 있지만, 이 표현은 확립된 단일 표준기술명이나 오번대 과제의 공식 명칭은 아니다. 더 중요한 점은 아직 완성된 연구성과도 아니라는 사실이다. 오번대가 2026년 10월 6일 발표한 것은 50만 달러 규모의 미국 국립과학재단 지원 연구계획이며, 오류 검출률과 예측 정확도, 오탐·미탐률, 처리 지연시간, 생산성이나 불량 개선률은 공개되지 않았다.
실수를 막는 장치에서 ‘오류의 경로’를 묻는 시스템으로
포카요케는 작업자에게 더 주의하라고 요구하는 대신 형상, 치구, 센서, 인터록 등을 이용해 실수가 불량으로 이어지지 않도록 막거나 즉시 드러내는 생산방식이다. 토요타의 공식 기록에서는 적어도 1969년 안전 핵심 공정에 포카요케를 적용한 사실이 확인된다. 전통적인 포카요케가 특정 작업대에서 잘못된 부품의 삽입이나 작업 누락을 막는 데 초점을 맞췄다면, 오번대의 구상은 한 작업대의 편차가 여러 단계 뒤에 어떤 결과를 낳을지까지 살피려 한다.
완제품 검사가 목적지에 도착한 뒤 길을 잘못 들었다고 알려주는 장치라면, 이 시스템은 첫 번째 잘못된 조립 직후 앞으로의 경로를 계산해 수정을 제안하는 내비게이션에 가깝다. 기존 검사카메라가 이미 쓰러진 도미노를 찾는다면, 새 구상은 첫 조각이 기울었을 때 어느 줄로 번질지를 따져 다음 조각이 넘어지기 전에 대응하려는 셈이다.
연구책임자인 컴퓨터과학·소프트웨어공학 부교수 Sathya Aakur와 공동책임연구자인 산업·시스템공학 부교수 Konstantinos Mykoniatis는 ‘폐루프 디지털 트윈을 이용한 사이버물리시스템의 적응형 인간-AI 협업’ 과제를 수행하고 있다. 폐루프는 현실에서 얻은 정보를 가상모형에 반영하고, 그 분석 결과를 다시 현실의 판단에 돌려주는 순환 구조를 뜻한다. 공개자료에서 확인되는 개입 주체는 감독자다. 시스템이 스스로 생산라인을 멈추거나 무인으로 일정을 다시 짠다고 확인되지는 않았다.
카메라가 보고, 인과모형이 묻고, 트윈이 시험한다
구상된 작동 순서는 이렇다. 조립라인의 여러 카메라가 작업 모습을 촬영해 로컬 서버로 보낸다. AI는 영상에서 부품 장착과 단계 완료 같은 제조 사건과 현재 진행상태를 추출한다. 이 정보는 물리 공정과 연결된 디지털 트윈에 반영된다. 이어 인과적 작업모형, 즉 앞 단계의 편차가 뒤 공정 문제를 실제로 일으킬지를 따지는 모형이 순서 이탈이나 누락의 전파 가능성을 추정한다. 감독자는 이를 토대로 즉시 수정할지, 후속 작업대에서 보완할지를 판단할 수 있다. 반복되는 오류라면 실제 라인을 바꾸기 전에 디지털 트윈에서 가상 시나리오를 시험한다.
디지털 트윈은 단순한 3차원 CAD가 아니다. CAD가 제품이나 설비의 여권사진이라면, 디지털 트윈은 현재 상태와 작업 이력이 계속 갱신되는 건강기록에 가깝다. 목적에 맞는 가상표현이 물리적 제조요소와 연결돼 상태를 갱신하고, 분석 결과가 현실의 판단으로 돌아와야 한다. 제조 디지털 트윈을 다루는 ISO 23247 규격은 2021년 발행됐다.
시험대인 Tiger Motors Lab에서는 현재 작업자가 단계를 마칠 때마다 바코드를 스캔해 디지털 트윈을 갱신한다. 연구진은 카메라가 단계 완료와 누락을 인식하도록 해 이런 수동 입력을 줄이거나 없애는 것을 목표로 한다. 시설은 약 4,000제곱피트, 약 372㎡ 또는 112평 규모로 자동차 조립공정을 축소 모사한 오번대의 교육·연구용 모델공장이다. 실제 상업용 자동차 양산공장은 아니다.
98% 정확도와 ‘현장 예방’ 사이의 먼 거리
카메라를 이용한 제한된 부품 분류에서는 높은 수치도 보고됐다. 2022년 연구는 오일 실의 정상·뒤집힘·누락을 구분하는 합성곱신경망 시험에서 5겹 교차검증 평균 micro-accuracy 98.8%, 겹별 97.0~99.1%를 기록했다. 그러나 이는 정해진 이미지에서 세 상태를 분류한 정확도다. 모든 조립 불량의 98.8%를 찾아내거나 예방했다는 뜻은 아니다. 불량이 드문 환경에서는 정상 이미지를 잘 맞히는 것만으로 전체 정확도가 높아질 수 있어 불량별 재현율과 오탐률, 미탐률을 따로 봐야 한다.
온라인 절차 오류 탐지는 더 어려웠다. 장난감 조립 자료를 사용한 PREGO의 Assembly101-O 성능은 정밀도 27.8%, 재현율 84.1%, F1 41.8%였다. 많은 실수를 포착했지만 경보 가운데 실제 오류가 차지하는 비율은 낮았다는 의미다. 평가단위와 데이터 구성에 따라 해석해야 하지만, 경보 네 번 가운데 진짜 오류가 한 번 남짓인 감각이다. 완벽한 행동 라벨을 넣은 오라클 조건에서도 F1은 46.3%였다. 동작을 정확히 알아보는 것과 그 동작이 절차상 오류인지 판단하는 일이 서로 다른 난제라는 뜻이다. 보고된 처리속도도 초당 0.02프레임이어서 일반적인 실시간 영상처리 성능으로 볼 수 없다.
인과추론 역시 이름만으로 원인을 보장하지 않는다. 실제 자동 조립라인의 5개 작업대, 10개 제조공정, 98개 변수와 부품 15,581개의 측정값을 이용한 causalAssembly 벤치마크에서도 공정 내부의 인과관계만 부분적으로 확립됐고, 공정 사이의 실제 인과관계는 정답으로 확보하지 못했다. 범용 인과발견 알고리즘은 대체로 단순한 빈 그래프 기준선을 뚜렷하게 능가하지 못했다. 다만 알고리즘별 맞춤 조정과 제조공정의 층상 구조라는 사전지식을 사용하지 않은 결과이므로 인과AI 전체의 실패로 일반화할 수는 없다.
성패는 공장 안에서 드러날 숫자에 달렸다
카메라는 손과 공구가 부품을 가리거나 조명과 시점이 달라지면 흔들릴 수 있다. 비슷한 부품과 작업자별 동작 차이도 장애물이다. 나사가 있는지는 볼 수 있어도 얼마나 세게 조였는지는 RGB 영상만으로 직접 알기 어렵다. 내부 균열, 접착제 양, 전기적 접속 상태도 마찬가지여서 토크·힘·전류·음향 같은 다른 센서가 필요할 수 있다.
디지털 트윈도 현실의 완전한 복제본이 아니다. 센서 정보가 늦거나 틀리고 모형의 충실도가 낮으면 잘못된 분석이 생산 조정으로 이어질 수 있다. 영상인식부터 트윈 갱신, 인과추론, 시나리오 평가까지 걸리는 시간이 작업 사이클보다 길다면 ‘다음 작업대로 번지기 전’이라는 목표도 달성하기 어렵다. 이번 과제의 허용 지연시간은 공개되지 않았다. 상시 촬영 자료가 개인별 작업속도와 실수율 평가로 전용되지 않도록 비식별화, 최소수집, 보관기간, 접근권한, 노동자의 설명 요구와 이의제기 절차도 필요하다.
한국에서도 중소벤처기업부가 표준 제조데이터에 AI와 디지털 트윈을 결합하는 자율형공장을 추진해 2024년 20개사, 2025년 추가 20개사를 지원 대상으로 선정했다. 한국전자통신연구원은 2023년 제조 디지털 트윈 표준모델과 연동 가이드라인을 공개했다. 다만 이 숫자는 성공이나 성과가 검증된 공장 수가 아니다. 카메라, 공정 간 인과예측, 트윈 시뮬레이션, 개입을 모두 연결한 국내 양산 성과와 구축 전후 불량률·오탐률·미탐률·투자회수기간을 같은 기준으로 비교한 정부 원 통계도 확인되지 않았다.
오번대 연구의 의미는 검사를 단순히 자동화한다는 데 있지 않다. 품질관리에 “지금의 작은 편차가 나중의 진짜 불량을 만드는가”라는 질문을 들여온 데 있다. 답은 아직 나오지 않았다. 정확도와 오탐률, 미탐률, 지연시간, 안전성, 작업자 데이터 보호를 대학 시험대와 실제 공장에서 검증해야 비로소 이 구상이 유용한 품질관리 도구인지 판단할 수 있다.
자료: 오번대 공대, 미국 국립과학재단, 미국 국립표준기술연구소, 국제표준화기구, 한국전자통신연구원, 중소벤처기업부