로고

로고
  • 기타산업
  • 기타산업
    • 기타산업

    임픽스의 발자취를 소개합니다.

    BEST PRACTICE

    태양광 모듈 제조공정 혁신을 통한
    품질관리 최적화

    Pain Point

    • 정션박스 솔더링 불량에 대한 원인 분석 및 개선조치의 어려움이 있음
    • 품질에 가장 큰 영향을 주는 설비운영 조건에 대한 최적값을 도출하여 불량률 감소가 필요
    • 또한, 공정변경, 신규작업자, 외국인 작업자 등으로 인한 불량 수량 감소 및 세팅시간 감소가 필요


    구축목표
    • 오토솔더링 공정(설비) 제조 Data 현황 분석
    • 오토솔더링 공정 품질 예측 및 공정 최적화 모델 도출
    • 품질예측값에 대한 상관관계분석을 통한 AI 자동 요인 인자 파악

    적용 기술

    품질예측

    설비 운영 데이터와 생산 이력을 기반으로 XGBoost 알고리즘을 활용하여 제품이 양품(OK)인지 불량(NG)인지를 사전에 예측하는 AI 품질 분류 모델을 구축합니다.
    이를 통해 불량품 발생 이전에 이상을 감지하고 공정 안정성을 확보할 수 있도록 지원합니다.

    공정 최적화

    유전 알고리즘(Genetic Algorithm)을 적용하여 AI가 반복 시뮬레이션을 통해 불량률을 최소화할 수 있는 최적의 설비 운영 조건(온도, 속도, 압력 등)을 도출합니다.
    공정 변경, 신규 작업자 투입 등 작업 여건 변화에도 AI가 자동으로 최적값을 추천하여 세팅 시간 단축과 작업 표준화에 기여합니다.

    상관관계 기반 원인분석

    예측 결과의 근거를 명확하게 파악할 수 있도록, 변수중요도(Feature Importance), 순열중요도, SHAP 분석을 통해 AI가 판단한 주요 품질 영향 인자를 시각적으로 분석합니다.

    이를 통해 불량 원인을 운영자가 납득 가능한 방식으로 해석하고, 원인별 개선 조치를 신속하게 수립할 수 있는 데이터 기반 의사결정을 가능하게 합니다.

    USE CASE

    임픽스는 2019년 스마트 공장 구축을 시작으로 다양한 AX전환 사업을 수행함으로써
    중소/중견기업 맞춤형 BEST PRACTICE 사례를 구축하였습니다.

    기타
    데이터 기반 컬러 불량 원인분석 및 품질보증 AI 솔루션 실증 사례

    데이터 기반 컬러 불량 원인분석 및 품질보증 AI 솔루션 실증 사례

    AI를 이용한 섬유 제조 공정의 컬러 품질 예측 및 불량 감소를 수행하는 임픽스의 인공지능 솔루션입니다.



    1. Pain Point

    산업 특성 측면

    - 섬유 및 인공피혁 제조 산업의 글로벌 경쟁력 강화를 위한 품질 및 수율 제고의 필요성

    - 염색 공정에서의 컬러 편차와 불량 발생 시 폐기 및 재생산으로 인한 비용 지연 문제 발생

    - 숙련공의 경험 및 주관적 판단에 의존하는 공정 운영의 비효율성 존재


    데이터 및 시스템 측면

    - MES, CCM 등 데이터는 존재하나 이를 AI 기반 분석 및 품질 예측에 활용하는 체계 부재

    - 공정별 품질 영향 변수 및 컬러 불량의 인과관계 분석 및 예측 기반 체계 부재


    설비 및 인프라 측면

    - 현장 데이터의 수기 작성 및 수집으로 인한 데이터 표준화 부족

    - 컬러 판정의 일관성 확보 및 AI 기반 예측 시스템 구축 필요성



    2. AI Solution

    A2LAB 기반 원인 분석 및 품질 예측 AI 솔루션 적용



    3. 구축 목표

    세부목표

    - 컬러 불량 발생 최소화를 통한 수율 개선 및 품질 향상

    - AI 기반 데이터 분석을 통한 품질 예측 및 불량 원인 분석 체계 구축

    - 데이터 기반 의사결정 체계 전환 및 지능형 스마트공장 기반 마련

    - 현장 적용을 통한 공정 표준화 및 품질 일관성 확보



    4. 구축 내용

    데이터 통합 관리 기술 적용

    - MES, CCM, 수기 데이터 등 이종 데이터의 통합 및 AI 분석용 데이터셋 구축

    - 수집 데이터의 정합성 검증 및 전처리 기반 데이터 품질 향상 수행


    AI 알고리즘 기술 적용

    - XGBoost, LightGBM, RandomForest 알고리즘 비교 및 최적 알고리즘 선정 및 적용

    - 컬러 판정 예측 모델 및 불량 판별 모델 구축

    - 시계열 기반 변수와 컬러 품질 간 상관관계 분석 및 주요 변수 영향도 분석 수행


    공정 품질 예측 및 시뮬레이션 적용

    - BI-Tool 및 A2LAB 시각화 기능을 통한 예측 결과 및 중요 변수 현장 시각화

    - 가상 데이터 기반 컬러 품질 예측 시뮬레이션 기능

    - 염색기 설정 변경 전 품질 예측을 통한 선제적 품질 관리 가능 환경



    5. 구축 효과

    염색 수정율 감소

    - 도입 전 9.3%

    - 도입 후 6.1%


    연간 염색 품질 손실비용 감소
    기타
    AI 기반 성형 공정 라인 최적화 모델 도출 실증 사례

    AI 기반 성형 공정 라인 최적화 모델 도출 실증 사례

    AI를 이용하여 고압 성형 공정의 라인 운영 최적화를 수행한 임픽스의 인공지능 솔루션입니다.

     
    1. Pain Point

    산업 특성 측면

    - 원자재 특성에 따른 압력, 온·습도 등 환경 요인과 생산 효율 간 인과관계 분석 및 표준화가 요구됨.

    - 고압 성형 공정의 높은 가동률과 생산량 대비 품질 편차 및 높은 불량률로 인한 수율 저하 문제 존재.


    데이터 및 시스템 측면

    - MES 기반 데이터 수집 이후 고숙련자의 경험 및 주관적 판단 의존 개선 필요.

    - 불량 발생 시 원인 규명 및 설비 세팅 조정 기준 부재.


    설비 및 인프라 측면

    - 고압 성형 공정 표준 작업 도출 및 설비 세팅 값 가이드라인 부재.

    - 불량 유형과 주요 변수 간 상관 관계 분석의 필요성.

    - 데이터 기반 공정 최적화 및 신속 피드백 체계 마련의 필요성.



    2. AI Solution

    임픽스 A2LAB AI 솔루션

    - EDA(탐색적 자료 분석)와 결측치 제거, SMOTE 기반 오버샘플링을 통한 불량 데이터 학습 성능 개선.

    - MES 및 센서 데이터를 활용한 실시간 데이터 연계 및 AI 분석 자동화.

    - AI 기반 공정 시뮬레이션, 시각화, 최적 설비 세팅 값 제공을 통해 End-user가 쉽게 활용 가능한 구조로 구축.


     

    3. 구축 목표

    세부목표

    - AI 기반 데이터 분석을 통한 고압성형 공정 최적화 및 표준화 추진.

    - 데이터 기반 의사결정 체계 구축 통한 불량 발생 원인 규명 및 개선 기반 마련.

    - 품질 및 수율 개선 통한 경쟁력 있는 지능형 스마트공장 기반 마련.

    - 전사적 확산 및 타 공정·공장 적용 가능성 검증 기반 확보.


     

    4. 구축 내용

    데이터 통합 관리

    - MES, 센서, 수기 데이터를 통합하여 AI 분석용 데이터셋 구축 및 관리.

    AI 기반 분석 및 모델링

    - 변수와 품질 간 상관관계 분석 및 주요 변수 도출.

    - XGBoost 기반 공정 최적화 모델 구축 및 검증.

    시뮬레이션 및 현장 적용

    - VM 서버 및 BI Tool 기반 분석·시뮬레이션 기능 구축.

    - 공정 시뮬레이션 기능 통한 설비 세팅값 조정 전 품질 및 수율 예측 기능 활용.

     

     

    5. 구축 효과

    월간 생산량 증가

     5,087 EA → 6,899 EA

    공정 불량률 감소

     33.0% → 14.0%
    기타
    유기금속 화학전문 회사 스마트공장 구축 및 고도화 사례

    유기금속 화학전문 회사 스마트공장 구축 및 고도화 사례

    고위험 유기금속 화학공정의 안전성과 효율성을 높이기 위해 데이터 통합관리와 LOT 추적 기반 스마트공장을 구축한 임픽스의 스마트팩토리 솔루션입니다.

    


    1. Pain Point 

    공정 특성 및 기술 측면 

    - 동사가 제조하는 산화성 반응물은 자발적 발화 및 연쇄 반응을 통한 폭발 가능성이 있으며, 독성 분해물 발생 가능성도 존재하여 고도의 기술 노하우가 필수적임.

     

    데이터 수집 및 통합관리 측면

    - 주요 제조공정에서는 PLC를 이용해 데이터를 수집하고 있으나, 다양한 제조공정의 검사기기에서는 데이터를 수기로 집계하고 있어 데이터 통합관리의 어려움이 존재.


    시스템 연계 측면

    - ERP 시스템을 통해 관리되고는 있으나, 제조공정에서 발생하는 데이터와는 별도로 운영되고 있어 제조현장 데이터의 통합 및 연계 관리가 효과적으로 이루어지지 못하고 있음.



    2. 스마트공장 구축 내용

    제조관리시스템 고도화

    - POP 시스템을 도입하여, 공정 설비 PLC Data와 연계하여 현장 업무 지원에 최적화된 현장 제조 공정 관리 체계 구축.  

    - 수준현황, 영업판매 계획과 연계한 생산계획, 제조작업지시관리, 생산진척관리, 자재소요계획, 공정현황분석 및 제조공정관리를 위한 의사결정 지원체계 구축. 


    OPC-UA 기반 실시간 공정 데이터 수집을 통한 품질공정 분석 

    - 설비별 수집데이터 표준 정의 및 수집데이터 프로토콜 정의.

    - 수집된 데이터를 기반으로, 공정별 생산실적 효율분석과, 생산품목별 품질기준치를 기준으로  MR 차트외 품질표준편차 분석 등의 핵심 지표의 관리 체계 구축.


    물류관리 최적화를 통한 제조 실행 통합 지원

    - 자재입출고, 출하, 생산LOT 관리의 중심에 있는 충진용 용기 검사, 재고, 트래킹의 실시간 실행관리를 위한 바코드, QR코드 이미지의 인식 처리를 위한 시스템 체계 구축. 

    - 위험물 보관 창고의 주요 관리 지표인 온도, 습도 DATA의 실시간 수집, 모니터링과 트렌드 분석을 위한 IoT 운영 체계 도입.( 품질 이슈의 대응)


    SPC 구축

    - 제조 실행 과정의 센싱(무게, 유량, 압력 등) 데이터, 원자재 수입 검사 및 시료 분석 등의 집계 데이터의 분석을 위한 관리도와 의사결정 지원 체계를 구축하고자 함. 

    - 품질 이슈 현황 관리를 위한 제조 실행 Data, 분석 실행 Data, 품질 이슈의 통합 관리 체계를 구축하고자 함. 


    설비데이터 수집기반 LOT 추적관리 체계 구축

    - 제조지시 기준, 생산 공정입고로 자재불출 내용을 추적하고자 하며, 생산 입고 시, 자동으로 LOT를 생성하여, 완제품 추적을 위한 LOT Tracking 체계를 구축하고자 함.

    - 품질 문제 발생 시, 해당 LOT를 역으로 추적하여, 기간 및 공정 자재 등을 추적하여  해당 내용을 상세히 조회하여 품질 이슈에 대응 가능한 체계를 구축하고자 함.

     

    제조 실행 지원 및 의사결정 지원 체계 구축

    - 전략 물자 및 위험물에 대한 규격과 허가 물량을 체계적으로 관리하고자 함.

    - 국제 규격 및 인증 유효 기한을 고려한 제조 공정 연계를 강화하고자 함.

    - 수주 현황과 용기 인증 정보를 통합하여 허용 용기 부족을 사전에 예측하고자 함.

     


    3. 스마트공장 구축 효과

    수주출하 리드타임 단축

    - 도입 전 12일, 도입 후 8일