2023년에는 제조 결함과 관련된 여러 건의 유명한 리콜이 있었다. 품질 검사 분야의 기술 발전에도 불구하고 안전을 중요시하는 많은 산업에서 결함 및 리콜 건수가 증가했다.
자동차 산업 역사상 최대 규모의 리콜이 발생한 지 10년이 넘었다. 2013년에 여러 자동차 제조업체가 타카타 에어백 결함으로 인해 대규모 리콜을 시작했다. 2017년, 일본의 한 부품 제조업체는 보상해야 할 금액이 생존에 필요한 금액보다 많아지자 파산 신청을 할 수밖에 없었다.
리콜 비용과 품질 관리자를 비롯한 생산 전문가들의 피나는 노력에도 불구하고 제조 결함은 10년이 지난 지금도 여전히 큰 피해를 주고 있다. 예를 들어, 2023년 5월 미국 도로교통안전국이 발표한 에어백 리콜 대상에 3천만 대 이상의 자동차가 포함되었다.
결함으로 인한 비용과 이를 감지하기 위한 제조업체의 노력을 고려할 때, 어떻게 이렇게 많은 결함이 발견되지 않을 수 있을까?
수동 검사의 한계
결함은 다양한 요인으로 인해 제조 공정의 모든 단계에서 발생할 수 있다. 일반적으로 결함이 원천에서 발견되는 경우는 드물고, 결함이 있는 부품은 생산 라인의 마지막 단계에서 발견되는 경우가 많으며, 이 경우 발견하기가 매우 어렵다.
머신 비전과 AI의 발전에도 불구하고 많은 제조업체는 여전히 인간 검사자에게 의존하고 있다. 수동 검사자는 엄청난 속도와 지속적인 압박 속에서 작업해야 한다. 인간의 눈은 가장 복잡하고 정교하게 진화한 기관 중 하나로 놀랍지만 인간은 피로, 집중력 부족, 인지적 편향으로부터 자유롭지 못하며 이 중요한 단계에서 결함이 있는 부품의 일부는 불가피하게 포착을 피할 수 있다. 추정치는 다양하지만 대부분의 연구에 따르면 수동 검사기를 사용할 경우 실수율은 10~20%에 달한다.
산업에 따라 다양한 검사 방법이 채택되고 있다. 모든 부품을 일일이 검사하지 않고 샘플링만 사용하는 경우, 희귀한 결함이 포착을 피할 수 있는 방법을 쉽게 알 수 있다. 하지만 안전이 중요한 산업에서는 모든 부품을 검사해야 하며 수작업 검사의 단점을 고려하여 많은 기업이 탐지 확률을 높이기 위한 기술에 투자하고 있다.
AI에 대한 투자
AI 기반 품질 검사 시스템은 결함을 감지하는 데 훨씬 뛰어나지만, 이 분야의 기존 기술에는 대부분 한계가 있다. 첫째, AI 시스템은 이미징 및 기타 센서와 같은 하드웨어에 의존한다. 예를 들어 조명과 같은 환경 조건의 비교적 미묘한 변화는 여기서 문제를 일으킬 수 있다.
보다 기본적인 알고리즘은 단순한 결함을 포착하는 데에만 효과적이다. AI가 공장을 떠나기 전에 결함이 있는 부품을 발견할 수 있는지 여부는 알고리즘의 정교함과 사용 사례에 따라 달라진다.
기본적인 규칙 기반 알고리즘은 결정론적이고 환경이 반복적인 검사 과제에만 적합하지만, 특히 항공우주, 자동차, 의료 기술 등 안전이 중요한 산업에서 대부분의 최신 생산 공정에는 딥러닝 알고리즘이 필요하다.
이러한 AI 모델을 학습시키는 과정은 종종 길고 많은 시간이 소요된다. 최종 결과물은 일반적인 결함을 잘 감지하는 모델이 될 수 있는데, 이는 모델이 이러한 결함의 예를 많이 보았기 때문이다.
그러나 일반적인 결함은 훈련에서 일상적으로 나타나지만 드문 결함은 나타나지 않는 '클래스 불균형'이라는 AI 기술자들의 문제에 부딪히게 된다. 당연히 최종 결과는 모델이 이상값을 포착하지 못하는 것이다.
지속적으로 발생하는 오류
수동 검사자가 일상적으로 범하는 오류와 기존 AI의 단점으로 인해 경미한 결함이 있는 부품은 공장을 떠나게 된다. 라인 끝 감지는 일반적으로 단일 구성품에 효과적이지만 조립 단계로 넘어가면 또 다른 층이 생긴다. 여러 부품이 함께 조립되는 경우 생산 초기 단계에서 감지되지 않은 결함이 계속 감지되지 않는 경우가 많다.
단순한 단일 기어를 상상해 보면 이해하기 쉽다. 금속 표면의 시트 검사는 까다롭기로 악명이 높기 때문에 표면에서 사소한 결함을 발견하지 못한다. 그러면 이 기어는 변속기의 일부가 되고, 변속기는 다시 자동차의 일부가 된다.
제품의 기능 테스트를 통해 결함이 드러나는 경우도 있지만, 대부분의 경우 조립된 제품 내부에 묻혀 있는 결함 부품은 이 단계에서는 계속 눈에 띄지 않는다. 결함은 이제 아무리 철저한 검사 프로세스와 가장 정교한 AI로도 더 이상 눈에 띄지 않기 때문에 생산 공정의 여러 단계를 감지하지 못한 채 통과할 수 있다.
제조업체가 결함을 인지하게 되는 시점은 보증 기간 내에 제품이 고장 나거나 최악의 경우 규정 요건을 위반하는 것으로 드러날 때이다. 결함이 발견되지 않는 기간이 길어질수록 결함이 있는 부분만 따로 처리하는 것이 아니라 제품 전체를 리콜해야 하므로 제조업체의 비용 부담은 커진다.
AI의 다음 단계
앞서 살펴본 바와 같이 AI가 결함 감지를 개선하는 데 도움을 주긴 했지만 기존 시스템에는 여전히 한계가 있다. 다행히도 이제 변화가 시작되고 있다. 검사 시스템이 의존하는 하드웨어가 개선되고 있으며 더 많은 기업이 합리적인 가격으로 이용할 수 있게 되었다.
동시에 모델 학습 과정을 자동화하여 프로세스를 더 빠르고 정확하게 만들어 검사용 AI 모델 학습의 어려움을 극복하고 있다. 품질 관리자는 모델 생성 과정에서 자신의 지식을 전달하고, 증강 AI를 통해 생산 라인에서 모델을 쉽게 계속 업데이트할 수 있으므로 가장 까다로운 검사 작업에도 대비할 수 있다.
헬로티 김진희 기자 |
