자동차 부품 제조의 다음 AX : 검사·조립·AI Ops를 연결하는 Physical AI

라인 끝 검사를 넘어, 공정 중간 품질 게이트로 이동하는 자동차 부품 제조

지난 Automotive 1편에서는 자동차 제조가 왜 다시 어려워지고 있는지 살펴봤습니다.

전동화, SDV, 전장부품 고도화, 차종 다양화, 품질 기준 상승이 동시에 진행되면서 자동차 제조의 핵심 경쟁력은 단순 생산능력이 아니라 제조 효율화로 이동하고 있습니다.

그렇다면 다음 질문은 이것입니다.

자동차 제조의 효율화는 실제 공정에서 어디에서 시작될까요?

답은 부품 검사와 조립 공정에 있습니다.

자동차 제조에서 완성차 라인은 최종 조립의 중심입니다. 하지만 품질 리스크는 그 이전, 즉 부품 제조와 부품 조립 단계에서 이미 발생합니다. 램프, 전장모듈, 배터리 부품, 내외장 부품, 커넥터, 하네스, 케이스류, 금속·플라스틱 사출품은 모두 완성차 품질을 좌우하는 하부 밸류체인의 핵심 부품입니다.

이 부품들은 단순히 잘 만들어지는 것만으로 충분하지 않습니다.

정확히 조립되어야 하고,
표면 결함이 없어야 하며,
위치와 체결 상태가 맞아야 하고,
이물과 오염이 없어야 하며,
Lot별 품질 이력이 추적되어야 합니다.

이번 Automotive 2편에서는 자동차 부품 제조에서 왜 검사가 공정 중간의 품질 게이트가 되어야 하는지, 자동차 램프와 납축전지 등 주요 부품 영역에서 어떤 검사·자동화 니즈가 발생하는지, 그리고 피아이이의 AI Vision, Inspection H/W, AI Ops, Physical AI가 어떤 방식으로 연결될 수 있는지 살펴보겠습니다.

1. 자동차 부품에서 검사는 라인의 끝이 아니다

자동차 부품 제조에서 검사는 더 이상 최종 출하 전 확인 절차에 머무르기 어렵습니다.

최종검사에서 불량이 발견되면 이미 많은 공정비용이 투입된 이후입니다. 이때 불량은 단순 폐기 비용에 그치지 않습니다. 재작업, 라인 정지, 생산계획 변경, 고객사 대응, 원인 분석 비용으로 확대될 수 있습니다.

따라서 자동차 부품 제조에서는 공정 중간마다 품질 게이트를 두는 것이 중요해집니다.

부품이 투입될 때 위치와 방향이 맞는지 확인하고,
조립 전에 표면과 치수를 확인하고,
조립 직후 체결 상태를 확인하고,
이송 전에 외관과 라벨·OCR을 확인하고,
최종 포장 전에 Lot 정보를 연결해야 합니다.

이 구조는 PCB 편에서 살펴본 내용과도 유사합니다. PCB에서도 최종 전기검사만으로는 충분하지 않았고, Drill/Via, Plating, Pattern 등 공정 중간에서 결함을 조기에 차단하는 검사 게이트가 중요했습니다. 전편은 검사 데이터가 공정별로 분리되어 있으면 원인 추적이 어렵고, AI Ops를 통해 결함 유형 분류, 원인 분석, 공정 피드백으로 연결되어야 한다고 설명했습니다.

자동차 부품도 마찬가지입니다.

불량을 보는 것만으로는 충분하지 않습니다.
불량 데이터를 해석하고,
공정 조건과 연결하고,
반복 패턴을 찾아내고,
다시 공정으로 되돌리는 구조가 필요합니다.

2. 자동차 램프는 검사 자동화가 먼저 적용되기 좋은 영역이다

자동차 램프는 대표적인 고난도 검사 부품입니다.

램프는 외관 부품이면서 기능 부품입니다. 디자인 품질, 표면 품질, 광학 품질, 조립 정합성, 실링 품질이 모두 중요합니다. 또한 차종과 트림별로 형상이 다양하고, 곡면과 반사면이 많아 검사 난이도가 높습니다.

램프 검사에서 확인해야 하는 항목은 다양합니다.

렌즈 표면의 스크래치, 찍힘, 오염, 이물, 흐림, 변색,
하우징과 렌즈의 조립 틈새, 단차, 위치 편차,
실링 라인의 끊김, 과도포, 미도포, 기포,
체결부의 누락, 파손, 오조립,
광학 패턴과 조사 영역의 이상,
커넥터와 배선 연결 상태,
라벨, 바코드, OCR 정보,
Lot별 반복 불량 패턴까지 확인해야 합니다.

기존 육안검사 방식에서는 작업자의 숙련도, 피로도, 검사 환경, 조명 조건에 따라 편차가 발생할 수 있습니다. 특히 반사율이 높은 렌즈, 투명·반투명 재질, 곡면 구조, 복잡한 패턴은 사람의 눈으로 반복 검사하기 어렵습니다.

이때 AI 비전검사와 협동로봇이 결합되면 검사 범위와 일관성을 동시에 높일 수 있습니다.

고정형 카메라만으로 확인하기 어려운 부위는 로봇이 카메라와 조명을 이동시키며 검사할 수 있습니다. Dome Light, Pattern Light, Multi-angle Camera, 3D Vision 등을 조합하면 표면 결함, 단차, 형상 편차, 위치 오차를 다양한 각도에서 확인할 수 있습니다.

즉, 램프 검사는 단순 외관검사가 아닙니다.

램프 검사는 AI Vision, Inspection H/W, 협동로봇, 검사 데이터가 결합되는 Automotive Physical AI의 초기 적용 영역이 될 수 있습니다.

3. 납축전지와 전장부품에서도 검사·Handling·데이터 운영이 중요해진다

자동차 부품 제조에서 램프와 함께 주목할 수 있는 영역은 납축전지와 전장부품입니다.

납축전지는 비교적 성숙한 제품처럼 보이지만, 제조공정은 여전히 다수의 반복 작업과 품질 확인 단계를 포함합니다. 일반적으로 극판 제조, 적층, 용접, 케이스 삽입, 실링, 단자 형성, 충전, 라벨링, 출하검사 등 여러 단계가 연결됩니다.

이 과정에서 확인해야 할 항목은 단순하지 않습니다.

극판 위치와 적층 상태,
용접부 형상과 접합 상태,
케이스 변형과 크랙,
단자 높이와 방향,
전극 극성 확인,
액 누출 가능성,
캡 체결 상태,
라벨과 바코드 정보,
외관 오염과 찍힘,
Lot별 제조 이력까지 관리되어야 합니다.

전장부품도 마찬가지입니다.

커넥터, 센서 모듈, 제어모듈, 하네스, 케이스류 부품은 작은 조립 오류가 기능 불량으로 이어질 수 있습니다. 부품 방향이 잘못되거나, 커넥터 핀이 휘거나, 체결부가 누락되거나, 실링이 불완전하면 최종 조립 이후 더 큰 품질 리스크로 확대될 수 있습니다.

따라서 자동차 부품 제조에서는 검사와 Handling이 함께 필요합니다.

부품을 정확히 잡고,
정확한 위치에 놓고,
조립 전후 상태를 확인하고,
불량품을 분리하고,
검사 데이터를 Lot 정보와 연결해야 합니다.

이 영역은 협동로봇과 Physical AI가 적용되기 좋은 구조입니다.