배터리 제조의 다음 AX

검사·데이터·물류·관제를 연결하는 지능형 생산라인

지난 9호에서는 전기차 중심이었던 배터리 산업에 AI 데이터센터와 ESS라는 새로운 성장축이 형성되고 있다는 점을 살펴봤습니다.

배터리 업체들은 기존 전기차 라인을 ESS 라인으로 전환하고 있으며, LFP와 각형 배터리를 중심으로 제품 포트폴리오를 재편하고 있습니다.

이번 10호에서는 그 변화가 배터리 제조현장에 어떤 과제를 만드는지 살펴보겠습니다.

1. 배터리 라인의 다음 병목은 결함 자체가 아니라 변화다

배터리 생산라인은 동일한 제품을 반복해서 생산하는 것처럼 보입니다.

하지만 실제 공정조건은 계속 변화합니다.

카메라 렌즈가 오염되거나 조명이 노후화될 수 있습니다. 카메라의 위치와 각도가 미세하게 달라질 수 있고, 외부 조명의 간섭이 발생할 수도 있습니다.

소재의 반사 특성과 표면 상태가 달라지고, 센서가 노후화되며, 케이블 접촉이나 접지 문제가 발생할 수 있습니다. 생산량을 높이기 위해 라인 속도를 변경하거나, 고객 요구에 따라 품질기준을 조정하는 경우도 있습니다.

ESS 제품으로 라인을 전환하면 새로운 결함 유형이 추가될 수 있습니다.

즉, 같은 검사 대상이라도 검사환경과 공정조건은 동일하지 않습니다. 첨부 IR 역시 배터리 라인에서 발생하는 변화요인으로 조명·렌즈·카메라·센서·공정속도·품질기준·신규 결함 등을 제시하고 있습니다.

배터리 라인의 다음 병목은 결함을 한 번 검출하는 능력이 아닙니다.

계속 변하는 조건에서도 검사 성능을 유지하는 능력입니다.

2. 정적인 검사 룰은 변하는 공정을 따라가기 어렵다

기존 Machine Vision은 사전에 설정한 기준값과 룰을 이용해 제품을 판정합니다.

안정적인 환경에서는 빠르고 정확한 검사가 가능합니다.

그러나 공정조건이 달라지면 정상 제품이 불량으로 판정되는 가성 NG가 증가하거나, 실제 불량을 정상으로 판단하는 미검출이 발생할 수 있습니다.

가성 NG가 늘어나면 정상 제품을 폐기하거나 작업자가 다시 확인해야 합니다. 생산속도가 떨어지고 인력 의존도가 높아집니다.

반대로 미검출이 발생하면 불량이 후공정으로 이동합니다. 이미 많은 공정비용이 투입된 이후에 불량이 발견되거나, 최종 제품의 안전성과 신뢰성 문제로 이어질 수 있습니다.

이 때문에 배터리 제조에서 검사 정확도는 단순한 품질지표가 아닙니다.

수율, 생산성, 설비 가동률, 고객 클레임, 안전성을 동시에 결정합니다.

정적 룰만으로는 변화하는 라인을 장기간 안정적으로 운영하기 어렵습니다.

검사기가 공정의 변화를 학습하고, 기존 정상 상태와 다른 패턴을 스스로 식별할 수 있어야 합니다.

3. 검사 데이터는 판정 결과가 아니라 공정 운영 데이터가 돼야 한다

검사장비에서는 매일 대량의 이미지와 측정값이 생성됩니다.

그러나 OK·NG 결과만 저장하면 데이터의 활용 범위가 제한됩니다.

어떤 설비에서 생산됐는지, 어떤 원재료와 레시피가 사용됐는지, 당시 온도와 압력, 속도, 진동, 전류 값이 어땠는지 연결해야 결함의 원인을 분석할 수 있습니다.

따라서 배터리 라인에서는 다음 데이터가 함께 연결돼야 합니다.

이미지와 영상, 치수와 좌표, 시계열 센서 데이터, 설비 상태, 공정조건, 제품·Lot 정보, 검사 결과, 작업 이력입니다.

미국 에너지부 역시 배터리 스마트 제조 플랫폼의 핵심 방향으로 인라인 데이터를 활용한 생산 의사결정, 머신러닝 기반 품질관리, 디지털 트윈, 비침습 센서를 통한 공정 제어와 추적관리를 제시하고 있습니다.

검사 데이터가 공정 데이터와 연결되면 질문이 달라집니다.

“불량인가?”에서 끝나는 것이 아니라,

“왜 이 공정에서 불량이 증가했는가?”

“어떤 설비·소재·조건에서 같은 패턴이 반복되는가?”

“불량이 발생하기 전에 이상 징후를 감지할 수 있는가?”

라는 질문으로 확장됩니다.

이것이 배터리 제조에서 Data Ops와 AI Ops가 필요한 이유입니다.