이차전지 제조는 공정이 길고 단계 간의 연결성이 매우 강합니다. 슬러리 코팅, 전극 적층, 셀 조립, 충방전 테스트까지 각각의 공정이 연속적으로 이어지기 때문에, 앞단의 작은 이슈 하나가 뒤 공정에 누적되어 전체 생산 효율과 수율에 영향을 미칠 수 있습니다.
예를 들어 코팅 라인에서 이물질이 끼거나 적층 중 미세한 틀어짐이 발생해도, 그 즉시 감지하지 못하면 수십, 수백 셀 이상이 불량 상태로 다음 공정까지 넘어갑니다. 문제를 뒤늦게 인지했을 땐 라인 전체를 멈추고 재검, 폐기, 원인 추적까지 해야 하니 시간과 비용 손실이 굉장히 커지죠.
실제로 제조 과정 중 발생한 미세 결함이 대규모 리콜로 이어진 사례는 배터리 업계 전반에서 꾸준히 보고되고 있는데요. 2024년엔 국내 전기차 리콜 건수는 무려 119건에 달하며, 공정 관리의 중요성이 그 어느 때보다 강조되고 있습니다.
하지만 기존 머신비전 솔루션, 지능형 CCTV 솔루션만으로 제조 과정에서 설비 이상과 불량을 제때 발견하기 어려운데요. 이번 글에서는 이차전지 품질 모니터링 과정에서 발견되는 구조적 문제를 짚어봅니다.
우리가 배터리 품질관리에서 결함을 놓쳤던 3가지 순간
이차전지 셀은 하루에도 수십만 개씩 생산됩니다. 그런데 한 번의 배터리 품질 결함이 제대로 걸러지지 않으면, 모듈과 팩을 거쳐 최종 제품까지 영향을 줄 수 있습니다. 특히 전기차에 들어가는 배터리는 안전성과 직결되기 때문에, 결함이 대규모 리콜로 이어질 수 있죠.
그렇다면 우리는 배터리 품질관리 단계에서 어떤 결함을 놓쳤을까요? 실제 제조 현장에서 배터리 품질관리가 실패했던 주요 사례 3가지를 짚어봅니다.
1. 복잡한 머신비전 솔루션을 도입해도 발생하는 품질 문제
지금 많은 제조 현장은 여전히 복잡한 머신비전 시스템에 의존하고 있습니다. 하지만 고가의 전용 장비를 설치하고도 현장에서 발생하는 품질 이상을 완전히 걸러내지 못하는데요.
예를 들어 단순한 기울어짐, 흔들림, 순간적 멈춤과 같은 이유로 라인이 멈추곤 합니다. 기존 머신비전 검사 시스템은 대부분 복잡한 설정, 고정된 조건, 정지된 화면 중심의 분석에 기반합니다. 즉, 지금 이 순간 흐르고 있는 공정의 ‘이상한 움직임’을 실시간으로 포착하지 못하는 구조인데요.
하지만 실제 제조 현장은 일정하지 않습니다. 조명 반사, 제품 위치 편차, 라인 진동 같은 다양한 변수가 발생하기 때문에 오탐 미탐 문제를 완전히 해결하지 못하죠.
결국 수천만 원을 들여 복잡한 머신비전을 도입해도, 정작 놓치는 건 ‘지금 이 순간 발생하는 단순한 이상’입니다. 이제는 복잡한 시스템보다, 가볍고 직관적으로 이상 징후를 감지할 수 있는 새로운 방식이 필요해지고 있습니다.
2. 빠르게 지나가는 배터리 품질관리 단계에서 오류는 놓치기 쉽다
배터리는 고속으로 돌아가는 자동화 라인으로 여러 공정을 연속적으로 거쳐 생산됩니다. 예를 들어, 전극 시트를 적층하고 전해액을 주입한 뒤 셀을 조립하고 충·방전 테스트까지 이어지죠. 이처럼 초당 수십 개의 셀이 빠르게 이송되는 상황에서는 셀이 살짝 기울거나 눌리거나, 탭이 비스듬히 붙는 등 미세한 이상이 생겨도 금방 지나가버립니다.
문제는 기존 검사 시스템이 이러한 ‘흐름 속 변화’를 실시간으로 포착하지 못한다는 점입니다. 대부분의 기존 머신비전은 셀의 특정 시점을 사진처럼 ‘캡처’해서 판단하는 방식입니다. 따라서 셀이 이동 중 흔들리거나 순간적으로 발생한 접합 오류는 앞뒤 맥락이 없으면 이상으로 인식되지 않고 그대로 통과할 수 있습니다.
3. 공정 변경이나 라인 속도 변경 시 모니터링 공백이 쉽게 발생한다
배터리 제조 현장은 매우 유연하게 움직입니다. 같은 공정이라도 오늘은 고에너지 배터리를 만들고, 내일은 고출력 배터리를 만들어야 하기 때문인데요. 이처럼 제품 스펙이 바뀌면 검사 항목도 달라져야 하겠죠. 예를 들어 고출력 배터리에서는 극판 두께가 더 얇고, 전극 간격도 다르기 때문에 기존의 검사 기준으로는 놓치는 결함이 생길 수 있습니다.
하지만 현실에서는 이런 검사 기준 변경 작업이 아직도 수동으로 이뤄지는 경우가 많고, 담당자가 빠뜨리거나 설정을 잘못하면 그 기간 동안 검사 공백이 생기게 됩니다. 따라서 새 제품을 처음 투입하는 시점에는 설비가 불안정하고 불량률이 높기도 합니다. 이때 검사 체계가 제대로 작동하지 않으면 초기 수천 개 단위의 셀이 불량으로 출하될 위험도 존재하죠.
배터리 품질관리 이렇게 달라질 수 있어요!
기존 품질 검사는 정밀한 머신비전 장비와 복잡한 설정을 요구해 설치 자유도가 떨어졌습니다. 제품 사양이 조금만 바뀌어도 라벨링부터 알고리즘 수정까지 많은 작업이 필요했죠.
반면 세이지 빔스는 일반 CCTV에 AI를 결합해 실시간 감지가 가능한 간단한 구조를 갖고 있습니다. 복잡한 하드웨어 없이도 고속 공정 전체를 실시간으로 추적하고, 사람이 놓치는 결함을 AI가 포착합니다. 영상 기반으로 공정 흐름을 분석하기 때문에, 셀이 흔들리거나 접합이 어긋나는 순간도 놓치지 않고 감지할 수 있죠.
1. 비정형 결함까지 스스로 감지합니다
기존 머신비전 시스템은 새로운 결함이 나타날 때마다 기준을 새로 설정하고, 데이터를 라벨링해 다시 학습시켜야 했습니다. 반면 세이지 빔스는 정상 영상만 학습한 후, 그 흐름에서 벗어난 모든 이상을 자동으로 감지합니다. 특히 세이지 빔스는 기존 CCTV만으로 AI 기반 영상 분석이 가능해, 별도의 검사 장비 없이도 고속 생산 라인에서 ‘지금 일어나고 있는 일’을 감지할 수 있습니다.
2. 배터리 품질관리를 위해, 빠르게 지나가는 미세한 오류도 실시간으로 포착합니다
이차전지 제조 공정은 슬러리 코팅, 적층, 접합, 충방전 테스트까지 모든 과정이 고속으로 연결된 연속 생산 시스템입니다. 이처럼 소재가 이동하고 설비가 작동하는 흐름 안에서 발생하는 미세한 이상은 순간적으로 발생하고 사라지기 때문에 포착이 쉽지 않습니다.
세이지 빔스는 단순히 정지된 화면을 분석하는 것이 아니라, 영상 전체의 흐름을 분석합니다. 시계열 데이터를 분석할 수 있는 RNN(Recurrent Neural Network) 알고리즘을 사용하기에 가능한데요.
따라서 셀이 움직이는 중에 벌어지는 미세한 위치 어긋남, 접합 시점의 떨림, 소재 이송 속도의 변화 등도 실시간으로 포착할 수 있습니다. 순간적으로 발생하는 이상도 놓치지 않는 거죠. 또한 고속 생산 라인에서도 1초에 최대 60개의 셀을 동시에 검사할 수 있기 때문에, 품질을 놓치지 않으면서도 생산 효율을 유지할 수 있습니다.
🔎 RNN(Recurrent Neural Network) 이란?
: 데이터를 순차적으로 처리하면서, 과거에 본 정보를 기억해 다음 결과를 예측하는 인공 신경망입니다. 시간의 흐름을 반영할 수 있어, 영상, 음성, 시계열 데이터처럼 연속적인 데이터를 분석할 때 주로 사용됩니다.
3. 공정 변화에 맞춰 스스로 조정합니다
실제 제조 현장에서는 카메라의 위치가 살짝 바뀌거나 조명이 달라지기만 해도 검사 영역이 달라집니다. 기존 시스템은 배터리 품질관리를 위해, 그때마다 사람 손으로 검사 영역(ROI)을 다시 설정해야 했죠.
세이지 빔스는 배터리 품질관리의 ‘변화’ 자체를 전제로 설계되었습니다. 스스로 검사 영역을 보정하는 기능을 가지고 있습니다. 정상 영상 흐름을 기준으로 검사 포인트를 자동으로 재설정하므로, 환경이 조금 바뀌더라도 품질 검사는 계속 이어집니다.
덕분에 사람이 일일이 설정을 바꾸지 않아도 되며, 제품 스펙이 바뀌더라도 검사 공백 없이 대응할 수 있습니다. 특히 라인 변경이 잦은 제조 환경에서 큰 장점이 됩니다.
이차전지 설비 관리의 새로운 기준, 세이지 빔스
배터리 품질 관리에서는 조금만 늦게 발견한 결함이 전체 라인을 멈추고, 대규모 리콜로 이어질 수 있습니다. 이제는 빠르게 흐르는 생산 환경에서도 정확하고, 민첩하게 품질 이상을 감지하는 시스템이 필요합니다. 세이지 빔스가 제공하는 영상 기반의 실시간 분석과 자율적 검사 보정 기술로 배터리 품질관리의 새로운 기준을 세워보세요!
새로운 기준,
© SAIGE All Rights Reserved.