핵심 요약: PLC 알람도 없고 설비도 멀쩡한데 생산 손실이 반복된다면, 문제는 설비가 아니라 데이터 공백입니다. 원인을 분석하려면 먼저 분석의 출발점이 되는 수치가 있어야 합니다. 영상 AI로 설비 사이클을 프레임 단위로 기록하면, 지금까지 보이지 않던 손실의 실체가 수치로 드러납니다.
“왜 손실이 나는지 모르겠다” — 가장 흔하고 가장 답답한 상황
생산량 지표가 조금씩 떨어집니다. 불량률이 산발적으로 올라옵니다. 그런데 PLC 알람은 없고, 설비 가동률도 정상 범위입니다.
결국 담당자가 하게 되는 일은 하나입니다. 지난주 CCTV 영상을 꺼내 돌려보는 것. 이상해 보이는 장면을 찾아도 “이게 원인인지” 확신하기 어렵습니다. 수치가 없으니 증명할 수 없고, 증명할 수 없으니 대응도 미뤄집니다.
이런 현장에서 생산 손실 원인 분석이 어려운 이유는 단 하나입니다. 분석에 필요한 데이터가 처음부터 존재하지 않기 때문입니다.
영상 AI로 설비 사이클을 프레임 단위로 기록하면 어떤 변화가 생기는지, 4가지 관점으로 정리했습니다.
1. PLC가 못 잡는 사이클 이상을 수치로 기록한다
생산 손실 원인 분석이 어려운 이유는 PLC의 구조적 한계에서 시작됩니다
PLC는 설비 제어와 모니터링의 핵심입니다. 하지만 잘 알려지지 않은 구조적 한계가 있습니다. PLC가 설비 상태를 읽어오는 주기는 보통 100ms(0.1초) 수준입니다. 반면 유압 솔레노이드처럼 고속으로 작동하는 부품의 실제 동작 시간은 30~50ms 수준입니다. PLC가 한 번 눈을 깜빡이는 사이, 가압 동작은 시작되고 끝납니다.
동작이 빠졌어도 PLC는 모릅니다. 타이밍이 어긋났어도 기록에는 ‘정상’으로 남습니다.
영상 AI는 이 공백을 채웁니다. 60fps로 분석하면 약 17ms마다 한 프레임씩 사이클 전체를 기록합니다. 매 사이클마다 각 동작 구간이 몇 프레임 소요됐는지, 특정 구간이 아예 0프레임(누락)인지를 자동으로 기록합니다.
“이 사이클에서 2차 가압이 빠졌습니다”라는 수치가 생깁니다. “빠진 것 같다”는 느낌이 아니라, “X번 사이클에서 2차 가압이 0프레임이었다”는 사실이 됩니다.
2. 이상의 패턴을 찾아 원인 추적 방향을 잡는다
무작위처럼 보이는 이상에는 패턴이 있습니다
생산 손실 원인 분석에서 가장 어려운 지점 중 하나는 이상이 “랜덤하게 나온다”고 느껴질 때입니다. 하지만 데이터로 보면 이상이 집중되는 구간이 존재하는 경우가 많습니다.
국내 건축자재 제조사 단열재 제단 라인에서 14분 영상을 분석한 결과가 이를 잘 보여줍니다. 2차 가압이 누락된 사이클 8건이 9분~10분 40초 구간에 집중되어 있었습니다. 나머지 구간에서는 모두 정상이었습니다. PLC에는 아무 이상도 기록되지 않은 시간입니다.
이 패턴은 원인 분석의 방향을 제시합니다. 설비가 일정 시간 가동된 뒤 특정 시간대에 무언가 달라진다는 것입니다. 유압 시스템의 열 팽창인지, 솔레노이드 응답 지연인지, 오일 점도 변화인지는 아직 모릅니다. 하지만 이제 가설을 세우고 확인할 수 있습니다. 패턴이 없을 때는 가설 자체를 세울 수 없었습니다.
더불어, 이상이 감지된 사이클의 영상 클립과 정상 사이클의 영상 클립을 나란히 비교하면 보전팀과 생기팀이 같은 화면을 보며 이야기할 수 있습니다. 수치와 영상이 함께 있을 때 비로소 원인 분석 대화가 시작됩니다.
3. 설비 열화 징후를 조기에 포착한다
갑작스러운 고장 전에, 서서히 나빠지는 신호가 먼저 나타납니다
설비가 갑자기 망가지는 경우는 드뭅니다. 대부분 사이클 타임이 조금씩 늘어나거나 특정 구간의 편차가 서서히 커지는 신호가 먼저 나타납니다. 하지만 이 변화를 매일 CCTV 영상을 보며 사람이 확인하는 것은 불가능합니다.
사이클 타이밍 데이터가 지속적으로 쌓이면 일주일 전과 지금의 사이클 패턴을 비교할 수 있습니다. “최근 3일간 1차 가압 구간의 편차가 1.2프레임에서 2.8프레임으로 커졌다”는 사실이 수치로 보입니다.
생산 손실이 커지기 전에, 원인이 될 수 있는 변화를 먼저 포착하는 것. 사후 대응에서 사전 파악으로 이어지는 첫 번째 조건이 데이터의 축적입니다.
설비 이상 징후 변화 추세4. 데이터로 정비·교체 의사결정을 뒷받침한다
“이 설비 교체해야 할 것 같습니다”를 수치로 말할 수 있어야 합니다
설비 담당자가 가장 어려워하는 순간 중 하나는 윗선을 설득할 때입니다. “이 설비 슬슬 이상한 것 같습니다”라는 말만으로는 수천만 원 규모의 의사결정이 이루어지지 않습니다.
이상이 발생한 날짜와 시간, 해당 사이클 번호, 이상 유형, 발생 빈도 추이, 그 순간의 영상 클립 — 이것들이 함께 제공되면 대화가 달라집니다. 보전팀과 생기팀이 같은 화면을 보며 같은 언어로 이야기할 수 있습니다. 원인 분석 결과를 기반으로 정비 시점을 판단할 수 있습니다.
“감이 있어요”에서 “데이터가 있습니다”로. 생산 손실 원인 분석이 가능해지면 의사결정의 출발점 자체가 달라집니다.
Before/After 의사결정 프로세스 비교실제 현장에서는 어떻게 작동했나 — 건축자재 제조사 제단 라인 사례
아래는 국내 건축자재 제조사 단열재 제단 라인에 영상 AI 기반 사이클 분석을 적용한 결과 요약입니다.
설비: 유압 프레스 제단기 / 사이클 약 2초 / 4단계 동작 (1차 가압 → 2차 가압 → 해제 → 대기)
기존 상황: PLC 알람 없음. 불량 발생 시 CCTV 영상 수동 검토. 타이밍 수치 없어 원인 파악 불가.
분석 결과 (14분 영상 기준):
| 구간 | 정상 평균 | 표준편차 | 이상 감지 |
|---|---|---|---|
| 1차 가압 | 0.35초 | ±1.2프레임 | 없음 |
| 2차 가압 | 0.16초 | ±0.7프레임 | 누락 8건 |
| 해제 | 0.20초 | ±0.8프레임 | 없음 |
2차 가압 누락 8건은 무작위로 흩어져 있지 않았습니다. 9분~10분 40초 구간에 집중되어 있었습니다. PLC에는 이 시간 동안 아무 이상도 기록되지 않았습니다.
VIMS가 원인을 대신 찾아준 것이 아닙니다. “9분 14초 사이클에서 2차 가압이 0프레임이었다”는 사실을 수치로 남긴 것입니다. 담당자는 그 데이터를 가지고 처음으로 “이 시간대, 이 동작이 문제였다”고 구체적으로 말할 수 있게 됐습니다.
우리 현장도 해당할까요? — 체크리스트
아래 항목 중 2~3개 이상 해당한다면, 영상 AI 기반 사이클 분석이 실질적인 도움이 될 수 있습니다.
- [ ] PLC는 정상인데 불량·생산량 저하가 반복된다
- [ ] 생산 손실 원인 분석을 시도하지만 근거 데이터가 없다
- [ ] 이상이 의심될 때마다 CCTV 영상을 직접 검토하고 있다
- [ ] 설비 교체·정비 시점을 감으로 결정하고 있다
- [ ] 사이클 타임이 5초 이내인 고속 반복 공정이다
- [ ] 현장에 CCTV가 이미 설치되어 있다
SAIGE VIMS PoC — 생산 손실 원인 분석의 출발점을 만들어드립니다
SAIGE VIMS는 기존 CCTV 영상을 활용해 설비 사이클을 프레임 단위로 분석하고, 이상 동작 발생 시점·패턴·영상을 자동으로 기록하는 영상 AI 솔루션입니다.
원인을 대신 찾아드리지는 않습니다. 지금까지 없었던, 원인 분석을 시작할 수 있는 데이터를 만들어드립니다.
자동차 부품, 이차전지, 건축자재 등 고속 반복 공정에 적용된 레퍼런스를 보유하고 있습니다. 현재 PoC(개념 검증) 참여 기업을 모집 중입니다. 복잡한 시스템 연동 없이 현재 CCTV 환경에서 바로 시작할 수 있습니다.
© SAIGE All Rights Reserved.