1. 서 론

중소 제조기업은 인력과 자원 측면에서 구조적인 제약 을 안고 있으며, 생산 현장에서는 외국인 작업자의 비중이 높아 언어 장벽과 숙련도 편차로 인한 공정관리의 어려움 이 지속되고 있다. 특히 야간이나 주말같이 한국인 관리자 부재 시간대에는 설비 세팅 오류나 공정 불량 발생 시 즉 각적인 대응이 어려워, 대량 불량 발생과 생산성 저하로 이어지는 사례가 빈번하게 발생한다. 이러한 문제는 현장 작업자의 경험 의존적 대응 체계와 실시간 품질 관리의 부재에서 기인한다.

베어링과 같은 고정밀 기계 부품은 짧은 시간 안에 대 량 생산이 이루어지는 공정 특성상, 단기간의 공정 조건 오류가 LOT 단위의 대규모 불량으로 확산될 위험이 크다. 특히 CNC 가공 공정에서는 공구 마모, 이송 속도, 회전수 등 다양한 변수의 미세한 변화가 품질에 큰 영향을 미칠 수 있기 때문에, 공정 조건에 대한 지속적인 모니터링과 조기 이상 감지가 중요하다. 그럼에도 불구하고 다수의 중 소 제조기업은 여전히 공정 데이터를 단순 저장하거나 사 후 조회하는 데 그치고 있으며, 실시간 분석과 예측 기반 의 품질 관리 체계를 갖추지 못한 실정이다.

최근 정부의 스마트공장 보급 정책과 중소기업 디지털 전환 촉진 전략에 따라, 제조 현장에서도 인공지능 기반의 예지 보전 및 품질 예측 시스템에 대한 수요가 증가하고 있다. 특히 시계열 데이터를 활용한 딥러닝 모델은 시간에 따른 공정 조건 변화와 불량 발생 패턴을 학습할 수 있어, 사후 대응 중심의 기존 품질 관리 체계를 실시간 예측 및 예방 중심으로 전환하는 데 효과적인 기술로 주목받고 있다.

베어링 CNC 가공 공정은 공구 마모와 설비 압력(척/에 어) 드리프트가 시간에 따라 누적되는 시계열적 특성을 가 진다. 생산은 제품 단위로 연속적으로 이루어지며, 각 제 품이 완성될 때마다 설비의 주요 인자와 검사 결과가 MES 및 OPC-UA 시스템과 연계되어 수집된다. 불량은 상 대적으로 드문 이벤트로, 발생 이전 구간에서는 폭 편차의 미세한 누적, 압력 드리프트 등의 전조 패턴이 나타난다. 이는 현재 품질이 직전 및 장기적인 상태 이력에 의존한다 는 것을 의미하며, 연속된 시점 간 비선형적이고 지연된 효과를 포착하고, 이전 사이클의 데이터를 종합적으로 고 려하여 다음 제품의 품질을 예측할 수 있는 구조가 필요하 다. 이를 위해 장기 및 단기 의존성을 동시에 학습할 수 있는 순환신경망 모델이 적합하다[6].

이에 본 연구에서는 실제 중소 제조기업의 베어링 CNC 가공 공정에서 수집된 데이터를 바탕으로, RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 모델을 적용하여 예측 정확도 및 안정성을 비교․분석하였다. 그 결과, LSTM 모델이 가 장 우수한 성능을 나타냈으며, 이를 기반으로 실시간 불량 예측 및 예방이 가능한 인공지능 품질 관리 시스템을 개발 하였다.

개발된 시스템은 가공 공정 중 발생 가능한 이상 데이 터를 실시간으로 감지하고, 예측 정보를 작업자에게 대 시보드 형태로 시각화하여 제공함으로써 신속한 대응을 유도한다. 또한, 기존 설비의 공정 조건 이력 데이터를 분석하여 최적 조건을 도출하고 이를 가이드 형태로 제 시함으로써 반복 불량을 사전에 차단할 수 있도록 설계 하였다. 이 시스템은 검사 시간의 단축, 공정 안정성 향 상, 생산 효율성 제고에 기여하며, 야간․주말 등 관리 공백 시간대에도 품질 저하를 최소화할 수 있는 기반을 제공한다.

2. 관련 연구

불량 예방을 위한 연구는 다양한 산업 분야에서 활발히 진행되고 있으며, 특히 시계열 데이터 기반의 분석이 가능 한 RNN 계열 알고리즘이 주목받고 있다[1]. RNN은 과거 의 입력 정보를 내부 상태에 저장하여 다음 출력에 반영할 수 있는 구조로, 시간 흐름에 따른 데이터 패턴을 인식하 는 데 강점을 가진다. 그러나 긴 시퀀스를 처리할 경우 기 울기 소실 문제가 발생하여, 장기 의존성 학습에 한계가 있다[11]. 이를 극복하기 위해 LSTM과 GRU와 같은 변형 구조가 제안되었다.

LSTM은 은닉 상태 외에 셀 상태를 추가로 유지하며, 덧셈 및 곱셈 연산을 통해 장기적인 정보 전달이 가능하도 록 설계되어 있다. 이러한 구조는 중요 정보를 장시간 동 안 손실 없이 유지할 수 있도록 하며, 장기 의존성 문제에 효과적으로 대응한다[10]. 한편, GRU는 업데이트 게이트 와 리셋 게이트만을 포함하는 단순화된 구조를 가지며, LSTM에 비해 계산량이 적고 유사한 수준의 성능을 발휘 할 수 있어 계산 효율성 측면에서 장점이 있다[5].

최근 CNC 가공 공정에서도 공정 조건, 공구 마모도, 검 사 이력 등의 시계열 데이터를 기반으로 최적 조건을 도출 하고 불량을 사전에 예측하려는 다양한 연구가 진행되고 있다. Han[3]은 라벨링되지 않은 데이터를 대상으로 다양 한 비지도 학습 기반 머신러닝 기법을 적용하여 가공품의 불량 여부를 예측하였다. 해당 연구는 불량 예측을 수행하 였다는 점에서 본 연구와 유사하나, 비지도 학습 특성상 성능 평가 및 결과 해석에 있어 주관성 개입 가능성이 높 고, 이상치나 잡음 데이터에 민감하며 실시간 적용에는 한 계가 있다는 점에서 차이를 보인다.

Kim et al.[7]은 초․중․종품 샘플링 방식의 한계를 지 적하며, 실제 생산 데이터를 기반으로 AI 분석을 수행하여 불량률 왜곡 문제와 폐기율 증가 문제를 해결하고자 하였 다. 이는 AI를 활용해 불량 원인을 파악하고 현장 대응을 지원했다는 점에서 본 연구와 목적이 유사하나, 샘플링 데 이터만을 활용하였고, 시계열 기반의 실시간 예측 체계는 구현되지 않았다는 차이점이 있다.

Lee et al.[8]은 CNC 설비에 음향 및 진동 센서를 부착하여 설비 운전 중 발생하는 신호를 수집하고, 공구 마모에 영향을 주는 공정 조건을 분석하였다. 센서 기반의 예측 기법은 정밀한 상태 분석이 가능하다는 장점이 있으나, 다양한 센서 설치와 장비 개조에 따른 높은 비용과 복잡도는 중소 제조기 업 현장에서 실질적인 도입에 제약이 따른다.

이와 같이 기존 연구들은 각기 다른 접근을 통해 CNC 공정의 불량 예측과 품질 향상에 기여해 왔으나, 비용 효 율성, 시스템 구축 용이성, 실시간 적용 가능성 측면에서 한계가 존재하였다. 이에 본 연구는 별도의 센서나 고비용 장비 개조 없이, 공정 조건 및 품질 검사 데이터를 활용한 실시간 불량 예측 시스템을 구축함으로써, 중소 제조기업 환경에서도 실효적으로 적용 가능한 지능형 품질 관리 방 안을 제시하고자 한다.

3. 문제 정의

본 연구의 대상 기업은 자동차 및 산업용 기계에 사용되 는 고정밀 베어링 부품을 전문적으로 생산하는 중소 제조업 체로, 총 20개의 자동화 생산라인(CNC 설비 40대)과 4개의 수동 작업라인을 운영하고 있다. 생산 품목은 가공 방식에 따라 TRB(Tapered Roller Bearing), DGRB(Double-Row Angular Contact Ball Bearing), ACBB(Angular Contact Ball Bearing)의 세 가지로 분류되며, 본 연구에서는 TRB 타입의 대표 품목인 F-615360에 대한 가공 공정 데이터를 분석 대상으로 선정하였다(<Figure 1> 참고).

해당 품목은 고속 회전 및 반복적인 하중에 견뎌야 하 는 부품으로, 가공 품질과 치수 정밀도에 대한 요구 수준 이 매우 높다. 실제 생산 공정은 원소재 투입부터 시작하 여 선반 및 밀링과 같은 CNC 가공 공정을 거친 후, 자동화 된 치수 및 외관 검사 시스템을 통해 불량 여부를 판별하 고, 최종적으로 합격품과 불합격품을 분류한 뒤 포장 및 출하 단계로 이어진다. <Figure 2>는 베어링 가공 공정의 흐름 순서도이다.

표면적으로는 각 공정이 자동화되어 있는 것처럼 보이 지만, 공정 간 연계성 및 실시간 제어 기능이 매우 제한적 이다. 특히 자동 검사 결과가 이전 가공 공정에 실시간으 로 피드백되어 공정 조건을 조정하는 기능은 사실상 구현 되어 있지 않다.

이러한 구조적 한계는 공정의 안정성과 품질 유지에 큰 위협 요소가 된다. 예를 들어, 공구 마모, 척(Chuck) 압력 변화, 에어 압력 저하와 같은 미세한 환경 변화는 곧바로 가공 품질에 영향을 미치지만, 현행 시스템에서는 이러한 변화를 실시간으로 감지하고 공정에 반영하는 시스템이 존재하지 않는다. 대부분의 품질 문제는 검사 공정에서 최 종적으로 확인되며, 그 시점에서는 이미 수십~수백 개의 부품이 불량으로 생산된 이후인 경우가 많다.

또한 중소 제조기업의 인력 구조 역시 문제를 복잡하게 만든다. 외국인 작업자의 비율이 높고, 이로 인한 언어 장 벽과 기술적 숙련도 격차는 설비 운영 및 품질 대응의 일 관성을 저하시킨다. 특히 야간이나 주말과 같이 한국인 관 리자가 부재한 시간대에는 설비 설정 오류나 공정 이상 발생 시 신속한 대응이 어려우며, 단일 공정의 오류가 전 체 LOT 단위 불량으로 확산되는 사례도 적지 않다. 이와 같은 문제는 단순한 불량률 증가에 그치지 않고, 반복적인 생산 차질과 고객사 클레임으로 이어져 기업의 품질 신뢰 도와 생산성 전반을 위협하게 된다.

문제 해결을 위해 스마트팩토리 시스템을 도입하거나 최신 설비로 교체하는 것이 근본적인 방안이 될 수 있지 만, 중소 제조기업의 현실은 그렇지 않다. 제한된 자금, 노 후 설비 기반, 전산 인프라 부족 등의 요인으로 인해 고비 용 시스템의 도입이 쉽지 않으며, 설치 이후 유지․운영에 필요한 전문 인력 확보도 또 다른 과제가 된다. 결국 현장 에서는 기존 설비를 최대한 활용하면서도 최소한의 비용 과 노력으로 품질을 안정화할 수 있는 실용적인 대안이 요구된다.

이러한 배경에서 본 연구는 별도의 센서 부착이나 장비 개조 없이, 기존 생산 공정에서 수집 가능한 가공 조건 데 이터 및 자동 검사 데이터를 활용하여 불량 발생을 사전에 예측하고 대응할 수 있는 인공지능 기반 품질 관리 시스템 을 제안한다. 특히 시간에 따른 변수 변화와 이상 패턴을 인식할 수 있는 시계열 딥러닝 모델을 활용함으로써, 실시 간 예측과 선제적 대응이 가능한 시스템 구조를 설계하였 다[4]. 이를 통해 작업자의 숙련도나 관리자 부재와 같은 인적 요인의 영향을 최소화하고, 반복적인 불량 발생을 방 지하며, 중소 제조현장에서도 실효성 있게 적용 가능한 품 질 예지 시스템의 가능성을 입증하고자 한다.

4. 시스템 설계 및 현장 적용

4.1 주요 변수 도출

시스템 구축의 첫 단계로, 공정 데이터를 정밀하게 분석 하고 변수들을 도출하였다. 변수 도출을 위해 수작업 기록 데이터와 설비 기반 데이터를 병행하여 수집하였다. 이를 위해 공정 담당자와의 면담 및 협업을 통해 실제 생산 현 장에서 생성되는 데이터를 체계적으로 정리하였다. 구체 적으로는 가공 설비의 PLC 설정값, 자동 검사 설비의 판 정 결과, 압력 센서 데이터(예: 척 압력, 에어 압력) 등을 수집하였으며, 수작업 기록 데이터는 가공 공정 작업일보 를 통해 확보하였다. 이러한 원천 데이터는 가공 공정에서 생성되는 정보를 기반으로 항목별로 분류하였고, 그 결과 정량 센서 데이터(예: 척 압력, 에어 압력, 스핀들 속도 등), 검사 측정값(예: 규격 허용 오차의 초과 여부), 공정 메타 정보(작업 시간, 작업자, 기계 ID 등)로 유형화하였다. 설 비 기반 데이터는 주로 장비 판넬 및 내부 저장 시스템을 통해 추출하였다. <Table 1>은 추출한 변수를 나타낸다.

이러한 후보 변수들 중에서 실제 불량 판정에 영향을 미칠 수 있는 주요 인자를 선별하기 위해, 각 항목의 측정 방법, 단위, 시점, 빈도, 공정 내 위치를 면밀히 검토하였 다. 그 결과, 측정값의 누락이나 오차가 잦은 변수, 또는 불량과의 연관성이 낮은 변수는 분석에서 제외하거나 별 도로 분류하였다. 또한 설비 접근 제약 및 투자 효율성을 고려하여, 최소한의 투자로 최대 효과를 달성할 수 있는 변수 중심으로 최종 후보를 압축하였다.

이러한 기준을 통해 선정된 핵심 변수는 총 5개로, 폭 (Width), 척 압력(Chuck pressure), 에어 압력(Air pressure), 내경(Bore), 외경(External diameter)이다. 이 중 베어링 폭, 척 압력, 에어 압력은 설비 이상 여부 및 공구 마모와 밀접 하게 관련된 핵심 지표로 판단되었다. 한편, 내경과 외경 은 베어링 폭에 대한 영향력을 분석하기 위해 상관분석을 수행한 결과, 피어슨 상관계수가 0.3 이하로 낮아 최종 주 요 인자에서는 제외하였다.

4.2 데이터 수집

수집은 OPC-UA(Open Platform Communications Unified Architecture) 기반의 인터페이스를 활용하여 수행하였으며, 해당 인터페이스는 C# 언어를 기반으로 자체 개발되었다. 자동 검사 설비에서 제품의 가공 및 검사가 완료되면, 설비는 완성 신호를 송출하며, 본 시스템은 이 신호를 트리거로 하여 검사 결과 데이터를 실시간으로 수집하였 다. 동시에, 완성 시점의 설비 주요 인자(척 압력, 에어 압력 등) 또한 OPC-UA를 통해 수집되어, 불량 예측 모델 의 입력 데이터로 활용되었다. 또한, 완성 시점의 실적 데이터는 MES(Manufacturing Execution System)와의 연계 를 통해 현재 작업장의 운영 정보와 통합되어 수집된다. 이를 통해 작업지시 번호, 품목 코드, 공정 조건, 작업자 ID, 프로그램 번호, 프로그램 적용일시 등 생산 이력 관련 핵심 정보가 함께 저장되며, 이는 예측 결과의 해석 및 향후 품질 문제 발생 시 원인 추적에 중요한 근거 데이터를 제공 한다. MES 연계를 통해 공정 데이터와 실적 데이터 간의 정합성이 확보되어, 데이터 기반의 통합 품질 관리 체계를 구현할 수 있는 기반을 마련하였다. 수집된 모든 데이터는 상용 데이터베이스 시스템인 MS SQL에 저장되어, 데이터 의 안정성과 무결성이 확보되었다. MS SQL은 대용량의 시계열 데이터를 안정적으로 처리할 수 있는 구조를 갖추고 있으며, 향후 예측 모델 학습, 품질 분석, 생산 리포트 자동 화 등에 활용될 수 있도록 체계적으로 저장된다. 이와 같은 데이터 수집 및 저장 구조는 아래 <Figure 3>과 같이 요약될 수 있다.

본 연구는 2025년 3월부터 4월까지 약 두 달간 CNC 베 어링 가공 1라인에서 수집된 실제 데이터를 기반으로 수 행되었다. 총 158,501건의 원시 데이터를 수집하였으며, 이 중 측정 불가 또는 오류값으로 판별된 43건을 제거한 결과, 총 158,458건의 정제된 데이터셋을 확보하였다. 수 집된 데이터는 본격적인 예측 모델링을 위해 결측치 보정, 이상치 제거, 변수 정규화, 시계열 정렬 및 Resampling 등 의 전처리 과정을 수행하였다. 특히 시계열 데이터로서의 특성을 유지하기 위해 시간순으로 정렬하고, 공정 구간별 시간 간격을 1분 단위로 맞추는 Resampling 작업을 통해 신경망 모델이 효과적으로 학습할 수 있는 형태로 변환하 였다[2].

4.3 예측 모델 비교 분석

불량 예측 모델의 경우 생산 공정에서 발생 가능한 다 음 생산품의 불량 여부를 사전에 예측한다. 이를 위해 RNN, LSTM, GRU 세 가지의 순환 신경망 모델을 비교 분석하였다. 데이터 전처리 및 수집 단계에서 확보한 총 158,458건의 정제된 데이터셋을 이용하였다. 이 중 100,000건은 학습용 데이터로, 나머지 58,458건은 검증 및 테스트용으로 각각 분할하여 사용하였다. 모델 학습은 충 분한 수렴을 유도하기 위하여 총 3,000 epochs에 걸쳐 수 행되었으며, K-겹 교차 검증 기법을 도입하여 과적합을 방 지하고 모델의 일반화 성능을 확보하였다. 모델은 3개의 은닉층으로 구성하였고, 각 은닉층의 노드 수는 32로 설정 하였으며, 배치 크기는 32, 학습률은 0.001로 설정하였다. 최적화 함수는 Adam을 사용하였다.

학습 성능 평가는 주요 성능 지표인 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score를 활용하여 정 량적으로 분석하였다[10].

<Table 3>는 각 모델별 성능 비교 결과 표를 나타낸다. 전반적으로 LSTM은 모든 평가지표에서 가장 우수한 성능 을 나타냈으며, 특히 기존 RNN 대비 정확도는 약 15.6%p, 정밀도는 13.3%p, 재현율은 17.8%p, F1-score는 15.4%p 향 상되었다. GRU와 비교할 경우에도 LSTM은 정확도에서 2.6%p, 재현율에서 7.7%p, F1-score에서 3.9%p 높은 수치를 기록하였다. 정밀도는 GRU가 소폭 우위(1.2%p)를 보였으 나, 재현율 및 F1-score 등 불량 탐지의 실질적 성능을 반영 하는 주요 지표에서는 LSTM이 뚜렷한 우세를 보였다.

4.4 불량 예측 시스템 현장 적용 및 운영 체계

본 연구에서는 개발된 불량 예측 모델을 실제 생산 현 장에 적용하기 위해, 시각화 기반의 예지 보전 시스템을 구축하였다. 불량 예측 시스템은 공정에서 수집된 실시간 데이터를 바탕으로 학습된 LSTM 기반 예측 모델을 통해 차기 생산품의 불량 발생 가능성을 판단하며, 예측 결과는 작업 현황판을 통해 실시간으로 시각화된다. 해당 시각화 시스템은 C# 언어를 기반으로 구현되었으며, 생산 순서별 예측 결과를 최대 5개까지 표시하고, 작업자가 즉각적으 로 가공 조건을 확인하거나 조치할 수 있도록 설계되었다. 또한 일일 생산량 및 예측된 불량률을 함께 관리함으로써, 실제 작업일보와의 비교 분석이 가능하도록 구성하였다. 본 시스템은 기존 MES와의 연계를 통해 통합적인 운영이 가능하다.

<Figure 4>는 현장 작업자에게 제공되는 시각화 현황판 을 나타낸다. 정보 전달의 직관성과 신속한 의사결정 지원 을 목표로 설계되었으며, 다음의 세 가지 주요 영역으로 구성된다. 영역 ①은 전체 작업 지시에 대한 종합 현황을 제공하며, 영역 ②는 현재 검사 중인 개별 제품의 실시간 정보(측정값, 시간, 장비 상태 등)를 시각적으로 표시한다. 영역 ③은 최근 생산된 5개 제품의 검사 이력을 제공하며, 불량 예측 결과가 NG로 판정된 경우 해당 항목은 붉은색 배경으로 강조되어 작업자의 즉각적인 대응을 유도한다.

<Figure 5>는 AI 서버의 기능을 나타낸다. 불량 예측을 수행하는 AI 학습 서버는 실시간으로 공정 데이터를 수신 하여 전처리한 후, 사전에 학습된 예측 모델을 활용해 불 량 발생 가능성을 판단한다. 예측 결과는 즉시 시각화 현 황판에 전달되며, 작업자가 실시간으로 대응할 수 있도록 한다. 해당 서버는 또한, 공정 조건의 변화나 데이터 분포 변동에 대응하기 위해 재학습 기능을 포함하고 있다.

해당 기능은 일정 주기마다 신규 데이터를 수집하고, RNN, LSTM, GRU 세 가지 모델을 동시에 재학습시킨 후, 검증 데이터 기반의 성능 평가를 통해 가장 우수한 모델을 자동 선정하여 실시간 예측에 적용한다. 이와 같은 재학습 메커니즘은 시간 경과에 따른 공정 조건의 변화나 주요 인자의 영향 변화를 반영하여 예측 성능의 지속적인 향상 을 도모하며, 실제 산업 현장에서의 장기적 신뢰성과 유효 성을 확보할 수 있도록 한다.

4.5 현장 적용 결과

제안한 신경망 기반 불량 예방 시스템의 성능을 실증적 으로 검증하기 위해, 실제 생산 데이터를 활용한 현장 실 험을 수행하였다. 현장 적용은 2025년 3월부터 4월까지 약 두 달간, 국내 제조기업의 CNC 베어링 가공 1라인에서 진 행되었으며, 대상 품목은 F-615360 제품이다. 학습된 LSTM 기반 예측 모델을 실제 생산 공정에 적용한 후, 시 스템 도입 전과 후의 주요 생산성과 품질 지표를 비교 분 석하였다. <Figure 6>은 해당 가공 라인에 적용된 불량 예 방 시스템의 현장 적용 사진을 보여준다.

시스템 도입 이전에는 가공 1라인에서 하루 8시간 기준 약 2,400개의 베어링이 생산되었으며, 제품 가공 후 자동 치수 검사에서 불량이 발생할 경우, 작업자가 수동으로 데 이터를 재확인하고, 오류 내용을 별도로 기록 및 점검해야 했다. 이 과정은 건당 수 분이 소요되어 하루 평균 약 30분 이상의 생산 손실이 발생하였다. 특히 동일 유형의 불량이 반복될 경우, 작업자 또는 품질관리자가 이를 사전에 인지 하기 어려워, 관리자 부재 시간대인 야간 근무 시 LOT 단 위의 대량 불량이 발생하는 문제가 있었다.

시스템 적용 후 실험 결과, 수동 검사 및 점검 소요 시 간은 평균 30분에서 15분으로 50% 절감되었으며, 불량 률은 약 51.22% 감소하였다. 또한 시간당 생산량이 300 개에서 315개로 증가함에 따라, 하루 총 생산량은 약 2,400개에서 2,520개로 5% 향상되었다. 이는 품질 개선 뿐만 아니라 실질적인 생산성 증대 및 불량 처리로 인한 인력․시간 자원의 낭비를 줄이고, 작업 효율성을 높이 는 데 기여하였다.

본 시스템은 학습된 LSTM 기반 예측 모델을 활용하여, 실시간으로 불량 발생 가능성을 시각화하고, 작업자에게 최적 공정 조건에 대한 정보를 제공함으로써 즉각적인 대 응을 가능하게 하였다. 이를 통해 불량 발생 시점에서의 조치 시간이 단축되었고, 작업자는 반복 점검 및 수작업 입력에 대한 부담을 줄일 수 있었다. 이러한 실증 실험의 성과는 <Table 4>에 요약하였다.

5. 결 론

본 연구는 중소 제조기업의 현실적인 제약을 고려하여, 기존 CNC 가공 공정에서 수집된 실제 데이터를 기반으로 불량 예방 시스템을 설계하고, RNN, LSTM, GRU와 같은 순환 신경망 기반 딥러닝 모델의 성능을 비교․분석하였 다. 실험 결과, LSTM이 불량 예측에서 우수한 성능을 나 타내었다.

제안된 시스템은 예측된 불량 정보를 작업자에게 실시 간으로 제공함으로써, 공정 설정의 정밀도와 안정성을 향 상시키는 데 기여하였다. 이는 단순한 이상 탐지를 넘어 생산성과 품질 관리 측면에서 유의미한 개선 효과를 가져 왔으며, 예측 시스템이 작업자의 의사결정을 지원하는 효 과적인 도구로 활용될 수 있음을 실증적으로 확인하였다.

또한 본 연구는 대규모 설비 투자 없이도 기존 설비 데 이터를 활용해 인공지능 기반 품질 관리 시스템을 구축할 수 있음을 보여주는 사례로, 유사한 산업군에 대한 적용 가능성을 뒷받침할 수 있는 기반을 제공한다. 특히 자동화 수준이 낮은 중소 제조 현장에서는 본 시스템이 스마트 제조 전환의 실질적인 출발점으로 기능할 수 있다. 더불 어, 본 시스템은 베어링 외 다른 부품 및 생산 공정으로의 확장 가능성이 높으며, 중소 제조업의 경쟁력 강화 및 디 지털 전환에 기여할 수 있을 것으로 기대된다.

한편, 본 연구에는 다음과 같은 제한점이 존재한다. 첫 째, 실험 대상이 특정 제품(F-615360 베어링)에 한정되어 있어 다양한 제품군에 대한 일반화에는 한계가 있다. 둘 째, 공정 내 공구의 마모 상태나 교체 시점에 대한 실시간 정보가 포함되지 않아, 공정 변수와 불량 발생 간의 정밀 한 인과 분석에는 제약이 있었다.

향후 연구에서는 다양한 제품군과 공정 유형에 대한 적 용 가능성을 확대하고, 공구 상태 모니터링 등 추가 센서 데이터를 융합하여 더욱 정밀하고 예측력이 높은 모델로 의 발전이 필요하다.