Notes · 2026-08-12

[자율제조 시리즈 ③] 자율제조는 어떻게 보고, 판단하고, 행동하는가?

데이터 수집을 넘어 인지·판단·실행·학습이 연결되는 제조 운영체계

자율제조 공장은 스스로 판단하고 대응하는 공장이라고 이야기한다.

그렇다면 공장이 스스로 판단한다는 것은 구체적으로 무엇을 의미할까.

사람은 생산현장에서 문제가 발생하면 먼저 상황을 살펴본다. 설비의 상태와 제품의 품질을 확인하고, 이전에 비슷한 문제가 있었는지 기억해 본다. 이후 원인을 판단하고 적절한 조치를 선택한다.

조치를 실행한 다음에는 문제가 해결됐는지도 확인한다.

자율제조 공장도 기본적으로 이와 비슷한 과정을 거친다.

센서와 시스템을 통해 현장을 보고, AI와 제조 지식을 활용해 상황을 판단한다. Digital Twin이나 공정모델을 통해 대응방안을 검증한 뒤, 설비와 로봇 또는 업무시스템을 통해 실행한다.

그리고 실행 결과를 다시 데이터로 받아 다음 판단에 반영한다.

즉, 자율제조는 다음의 흐름으로 움직인다.

인지(Perception) → 판단(Decision) → 검증(Validation) → 실행(Action) → 학습(Learning)

이 흐름이 하나의 Closed Loop로 연결되어야 공장은 단순히 스마트한 수준을 넘어 자율적으로 운영되기 시작한다.

이번 글에서는 자율제조 공장이 제조현장을 어떻게 보고, 판단하고, 행동하는지 살펴보고자 한다.

자율제조의 시작은 ‘보는 것’이다
데이터를 수집한다고 상황을 이해하는 것은 아니다
공장은 어떻게 현재 상황을 판단하는가
제조 지식이 없는 AI는 현장을 이해하기 어렵다
AI의 판단은 어떻게 만들어지는가
판단했다고 바로 실행할 수는 없다
자율제조의 실행은 어디에서 이루어지는가
실행 결과를 다시 학습해야 한다
자율제조 Closed Loop를 만드는 현실적인 방법
경영진은 무엇을 확인해야 하는가

1. 자율제조의 시작은 ‘보는 것’이다

사람이 제조현장의 문제를 해결하려면 먼저 현재 상황을 정확하게 봐야 한다.

기계에서 이상한 소리가 나는지, 제품 표면에 결함이 있는지, 금형온도가 평소와 다른지, 생산속도가 떨어지고 있는지를 확인한다.

자율제조 공장도 마찬가지다.

공장이 스스로 판단하려면 먼저 공장 안에서 무슨 일이 일어나고 있는지 알 수 있어야 한다.

이를 위해 다음과 같은 다양한 데이터가 필요하다.

설비 데이터

온도, 압력, 진동, 전류, 전압
회전속도, 토크, 위치, 가동시간
알람, 고장코드, 정지시간

공정 데이터

사이클타임, 공정조건, 작업순서
생산속도, 대기시간, 병목시간
금형과 치공구의 사용정보

품질 데이터

치수, 중량, 표면 상태
검사결과, 불량유형, 불량률
머신비전 이미지와 측정데이터

생산 데이터

생산계획, 작업지시, 생산실적
제품번호, LOT, 원재료, 작업자
주문량, 납기, 재공품과 재고

환경과 에너지 데이터

온도, 습도, 분진, 조도
전력, 가스, 용수, 압축공기
설비별 에너지 사용량

기존 스마트공장에서도 이러한 데이터를 수집해 왔다.

그러나 자율제조에서는 데이터 수집의 목적이 달라진다.

기존의 데이터 수집이 생산현황을 보여주기 위한 것이었다면, 자율제조의 데이터 수집은 AI가 현재의 상황을 이해하고 다음 행동을 결정하기 위한 것이다.

따라서 중요한 것은 센서를 얼마나 많이 설치했는가가 아니다.

판단에 필요한 데이터를 적절한 시점에 확보할 수 있는가가 중요하다.

2. 데이터를 수집한다고 상황을 이해하는 것은 아니다

생산현장에서 온도가 210℃로 측정됐다고 가정해보자.

210℃라는 숫자만으로는 정상인지 이상인지 판단하기 어렵다.

어떤 설비의 온도인지, 어떤 제품을 생산하고 있는지, 측정 위치가 어디인지, 정상범위는 얼마인지 알아야 한다.

동일한 온도라도 제품과 공정단계, 원재료, 설비상태에 따라 의미가 달라질 수 있다.

즉, 데이터에는 맥락이 필요하다.

예를 들어 다음의 정보가 연결되어야 한다.

“2026년 8월 11일 10시 20분, 사출기 3호기에서 제품 A를 생산하는 동안 금형 2번 구역의 온도가 210℃로 상승했으며, 같은 시간대에 제품 중량 편차가 증가했다.”

이렇게 데이터가 시간, 설비, 제품, 공정조건, 품질결과와 연결되어야 비로소 상황을 이해할 수 있다.

자율제조에서 필요한 것은 단순한 데이터 포인트가 아니다.

데이터 사이의 관계와 의미다.

제품 LOT와 원재료 LOT가 연결되어야 하고, 공정조건과 품질결과가 연결되어야 한다. 설비의 이상징후와 정비이력도 같은 시간축에서 비교할 수 있어야 한다.

ISA-95 또는 IEC 62264가 기업의 업무시스템과 제조운영·제어시스템 사이의 모델과 정보교환을 다루는 이유도 여기에 있다. 제조현장의 시스템이 서로 다른 데이터 구조와 용어를 사용하면 공정 전체의 상황을 일관되게 이해하기 어렵기 때문이다.

결국 자율제조의 인지 능력은 센서의 수보다,

데이터를 얼마나 정확한 맥락으로 연결했는가에 달려 있다.

3. 공장은 어떻게 현재 상황을 판단하는가

데이터가 연결됐다고 해서 공장이 곧바로 상황을 이해하는 것은 아니다.

수집된 데이터를 해석해 현재 상태가 정상인지, 이상인지, 위험한지를 구분해야 한다.

자율제조 공장의 상황 인식은 대체로 다음과 같은 단계로 이루어진다.

① 상태 확인

현재 생산량, 설비상태, 공정조건, 품질수준을 확인한다.

“현재 무슨 일이 일어나고 있는가?”

② 이상 탐지

정상적인 범위와 패턴에서 벗어난 변화를 찾는다.

“평소와 다른 점은 무엇인가?”

③ 원인 추론

여러 데이터의 관계를 분석해 이상이 발생한 원인을 찾는다.

“왜 이런 일이 발생했는가?”

④ 영향 예측

현재 상태가 계속될 경우 품질, 생산량, 납기, 설비에 어떤 영향을 미칠지 예측한다.

“이 상태가 계속되면 어떤 일이 발생하는가?”

⑤ 대응 필요성 판단

즉시 조치해야 하는지, 관찰을 계속해야 하는지, 작업자의 확인이 필요한지 결정한다.

“지금 무엇을 해야 하는가?”

예를 들어 설비의 진동값이 평소보다 높아졌다고 가정해보자.

단순 경보시스템은 진동값이 설정된 기준을 초과했는지만 확인한다.

자율제조 시스템은 조금 더 복합적으로 판단해야 한다.

현재 생산 중인 제품과 설비속도, 베어링 온도, 전류값, 최근 정비이력, 과거 고장패턴을 함께 분석한다. 그리고 단순한 일시적 변화인지, 부품 마모가 진행되는 것인지, 즉시 정비가 필요한 상태인지를 판단한다.

결국 상황 인식은 하나의 센서값을 읽는 것이 아니다.

다양한 데이터를 결합해 제조현장의 현재 상태를 해석하는 것이다.

4. 제조 지식이 없는 AI는 현장을 이해하기 어렵다

AI는 데이터에서 패턴을 찾는 데 강하다.

그러나 데이터만으로 제조현장의 모든 상황을 이해할 수 있는 것은 아니다.

예를 들어 불량률이 높아지는 패턴을 AI가 발견했다고 하자.

AI는 금형온도와 사출압력의 변화가 불량률과 관련이 있다고 분석할 수 있다. 하지만 해당 조건을 어느 범위까지 변경할 수 있는지, 변경할 경우 설비와 제품에 어떤 위험이 생기는지는 별도의 제조 지식이 필요하다.

자율제조에서는 다음과 같은 지식이 함께 연결되어야 한다.

설비의 정상 운전범위
제품별 표준 공정조건
원재료의 특성과 사용기준
품질검사 기준과 허용공차
고장원인과 정비절차
작업표준서와 안전수칙
생산계획과 납기 우선순위
작업자의 경험과 문제해결 사례

이러한 지식은 매뉴얼, SOP, 설비도면, 품질기준서, 정비이력, 작업자의 경험 속에 흩어져 있다.

문제는 이 지식들이 대부분 문서나 사람의 머릿속에만 존재한다는 점이다.

AI가 제조현장을 제대로 판단하려면 데이터와 함께 규칙, 관계, 제약조건, 과거의 경험을 이해할 수 있어야 한다.

여기서 온톨로지와 지식그래프, Semantic AI의 중요성이 커진다.

설비와 부품, 제품, 공정, 작업조건, 품질결과 사이의 관계를 구조화하면 AI는 단순한 상관관계를 넘어 제조현장의 의미를 좀 더 체계적으로 해석할 수 있다.

결국 자율제조의 판단력은 AI 모델의 성능만으로 결정되지 않는다.

제조 데이터를 제조 지식과 얼마나 잘 연결했는가가 중요하다.

5. AI의 판단은 어떻게 만들어지는가

자율제조에서 AI의 역할은 단순히 이상을 탐지하는 데서 끝나지 않는다.

현재 상황을 분석하고, 여러 대응방안을 비교해 제조목표에 가장 적합한 행동을 선택해야 한다.

AI의 판단은 일반적으로 다음 요소를 함께 고려한다.

① 현재 상태

설비와 공정, 품질, 생산계획이 현재 어떤 상태인지 확인한다.

② 목표

생산량, 품질, 납기, 에너지, 안전 중 무엇을 우선해야 하는지 정의한다.

③ 제약조건

설비의 허용범위, 안전기준, 품질기준, 작업시간, 재고와 인력 등의 제한조건을 확인한다.

④ 가능한 행동

공정조건 조정, 생산순서 변경, 설비속도 조절, 정비 요청 등 가능한 대응방법을 생성한다.

⑤ 예상 결과

각 행동이 생산량과 품질, 에너지, 설비수명에 미치는 영향을 예측한다.

⑥ 최적안 선택

목표와 제약조건을 함께 고려해 가장 적합한 대응방안을 선택한다.

예를 들어 생산량은 유지하면서 에너지 사용량을 줄여야 한다고 가정해보자.

AI는 단순히 전력 사용량이 높은 설비를 정지시킬 수 없다.

현재 주문과 납기, 설비별 생산능력, 제품 변경시간, 에너지 단가, 재공품 상태를 함께 고려해야 한다. 생산량을 유지하면서 피크시간대의 설비운전을 조정하거나, 생산순서를 변경하는 대안을 찾아야 한다.

이것이 자율제조에서 이야기하는 판단이다.

단순히 하나의 수치를 예측하는 것이 아니라,

여러 목표와 제약조건 사이에서 실행 가능한 행동을 선택하는 것이다.

6. 판단했다고 바로 실행할 수는 없다

AI가 최적의 대응방안을 제시했다고 해서 실제 생산라인에 바로 적용할 수 있는 것은 아니다.

제조현장에서 잘못된 판단은 불량 증가를 넘어 설비손상, 생산중단, 안전사고로 이어질 수 있다.

따라서 AI의 판단과 설비의 실행 사이에는 검증과 통제 과정이 필요하다.

다음과 같은 방법을 활용할 수 있다.

① 업무규칙 검증

AI의 판단이 품질기준과 안전규칙, 설비 운전범위를 위반하지 않는지 확인한다.

② Digital Twin 검증

공정조건을 변경했을 때 생산량과 품질, 병목, 에너지 사용량이 어떻게 변하는지 가상환경에서 시험한다.

ISO 23247은 제조 디지털트윈의 기본 원칙과 참조구조를 제시하고 있으며, 정보교환 요구사항을 통해 실제 제조요소와 디지털트윈 사이의 연결을 다룬다.

③ 과거 사례 비교

이전에 동일하거나 유사한 조치를 실행했을 때 어떤 결과가 발생했는지 확인한다.

④ 사람의 승인

위험도와 영향이 큰 결정은 작업자, 엔지니어 또는 관리자가 검토하고 승인한다.

⑤ 실행범위 제한

AI가 변경할 수 있는 온도, 압력, 속도 등의 범위를 사전에 제한한다.

NIST의 AI 위험관리 프레임워크는 신뢰할 수 있는 AI의 주요 특성으로 유효성과 신뢰성, 안전성, 보안과 회복탄력성, 책임성과 투명성, 설명가능성과 해석가능성 등을 제시한다.

제조현장에서는 이러한 원칙이 더욱 중요하다.

AI가 어떤 판단을 내렸는지뿐만 아니라,

왜 그런 판단을 내렸고, 어떤 조건에서 실행할 수 있으며, 문제가 발생하면 누가 개입할 것인지가 명확해야 한다.

7. 자율제조의 실행은 어디에서 이루어지는가

자율제조에서 실행은 설비를 직접 제어하는 것만을 의미하지 않는다.

AI의 판단은 제조현장의 여러 시스템과 업무에 다양한 형태로 반영될 수 있다.

설비 실행

온도, 압력, 속도 등 공정조건 조정
설비 운전모드 변경
로봇 동작과 작업순서 변경

생산 실행

작업지시 변경
생산순서와 설비배정 조정
병목공정 우선처리

품질 실행

검사주기 변경
불량 의심제품 자동 분리
추가검사 또는 공정조건 보정

정비 실행

예방정비 작업 생성
부품교체 일정 조정
고장 위험 설비의 부하 감소

물류 실행

원재료와 부품 공급 요청
AGV·AMR 운행경로 변경
재공품과 완제품 이동 우선순위 조정

에너지 실행

피크시간대 설비운전 조정
설비별 에너지 최적 운전
생산계획과 에너지 비용의 연계

ISA-95는 기업의 계획 영역과 제조운영·제어 영역 사이의 정보교환을 구조화한다. 이러한 연결이 필요한 이유는 AI의 판단이 ERP나 MES의 계획 변경에서 끝나지 않고, 실제 작업과 설비제어까지 일관되게 전달되어야 하기 때문이다.

자율제조의 실행은 하나의 시스템에서 이루어지지 않는다.

ERP, APS, MES, QMS, CMMS, WMS, SCADA, PLC, 로봇과 설비가 서로 연결되어야 한다.

결국 실행의 핵심은 AI가 명령을 내리는 것이 아니라,

AI의 판단이 기존 제조시스템의 업무와 제어 흐름 안에서 안전하게 작동하도록 만드는 것이다.

8. 실행 결과를 다시 학습해야 한다

자율제조의 Closed Loop는 실행에서 끝나지 않는다.

AI가 제안한 조치를 실행한 다음에는 그 결과를 확인해야 한다.

공정조건을 변경한 뒤 불량률이 실제로 감소했는가.

설비속도를 조정한 뒤 생산량과 에너지 사용량은 어떻게 변했는가.

정비시점을 앞당긴 결과 고장을 예방할 수 있었는가.

생산순서를 변경한 뒤 납기와 재공품은 개선됐는가.

결과를 측정하지 않으면 AI의 판단이 옳았는지 알 수 없다.

따라서 자율제조 시스템은 다음의 정보를 기록해야 한다.

어떤 상황이 발생했는가
AI는 어떤 원인을 추론했는가
어떤 대응방안을 제시했는가
누가 실행을 승인했는가
실제로 어떤 조치가 실행됐는가
실행 전후의 KPI는 어떻게 변했는가
예상하지 못한 부작용은 없었는가

이러한 데이터가 축적되면 AI는 어떤 상황에서 어떤 조치가 효과적이었는지 학습할 수 있다.

작업자의 수정과 승인도 중요한 학습데이터가 된다.

AI가 제시한 대응안을 작업자가 변경했다면, 왜 변경했는지를 기록해야 한다. 그 이유가 품질기준 때문인지, 설비의 특성 때문인지, 고객 납기 때문인지 알아야 다음 판단을 개선할 수 있다.

결국 학습은 AI 모델을 다시 훈련하는 것만을 의미하지 않는다.

제조조직이 실행의 경험을 지식으로 축적하고 다음 의사결정에 활용하는 것까지 포함한다.

9. 자율제조 Closed Loop를 만드는 현실적인 방법

자율제조를 구현한다고 해서 처음부터 공장 전체의 인지·판단·실행을 연결할 필요는 없다.

하나의 공정과 하나의 문제를 대상으로 작은 Closed Loop를 만드는 것이 현실적이다.

예를 들어 사출성형 공정의 불량률 감소를 목표로 한다면 다음과 같이 접근할 수 있다.

① 문제 정의

어떤 불량을 줄일 것인지 명확히 한다.

“제품 중량 편차로 인한 불량률을 낮춘다.”

② 데이터 연결

금형온도, 사출압력, 보압시간, 원재료 LOT, 제품 중량과 품질결과를 연결한다.

③ 상황 인식

정상조건과 이상조건을 구분하고 불량 가능성이 높아지는 패턴을 탐지한다.

④ 원인과 대응방안 분석

AI가 불량에 영향을 주는 주요 요인을 분석하고 공정조건 변경안을 제시한다.

⑤ 실행 전 검증

공정모델이나 Digital Twin, 업무규칙을 통해 변경안이 허용범위 안에 있는지 확인한다.

⑥ 사람의 승인과 실행

초기에는 작업자가 대응안을 승인하고 설비조건을 변경한다.

⑦ 결과 평가

조건 변경 전후의 불량률, 사이클타임, 에너지 사용량을 비교한다.

⑧ 제한적 자동화

충분한 검증이 이루어진 범위부터 AI가 조건을 자동으로 조정하도록 한다.

이러한 작은 Closed Loop가 안정적으로 작동하면 다른 제품과 설비, 공정으로 확장할 수 있다.

중요한 것은 처음부터 자율성을 높이는 것이 아니다.

인지와 판단, 실행, 결과평가가 끊기지 않고 연결되는 경험을 만드는 것이다.

10. 경영진은 무엇을 확인해야 하는가

자율제조 시스템을 구축할 때 경영진이 AI 모델의 알고리즘까지 이해할 필요는 없다.

그러나 의사결정 구조가 실제로 연결되어 있는지는 확인해야 한다.

다음과 같은 질문이 필요하다.

첫째, AI가 판단하기 위해 필요한 데이터가 실시간으로 연결되어 있는가.

둘째, 데이터에 제품·설비·공정·품질의 맥락이 포함되어 있는가.

셋째, AI는 이상을 탐지하는 데서 끝나는가, 아니면 원인과 대응방안까지 제시하는가.

넷째, AI의 판단을 실행하기 전에 안전성과 품질 영향을 검증할 수 있는가.

다섯째, AI의 판단은 작업지시와 생산계획, 설비제어에 연결되는가.

여섯째, 위험한 결정에는 사람이 개입할 수 있는가.

일곱째, 실행 전후의 성과를 측정하고 다음 판단에 반영하는가.

이 질문에 답할 수 없다면 AI 기술을 도입했더라도 자율제조의 Closed Loop가 완성됐다고 보기 어렵다.

좋은 AI 모델을 만드는 것보다 더 어려운 것은,

AI의 판단을 실제 제조운영에 안전하게 연결하고 그 결과에 책임지는 체계를 만드는 것이다.

마치며

자율제조 공장은 단순히 데이터를 많이 수집하는 공장이 아니다.

AI가 설치된 공장도 아니고, 로봇이 사람 없이 움직이는 공장만을 의미하지도 않는다.

자율제조 공장은 제조현장에서 발생하는 데이터를 통해 현재 상황을 인식하고, 제조 지식과 AI를 이용해 필요한 행동을 판단한다.

그 판단을 Digital Twin과 업무규칙으로 검증하고, 설비와 로봇, 생산시스템을 통해 실행한다.

그리고 실행 결과를 다시 데이터와 지식으로 축적한다.

결국 자율제조의 핵심 구조는 다음과 같다.

현장을 본다.

상황을 이해한다.

무엇을 해야 할지 판단한다.

실행하기 전에 검증한다.

설비와 시스템을 통해 행동한다.

결과를 확인하고 다시 학습한다.

이 흐름이 하나로 연결될 때 공장은 단순한 자동화 시스템을 넘어 변화에 대응하는 제조시스템으로 발전한다.

자율제조의 경쟁력은 AI가 얼마나 똑똑한가만으로 결정되지 않는다.

데이터와 지식, 판단과 실행, 사람과 시스템을 얼마나 끊김 없이 연결할 수 있는가.

바로 이 연결이 자율제조의 실질적인 경쟁력이 될 것이다.

다음 글에서는 자율제조의 출발점인 제조 데이터 문제를 조금 더 깊이 살펴보고자 한다.

많은 제조기업이 데이터를 수집하고 있지만, AI가 실제 판단에 사용할 수 있는 데이터는 생각보다 많지 않다.

[자율제조 시리즈 ④] 제조 데이터가 많은데 왜 공장은 스스로 판단하지 못하는가?