A사 스마트공장 구축 사례

A사 사례를 기준으로 설비 모니터링(AIMS)에서 MES, QMS, WMS, 제조 AI로 이어지는 스마트 팩토리 구축 단계를 정리합니다. 전체 시스템을 한 번에 붙이기보다 데이터가 끊기는 지점부터 순서대로 연결한 A사의 단계별 구축 흐름을 다룹니다.

도입 요약

A사 사례의 핵심은 스마트공장을 설비 모니터링, MES, QMS, WMS, 제조 AI 순서로 나눠 검토했다는 점입니다. 처음부터 대시보드와 AI를 크게 설계하기보다 설비 상태와 작업실적을 먼저 연결하는 방식이 현실적이었습니다.

이런 단계형 접근은 구축 범위를 줄이기 위한 임시방편이 아닙니다. 앞 단계에서 쌓인 데이터의 기준(설비명, 시간, 작업지시번호)이 흔들리면 뒤 단계의 품질 추적, 재고 확인, AI 질의응답도 신뢰할 수 없는 답을 내놓기 때문입니다.

• A사 사례는 설비 모니터링에서 MES, QMS로 확장한 흐름입니다.
• 초기 목표는 모든 기능 구축이 아니라 현장 상태를 늦지 않게 보는 것입니다.
• 품질, 재고, AI는 생산실적과 설비 데이터의 기준이 안정된 뒤 확장하는 편이 사고를 줄입니다.

A사는 설비 상태를 먼저 보이게 만드는 방식으로 시작했습니다

A사의 첫 과제는 설비가 언제 가동되고, 언제 멈추며, 어떤 이유로 대기하는지 실시간으로 확인되지 않는다는 점이었습니다. 작업자는 현장에서 이미 알고 있는 정보였지만 관리 지표로 남지 않았고, 일일 보고서 기반으로는 병목 설비를 당일에 찾아내기 어려웠습니다.

그래서 첫 단계는 업무 프로세스 전체를 바꾸는 것이 아니라 설비 상태를 데이터로 보이게 만드는 일이었습니다. 가동, 비가동, 알람, 정지 사유를 수집하고, 이 데이터가 이후 MES 작업실적과 맞물릴 수 있도록 설비명·공정명·시간 기준을 먼저 통일하는 작업이 선행됐습니다.

• 가동, 비가동, 알람, 정지 사유를 먼저 수집합니다.
• 설비명, 공정명, 시간 기준을 이후 MES 마스터 기준과 맞춥니다.
• 병목 설비와 반복 정지 원인을 우선적으로 눈에 보이게 만드는 것이 목표입니다.

1단계. AIMS로 설비 가동과 비가동을 수집했습니다

AIMS 단계에서는 설비별 가동률과 비가동 시간을 확인하는 데 집중했습니다. 이때 중요한 것은 가동률 숫자 하나를 만드는 것이 아니라 비가동 사유를 현장에서 바로 조치할 수 있는 기준으로 세분화하는 것입니다.

계획 정지, 금형 교체, 공구 교환, 자재 대기, 품질 확인, 고장 정지는 각각 원인과 개선 담당이 다릅니다. 이 사유들이 코드 단위로 구분되어야 이후 MES와 연결했을 때 어떤 작업지시가 어떤 사유로 지연됐는지 설명할 수 있습니다.

• 설비별 가동, 정지, 알람, 비가동 사유를 수집합니다.
• 계획 정지와 고장 정지, 자재 대기를 코드 단위로 구분합니다.
• 비가동 사유 기준을 MES 작업실적과 연결할 수 있는 형태로 정리합니다.

2단계. MES로 작업지시와 생산실적을 연결했습니다

설비 상태가 보이기 시작하면 다음 단계는 작업지시와 생산실적 연결입니다. 설비가 멈춘 시간만 알아서는 그 지연이 어떤 작업지시, 어떤 납기에 영향을 주는지 알기 어렵습니다. MES가 작업지시, 생산수량, 불량, 보류, 재작업, 공정 진척을 관리해야 운영 판단이 가능해집니다.

A사 사례에서는 ERP의 계획 정보와 현장 실행 데이터를 명확히 구분해 관리하는 것이 중요했습니다. 계획과 기준정보(품목, BOM, 공정순서)는 ERP에서 관리하고, 현장 실행과 실적(바코드 스캔, 터치패널 입력 등 현장에 따라 다른 방식)은 MES에서 관리하는 구조가 안정적이었습니다.

• 작업지시, 생산실적, 공정 진척을 MES 중심으로 연결합니다.
• 설비 비가동이 어떤 작업지시와 납기에 영향을 주는지 실적 데이터로 확인합니다.
• ERP 계획 정보와 MES 실행 데이터를 역할별로 나눠 관리합니다.

3단계. QMS로 품질검사와 부적합 이력을 묶었습니다

생산실적이 쌓이면 품질 데이터 연결이 다음 과제가 됩니다. 수입검사, 공정검사, 출하검사 결과가 별도 엑셀이나 종이 검사성적서에만 남으면 어떤 작업지시, 설비, LOT, 자재 조건에서 부적합이 발생했는지 추적하기 어렵습니다.

QMS 단계에서는 검사 기준(관리항목, 규격상한·하한), 검사 결과, 부적합 코드, 조치 이력을 작업지시와 연결하는 방향으로 정리했습니다. 품질 데이터가 MES 실적과 연결되면 특정 설비·공정 조건에서 반복되는 불량 패턴을 더 빠르게 좁혀갈 수 있습니다.

• 검사 기준과 검사 결과를 작업지시·LOT 단위로 연결합니다.
• 부적합과 조치 이력을 LOT, 설비, 공정 기준으로 남깁니다.
• 반복 불량 원인을 생산실적(설비, 조건)과 함께 확인할 수 있게 합니다.

4단계. WMS와 재고 흐름을 다음 확장 범위로 정했습니다

생산과 품질 데이터가 연결되면 재고와 물류 흐름이 다음 확장 대상이 됩니다. 자재가 부족하거나 검사 대기 상태의 반제품이 가용 재고로 잘못 잡히면, 생산계획상 수량과 실제 투입 가능 수량이 달라지는 문제가 생깁니다.

WMS는 입고, 출고, 로케이션, 이동, 출하를 관리합니다. MES와 연결되면 어떤 작업지시에 어떤 자재 LOT이 투입됐는지, 어떤 재고가 생산 완료와 품질검사(QMS 합격 판정)를 거쳐 실제 출하 가능한 상태인지 구분해서 볼 수 있습니다.

• 입고, 출고, 로케이션, 재고 이동을 WMS 기준으로 관리합니다.
• 자재 투입 완료, 생산 완료, 검사 대기 재고 상태를 구분합니다.
• MES 실적과 재고 흐름을 연결해 실제 투입 가능한 재고 수량을 확인합니다.

5단계. 제조 AI Agent는 데이터가 쌓인 뒤 검토합니다

A사 사례에서 제조 AI Agent는 처음부터 붙이는 기능이 아니라, 앞 단계의 데이터가 안정적으로 쌓인 뒤 검토하는 확장 단계였습니다. 작업지시, 생산실적, 설비 상태, 품질검사, 재고 데이터가 연결되어야 자연어 질의나 위험 알림이 실제 근거 있는 답으로 이어집니다.

예를 들어 오늘 납기 지연 위험이 있는 작업지시, 반복 정지가 발생한 설비, 재고 부족 가능성이 있는 품목, 특정 조건에서 반복되는 품질 이상을 묻는 방식입니다. 이런 질문에 신뢰할 수 있는 답이 나오려면 각 데이터의 코드 체계와 갱신 주기가 먼저 통일되어 있어야 합니다.

• AI Agent는 예측보다 조회와 요약 기능부터 적용하는 것이 현실적입니다.
• 작업지시, 설비, 품질, 재고 데이터가 연결되어야 답변의 근거가 생깁니다.
• 예측과 추천 기능은 데이터 기준이 안정화된 뒤 단계적으로 확장합니다.

현장 상황에 따라 이렇게 연결됩니다

스마트공장은 한 번에 완성하는 프로젝트라기보다, 현장 적용성이 높은 순서로 확장하는 접근이 안전합니다. 설비 가동률과 비가동 사유가 보이지 않는 현장이라면 HD-AIMS가 설비별 가동·정지·알람 데이터를 실시간으로 수집하고, 작업지시와 생산실적이 여러 문서에 흩어진 현장이라면 HD-MES가 작업지시부터 실적, 재작업, 공정 진척까지 하나의 흐름으로 관리합니다.

품질 이력 추적이 중요해지면 HD-QMS가 검사 기준과 부적합·조치 이력을 작업지시·LOT 단위로 묶어 관리하고, 재고와 입출고 흐름이 중요해지면 HD-WMS가 로케이션과 재고 이동을 관리합니다. 협력사·외주 공정 데이터가 필요해지면 HD-SCM으로 확장하고, 이 데이터들이 일정 기간 쌓이면 제조 AI Agent 도입을 검토하는 흐름입니다.

• 설비 상태가 보이지 않으면 HD-AIMS로 가동·비가동 데이터부터 확보합니다.
• 작업지시와 생산실적이 흩어져 있으면 HD-MES가 이를 하나의 기준으로 연결합니다.
• 품질, 재고, 협력사 데이터는 HD-QMS, HD-WMS, HD-SCM으로 순차 확장합니다.

도입 전 체크리스트

A사와 같은 단계형 구축을 검토하려면 현재 데이터가 어디에서 끊기는지를 5단계 흐름(AIMS→MES→QMS→WMS→AI) 기준으로 먼저 확인해야 합니다. 아래 항목 중 '실시간으로 확인 불가' 응답이 나오는 지점이 실제 시작점입니다.

• 설비 가동, 정지, 알람, 비가동 사유를 실시간으로 볼 수 있는지 확인합니다.
• 작업지시와 생산실적이 동일한 설비명·시간 기준으로 연결되는지 확인합니다.
• 검사 기준, 부적합, 조치 이력이 작업지시·LOT 단위로 남는지 확인합니다.
• 재고 상태(투입 가능, 검사 대기, 출하 가능)가 시스템상 구분되는지 확인합니다.