IoT-Based Smart Monitoring and Automation for Yield Optimization in Roll-to-Roll Manufacturing

태양광 패널에 사용되는 플라스틱이나 유연한 스크린용 필름과 같은 길고 유연한 시트 형태의 재료가 거대한 롤에서 풀려나와, 인쇄, 코팅, 건조 과정을 거치는 일련의 기계들을 통과한 뒤 다시 다른 롤로 감기는 공장 바닥을 상상해 보십시오. 이 연속적인 과정은 롤투롤(roll-to-roll) 제조라고 알려져 있으며, 고성능 유연 소자를 고속으로 생산하는 근간이 됩니다. 그러나 이 움직이는 리본 형태의 재료를 완벽하게 유지하는 것은 매우 어렵습니다. 재료가 멈추지 않고 계속 움직이기 때문에, 미세한 온도 변화, 기계의 약간의 흔들림, 또는 습도의 변화는 누군가 알아차리기도 전에 수 마일 분량의 제품을 망가뜨리는 결함을 초래할 수 있습니다. 업계는 단순히 실수가 발생한 후에 이를 발견하는 것이 아니라, 발생하기 전에 예측할 수 있는 방법이 필요합니다.

이것이 바로 아부자 대학교의 연구원인 메솨크 아담스(Meshack Adams)가 새로운 개념적 연구를 통해 다루고 있는 과제입니다. 아담스는 물리적인 기계를 제작하거나 공장 테스트를 수행하는 대신, '스마트' 모니터링 시스템에 대한 상세한 청사진을 설계했습니다. 이 시스템은 제조 라인에 직접 부착된 작고 유연한 센서 네트워크를 사용하여 환경과 기계의 동작에 관한 데이터를 수집합니다. 이 센서들은 중앙 컴퓨터 시스템과 통신하며, 이 시스템은 인공지능을 사용하여 패턴을 분석하고, 실제 공장 라인의 가상 복사본인 '디지털 트윈(digital twin)'을 통해 현재 상황을 시뮬레이션합니다. 목표는 시스템이 문제를 예견하고, 결함을 예측하며, 제품이 여전히 움직이고 있는 동안 인간 작업자나 기계 자체에 해결책을 제안하는 루프를 만드는 것입니다.

이 논문은 수율 손실 문제를 해결했다거나 이 시스템이 실제 공장에서 작동한다는 것을 증명했다고 주장하지 않습니다. 아담스는 이것이 하나의 제안이며, 별도로 연구되어 온 기존 기술들을 연결하여 구축한 이론적 프레임워크임을 매우 명확히 하고 있습니다. 이 연구는 유연한 센서, 인터넷 연결성, 그리고 인공지능을 결합함으로써 제조업체들이 결함에 대응하는 단계에서 예방하는 단계로 나아갈 수 있음을 시사합니다. 연구는 이러한 시스템이 어떻게 구조화될지, 무엇을 측정할지, 그리고 어떻게 의사결정을 내릴지를 설명하지만, 이러한 아이디어들을 실제 세계에서 테스트하는 단계까지는 나아가지 않았습니다.

왜 이 작업이 중요한지 이해하려면 제조 공정의 본질을 살펴보아야 합니다. 전통적인 제조 방식에서는 품목이 하나씩 만들어지므로 단계 사이에 점검이 가능합니다. 그러나 롤투롤 방식에서는 재료가 연속적인 흐름으로 진행됩니다. 만약 건조 구간의 온도가 약간 상승하면 잉크가 제대로 굳지 않을 수 있으며, 이는 수 마일 아래 지점에서 제품의 정렬 불량을 일으켜 제품을 망가뜨릴 수 있습니다. 작업자가 결함을 발견했을 때쯤에는 이미 수천 달러 상당의 재료가 낭비되었을 수도 있습니다. 제안된 해결책은 생산 라인 전체에 센서를 배치하는 것을 포함합니다. 이 센서들은 유연하며 기계에 직접 인쇄되거나 재료 자체에 부착될 수 있으며, 온도, 습도, 그리고 움직이는 웹(web)의 장력 등을 측정합니다.

일단 이 센서들이 데이터를 수집하면, 정보는 통신 네트워크를 통해 중앙 허브로 전달됩니다. 여기서 시스템은 단순히 숫자를 저장하는 데 그치지 않고, 이를 분석합니다. 연구는 인공지능을 사용하여 무엇이 '정상'인지를 학습하고 공정이 언제 이탈하기 시작하는지를 포착할 것을 제안합니다. 만약 AI가 결함으로 이어지는 패턴을 감지하면 즉시 문제를 알릴 수 있습니다. 여기서 디지털 트윈의 개념이 등장합니다. 디지털 트윈은 실제 모델과 병행하여 실행되는 공장의 가상 모델입니다. 실제 기계가 작동함에 따라 가상 모델도 동일한 데이터로 업데이트됩니다. 이를 통해 시스템은 가상 세계에서 다양한 시나리오를 테스트할 수 있습니다. 예를 들어, "지금 기계 속도를 5% 줄이면 결함이 사라질 것인가?"라고 묻고, 실제 기계의 속도를 바꾸기 전에 답을 얻을 수 있습니다.

연구진은 이러한 모니터링이 가장 유용할 몇 가지 구체적인 영역을 식별했습니다. 그들은 재료의 거동을 변화시킬 수 있는 핵심 요인으로 온도와 습도를 강조했습니다. 또한 여러 층의 회로가 있는 장치에 필수적인 인쇄 층의 정렬, 즉 레지스트레이션(registration)을 지목했습니다. 연구는 이러한 변수들을 실시간으로 모니터링함으로써 시스템이 정렬 오류를 발생하기 전에 예측할 수 있다고 제唆합니다. 프레임워크는 또한 센서의 전력 요구 사항을 고려하여, 일부 센서는 기계의 움직임으로부터 스스로 전기를 생성하는 자가 발전 방식을 제안함으로써, 손이 닿기 어려운 곳에 배터리나 전선을 설치해야 하는 문제를 제거할 수 있다고 제안합니다.

그러나 논문은 알려진 사실과 단지 제안된 내용을 엄격히 구분하고 있습니다. 이 연구는 유연한 센서, 인공지능, 디지털 트윈이라는 퍼즐의 개별 조각들이 존재하며 다른 맥락에서 연구되어 왔음을 확인합니다. 여기서 새로운 점은 이들을 롤투롤 제조에 특화된 하나의 응집된 시스템으로 통합하는 아이디어입니다. 저자는 프로토타입을 제작하지 않았으며, 실제 생산 수율의 개선을 측정하지도 않았음을 명시적으로 밝히고 있습니다. 그들은 이 시스템이 실제 공장에서 비용을 절감하거나 낭비를 줄일 것이라는 점을 증명하지 않았습니다. 대신, 그러한 시스템을 어떻게 구축할 수 있는지에 대한 지도를 제공했습니다.

이 작업의 가치는 그 구조에 있습니다. 이는 엔지니어들이 고립된 측정 단계에서 완전히 연결된 예측형 공장으로 나아가고자 할 때 명확한 경로를 제공합니다. 연구는 이 아이디어를 현실로 만들기 위해 필요한 단계들을 설명합니다. 첫째, 센서의 교정, 둘째, 데이터 수집을 위한 통제된 실험 수행, 셋째, 롤투롤 라인의 특정 패턴을 인식하도록 인공지능 모델을 훈련시키는 것입니다. 이러한 단계들이 밟히기 전까지 이 시스템은 하나의 개념으로 남습니다. 연구는 이 기술이 당장 내일 설치될 준비가 되었다고 주장하는 것이 아니라, 이를 구축할 수 있는 부품들이 갖춰져 있다는 점을 주장하는 것입니다.

결국, 이 논문은 공장을 관찰하는 더 스마트한 방법에 대한 제안입니다. 이는 제조 라인이 단순히 일련의 기계 뭉치가 아니라, 자신의 상태를 이해하는 연결된 시스템이 되는 미래를 구상합니다. 재료의 물리적 움직임을 디지털 모델과 연결하고 인공지능을 사용하여 데이터를 해석함으로써, 시스템은 문제를 조기에 포착하는 것을 목표로 합니다. 이 연구가 완성된 제품을 제공하는 것은 아니지만, 차세대 제조를 위한 견고한 토대를 제공합니다. 여기서 목표는 결함이 발생한 후에 이를 분류하는 것이 아니라, 발생하기 전에 낭비를 예방하는 것입니다. 연구는 적절한 센서와 스마트 소프트웨어가 결합된다면, 연속적인 생산 라인을 완벽하게 유지하는 어려운 과제가 훨씬 더 관리 가능한 일이 될 수 있음을 시사합니다.