OHT 고장 진단 AI 시스템 구축 사례: 라인 중단 리스크 최소화

같은 기종이어도 유닛마다 특성이 달라, 하나의 모델로 전체 설비를 커버할 수 없었다

반도체 제조 라인에서 OHT는 공정 간 웨이퍼를 이송하는 핵심 설비로, 단 한 대의 고장도 생산 라인 전체를 멈출 수 있습니다. 문제는 동일 기종이라도 유닛마다 구동 시 발생하는 토크 특성이 달라, 하나의 진단 모델을 전체 설비에 범용 적용하기 어려웠다는 점입니다. 고장이 발생해도 휠인지 기어인지 원인을 특정할 수 없어, 담당자는 이상 감지 이후에도 전체 설비를 순차 점검해야 하는 상황이었습니다.

유닛 간 편차를 스스로 보정하고, 고장 원인까지 해석하는 딥러닝 진단 모델 적용

유닛별 구동 편차를 자동으로 보정하면서 고장 유형을 분류하는 딥러닝 진단 모델을 개발·적용했습니다. 모델은 토크 신호에서 고장과 관련된 특징을 추출하고, 어떤 신호를 근거로 판단했는지 현장 엔지니어가 직접 확인할 수 있도록 설계됐습니다. 이를 통해 신규 유닛이 추가되더라도 별도 학습 없이 동일한 모델을 즉시 적용할 수 있습니다.

 제조라인 전체 OHT의 안정적 진단과 운영 효율 향상

단일 모델로 전체 설비 커버 유닛별 구동 특성 차이에 관계없이 제조 라인 전체 OHT에 동일한 진단 모델을 적용할 수 있게 됐습니다. 유닛마다 개별 모델을 유지하던 부담이 사라졌습니다. 고장 원인 현장에서 직접 해석 이상 감지에 그쳤던 기존 방식과 달리, 휠 결함인지 기어 결함인지 원인 수준까지 현장에서 바로 확인할 수 있습니다. 불필요한 전수 점검 없이 정확한 부위만 집중 점검이 가능합니다. 설비 가용성 향상 조기 진단과 정확한 원인 파악으로 대응 속도가 빨라지고, 예상치 못한 라인 중단 리스크를 줄여 OHT 전체의 가용성을 높였습니다.