전자·EMS·PCB를 위한 Manufacturing Decision Intelligence

전자·EMS·PCB 공장은 제조업 가운데서도 데이터가 촘촘하게 쌓이는 현장이다.

EMS(Electronics Manufacturing Services)는 전자제품 위탁생산 산업, PCB(Printed Circuit Board)는 전자부품이 실장되는 인쇄회로기판을 뜻한다.

PCB 한 장이 생산되는 동안에도 여러 공정에서 데이터가 남는다. SPI(Solder Paste Inspection)는 납의 인쇄 상태를 측정하고, AOI(Automated Optical Inspection)는 카메라로 부품 실장 상태를 검사한다. BGA(Ball Grid Array)처럼 접점이 부품 아래에 있어 눈으로 확인하기 어려운 경우에는 X-RAY를 쓴다. 부품을 납땜하는 Reflow 공정에서는 구간별 온도도 기록된다.

하지만 데이터가 많다고 원인을 바로 찾을 수 있는 것은 아니다. 같은 제품이라도 Revision(설계·부품 변경 버전), 자재 Lot(같은 조건으로 생산·입고된 자재 묶음), Recipe, 설비 조건이 달라진다. 제품과 공정 조건이 자주 바뀌기 때문에 한 제품에서 발견한 이상 패턴을 다른 제품에 그대로 적용하기도 어렵다.

불량을 찾아내는 것만으로는 충분하지 않다. 정상 생산과 무엇이 달라졌는지, 같은 조건에 노출된 생산분이 어디까지인지 확인해 원인과 영향 범위를 특정해야 한다.

검사 장비와 MES는 이미 이상과 생산 이력을 잘 기록한다. 어려운 것은 흩어진 기록을 연결해 원인을 좁히고, 영향 범위를 확인한 뒤, 어떤 조치를 할지 판단하는 일이다.

HEARTCOUNT Decision Layer는 지표의 계산 기준뿐 아니라, 지표에 이상이 생겼을 때 무엇을 확인하고 어떤 기준으로 비교해 조치까지 이어갈지를 구조화하는 기술이다. 보험·유통·공공 등에 적용해 온 이 접근을 이번에는 제조 공정으로 확장했다. 실제 SMT 공정 구조를 바탕으로 합성 데이터를 만들고, BGA 불량 사례를 분석해 보았다.

BGA 불량 원인을 찾아 보니...

BGA(Ball Grid Array)는 반도체 칩 아래에 수십~수백 개의 작은 솔더볼을 두고 PCB와 연결하는 방식이다. 접합부가 칩 아래에 가려져 있어 육안으로 확인하기 어렵고, 생산 후에는 주로 X-RAY로 상태를 검사한다. Reflow 공정의 온도나 인쇄 상태, 자재 조건 등이 접합 품질에 영향을 줄 수 있다.

아래는 제조 데이터와 BGA 불량 분석 경로를 HEARTCOUNT Decision Layer에 구조화한 뒤, MCP를 통해 Claude에 ‘BGA 접합 불량률 상승 보고서’를 요청한 결과다.

이 판단 경로는 어떻게 만들어졌나

앞의 보고서에서 Claude가 임의로 원인 후보를 떠올린 것은 아니다. HEARTCOUNT Decision Layer에는 BGA 불량률의 정의뿐 아니라, 이 지표가 나빠졌을 때 무엇을 확인하고 어떻게 비교할 것인지가 함께 등록돼 있다.

실제 bga_defect_rate 정의의 일부는 다음과 같다.

코드 자체는 복잡해 보이지만, 사람의 문제 해결 순서로 바꾸면 구조는 단순하다.

BGA 불량률
→ 정상 범위를 벗어났는가
→ 어느 설비·작업지시·생산 Lot에서 차이가 커졌는가
→ Reflow·인쇄·자재 가운데 무엇이 달라졌는가
→ 같은 제품·Revision·라인·실장 위치의 정상 생산과 비교하면 어떤가
→ 영향받은 PCB는 어디까지인가

이상을 발견한 뒤 원인 후보를 좁히고, 정상 생산과 비교하고, 영향 범위까지 확인하는 분석 경로가 BGA 불량에 대한 Decision Graph다.

Decision Graph는 논리적 구조를 뜻하는 개념으로, Graph DB가 필수인 것은 아니며 관계형 DB나 YAML 같은 구조만으로도 구현할 수 있다.

1. KPI: 언제부터 문제로 볼 것인가

첫 번째 노드는 bga_defect_rate다.

kpi:
  target:
    value: 0.35
    unit: "%"
    bound: upper

BGA 불량률의 상한을 0.35%로 정의했다. 따라서 사람이나 AI가 그때그때 “이 정도면 높은 것 같다”고 판단하는 것이 아니라, 같은 기준에서 이상 여부를 판단한다.

2. Driver: 무엇을 원인 후보로 볼 것인가

불량률이 기준을 넘으면 다음으로 볼 항목이 driver다.

이번 모델에서는 원인 후보를 크게 세 계열로 잡았다.

Reflow 조건 / 인쇄 조건 / 자재 Lot

Reflow에서는 Recipe 버전과 실제 온도, 미승인 Recipe 사용 여부를 본다. 인쇄에서는 SPI 편차를 보고, 자재에서는 솔더 페이스트와 BGA 부품 Lot을 확인한다.

앞의 보고서에서 미승인 Recipe V7과 Zone 6 온도가 분석 대상으로 올라온 것도 이 경로를 따른 결과다.

3. Analysis Path: 어떻게 확인할 것인가

원인 후보마다 확인 방법도 다르게 정의돼 있다.

Reflow가 의심되면 설비 → 작업지시 → 생산 Lot으로 내려가면서 불량률과 실제 온도를 함께 본다.

analysis:
  type: drill_down
  by:
    [reflow_equipment_id,
     work_order_id,
     production_lot_id]

자재 문제라면 단순 Drill-down보다 정상 생산과의 비교가 중요하다.

analysis:
  type: peer_comparison
  peer_group:
    [product_id,
     revision,
     line_id,
     component_location]

여기서 peer_group은 무엇을 정상 비교군으로 인정할 것인가를 정한다.

다른 제품이나 다른 BGA 위치와 섞어 비교하지 않고, 같은 제품·Revision·라인·실장 위치끼리 비교한다. 전자 제조처럼 조건이 자주 바뀌는 환경에서는 이 기준이 없으면 정상적인 제품 차이를 이상 원인으로 잘못 읽기 쉽다.

전체 구조를 단순화하면 다음과 같다.

BGA 불량률 이상
        │
        ├── Reflow 조건
        │     ├─ Recipe 변경?
        │     ├─ 미승인 Recipe?
        │     └─ 설정·실측 온도 변화?
        │              ↓
        │        설비 / 작업지시 / Lot 확인
        │
        ├── 인쇄 조건
        │     └─ SPI Volume / Offset 변화?
        │              ↓
        │        실장 위치 / 작업지시 확인
        │
        └── 자재 조건
              ├─ Solder Paste Lot 변경?
              └─ BGA Component Lot 변경?
                       ↓
                 정상 생산군과 비교

                         ↓

                 영향 생산분 특정
                         ↓
                 조치 후보 및 현장 확인

일반적인 Semantic Layer가 **“BGA 불량률을 어떻게 계산할 것인가”**를 정의한다면, Decision Layer는 그 지표를 출발점으로 **“이상이 생겼을 때 무엇을 어떤 순서로 확인할 것인가”**까지 구조화한다.

Claude는 MCP(Model Context Protocol)를 통해 이 구조와 제조 데이터를 조회한다. 그래서 매번 자유롭게 분석 경로를 만들어내는 대신, 정의된 KPI와 원인 후보, 비교 기준을 따라 데이터를 확인하고 그 결과를 보고서로 정리할 수 있다.

판단을 AI에게 인수인계하려면

자율 제조에서 중요한 것은 설비가 스스로 움직이는 것만이 아니다. 이상을 인지하고, 원인을 판단하고, 적절한 대응을 선택하는 과정까지 자동화의 범위에 들어와야 한다.

실제 현장에서 사람이 하는 일은 설비를 움직이는 것보다, 설비·자재·제조 방법에서 발생한 이상을 인지하고 원인을 판단한 뒤 적절한 대응 조치를 선택하는 일에 가깝다.

따라서 자율 제조가 진전되려면 이 판단 과정 역시 시스템 안으로 들어와야 한다. 처음에는 사람이 더 빨리 판단할 수 있도록 지원하고, 충분한 데이터와 검증이 쌓인 영역부터 일부 판단과 조치를 자동화할 수 있다.

이번 BGA 사례에서 Decision Layer에 넣은 것도 그런 판단의 구조다. 불량률을 언제 이상으로 볼 것인지, Reflow·인쇄·자재 가운데 무엇을 확인할 것인지, 어떤 생산군과 비교할 것인지, 영향 범위를 어디까지 추적할 것인지를 데이터와 함께 정의했다.

Decision Layer는 자율 제조를 위한 또 하나의 AI 기능이라기보다, 사람이 하던 판단을 AI에 인수인계하기 위한 기반이라고 생각한다.