01Data Foundation
AI–현장 운영기술(AI-OT) 통합·표준화
분산제어·품질관리·설비제어·생산관리 데이터와 센서 정보를 시간·생산 작업 단위·설비 기준으로 정렬합니다.
- 연결 데이터
- 공정·설비·품질·에너지·물류
- 현장 활용
- 정합성 검증, 원인 추적, AI 학습용 표준 데이터
SOLUTION · AI 플랫폼
QFactory
AI 스마트 팩토리 — 공장 전주기를 데이터로 연결합니다. 공정·설비·품질·에너지·안전 데이터를 통합해 이상과 낭비를 예측하고, 운영자의 판단과 단계적 제어를 지원합니다.
- 통합공정·품질·설비·생산 데이터 · 시간·작업 단위 표준화
- 최적화열에너지·설비·품질·안전 AI
- 운영MLOps·현장 엣지 연계 · 승인 기반 자율운영
공장 전주기를 예측·최적화하는AI 스마트 팩토리
분산제어(DCS)·품질관리(QCS)·설비제어(PLC)·생산관리(MES) 데이터와 센서 정보를 시간·생산 작업 단위로 연결합니다.
열에너지, 설비, 품질, 안전을 함께 분석해 운영자의 판단과 단계적 제어를 지원합니다.
Overview
설비 한 대가 아니라 공장 운영 전체를 지능화합니다
QFactory는 흩어진 제조 데이터를 연결하고 예측 결과를 현장 운영으로 이어주는 AI 스마트 팩토리 플랫폼입니다. 기존 설비 환경을 존중하며 필요한 공정부터 단계적으로 적용합니다.
이상 조기감지시계열 이상탐지와 생성형 AI 질의응답으로 원인·조치 후보를 신속히 확인
공정 최적화설비 상태진단·프로파일 권고 — 품질 편차 축소
예지보전·RUL 에너지 최적화·잔존수명(RUL) 예측으로 다운타임 저감
AI Smart Factory
공장 전주기를 여섯 가지 AI로 연결합니다
QFactory는 단일 분석 모델이 아닙니다. 데이터 통합부터 에너지·설비·품질·안전·운영까지, 현장 과제에 맞춰 확장하는 제조 AI 체계입니다.
02Energy AI
열에너지 생산·사용 최적화
열원 생산과 스팀 소비를 함께 분석해 과열·과소 공급을 줄일 운전 조건을 권고합니다.
- 연결 데이터
- 연소 상태·스팀·연료·공기·온습도
- 현장 활용
- 소각로·보일러·Dryer 생산–사용 밸런싱
03Equipment AI
설비 건전성·잔존수명 예측
회전체와 건조 설비의 상태 변화를 분석해 이상·위험도·잔존수명을 예측합니다.
- 연결 데이터
- 진동·전류·온도·압력·유량·정비 이력
- 현장 활용
- 고장 조기경보, 정비 우선순위, 다운타임 예방
04Quality AI
품질 예측·공급망 추적
원료·첨가제부터 최종 품질까지 시간·Lot 이력을 연결해 편차 원인을 찾습니다.
- 연결 데이터
- 농도·입도·공정조건·검사·출하 Lot
- 현장 활용
- 품질 예측, 원인 추적, 공급망 피드백
05Safety AI
Vision AI 안전 관제
영상과 설비 이벤트를 결합해 위험 행동·구역 접근·화재·이상 상황을 감지합니다.
- 연결 데이터
- 실시간 영상 스트림(RTSP)·작업 구역·설비 알람
- 현장 활용
- 위험도별 알림, 이력 조회, 오탐 피드백
06AI Operations
MLOps·자율운영 지원
MLOps(모델 학습·배포·성능을 관리하는 운영 체계)로 모델을 학습·배포·감시하고 권고–승인–조치–결과 확인을 하나의 운영 흐름으로 만듭니다.
- 운영 정보
- 모델·데이터 버전·성능·데이터 변화
- 현장 활용
- 지속적 재학습·이전 모델 복구, 현장 엣지 연계, 단계적 자율운영
- 01수집
- 02표준화
- 03예측·최적화
- 04운영자 승인
- 05현장 적용
- 06성과 검증
단계적 도입 기존 설비를 전면 교체하지 않고, 기존 설비 보완용 센서와 현장 엣지 연계를 활용해 필요한 공정부터 확장합니다.
Features
제조 지능화의 핵심 기능
설비 상태를 진단하고, 담당자가 검토할 공정·
Detect
이상탐지 · 예지보전
설비 신호의 미세한 변화를 학습해 불량과 고장의 전조를 조기에 포착하고, 잔존수명(RUL)을 추정합니다. 임계 알람이 놓치는 복합 패턴을 잡습니다.
세 가지 지능화 자세히 →
이상치 탐지 분석 — 프로토타입 예시 화면
Optimize
공정 조건 권고
열처리·
공정 최적화 대시보드 — 예시 화면
Sustain
지속 학습 운영
공정 변화에 따른 모델 성능 저하를 감시하고 재학습 시점을 판단합니다. 새 모델은 검증과 배포 절차를 거쳐 운영에 반영합니다.
ModelOps 자세히 →
모델 레지스트리 — 프로토타입 예시 화면
Coverage
무엇을, 어떤 데이터로 다루나
설비·
| 기능 축 | 대상 설비· | 핵심 기법 | 산출물 |
|---|---|---|---|
| 이상 조기감지 | 회전기· | 시계열 이상탐지(정상 패턴 학습) + LLM 원인 질의응답 | 이탈 알람 · 근거 · 조치 가이드 |
| 공정 조건 권고 | 열처리· | 상태진단 · 품질 데이터 기반 프로파일 권고 | 권고 공정 조건 · 품질 편차 리포트 |
| 예지보전 | 설비 부하· | 잔존수명(RUL) 예측 · 정비 시점 산정 | RUL · 정비 권고 · 비계획 정지 위험에 사전 대응 |
수집 프로토콜·
0기능 축이상 조기감지 · 공정 최적화 · 예지보전
0연결 대상프로토콜·제어기·시스템 커넥터
0단계수집→조치 파이프라인
0현장제조 실증 · 자동차부품·EV열처리·제지
Capabilities
세 가지로 제조를 지능화합니다
이상탐지
정상 패턴 학습 후 미세 이탈 조기 감지 — 근거와 함께
공정 최적화
운전 이력·
예지보전
설비 잔존수명 예측·
근거 기반 알람단순 이탈 통보가 아니라 원인·조치를 함께 제시 — 블랙박스가 아닌 설명 가능한 판단
엣지·서버 선택 추론 현장 지연·보안 요건에 맞춰 설비 근접(엣지) 또는 서버에서 추론하도록 배치
공정 조건의 데이터화상태·품질 데이터를 바탕으로 프로파일을 권고해 반복 판단의 기준을 축적
Architecture
판단 계층 제품, 한 스택 위에서
QFactory는 QData가 표준화한 데이터를 입력받아 판단하고, Cubeon 운영 계층에서 관제·
운영 · 행동Cubeon · Manufacturing 도메인팩통합 관제 · AI 모델 지속적 재학습 · 자율화 L1→L3(탐지 → 원인분석·담당자 승인 → 제한된 자동 실행)
판단 · 분석 (QFactory)
이상탐지시계열 이상공정 최적화프로파일 권고예지보전잔존수명 예측
표준화QDataOPC-UA·MQTT·Modbus·CAN 설비 데이터를 공통 스키마·온톨로지로
Pipeline
신호에서 조치까지, 여섯 단계
설비 신호를 표준화·
01 수집
설비 신호 수집
OPC-UA·
02 표준화형식·
형식·의미 통일
QData 공통 스키마·
03 모델링특징값·
특징값·정상 기준
시계열 특징값을 추출하고 정상 패턴을 학습해 이상탐지 기준선을 만듭니다.
04 추론이상·
이상·잔존수명 예측
미세한 이탈을 조기에 찾고 설비의 남은 사용 가능 기간을 예측합니다.
05 권고원인·
원인·조치 권고
생성형 AI 질의응답으로 원인·
06 피드백
지속적 재학습
현장 피드백과 데이터 변화를 반영해 AI 모델을 주기적으로 다시 학습
검토 가능한 조치 권고단순 알람이 아니라 원인 후보와 권고 내용을 제공해, 담당자가 검토한 뒤 작업지시로 이어갈 수 있게 합니다.
기준선 버전 관리정상 프로파일을 제품·라인별로 버전 관리해 공정 변경에도 기준선을 유지합니다.
Connectivity & Standards
현장 데이터를 연결하도록 설계
서로 다른 설비·
OPC-UA
MQTT
Modbus (RTU/TCP)
CAN / CAN-FD
PLC
SCADA
MES
Historian
예지보전·
수집 주기 · 해상도 설계진동 고주파 샘플링부터 공정값 저주기 수집까지, 신호 특성에 맞춰 수집 정책을 설계합니다.
엣지 전처리FFT·특징 추출을 설비 근접에서 수행해 전송량을 줄이고 응답성을 높이도록 구성합니다.
표준 태그 매핑설비별 상이한 태그를 ISA-95 계층·공통 스키마로 매핑해 모델 재사용성을 확보합니다.
ModelOps
모델을 지속 학습·
모델을 지속 학습·감시하도록 설계
현장은 계속 변합니다. 학습 → 배포 → 감시 → 재학습 흐름으로 운영 중 성능 저하를 확인하고 대응하도록 구성합니다.
학습 · 등록모델 레지스트리 · 버전관리 · 승인 워크플로
배포클라우드 · 온프레미스 · 엣지 추론 자동 통합·배포
모니터링예측 분포 · 성능·상태 관측 · 감사 추적
데이터 변화 탐지통계 지표(PSI·KL divergence)로 데이터·개념 변화 감지
지속적 재학습데이터 변화·현장 피드백 반영 지속적 재학습
거버넌스모델 관리정책 · 감사 로그 · 사람 승인 절차
Cubeon의 ModelOps(배포 모델의 버전·성능·승인 이력을 관리하는 운영 체계) 기능과 연동합니다. 모델 자동 배포·지속적 재학습·버전 관리 체계를 적용합니다.
데이터 변화 지표PSI · KL divergence
성능 관측지연·정확도 모니터링
재학습 트리거임계·주기·피드백 기반
이전 모델 복구버전 이력 기반 즉시 복귀
Why AI
임계 알람을 넘어서
고정 임계 감시로는 잡지 못하는 미세 이탈과 원인·
| 관점 | 규칙 기반 임계 감시 | QFactory 제조 AI |
|---|---|---|
| 이상 감지 | 고정 임계 초과 시 알람(사후) | 정상 패턴 학습 후 미세 이탈 조기 감지 |
| 원인 파악 | 사람이 로그를 수동 추적 | 생성형 AI 질의응답으로 원인· |
| 공정 조건 | 고정 레시피 유지 | 상태· |
| 정비 | 주기· | 잔존수명 예측 기반 예지보전 |
| 운영 | 수동 튜닝· | 데이터 변화 감시· |
규칙 기반 감시를 대체하는 것이 아니라 보완합니다 — 기존 임계 알람 위에 AI 판단 레이어를 얹는 전환 경로를 권장합니다.
Proven
제조 현장 실증
로봇 조립 라인 이상 조기감지
과제 체결 불량·
해결 시계열 이상탐지 + 생성형 AI 질의응답
성과 후공정 유출 전 조기 검출 — 재작업 위험을 줄이는 체계 구축
진공 브레이징 공정 최적화
과제 고온 열처리 품질이 숙련자 경험 의존
해결 상태진단·
성과 숙련자 경험을 데이터로 표준화 — 품질 편차 관리
AI-OT 기반 공정 자율운영
과제 분산제어(DCS)·품질관리(QCS)·설비제어(PLC) 데이터 분산, 열에너지·
범위 시간·생산 작업 단위 표준화, 열에너지 최적화, 설비 건전성·
진행 2026~2029 연구개발·
0개 사제조 적용 범위 — 자동차부품·열처리·제지
국책 과제산업 AI·AI Factory 국책과제 수행·추진
ManufacturingCubeon 제조 도메인팩으로 운영·확장
Deployment
현장 규제에 맞춘 배포 3옵션
데이터 반출이 어려운 제조 현장까지 — 동일 제품을 세 형태로 배포하도록 설계합니다.
클라우드
상용 LLM API·
온프레미스
사내 서버 sLLM·
폐쇄망(에어갭)
망분리 대응. 반출 불가 데이터도 현장 내에서 추론
상용 대규모 언어모델(LLM) API와 사내 소형 언어모델(sLLM)을 현장 보안·
동일 제품·모델 일관성 배포 형태가 달라도 같은 모델·API로 운영하도록 설계 — 이관 비용 최소화
현장 내부 데이터 처리민감 공정 데이터를 현장 밖으로 반출하지 않고 내부에서 분석하도록 구성
단계적 확장기존 운영 영향을 줄이며 단일 설비 PoC(도입 전 효과를 확인하는 사전 검증)에서 다거점 통합 관제까지 단계적으로 확장