AI가 만든 설계안은 CAD 화면에서는 정리되어 보일 수 있습니다. 하지만 제조 현장에서 검증이 실패하는 이유는 모델이 실제 생산 조건을 충분히 갖고 있지 않기 때문입니다. nominal geometry는 시작점일 뿐이고, 실제 제품은 공차, 재료 lot, 표면 거칠기, 후처리, 조립 순서, 작업자 편차, 장비 상태의 영향을 받습니다.
1. 실패 원인
- 공차 누락: 조립 간극과 체결 위치가 nominal CAD와 다르게 쌓입니다.
- 공정 이력 누락: 사출, 절삭, 용접, 적층 제조는 잔류응력과 방향성을 남깁니다.
- 검사 데이터 단절: CMM, CT, vision inspection 결과가 설계 검토로 돌아오지 않습니다.
- 판정 기준 부재: 어떤 편차가 허용 가능하고 어떤 편차가 재작업 대상인지 모호합니다.
2. 제조 검증에서 봐야 할 데이터
CAD, 재료 물성, 공차 stack-up, tooling condition, inspection sample, defect taxonomy, failure mode가 함께 있어야 합니다. 예를 들어 나사 boss가 해석상 안전해도 실제 사출품에서는 weld line 위치, sink mark, insert 압입 조건이 파손 위치를 바꿀 수 있습니다.
3. AI가 맡을 수 있는 역할
AI는 검사 이미지 분류, 편차 패턴 탐지, 위험 feature prioritization, 불량 원인 후보 정리에는 유용합니다. 그러나 최종 승인에는 물리 시험, 공정 capability, inspection plan이 필요합니다. AI 검증은 “통과/실패” 버튼이 아니라 공정과 설계 사이의 evidence routing이어야 합니다.
4. 권장 워크플로
- 설계 feature와 제조 critical characteristic을 연결합니다.
- 해석 결과와 검사 항목을 같은 part/feature tag로 묶습니다.
- 불량 유형을 단순 이미지가 아니라 원인 후보와 함께 기록합니다.
- 현장 데이터가 쌓이면 다음 설계 버전의 제약 조건으로 되돌립니다.
5. 예시: 사출 하우징의 boss 파손
AI가 생성한 하우징 설계에서 screw boss가 해석상 안전하다고 나왔지만, 양산 파일럿에서 boss 균열이 발생했다고 가정해 보겠습니다. FEA 모델은 boss에 균일한 재료 물성과 이상적인 insert 압입 조건을 썼을 수 있습니다. 하지만 실제로는 weld line이 boss 근처를 지나고, glass fiber orientation이 하중 방향과 다르며, insert 압입 온도와 깊이가 흔들렸을 수 있습니다.
이 경우 AI 설계 검증의 실패는 “AI가 틀렸다”보다 “검증 데이터 모델이 생산 현실을 담지 못했다”에 가깝습니다. nominal CAD, static load, catalog material property만으로는 제조 변동을 판단할 수 없습니다.
| 현장 신호 | 설계/해석으로 되돌릴 질문 | 필요 데이터 |
|---|---|---|
| boss root crack | fillet radius와 rib 방향이 충분한가 | CT scan, fracture photo, FEA hotspot |
| insert pull-out 편차 | 압입 조건과 boss OD tolerance가 맞는가 | press force log, Cpk, section cut |
| 특정 cavity에서 불량 집중 | tooling 또는 cooling imbalance인가 | cavity id, melt temperature, inspection lot |
| 조립 후 변형 | stack-up과 체결 sequence가 과한가 | assembly torque, datum measurement |
6. AI 검증 모델의 입력은 CAD 밖에 있습니다
제조 검증을 위한 AI는 CAD geometry뿐 아니라 공정 parameter, inspection result, defect label, operator note, rework history를 봐야 합니다. 특히 결함 데이터는 이미지 파일만으로 부족합니다. 결함 위치가 어떤 feature와 연결되는지, 어떤 공정 조건에서 발생했는지, 실제 기능 실패로 이어졌는지가 함께 있어야 합니다.
7. 좋은 제조 AI의 출력
좋은 출력은 “불량 가능성 72%” 같은 숫자 하나가 아닙니다. 어떤 feature가 위험한지, 어떤 제조 변수와 연결되는지, 어떤 추가 검사가 필요한지, 설계 변경과 공정 변경 중 무엇이 더 합리적인지 제안해야 합니다. 그리고 그 제안은 다음 설계 revision의 constraint로 저장되어야 합니다.
8. RHXY에 필요한 제조 검증 언어
RHXY Plan은 critical-to-quality 항목을 요구사항으로 기록하고, RHXY Sim은 해당 feature의 물리 위험을 보고, RHXY Render는 조립·사용 장면에서 문제를 설명할 수 있어야 합니다. 제조 AI는 이 세 레이어를 연결해 “검사 결과가 다음 설계 조건으로 들어가는 루프”를 만들어야 합니다.