Advanced Facilities Control Centre: GlobalFoundries가 팹 관제실 5곳을 AI 관제센터 하나로 합친 방식
GlobalFoundries가 Siemens와 만든 AI 관제센터 AFCC를 싱가포르에 열고, 팹별 관제실 5곳을 하나로 합쳤습니다. 예지정비와 24시간 설비 감시, 다중 센서 순찰 로봇을 묶었고 전사로 넓히면 시설 설비 데이터 포인트 100만 개 이상을 한곳에서 봅니다. 따라 할 때 필요한 태그 표준, 우선순위 규칙, 16주 이관안을 붙였습니다.
GlobalFoundries는 팹마다 따로 돌던 시설 관제실 5곳을 AI 관제센터 하나(AFCC)로 합쳤습니다. 설비를 24시간 감시해 고장 전에 정비하고, 순찰 로봇이 모은 센서 데이터까지 같은 화면에서 봅니다. 따라 하려면 관제실을 합치기 전에 사이트와 팹마다 다른 설비 태그 이름과 운영 지표 정의부터 하나로 맞춰야 합니다.
요약
GlobalFoundries(GF)는 2026년 10월 26일 싱가포르 사이트에 AFCC(Advanced Facilities Control Centre, 시설 운영 통합 관제센터)를 열었다고 발표했습니다. 기술 파트너는 Siemens입니다. AFCC는 GF가 전 세계 제조 거점에서 운영하는 시설 설비와 그 데이터를 한곳에 모으는 AI 관제센터이고, 첫 적용지가 싱가포르 캠퍼스입니다. 1단계에서는 캠퍼스 안 팹마다 있던 관제실 5곳을 관제센터 하나로 합칩니다. 관제센터는 시설 데이터와 운영 지표를 모니터링·시각화 도구와 함께 보여 주고, predictive maintenance(예지정비, 고장 전에 정비 시점을 잡는 방식) 같은 AI 기능을 얹습니다. 팹 바닥과 캠퍼스에는 자율 순찰 로봇이 다니며 측정값을 실시간으로 보냅니다.
GF가 밝힌 효과는 세 갈래입니다. 첫째, 문제를 더 빨리 고치고 근본 원인을 더 빨리 찾습니다. 둘째, 징후를 일찍 잡아 비계획 정지를 줄입니다. 셋째, 관제를 한곳에 모아 공간·장비·인력을 덜 쓰고 중복 인프라와 에너지 사용, 배출을 줄입니다. 전사로 넓히면 시설 설비에서 나오는 핵심 데이터 포인트 100만 개 이상을 묶고, 사이트끼리 운영 지표를 비교(benchmarking)합니다. Pradip Singh 최고제조책임자(CMO)는 “Reliable facilities infrastructure is foundational to semiconductor manufacturing”라고 말했습니다. 투자 규모, 전사 확대 일정, 쓰인 Siemens 제품 이름, 에너지 절감 수치는 발표에 없었습니다. 아래에서는 네 가지 작동 방식을 풀고, 같은 구조를 국내 공장에 옮길 때 필요한 데이터 설계와 이관 일정을 덧붙였습니다.
핵심 메커니즘
Control Room Consolidation: 팹별 관제실 5곳을 하나로
AFCC의 출발점은 관제실 통합입니다. 싱가포르 캠퍼스에는 팹마다 시설을 지켜보는 관제실이 따로 있었고, 1단계에서 그 5곳을 관제센터 하나로 합칩니다. 합친 관제센터는 각 팹의 시설 데이터와 운영 지표를 같은 도구로 보여 줍니다. GF는 이렇게 모으면 공간, 장비, 인력을 더 알맞게 배치하고 관제실마다 겹치던 인프라를 줄일 수 있다고 설명했습니다. 그만큼 에너지 사용과 배출도 줄어든다는 계산입니다. 관제 인원을 얼마나 바꾸는지, 기존 관제실을 언제 닫는지는 밝히지 않았습니다. 따라 할 때는 화면부터 합치지 말고 관제실마다 다르게 부르던 설비 이름과 알람 등급을 먼저 하나로 맞춰야 합니다. 이름이 다르면 같은 화면에 올려도 운영자가 팹마다 다른 규칙으로 읽게 됩니다.
Predictive Maintenance: 24시간 설비 감시로 고장 전에 손보기
두 번째 축은 예지정비입니다. AFCC는 설비 상태를 하루 24시간 감시하고, AI가 고장 징후를 미리 잡아 정비 시점을 앞당깁니다. GF가 밝힌 목적은 네 가지입니다. 문제 해결을 빠르게 하고, 근본 원인을 빨리 찾고, 새로 생기는 문제를 일찍 발견하고, 영향이 가장 큰 조치부터 하게 돕는 것입니다. 마지막 항목은 경고를 많이 띄우는 데서 멈추지 않고 무엇부터 손볼지 순서까지 정해 준다는 뜻입니다. 결과로는 비계획 정지 감소와 빠른 대응을 내세웠습니다. 어떤 모델을 쓰는지, 정지 시간이 몇 % 줄었는지는 발표에 없습니다. 따라 할 때는 고장 한 번에 여러 공정이 함께 멈추는 시설 설비부터 대상으로 고릅니다.
Autonomous Patrol Robots: 순찰 로봇이 관제센터의 눈과 귀
자율 순찰 로봇은 관제센터가 보는 범위를 넓힙니다. 로봇은 열화상 카메라, 가스 감지기, 진동·음향 센서와 그 밖의 이상 감지 장비를 싣고 팹 바닥과 캠퍼스를 정해진 경로로 돕니다. 사람이 하던 반복 순찰과 육안 점검을 맡고, 측정값을 실시간으로 AFCC에 보내 분석과 대응으로 이어지게 합니다. 고정 센서가 없는 곳의 이상까지 일찍 잡아 개입을 앞당긴다는 설명입니다. 로봇 대수, 제조사, 순찰 주기는 밝히지 않았습니다. Yew Kong Tan 아태 제조·싱가포르 사이트 총괄(SVP)은 데이터와 AI 도구를 쥔 시설 엔지니어가 더 가치 있는 진단과 문제 해결에 집중하게 된다고 말했습니다. 로봇이 측정을 맡고 사람은 판단을 맡는 분업입니다.
Cross-site Benchmarking: 데이터 포인트 100만 개로 사이트끼리 비교
마지막 축은 전사 확대입니다. AFCC를 GF의 전 세계 제조 네트워크로 넓히면 시설 설비에서 나오는 핵심 데이터 포인트 100만 개 이상이 하나의 관제 체계로 들어옵니다. GF는 이 데이터로 사이트끼리 운영 지표를 비교해 성과와 지속가능성을 함께 끌어올리겠다고 했습니다. 싱가포르가 첫 적용지가 된 이유로 Tan 총괄은 탄탄한 디지털 기반과 정부·생태계의 지원을 들었습니다. Siemens의 Isabel Chong Digital Industries ASEAN 대표는 데이터의 신뢰성, 인프라 보안, 산업 노하우를 전제로 들었습니다. 이 셋이 갖춰져야 예지정비와 자동화, Industrial AI(산업 현장용 AI)를 싱가포르에서부터 넓힐 수 있다는 설명입니다. 사이트 간 비교가 통하려면 지표 정의가 같아야 합니다. 정지 시간을 어디서부터 세는지가 사이트마다 다르면 비교표는 숫자만 나란히 놓인 표가 됩니다.
통념과 다른 주장
흔히 이렇게 봅니다시설 관제실은 설비 가까이 팹마다 두고, 현장 설비 상태는 사람이 돌며 확인합니다.
GlobalFoundries는 이렇게 봅니다관제는 한 곳에 모아 데이터로 보고, 반복 순찰은 로봇에 맡겨 엔지니어는 진단과 문제 해결에 집중하게 합니다.
근거GF는 팹별 관제실 5곳을 하나로 합치면서 중복 인프라와 에너지 사용을 줄인다고 밝혔습니다. 다중 센서 로봇이 순찰과 육안 점검을 맡아 측정값을 실시간으로 관제센터에 보냅니다.
보도자료에 나온 사례
| 사례 | 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|---|
| 관제실 통합 | 싱가포르 캠퍼스에서 팹마다 관제실을 따로 운영 | 1단계로 관제실 5곳을 AFCC 하나로 통합 | 공간·장비·인력 배치 최적화, 중복 인프라·에너지·배출 감소 목표(수치 미공개) | Control Room Consolidation |
| 예지정비 | 설비 이상이 비계획 정지로 이어짐 | 24시간 설비 상태 감시와 AI 예지정비 | 조기 발견, 비계획 정지 감소, 빠른 대응 목표(수치 미공개) | Predictive Maintenance |
| 순찰 로봇 | 팹 바닥과 캠퍼스의 반복 순찰·육안 점검 | 열화상·가스·진동·음향 센서 로봇이 순찰하고 실시간 전송 | 이상 조기 탐지, 빠른 개입(로봇 대수 미공개) | Autonomous Patrol Robots |
| 전사 확대 | 사이트마다 시설 운영 | 전 세계 네트워크로 확대, 데이터 포인트 100만 개 이상 통합 | 사이트 간 운영 지표 비교(일정 미공개) | Cross-site Benchmarking |
기술 디테일: 통합 관제를 직접 만든다면
아래 데이터 구조, 모델, 필드, 설정값은 실행 제안이며 GlobalFoundries나 Siemens가 밝힌 구현이 아닙니다.
관제실 5곳을 합치려면(Control Room Consolidation) 태그 이름 규칙부터 정합니다. 설비 신호 하나하나에 사이트/팹/시스템/설비/신호 순서의 이름을 붙입니다(가상 예시: SG/F7/EXH/FAN-03/vib_rms). 관제실마다 같은 설비를 다른 이름으로 불렀다면 대응표를 만들어 historian(설비 시계열 데이터 저장소)에 새 이름으로 적재합니다. 알람 등급도 3~4단계로 통일합니다. 관제실 하나는 ‘경고’로, 다른 관제실은 ‘주의’로 부르던 같은 상황을 한 등급으로 묶어야 통합 화면에서 줄을 세울 수 있습니다. 이 작업은 모델보다 먼저 끝내야 합니다. 이름이 정리되지 않은 데이터 100만 개는 운영자가 읽을 수 없는 데이터 100만 개일 뿐입니다.
예지정비 판정을 돌리려면(Predictive Maintenance) 대상 설비 종류를 3~5개로 좁힙니다(가상 예시: 배기 팬, 냉각 펌프, 공조기). 고장 이력이 설비 종류당 수십 건 이상이면 남은 수명을 예측하는 모델을, 그보다 적으면 정상 패턴에서 벗어난 정도를 재는 이상 탐지를 씁니다. 판정은 5~15분 단위로 돌리고, 같은 이상이 3회 연속 나올 때만 알림을 띄웁니다. 한 번 튄 값마다 알림을 띄우면 통합 관제실 화면이 알림으로 덮이고 운영자가 무시하기 시작합니다. GF가 강조한 ‘영향이 큰 조치부터’는 우선순위 점수로 구현합니다. 설비가 멈췄을 때 영향받는 공정 수, 고장 확률, 고장까지 남은 시간을 곱해 점수를 내고, 점수 순으로 작업 지시를 만듭니다. LLM은 판정에 쓰지 않습니다. 알림마다 과거 비슷한 고장의 조치 기록을 찾아 붙이고 운영자용 설명문을 쓰는 데만 씁니다.
{
"site": "SG",
"fab": "F7",
"asset_id": "SG/F7/EXH/FAN-03",
"signal_window": "2026-11-03T02:00/02:15",
"source": "fixed_sensor",
"anomaly_score": 0.91,
"consecutive_hits": 3,
"predicted_failure_mode": "bearing_wear",
"impact_processes": 4,
"hours_to_failure_est": 72,
"priority_score": 0.82,
"similar_work_orders": ["WO-2025-0918", "WO-2026-0233"],
"model_version": "fac-anom-v1",
"operator_decision": null
}순찰 로봇 데이터를 쓰려면(Autonomous Patrol Robots) 로봇이 측정한 위치를 설비 ID에 묶는 일이 먼저입니다. 순찰 경로의 정지 지점마다 그 앞에 있는 설비 ID를 미리 등록해 두고, 측정값은 그 설비의 신호로 적재합니다. 열화상은 프레임 전체가 아니라 관심 영역의 최고 온도를, 가스는 농도 값을, 진동·음향은 주파수 대역별 크기를 저장합니다. 같은 지점의 지난 2~4주 측정값과 비교해 벗어나면 위 판정 흐름에 source: "patrol_robot"으로 넣습니다. 가스 농도처럼 안전과 바로 연결되는 값은 연속 3회 규칙을 적용하지 않고 한 번만 넘어도 바로 알립니다. 로봇이 경로를 벗어나거나 측정을 건너뛰면 그 사실도 이벤트로 남깁니다. 측정이 빠진 날을 이상이 없던 날로 읽으면 안 되기 때문입니다.
사이트끼리 비교하려면(Cross-site Benchmarking) 비교할 지표 5~8개를 정하고 정의서를 씁니다(가상 예시: 설비별 비계획 정지 시간, 알림 1건당 처리 시간, 알림 중 실제 이상 비율, 시설 에너지 사용량을 생산량으로 나눈 값). 정지 시간은 어디서부터 세는지, 계획 정지는 빼는지까지 적습니다. 지표는 주 1회 사이트별로 계산하고 사이트 규모 차이는 설비 수나 생산량으로 나눠 맞춥니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 관제실마다 태그 이름이 다름 | 같은 설비가 화면에 두 번 뜨거나 안 뜸 | 이관 전에 대응표 작성, 새 이름으로만 적재 |
| 알림 과다 | 통합 관제 운영자가 알림을 무시 | 3회 연속 규칙, 우선순위 점수 상위만 화면 상단, 주 1회 오탐 검토 |
| 로봇 위치 오차 | 측정값이 엉뚱한 설비에 붙음 | 정지 지점별 설비 ID 사전 등록, 지점 표식으로 위치 보정 |
| 고장 이력이 텍스트로만 남음 | 예측 모델에 쓸 라벨이 없음 | 최근 1년 작업 지시를 고장 유형 코드로 다시 분류(LLM 분류 후 설비 엔지니어 검수) |
| 사이트별 지표 정의 차이 | 벤치마크 순위를 아무도 믿지 않음 | 지표 정의서 승인 후 계산, 정의가 다른 사이트는 비교표에서 제외 |
| 관제실 이관 중 장애 | 통합 관제에서 놓친 알람 | 이관 기간에는 기존 관제실을 병행 운영, 놓친 알람 0건 확인 후 닫음 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| 제조 또는 사이트 총괄 | 통합 범위(관제실 몇 곳) 결정, 이관 승인, 확대 판정 |
| 시설 운영 팀장 | 관제실별 운영 규칙과 알람 등급 정리, 통합 관제 교대 체계 설계 |
| 시설 설비 엔지니어 | 대상 설비 선정, 고장 이력 정리, 우선순위 기준 검토 |
| 데이터·OT 엔지니어 | 태그 표준화, historian 연결, 판정 모델과 대시보드 운영 |
| 안전·환경 담당 | 가스·열 이상 알림 기준 승인, 로봇 순찰 경로 검토 |
| 에너지 담당 | 시설 에너지 지표 정의, 통합 전후 사용량 기준선 관리 |
준비물. 관제실별 설비 태그 목록과 알람 등급표, 최근 1년 고장·작업 지시 기록, 관제 교대 근무표, 시설 에너지 사용 기록, 현재 순찰 경로와 점검표가 필요합니다. 기준선은 시작 전 4주치로 잡습니다(알람 건수, 알람 처리 시간, 비계획 정지 시간, 시설 에너지 사용량).
16주 시범은 관제실 전부가 아니라 1곳만 이관하는 것을 목표로 잡습니다. 1~4주에는 태그와 지표 정의를 맞추고 기준선을 잽니다. 5~8주에는 통합 화면을 띄우되 기존 관제실이 계속 판단하고, 통합 화면은 같은 알람을 같은 시각에 잡는지만 확인합니다. 9~12주에 관제실 1곳의 감시를 통합 관제로 넘기고, 기존 관제실은 대기 상태로 둡니다. 13~16주에 판정합니다.
현업에 물을 것.
- 관제실마다 같은 설비를 부르는 이름과 알람 등급이 같나요? 다르면 몇 개나 다른가요?
- 지난 1년 동안 공정을 가장 많이 세운 시설 설비 다섯 개는 무엇이고, 고장 원인은 기록돼 있나요?
- 지금 순찰은 누가, 하루 몇 번, 어떤 점검표로 하나요? 순찰에서 찾은 이상은 어디에 기록하나요?
- 알람이 동시에 여러 개 뜨면 지금은 무엇부터 처리하나요? 그 기준은 문서로 있나요?
- 관제실을 합치면 교대 근무 인원과 역할은 어떻게 바뀌어야 하나요?
진행 판정 기준(예시). 이관한 관제실 1곳에서 4주 동안 다음을 채우면 다음 관제실로 넓힙니다. 통합 관제가 놓친 알람이 0건이어야 합니다. 알람 처리 시간이 기준선보다 늘지 않아야 하고, 우선순위 점수 상위 알림 중 실제 이상이 확인된 비율이 50% 이상이어야 합니다. 로봇 순찰은 계획한 측정 지점의 95% 이상을 매일 측정해야 합니다. 하나라도 못 채우면 기존 관제실 병행을 4주 더 이어 갑니다.
AX 적용 제언. 국내에서 라인이나 동마다 유틸리티·시설 관제실을 따로 두는 반도체, 디스플레이, 배터리, 화학 공장이라면 GF의 순서를 그대로 빌릴 만합니다. 한 캠퍼스 안의 관제실부터 합치고, 효과를 본 뒤 다른 사이트로 넓히는 순서입니다. 첫 과제는 AI 모델이 아니라 태그 이름과 알람 등급의 통일입니다. 이 작업은 관제실 통합과 사이트 간 비교 두 단계에 모두 쓰이므로 시범 단계에서 끝내야 둘째 사이트부터 빨라집니다. 경영 보고에는 인력·공간 절감보다 비계획 정지 시간과 시설 에너지 사용량을 기준선 대비로 올리는 편이 낫습니다. GF도 효과를 이 두 축으로 설명했습니다. 순찰 로봇은 안전 담당이 경로와 가스 알림 기준을 승인한 뒤에 들입니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 발표 | GlobalFoundries 보도자료, 2026.10.26 (싱가포르 경제개발청 EDB 게재) |
| 대상 | AFCC(Advanced Facilities Control Centre), 싱가포르 사이트, 기술 파트너 Siemens |
| 1단계 | 싱가포르 캠퍼스의 팹별 관제실 5곳을 관제센터 하나로 통합 |
| 기능 | 시설 데이터·운영 지표 통합, 모니터링·시각화 도구, AI 예지정비, 24시간 설비 상태 감시 |
| 순찰 로봇 | 열화상, 가스 감지, 진동·음향 등 이상 감지 센서 탑재, 팹 바닥과 캠퍼스 순찰·육안 점검, 실시간 전송 |
| 전사 확대 | 시설 설비 핵심 데이터 포인트 100만 개 이상 통합, 사이트 간 운영 지표 비교 |
| 기대 효과 | 빠른 문제 해결과 원인 파악, 조기 발견, 비계획 정지 감소, 공간·장비·인력 최적화, 중복 인프라·에너지·배출 감소 |
| 발언자 | Pradip Singh(GF CMO), Yew Kong Tan(GF 아태 제조·싱가포르 사이트 총괄 SVP), Isabel Chong(Siemens Digital Industries ASEAN 대표), Cindy Koh(EDB Executive Vice President) |
| 밝히지 않은 것 | 투자 규모, 전사 확대 일정, Siemens 제품명, 로봇 대수, 정지 시간·에너지 절감 수치 |
핵심 개념
- AFCC
- Advanced Facilities Control Centre. GF가 시설 운영과 그 데이터를 한곳에서 보려고 만든 AI 관제센터입니다.
- facilities equipment
- 보도자료가 데이터 포인트의 출처로 든 시설 설비. 이 노트는 생산 공정 장비와 구분해 공장 시설을 돌리는 설비로 읽었습니다.
- unplanned downtime
- 계획에 없던 설비 정지. 예지정비가 줄이려는 첫 번째 지표입니다.
- historian
- 설비 신호를 시간 순서로 쌓아 두는 저장소. 관제 화면과 예측 모델이 여기서 데이터를 꺼냅니다.
- Industrial AI
- 공장·설비 데이터를 다루는 AI를 묶어 부르는 말. Siemens 측 발언에 나옵니다.
- benchmarking
- 같은 정의의 지표로 사이트끼리 성과를 견주는 일입니다.
내 메모
TODO: 내 생각 추가
원문은 GlobalFoundries 보도자료 「GlobalFoundries launches its Advanced Facilities Control Centre in Singapore」(2026.10.26, 싱가포르 경제개발청 EDB 게재)입니다. 같은 내용을 Silicon Saxony, Techcoffeehouse, Evertiq 게재본으로 대조했습니다. 요약, 핵심 메커니즘의 발표 내용, 통념과 다른 주장, 사례, 원문 사례 표는 회사 발표를 AX Review가 다시 정리했으며 효과는 회사가 밝힌 목표입니다. 기술·현업 실행 디테일, JSON 예시, 실패 대응표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명, 설비 이름, 숫자는 가상 예시입니다. 전문은 원문 페이지에서 볼 수 있습니다.