[Other] 제조 AI 란

OverView

2021년 세계경제포럼 WEF에서 향후 5년간 제조 분야에서 가장 큰 변화는  “ AI / 머신러닝 Machine Learning 이 결정할 것이다”라는 중론이 나왔다

디지털 경제라는 시대적 상황하에서 국내 또한 스마트 공장의 질적 고도화와 현장 직원들의 업무 효율성 향상을 위해 제조 데이터와 AI 분석의 중요성이 더욱 중요시 되고 있다

제조 AI가 부각된 시대적 배경

국내 제조 생태계에 IoT 센서가 부착된 스마트 공장의 확산이 제조업 4차 산업혁명 패러다임 변화의 주축이 됨에 따라 제조 데이터와 인공지능 기술의 중요도가 더욱더 증대되고 있다.

세계 경제포럼 (WEF)에서 매년 ‘등대공장(Lighthouse factory)’을 전 세계로부터 선정하여 발표한다. 등대공장이란 어두운 밤바다에서 ‘등대’가 불을 밝혀 힘든 항로를 안내하듯, 4차 산업혁명의 핵심기술을 현장공장에 도입하여 세계 제조업의 미래를 이끌 수 있는 대표혁신 공장을 의미한다.

 

제조 데이터란?

제조데이터 정의 및 구분

제조 데이터란 제조기업이 제품의 기획, 설계, 제조(생산), 공장을 운영하는 과정에서 발생한 디지털화된 자료를 의미한다. 이러한 제조데이터가 규모가 방대해지면 이를 제조 빅데이터라한다. 그리고 이를 AI 분석을 목적으로 체계적으로 수집, 저장한 구조화된 제조데이터 집합체를 제조 AI 데이터셋이라한다.

제조 데이터란 크게 설비운영 데이터, 공장 운영 데이터, 에너지/환경 데이터로 구분할 수 있다

설비데이터란 PLC 등을 이용하여 수집한 생성설비로부터 발생하는 설비 상태, 설비 제어, 외부 장비와의 연결을 위한 로그 데이터를 의미한다.

공장운영 데이터란 제조 정보 시스템(MES, ERP, CRM, SCM, PDM 등)으로부터 추출된 관리데이터를 뜻한다

에너지/환경 데이터란 공장 설비 및 장비를 운영하기 위해 투입되는 에너지(전기, 오일, 가스) 데이터를 의미한다

 

제조데이터의 특징

제조데이터는 다양성이 높고, 생산 속도가 빠르고, 크기가 크며, 민감도가 매우 높다는 특징을 가지고 있다

	레벨	설명
다양성	높음	생신시 설비로부터 발생되는 다양한 종류의 데이터 ex) • 온도 센서로부터의 수치데이터 • 비전검사로부터의 영상 및 이미지 데이터 • 완제품 품질검사로부터의 진동 및 소리 데이터 [현실] 기업별 설비 환경의 차이로 데이터 포맷이 다양함
생산 속도	빠름	전통 제조가 IT 기술(센서)과 결합되면 생산데이터 정보가 초단위, MS 단위까지 빠르게 생산됨 ex) • 온도 센서로부터의 수치데이터 (MS 단위) • 비전검사로부터의 영상 및 이미지 데이터 (초단위) • 완제품 품질검사로부터의 진동 및 소리 데이터 (초단위)
크기	대용량	데이터가 빠르게 수집되는 만큼 축적되는 대용량의 제조데이터 셋이 만들어짐 ex) • (자동차 부품 제조업) 품질검사 머신비전 수행시 : 부품융착 이미지 데이터 360TB/연간 • (화학 제조업) 실시간 이상탐지, 공정데이터 수집 : 100GB/ 하루 • (프레스 금형 제조업) 공정 데이터 수집 : 100GB/ 하루
민감도	높음	각 기업의 제조 노하우나 영업비밀이 집적되어 있음

 

이러한 특징이 있는 제조데이터를 제조기업들이 체계적으로 관리 및 활용하지 못하다면, 나중에는 정보피로 증후군 (information fatigue syndrome), 정보과잉불안증과 같은 부작용이 생길지도 모른다. 즉, 다량으로 축적된 제조데이터를 잘 처리하고 분석해서 가치를 발견할 수 있어야 한다.

뉴스, 특허, 박람회, 논문 등의 제조 AI 기술 관련 데이터를 백만 개 이상 수집하여 SNA(Social Network Analysis)의 구조적 등위성 분석 (CONCOR)을 수행한 결과

제조 기술은 크게 3가지로 구분할 수 있으며 첫 번째 수집한 제조 AI데이터 셋을 처리할 수 있는 ‘제조 AI 알고리즘’ 두 번째 CPU, GPU, 메모리, 스토리지 등과 같이 실제 제조 데이터를 처리할 수 있는 인프라를 의미하는 ‘고성능 컴퓨팅 기술’ , 마지막으로 제조 AI 메타버스 팩토리와 같이 디지털 트윈을 구현할 수 있는 실감형 VR, AR 기술로 구성되어 있다.

 

제조업에 AI 적용 목적

제조 AI란 제조 현장인 공자에서 스스로 결정을 내릴 수 있는 일종의 소프트웨어이다. 점점 제조 AI는 중요성이 거치고 있으며 현장 공장에 도입되고, 고도화되고 있다. 독일의 인더스트리 4.0 추친의 핵심 네트워크의 ‘플랫폼 인더스트리 4.0’에서 발간한 Digital Platforms in Manufacturing Industries 보고서에 따르면 제조 현장에 제조빅데이터 기반의 AI 분석 적용 목적은 크게 1. technical perspective 2. business perspective 관점으로 살펴 볼 수 있다.

 

기술관점 제조 AI 적용 목적 (technical perspective)

기술 관점 제조 AI 적용 목적을 살펴보면 장비 이상 조기 탐지, 실시간 품질 공장제어, 품질 이상 탐지/진다, 장비 운영 최적화를 들 수 있다

장비 이상 탐지

1. 사람이 진단하듯이 AI가 기계를 진단하여 고장, 장애를 선제적으로 예측하는 것으로서 설비에서 발생하는 진동, 전류, 속도, 초음파, 윤활, 열화상, 전기 분석 등 AI 분석 목적에 맞게 다양한 제조 데이터를 활용한다
2. 설비예지보전 (PDM, Predictive Maintenance)이라고 한다. e.g.) 회전 기계의 진동데이터를 수집하고 분석을 통해 병든 기계를 진단, 사전 모니터링을 수행하고, 이상을 조기에 탐지해서 공장의 손실을 막는 AI 기업

• 적용 사례
  • 고원금속은 무선전동센서를 통해 단조프레스 설비의 공장데이터를 수집하여 주파수 대역별 설비 진동 특성을 분석하였다. AI 적용을 통해 단조프레스의 고장 징후를 예측하여 장비 이상 조기 탐지를 이끌어 내었다.

실시간 품질 공장 제어

1. 공정에서 주어진 목적함수를 최적화하기 위한 매개 변수를 물리적 모델이나 기훈련된 AI 머신러닝 모델 들을 활용하여 탐색하는 방법
2. 데이터가 더 많이 축적될수록 주어진 제한 조건하에서 최적의 공정조건 탐색이 가능하다. e.g.) 장비운영 조건과 원재료의 물성을 입력치로하여 생산되는 제품의 품질을 머신러닝을 통한 공정 최적화로 최적화하는 기업

• 적용 사례
  • 캠프는 도금공정 데이터 (전류, 시간, 두께 등)를 수집하여 최저고하 작업을 수행. 작업자의 감에 의존하는 생산방식이 아닌 AI 기반 최적 생산 도금 공정을 조건을 분석한 도출방식으로 도입하여 불량을 감소 (32% → 5%)를 달성

품질 이상 탐지/진단

1. 생산된 제품의 품질을 영상, 진동, 소리 등의 제조 데이터로 AI 분석하고, 정상범위에서 벗어난 것을 에측하는 것
2. 머신러닝 방법론은 물론 전통적 통계학 방법론에 기반하여 정상 범위를 벗어난 이상 탐지를 통해 불량 검출에 활용 e.g.) 다양한 센서에서 오는 진동데이터의 공분산 및 상관관계, 회귀분석, AI 분석 등을 적용하여 품질 이상을 검출하는 기업

• 적용사례
  • 조선내화는 생산품인 내화물의 X-ray 검사 동양상을 이미지로 분할 수집하여 불량 검출을 위한 이미지 객체 인식 AI방법론을 도입

장지운영 최적화

1. 공정에 활용되는 다양한 장비들을 모니터링 및 AI분석을 수행하여 가동시간 증가, 유지보수 비용 절감, 가동 중단시간 발생 최소화 등의 작업을 최적화하는 것
2. 운영과정의 데이터를 수집하고 모니터링 및 AI 분석을 수행하여, 장비 활용 간에 병목현상이 존재하는 지를 분석하고 개선할 방법을 찾는 데 활용. e.g.) 다양한 공정과 장비를 활용하는 제조현장에서의 장비 운영 효율 증대로 생산성 높이고, 비용을 절감하는 기업

• 적용사례
  • 대명씨엔에스는 프레스 설비에 대한 정확한 금형 교체 주기를 예측하기 위해 청진기 센서를 활용하여 소리 데이터를 수집하고 소리 주파수 특성을 나타내는 이미지 (spectrogram) 분석을 수행

경엉관점 제조 AI 적용 목적 (business perspective)

business perspective에서 제조업에 AI 적용 이유를 나열하면 수요예측 및 재고관리, 가격 최적화, 제품 개발, 공금망 최적화 등을 볼 수 있다

1. 수요에측 및 재고관리
   : 생산된 제품의 수요를 예측하여 효율적인 제품 생산 및 재고관리를 통해 공장 운영의 비용 절감을 달성하는 것이다
   e.g.) 계절적 수요패턴 분석을 통한 수요예측 모델을 구축하여 다품종 소량생산 체제에 맞는 최적 주문량 도출 및 재고부족 위험을 예방하는 중소 제조기업 
   e.g.) 도넛 제조공장에서 기온, 습도, 냉음료 판매량 등의 빅데이터를 활용하여 도넛 소비량을 예측할 수 있는 AI 분석을 수행한 사례
2. 가격 최적화 (Price optimization)
   : 제조기업의 제품 경쟁력 결정을 위한 주요 결정 요인 중 한 부분으로 판매, 고객 만족도, 수입 및 달성 가능한 성장 목표에 큰 영향을 미칠 수 있는 가치와 수익성 사이의 적절한 균형을 찾는 것
   e.g.) 실제적인 제약조건 (가격 변동 횟수, 가격 변동의 최소양)에서 AI 알고리즘을 적용하여 소매점 가격을 최적화하는 기업
3. 제품 개발
   : 제품 개발과정 (제품 디자인, 형상 개발, 소프트웨어 테스트 등)에 AI를 적용하여 더 빠르고 효과적으로 제품을 개발하는 방법
   e.g.) 원액가의 제품 개발 과정에서 스크류 압력 해석을 통해 최적 형상을 도출하여 착즙률 향상을 달성한 기업
4. 공급망 최적화
   : 기업 내부뿐만 아니라 협력사, 원자재, 소비자까지 광범위한 범위의 정보들을 분석하고 조율하는 것
   e.g.) 주문량 정보, 리드타임 정보를 활용하여 AI 분석을 통해 재고비용과 주문 만족률의 최적화 조건을 도출하는 기업

제조 AI 적용 및 분석 절차

제조 현장 AI 적용 목적 파악

1. 제조 AI 분석을 제조 현장인 공장에 적용하기 위해서는 우선 제조기업의 생산량, 품질, 비용에 영향을 미치는 결정적인 핵심 공정을 찾는 것이 중요하다. 이를 위해서 시스템 다이나믹스의 인과 지도를 통해 공정을 도출하기도 하고, 도출된 인과지도의 세부 공정 프로세스별로 작업자, 공장장, 경영자, 연구 기관 등의 전문가로부터 AHP 분석을 수행하여 과학적으로 핵심 공정을 찾을 수도 있다.

제조 AI 분석 모델 구축 (데이터 수집 항목 파악)

1. 제조 AI 분석을 크게 ‘정답/결과’ 등이 표현되어 있는 레이블 존재 여부에 따라 지도 학습 (supervised learning)과 비지도 학습 (unsupervised learning)으로 구분된다. 지도 학습은 예측의 정답을 알려주며 AI학습을 시키는 것이고, 비지도 학습은 정답을 따로 알려주지 않고 비슷한 데이터를 군집화 하는 AI 학습 방식이다.
2. 제조업에서는 주로 작업자가 레이블링할 수 있는지 없는지에 따라 처음 AI분석 모델을 설정하게 된다. 제조현장에서 나오는 제조데이터는 경우에 따라서는 설비에서 마이크로 세컨즈 단위 (백만 분의 1초)로 제조 데이터를 수집하기 때문에 이런 종류의 제조데이터는 레이블링하기가 매우 어렵다. 이와 같은 경우 비지도 학습 모델을 사용하게 된다. 실제 제조기업 현장 공장에서 손에 잡히는 제조 AI 모델을 만들기 위해서는 현장 장인과 함께 핵심적인 원인 변수, 결과 변수를 찾아 지도 학습 (supervised learning)으로 효과성을 만들보고 비지도 학습으로 가는 것도 전략으로 설정할 수 있다.

제조 데이터 수집 (제조 현장에 센서 설치)

1. 제조 AI 분석모델을 구축하기 위한 제조 Ai 데이터의 형태는 숫자, 이미지, 동영상, 소리가 있다. 숫자 형태의 제조데이터는 IoT센서(온도, 전동센서 등)을 활용해서 수집한다.
2. 효과적으로 숫자데이터를 측정하고, 설비 예지보전과 같은 AI를 적용하기 위해서는 올바른 측정점(영향을 미치는 중요 처리 부위)을 찾는 것이 중요하다. 설비의 이상 및 결함을 진동이 가장 높은 직폭을 센서가 측정할 수 있어야하기 때문에 이를 반영하 룻 있는 지점을 찾아 센서를 설치하고, 수집 데이터를 지속해서 관찰하는 것이 중요하다. 만약 센서가 수립하는 제조데이터의 범위 (최소-최대값)가 불명확하다면 이를 교정하는 작업이 반드시 필요하다. 이를 센서 켈리브레이션(calibration)이라고 한다
3. 이미지 형태의 제조데이터는 주로 머신비전 장비를 활용하여 수집한다. 제조업에서는 주로 생산물의 양품, 불량 분류문제를 해결할 수 있는 AI 개발을 위해 주로 수집, 축적한다. 이를 위해 양품에 대한 이미지와 불량에 대한 이미지를 클래스별로 수집하게 되며, 컴퓨터 비전을 위해 AI딥러닝 모델을 훈련시키기 위해서는 충분한 이미지 데이터의 클래스별(양품/불량) 확보가 필요하다. 이미지 데이터는 특히, 현장과 동일한 환경에서의 촬영조건에서 생상하는 것이 현장 적용형 제조 AI 구축에 도움이 된다
4. 동영상 형태의 제조데이터는 X-Ray 장비(비파괴 검사시)와 같은 머신비전을 활용하여 수집한다. 이미지 제조데이터 활용과 동일하게 생상물의 양품, 불량 분류 문제 해결을 위해 정상 동영상과 결함 동영장 제조 품질 검사 데이터를 수집하는 경우가 많으며, AI 판정 정확도가 높은 품질검사 AI 모델을 만들기 위해 해상도가 높은 동영상 촬영장치가 필요하다
5. 소리형태의 제조데이터는 사운드 센서를 활용하여 수집한다. 소리 제조 데이터셋의 형태는 시계열 형태의 Wav 형태가 주를 이룬다. 사운드 제조 데이터를 축적하여 AI모델을 개발 후, 설비의 이상징후 감지 분석을 수행할 수 있다. 이를 통해 이상 원을 찾아내고, 설비 건전성 고나점에서 수명을 관리하고, 최적화된 운영을 도모할 수 있다. 최종저그올 소리데이터를 활용한 제조 AI 분석 후 파형, Spectrogram, Mfcc 출력 형태 ㄷㅇ을 최종 확인하여 양품, 불량을 판별할 수 있다

제조 데이터 전처리

1. 잘못된 제조데이터를 활용한 AI 분석시 분석결과의 적용이 오히려 악영향을 미칠 수 있다. 제조 데이터의 품질 확보를 위해서는 현장공장의 수집과정에서 발생할 수 있는 결측치와 공장의 일시적이 스파크 등으로 발생하는 수 있는 이상치 제거가 필수적이다. 결측치 또는 이상치가 존재하면 제조 AI 분서깃 함수가 적용되지 않거나 분석결과가 왜곡되는 문제가 발생할 수 있다. 따라서 제조 데이터는 양질의 데이터로 변환하는 전처리 (preprocessing)과정이 필요하다. 제조 데이터 전처리에는 결측치, 이상치 처리뿐만 아니라 제조 AI 분석을 위한 데이터 스케일링(데이터 형식 변환), 정규화, 데이터 통합 등이 전처리 영역에 포함된다.
2. 체크리스트지표 내용 

지표	내용
완전성 (completeness)	변수별 필수항목에 누락이 없어야함
유일성 (Uniqueness)	변수간 속성이 중복되지 않아야 함
유효성 (Validity)	변수 및 변수값이 분석을 위해 범위, 형식 등이 유효범위 내 존재해야 함
일관성 (Consistency)	변수별 제조데이터값이 하나의 일관된 상태여야하며, 파생데이터셋 또한 일관된 상태에서 또 다른 일관된 형태로 유지되어야 함
정확성 (Accuracy)	정확도 높은 제조 AI 서비스를 제공하기 위해 신뢰도 높은 제조 데이터가 확보되어야 한다
무결성 (Integrity)	데이터 처리의 선후관계가 명확하게 준수되고 있어야 함

AI 분석 (AI 모델 적용)

제조 데이터가 준비 되었다면 제조 AI 모델을 창출하고 적용하는 과정을 거치게 된다.

제조 AI 모델을 창출하고 적용하는 과정의 전체 과정은
첫째, 제조 데이터 수집부터 시작한다. 제조 데이터를 설비를 통해 수집하고, AI 모델에 load할 준비를 한다. 이때 문제를 풀기 위해 만든 AI모델의 변수(파라미터)에 어떻게 변수값을 넣을지 사전에 파악하고 데이터를 수집해야 한다.
둘째, AI모델 창출/추구(creation) 단계이다. 제조 현장의 문제를 풀기 위해 선택한 AI모델(방법론)에 실제 수집된 데이터를 넣어 제조 AI 모델을 창출하고 학습을 통해 강화한다.
셋째, 에측 (Logit/Prediction) 단계이다. Logit 단계는 실제 현장 문제를 풀어보는 단계이다. 우리 인간도 양품/불량 판별시 마음속으로 양품일 확률이 90%가 넘을 것이라고 말 할 수 있듯이 제조 Ai분석에서도 문제풀이는 주로 %확률로 결과가 나타난다
넷째, 손실 (Loss) 단계이다. 제조 AI 모델이 예측한 값과 실제 정답을 비교하여 오차를 확인하는 단계이다. 제조 AI 분석에서는 이를 출력값과 정답의 오차를 정의하는 손실함수 (loss function)라고 표현한다.
다섯째. 최적화 (optimization)단계이다. 최적화는 정답과 다른 오답을 최대한 줄일 수 잇는 학습을 수행한다. 즉 우리가 시험을 보고 오답노트를 만들고, 오답을 줄이고자하는 노력을 수행한다고 보면 된다.

AI는 아깝게 틀린 오답도 계산을 하여 이전 생성된 모델을 다시 반영하여 모델을 업그레이드 한다. 마지막으로 이렇게 최적화 과정을 거쳐 적용된 특정 공장을 위해 훈련된 제조 Ai 모델을 현장에 적용한다.

분석 결과 및 함의 도출 (시각화)

• 분석결과 및 함의 도출

1. 제조 Ai 분석 결과를 해석할 때는 공급기업, 수요기업이 함께 분석 결과를 기반으로 함의를 찾는 것이 중요하다. 제조 AI 분석 결과는 변수 중요도 확인을 통한 불량 원인 파악에서, 나아가서는 제조 장비의 교체까지 다양한 제조 기업의 의사결정을 지원한다
2. 제조업에서 AI의 분석 결과에 대한 함의는 제조기업 대표, 공장장, 현장 숙련자가 모두 바라보는 관점이 다를 수 있으므로 AI 분석 결과에 대해 포시션별 제조 도메인을 포용하는 입체적인 분석을 통해 최종적인 함의 도출이 필요하다

• 제조 AI 모델 평가

1. 제조 AI 모델이 만들어졌으면 이제 산출한 제조 AI 모델의 성능 평가 절차를 거처야한다. 실제 개발에서는 ‘평가 메트릭 (Evaluation Metric)’이라고 칭한다.
2. 제조 Ai 모델 평가를 위해서는 Accuracy(정확도), F1 score, Precision(정밀도), Recall(재현율) 등 여러 가지가 있지만. 제조 AI 모델의 성능 평가시 가장 유용하게 많이 사용되는 정확성 (Accuracy)에 대한 지표를 설명한다.
3. 정확성이란 제조 AI 모델을 현장에 적용했을 때, 결과가 정확하고, 반복적인 적용에도 일관성 있는 결과가 나오는가를 나타내는 척도를 의미한다. 그리고 다음과 같은 오차 행렬(confusion matric)을 사용해서 전체 AI 검사에서 AI모델이 맞춘 비율로 정확도를 측정한다

• 예시
  • 다음 오차 행렬은 95800개의 양품/불량 제조 데이터를 가지고 예측한 숫자이다
  n = 95,800 양품 불량

  양품	50000	1500
  불량	1300	43,000

  • 제조 AI 모델이 양품을 양품이라 잘 구분한 숫자가 50,000개 이고, 불량을 불량으로 잘 구분한 숫자가 43,00개이다
  • 오차 행렬을 통해 제조 AI 모델이 얼마나 잘 작동했는지 정확도를 확인해보자
  • 제조 AI 모델이 성능평가 정확도 수식은 다음의 식과 같이 분모는 전체 제조데이터 개수이고, 분자는 올바르게 예측한 샘플의 개수의 총합을 의미한다
  • Accuracy = 정확하게 예측(분류)한 제조데이터 개수 / 전체 제조데이터 개수 = 50000 + 43000 / 95800 = 0.971
  • 실제 제조 현장에서는 다양한 AI 모델에 제조데이터를 넣은 다음 모델별로 정확도를 확인한다. 그리고 AI 모델 중 가장 제조 현장에 부합하는 정확도 높은 AI모델을 선택하여 적용해야 한다.
  n = 100 양품 불량

  양품	47	4
  불량	5	44

  <제조AI 1의 오차 행렬 > 정확도 = 0.91n = 100 양품 불량

  양품	43	6
  불량	5	46

  <제조AI 1의 오차 행렬 > 정확도 = 0.89실제 제조업에 AI 적용 0.02 비율 즉, 2%의 차이가 매우 크게 나타날 수 있으므로 다양한 제조 AI 알고리즘의 검증을 통해 현장에서 최적의 AI 알고리즘 적용이 매우 중요하다.
• 추가로 설명을 심화로 하자면 만약 수집한 제조 AI 데이터셋이 클래스 (양품/불량) 간 데이터의 수의 밸런스가 좋지 않을 때가 있다. 이러한 상황에서는 정확도(Accuracy)로 모델을 평가하기에는 무리가 있을 수 있다. 이때는 조화 평균을 기반으로 제조 Ai 모델의 성능을 평가하는 F1 Score를 활용해야 한다.
• 두 제조 AI 모델의 돌린 결과 오차 행렬이 다음과 같이 나왔다면, 현장에 적용한다면 정확도가 0.02만큼 높은 제조 AI 1을 선택하여 적용해야 한다