[기획특집] 제조업에서 AI(기계학습) 활용 분야와 솔루션 (월간 계장기술 2018.07)

2018-07-25 10:59

월간 계장기술 2018년 07월호

 

얼마 전 삼성전자는 글로벌 AI 연구 역량 강화를 위해 “우리나라와 미국에 이어, 추가로 영국, 캐나다, 러시아에 글로벌 인공지능(AI) 연구센터를 신설하고, AI 관련 연구 인력 확보에도 적극 나서 AI 선행 연구개발 인력을 2020년까지 1,000명 이상(국내 약 600명, 해외 약 400명)으로 확대할 예정”이라고 발표했다. 바야흐로 AI 시대가 전 산업 분야에 도래했고, 특히 제조업 분야에서 스마트공장과 AI 활용은 제조업 혁신을 통한 글로벌 경쟁력 확보 차원에서 더욱더 중요해졌다.


2017년 7월 국정기획자문위원회는 「문재인 정부 국정운영 5개년 계획」을 발표하였고, ‘4차 산업혁명을 선도하는 혁신 창업국가’ 달성을 제시하였다. 같은 해 8월 대통령 직속 ‘4차 산업혁명위원회’를 신설하고, 인공지능, 소프트웨어, 하드웨어, 데이터·네트워크 각 분야 핵심 원천기술 및 이를 활용한 융합기술 개발을 지원하며, 신산업 성장을 위한 규제 개선 및 제도 정비를 추진하는 것 등이 주요 내용이다. 특히 산업통상자원부는 2017년 4월 「스마트 제조혁신 비전 2025」를 발표하였고, 2025년까지 스마트공장 3만개 구축 계획을 밝혔다.
 

한국 경제에서 제조업의 영향력은 상당하다. 2010년 이후로 제조업 비중이 하락해 왔지만, 총 부가가치의 29.5%가 제조업에서 비롯되고 있다. 그러나 한국의 제조업 경쟁력은 해마다 약화되고 있으며, 주요 제조업 대상국과 견주어 세계 시장점유율은 점점 떨어지고 있어 4차 산업혁명 대응을 통한 제조업 혁신이 요구되는 시점이다.


본고에서는 제조 분야에 활용 가능한 기계학습 기술들에 대해서 살펴보고, 이와 관련된 머신러닝 자동화 솔루션인 DataRobot의 장점을 소개한다.                                         

AI(기계학습)의 역할이 기대되는 제조업 분야로 다음 5개 분야를 예로 들 수 있다.


제조업에서 AI(기계학습)활용 5개 분야

  1. 제조업에 국한되는 것은 아니지만, 제품의 수요와 매출을 예측하는데 AI가 활용될 수 있다
  2. 제조업의 핵심인 R&D에서는 재료의 특성을 분석 하고, 재료 선정 및 테스트 과정을 간소화하여 제품이 출시될 때까지의 시간을 단축할 수 있다.
  3. 다음은 생산라인이다. 생산라인에서는 불량품이나 설비 고장을 사전에 예측하여 비용을 줄이고, 수율을 향상시킬 수 있다.
  4. IoT와 AI를 활용한 사후 관리의 자동화이다. 모든 제품이 인터넷에 연결되면 제품에서 보내오는 데이터 를 학습함으로써, 제품의 이상 감지 및 장애 예측이 가 능하다. 이를 통해 제품의 성능을 지속적으로 업데이트 하고, 사용자 및 환경의 요구에 따라 부가가치 애프터 케어를 제공할 수 있다.
  5. 마지막으로 스마트한 제품이다. 제품에 기계학습 모델을 탑재하여 더 똑똑한 선택을 실시간으로 오프라 인에서 실시하는 제품으로 진화할 수 있다. 제품이 자 동으로 예측을 기반으로 제어하고 통신을 하여 사용자 를 지원할 수 있다.

위의 5개 분야 외에도 다양한 분야가 있겠으나 제조 현장에서 임팩트가 더 명확한 생산라인과 R&D 등 제 조업의 핵심 분야에 초점을 맞추어 제조 현장에서 사용 가능한 기계학습에 대해 더 소개하겠다.


제조 현장에서 사용 가능한 기계학습

생산과정에서 시계열 센서 데이터 및 이벤트가 발생 하고, 각종 제어 파라미터 및 작업의 결과가 기록된 로 그 데이터가 엄청난 양으로 만들어지고 있다. 이러한 데이터를 활용하여 불량품 감지 및 예방정비 또는 재료 의 특성 예측에 기계학습을 적용할 수 있다.


품질 결함 감지

생산라인에서는 더 나은 품질과 성능을 달성함으로 써 비용을 절감할 수 있다. 기계학습에서는 재료 등의 제조 사양 및 생산 현황 등의 제조 조건에 관한 데이터 에서 그때 만들어진 품질을 예측한다. 품질검사에서 불 량품일 확률이 높은 것만 사람이 검사를 실시하여 검사 공정의 비용 절감과 리드타임의 단축이 가능하다.

또한 기계학습 모델을 가시화하여 문제 요인을 발견 하고, 불량품이 나오지 않도록 프로세스를 개선함으로 써 수율의 향상을 도모한다. 여기에서 말하는 기계학습 모델의 가시화는 어떤 요인이 불량품의 발생에 영향을 주고 있는지, 어떤 요인을 변경하여 품질이 어떻게 바 뀌는지 기계학습모델이 발견한 복잡한 패턴을 설명할 수 있는 시각화를 의미하는 것이다.


예방 정비

생산라인에서 제품을 만들기 위해 필요한 시설의 관 리도 중요하다. 기계학습은 생산 설비에서 나오는 전 류, 진동, 소리 등 다양한 데이터를 학습하여 그 설비 자체의 고장 및 잔존 수명을 예측할 수 있다. 기계학습 모델이 설비 이상 조짐을 파악할 수 있는 것이다.

예지뿐만 아니라, 기계학습 모델의 가시화는 고장 요인을 특정할 수 있어 이를 바탕으로 유지보수를 사전에실시하는 것으로 설비의 가동률 향상을 도모한다.


특성예측

새로운 제품이나 재료를 검증하는 R&D도 제조업의 핵심 중 하나다. R&D에 있어서 고려해야 할 방법은 무 한하다. 예를 들어, 더 강도 높은 콘크리트를 창출하기 위해 여러 가지 재료의 혼합 방법을 시뮬레이션을 통해 최적화한다. 더 성능이 좋은 철이거나 플라스틱과 잉크 개발 등 비슷한 사례는 많이 있다. 기계학습 모델 특성 을 예측하여 고려사항을 우선 순위로 지정할 수 있다. 테스트의 횟수를 줄임으로써 보다 효율적인 R&D가 가 능하다.

 

특성예측 제조업에서 자주 활용되는 DataRobot기능

DataRobot에서는 기계학습의 자동화뿐만 아니라, 기계학습 모델의 가시화에 힘을 쏟고 있다. 주어진 데이터의 특성에 맞는 다양한 기계학습 모델을 망라하여 자동으로, 그리고 초고속으로 더 좋은 모델을 더 빨리 발견할 수 있다. 또한, 모델의 구축 및 검증뿐만 아니라 모델을 예측에 사용하는 곳도 DataRobot은 자동화되 어 있다. 몇 개월 걸리던 모델의 구축 및 검증, 그리고 배포가 몇 시간 만에 끝낼 수 있다. 이뿐만 아니라, Data Robot에서 모델을 이해하고 예측을 설명하기 위한 다양 한 시각화 기능이 준비되어 있다. 특히 특징량의 임팩트, 모델 X-Ray, 리즌 코드의 세 가지 기능이 제조업에서 잘 활용되고 있다.


특징량의 임팩트

DataRobot은 선택한 모델의 예측에 어떤 특징량이 영향를 미치고 있었는지 이해하기 위한 기능이 있다. 예측의 대상이 된 대상에 대해 영향이 가장 컸던 특징 량의 영향 정도를 100%로 했을 때 다른 특징량이 얼마 나 영향을 미쳤는지 표시한다.

특성을 예측하는데 중요한 재료와 가공조건이 공개 됨으로써 재료 선정과 가공조건의 조정을 효율화할 수 있다. 예를 들어, 영향력이 적은 재료와 가공조건을 제거하여 재료와 테스트 비용과 시간을 절감할 수 있다. 마찬가지로 결함 감지 및 예측에 영향을 미치는 요인을 이해하여 효율성을 더 높일 수 있다.


모델X-Ray

모델 X-Ray는 특징량의 값을 바꿀 때 예측에 어떻게 영향을 미치는지 명확하게 확인할 수 있다. 예를 들어, 파라미터 변경이 불량품이나 설비 고장 예측에 어떤 영향을 미치는지를 이해할 수 있다.


리즌(Reason)코드

제조업에서 잘 활용될 Data Robot의 또하나의 기능은 리즌 코드이다. 정확한 예측 모델을 구축했다고 해도 모델이 설명할수 없는 예측 결과를 행동으로 반영시키는것은 어렵다. 예를 들어, 센서 데이터를 활용하여 프로세스를 개선하기 위해 센서 데이터의 패턴과 불량품인지 여부의 관계를제대로 이해하지 않으면 안 된다.

리즌 코드는 예측을 액션에 바로 연결하는데 매우 유용한 기능이다. 예를 들어 불량이나 고장이 생기는 여러가지 이유를 이해함으로써 불량이나 고장이 발생하지 않도록 세밀한 파라미터의 튜닝(액션)을 할 수 있다. 이렇게 하여 리즌 코드는 예측을 사용하는데 도움을 준다.


이상치 탐지

마지막으로, 제조업에서 불량이나 고장이 자주 발생하는 것이 아니라 어떤 이상이 원인인 경우가 많다. 과거의 결함이나 고장의 데이터가 충분히 존재하지 않는경우, 지도학습을 할 수 없다. 이상치 탐지는 이상치와 특이성을 데이터에서 검출하는 방법으로 뭔가 평소와 다른 일이 일어나고 있다는 것을 경고해 준다.DataRobot에는 다양한 이상치 탐지 모델이 준비되어 있다. 이상치 탐지가 활용이 가능한 데이터의 경우 이상치 탐지 모델을 비교할 수 있다.



정리

제조 경쟁력을 강화하기 위해 필요한 여러 요소들 중에 AI(기계학습)의 활용은 당연시되고 있지만, 아직도많은 기업들은 데이터 수집단계에서부터 어려움을 겪고 있거나 대량의 데이터를 수집하고도 활용을 못하고있다. 한컴MDS는 산업용 IoT 플래폼 ThingSPIN(씽스핀)을 통해 데이터 수집 및 통합은 물론 가시화까지 지원하고 있으며, 제조업 특성과 복잡한 데이터의 활용을위해 DataRobot의 압도적인 정확성과 속도, 그리고 자동화로 제조 현장에서 활용할 수 있는 기계학습을 제공하고 있다.

[참고자료]

•DataRobot : DataRobot은 세계 유수의 데이터 과학자들의 지식, 경험 및 모범 사례를 포착하여 기계학습 이니셔티브에 대한 타의 추종을 불허하는 수준의 자동화및 사용 편의성을 제공한다. DataRobot을 사용하면 전통적인 데이터 사이언스 방법을 사용하여 소요되는 시간보다 훨씬 짧은 시간에 정확한 기계학습 모델을 구축하고 배포할 수 있  다.

•ThingSPIN : ThingSPIN은 산업용 데이터의 실시간수집과 저장, 가시화를 통해 설비 모니터링, 생산 공정감시, 에너지 관리 등의 산업용 IoT 서비스를 구축하기위한 기반 플랫폼이다.

•산업통산자원부, 중소벤처기업부 홈페이지

•삼성뉴스룸(https://news.samsung.com)

•Smart Factory 컨퍼런스 발표 자료(http://www.kosmia.or.kr/data/event.html)


한컴MDS(주) ICT사업부

월간 계장기술 07월호 바로가기