.svg)
AI 솔루션 문의하기
제조업에서 인공지능과 머신러닝 기술을 활용해 품질 향상과 불량률 최소화를 위한 핵심 전략이 확산되고 있습니다. 제품 품질 분석 및 보정 자동화는 데이터 수집과 전처리 그리고 분석과 품질 예측 그리고 보정과 피드백 루프를 거치는 과정으로 구성됩니다. 이 기술은 불량률을 최소화하고 공정제어를 통해 고객 만족도를 높이고 비용을 절감하며 안전성 강화 및 규제 준수를 보장해 경쟁력을 강화합니다. 자동화 시스템은 품질을 일관되게 유지하고 개선해 고객과 기업 모두에게 혜택을 제공합니다.
딥러닝 기술과 이미지 프로세싱 기술을 활용해 최적의 절단 각도를 예측하고 실제 절단 단면을 검증할 수 있습니다.
반복 작업으로 인한 휴먼 에러를 최소화하고 불량률을 최소화하는 효과를 거두고 있습니다.
설탕 제조 공정 중 결정관에서의 입도 품질 불량을 해결하고 비용 부담을 줄이기 위해 데이터 분석 기술을 도입한 사례가 있습니다. 데이터 분석을 통해 제품 수율을 크게 제고할 수 있었고 높아진 제품 수율을 기반으로 성장하는 데 성공했습니다. 최종적으로 판매를 위한 완제품의 품질이 가장 중요하며 이것은 수율인 전체 제품 대비 정상 제품의 비율로 관리를 하는데 생산 데이터의 변화 내용을 분석하고 활용해 품질과 수율을 예측할 수 있다면 생산 물량 관리와 공정 운영 측면에서 큰 도움이 됩니다.
수율 및 품질 예측에 사용된 데이터를 생산하는 설비 자체의 성능과 생산성 변화를 예측하는 데도 활용할 수 있습니다. 수율 및 품질 개선을 위해 불량의 유형을 자동으로 분류하고 품질 및 설비의 생산성 예측을 기반으로 한 공정 품질 최적화 목표 달성에 여러 가지 인공지능 기법이 사용되고 있습니다. 불량을 줄여 품질을 높이기 위해서는 불량 유형별 원인과 생산 데이터와의 상관성을 분석하고 생산 조건을 조정해야 하는데 만약 불량 유형이 매우 다양하며 그 모수 자체가 많지 않은 경우에는 좋은 분석 결과를 도출하기 어렵고 특히 이런 불량을 예측하는 것은 더욱 어려운 과제가 됩니다.
다양한 환경에 적용 가능한 반응형 예측 시스템 구축이 진행되고 있습니다.
순차적으로 진행되는 제조공정의 정체 및 이상 현상을 조기에 탐지할 수 있는 공정진행 예측모델 기반의 모니터링 방법론을 개발해 공정의 수율을 향상시킵니다.
자가 진단 및 개선을 위한 지능형 제조 환경 구축이 추진되고 있습니다. 순차적으로 진행되는 제조공정 상황을 반영해 불량을 유발하는 혐의공정을 탐지하고 이를 시각화해 설명 가능한 공정관리의 가이드라인을 제시합니다. 실시간으로 수집되는 설비 파라미터의 관계를 네트워크로 표현하고 이를 통해 설비 건강도 진단에 핵심적인 설비 파라미터를 판별합니다. 제품의 불량 원인을 규명하기 위한 딥러닝 기반 불량활성화지도를 개발하고 불량 판정텍스트를 일반화해 현장 전문가에게 인사이트를 제공합니다.
제조 산업에서 발생하는 불량 및 이상 현상을 효율적으로 탐지하고 예측하기 위한 인공지능 기반 솔루션 개발이 진행되고 있습니다. 비전 기반 이미지 분류와 센서 기반 시계열 분석을 통해 불량 유형을 자동으로 판별하며 미관측 신규 이상 대응과 라벨 오류에 대한 강건성 확보 그리고 소량 데이터 환경에서도 높은 성능을 유지하는 알고리즘 개발에 중점을 둡니다. 섬유와 반도체 그리고 펌프와 교통 인프라 등 다양한 산업 현장을 대상으로 실제 적용 가능한 고성능 모델을 구현하고 현장 실증을 통해 산업 활용 가능성을 검증합니다.
딥러닝 기반 이미지 분류 모델을 활용해 제조 공정 중 발생하는 불량을 자동으로 탐지하는 알고리즘을 개발합니다.
다양한 산업 사례에서 높은 정확도를 달성했으며 산업별 특성에 맞춘 맞춤형 불량 탐지 기술로 확장 가능한 연구를 수행하고 있습니다.
인공지능을 활용한 예지 보전과 공정 품질 최적화의 결과를 실제 제조 현장에 빨리 적용해 효과를 보기 위해서는 시스템이 자율적으로 의사 결정을 하거나 엔지니어의 의사 결정을 지원하고 그 의사 결정 내용을 자동으로 적용할 수 있어야 합니다. 과거 이력을 바탕으로 지식 저장소를 구축하는 것이 중요한데 비정형 데이터를 포함해 다양한 형태로 산재되어 있는 엔지니어의 지식과 노하우 그리고 사고 처리 이력 등을 정형화하고 이에 대한 의미 있는 연관성을 부여합니다. 엔지니어는 여전히 자신의 경험과 직관에 의해 판단하려고 하는데 데이터 및 인공지능 모델 기반의 결과를 얼마나 잘 적용할 수 있는지가 도전 과제입니다.
인공지능 영상 분석 기술을 도입한 스마트 제조 결함 분석 인공지능 설비 시스템을 통해 제품 신뢰도를 향상시키고 검수 효율성을 극대화하고 있습니다. 이 시스템은 컨베이어벨트 상의 결함 부품을 실시간으로 식별해 생산성을 높이는 데 기여하지만 진정한 가치는 결함을 검출하는 것뿐 아니라 데이터 기반의 심층적인 분석과 개선 통찰력을 제공하는 데 있습니다. 인공지능 기반 결함 분석 시스템에서 생성되는 방대한 불량 데이터를 웹 환경에서 실시간으로 조회하고 분석할 수 있는 환경을 구축했는데 불량 유형별 발생 빈도와 추이 분석 그리고 설비 별 결함률 등을 한눈에 파악할 수 있는 맞춤형 대시보드를 개발해 데이터 기반의 의사 결정을 신속하게 내릴 수 있게 되었습니다.
제한된 상황에서도 중소제조기업에 가시적인 이익을 가져다주는 것을 목표로 불량예측과 불량원인분석을 수행합니다. 적은 수의 샘플과 적은 수의 양품과 불량품 레이블링 상황에서도 특정 조건인 속도와 온도 그리고 압력에서의 생산품 불량예측과 생산품 불량을 유발하는 조건을 찾아내는 불량원인분석을 수행하는 것입니다. 소량의 레이블된 데이터와 다량의 레이블되지 않은 데이터를 포함하고 있는 플라스틱 사출성형 공정의 제조데이터에 준지도학습을 적용했는데 인공지능 모델 적용을 통한 불량예측과 불량원인분석을 통해 가시적인 불량률 감소 효과를 기대할 수 있습니다.
제조 공정을 기반으로 개발된 인공지능 모델을 유사 공정을 보유한 타 중소제조기업에 적용할 수 있습니다. 소량의 레이블된 데이터를 기반으로 개발된 준지도학습 모델을 다량의 레이블된 데이터를 얻기 힘든 제조업 이외의 타 분야에도 적용 가능할 것으로 기대됩니다. 제품 품질 예측과 설비 생산성 예측을 통해 생산 납기 준수율이 증가하고 예측된 값을 활용 시 공정 운영성이 개선됩니다. 여러 데이터와 인공지능 기법을 이용해 다양한 시뮬레이션을 실행하고 이는 설계 개선 및 생산 최적화로 이어질 수 있습니다.
불량 예측 시스템은 지속적으로 고도화될 것으로 전망됩니다. 실시간 데이터 분석 기술이 발전하면서 불량 발생을 사전에 예측하는 능력이 향상되고 있고 딥러닝 모델이 지속적으로 학습해 예측 정확도가 높아지고 있습니다. 클라우드 기반의 구독형 솔루션과 엣지 기반 인공지능 솔루션이 등장하면서 중소기업도 저비용으로 인공지능 도입이 가능해졌으며 제조 실행 시스템이 없어도 센서와 카메라만으로 시작할 수 있는 불량 검출 솔루션 등도 존재합니다. 인공지능은 한 번 설치하는 소프트웨어가 아니라 살아있는 분석 시스템이므로 현장 조건 변화에 따라 모델 성능이 떨어질 수 있어 정기적인 성능 모니터링과 재학습이 중요합니다.
.svg)
.svg)
