.svg)
AI 솔루션 문의하기
제조업에서 인공지능 활용 가치는 여러 영역에서 증명되고 있습니다. 설비 고장 예측을 통한 가용성 확보와 수율 및 품질 향상 그리고 설비 생산성 증가와 공정 운영성 개선 및 안전 사고 예방이 주요 영역입니다. 과거 데이터를 이용해 지식 기반의 기초를 만들고 새로운 데이터가 수집될 때마다 데이터 간의 상관성을 분석해 지식 기반을 업데이트하며 설비 이상 등 이벤트가 발생한 경우에 저장된 지식 기반에서 과거 유사 패턴을 찾아 엔지니어의 의사 결정을 지원하는 시스템을 만듭니다.
데이터 관점에서 설비 이상이 감지된 경우 지식 기반을 통해 과거 유사한 이상 패턴을 탐색합니다.
이상 징후를 감지했을 때 이것이 진성 알람인지 가성 알람인지 구별해야 하며 진성 알람의 경우에는 이에 대한 적절한 조치 내용까지 지식 기반에 구축되어야 합니다.
조명과 배경 그리고 제품의 각도와 카메라 위치 등 환경이 통제된 결함 검사와는 다르게 공정은 시간이 지나면서 여러 요소에 의해 환경이 바뀌게 됩니다. 장치 곳곳에 먼지가 쌓이거나 부품을 교체하거나 조명이 바뀌거나 혹은 기계 진동이나 설비 점검에 의해 카메라가 틀어질 수도 있는데 이러한 환경 변화는 이상 감지 성능을 떨어뜨리게 됩니다. 환경 변화가 발생할 때마다 매번 새로 학습을 하는 것은 번거로우며 사용성이 매우 떨어져 시간과 인력의 낭비를 불러옵니다.
이상 감지 시스템은 환경 변화에 대응하는 기능을 갖추고 있습니다.
공정 속도의 변화인 멈춤이나 느려짐을 감지할 수 있으며 이러한 동작들이 이상 감지 성능에 영향을 주지 않도록 설정할 수 있고 사용자가 원할 경우 이를 이상 감지로 판별할 수 있도록 설정할 수 있습니다.
공정을 모니터링하기 위해서는 적게는 한 개에서 많게는 수십수백 대의 카메라가 필요합니다. 각 카메라별로 이상 감지 모델을 학습하고 모니터링하는 것은 굉장히 복잡한 일이 될 것인데 보다 쉽게 공정을 모니터링할 수 있도록 머신러닝 운영 시스템을 도입했습니다. 머신러닝 운영은 기계학습 시스템 개발과 운영을 통합한 시스템으로 여러 라인에 있는 수십 개의 공정들을 한 번에 통합 관리할 수 있으며 모니터링이 가능합니다.
설비 이상 감지와 고장 예측에 인공지능을 적용하기 위해서는 설비의 건강 상태를 잘 대변할 수 있는 파라미터 선택이 중요합니다. 기본적으로 설비로부터 수집되는 모든 데이터를 활용해 인공지능 모니터링 분석 모델을 생성하는데 다양한 데이터 중에서 진동 센서는 조기에 설비 이상 여부를 감지함으로써 예지 정비에 매우 효과적입니다. 진동의 요약 값과 다른 파라미터를 이용해 만든 모델로 전반적인 설비의 건강도를 모니터링하고 이상 발생 시 고속 푸리에 변환으로 변환된 진동 스펙트럼 데이터들은 회전체 설비의 고장 유형 분석에 탁월한 결과를 제공할 수 있습니다.
설비 건강도를 기준으로 모니터링할 경우 설비 이상 감지에 활용할 수 있고 같은 데이터를 시간 기준으로 모니터링할 경우 설비의 잔존수명을 예측하는 데 활용할 수 있습니다.
현재 시점의 설비 건강도 값과 그 값이 변화해온 이력을 투영해 이러한 추세와 패턴이 실제로 설비 고장에 대한 임계값에 언제 도달할지 예측해낼 수 있습니다.
제조 시작부터 완성까지의 공정과 설비간의 순차적이고 유기적인 상황을 반영해 설명 가능하고 세분화된 공정상황을 반영해 정확하게 예측하며 최적 제조 공정 제어가 가능한 기술을 개발하고 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. 순차적으로 진행되는 제조공정의 정체 및 이상 현상을 조기에 탐지할 수 있는 공정진행 예측모델 기반의 모니터링 방법론을 개발해 공정의 수율을 향상시킵니다. 공정을 수행하는 설비의 고장시점과 원인을 조기에 탐지할 수 있는 해석 가능한 딥러닝 모델을 통해 설비의 예지보전을 실현하고 있습니다.
인공지능 시스템은 기계의 센서 데이터를 분석해 고장이 발생하기 전에 예측함으로써 예기치 않은 다운타임과 유지보수 비용을 줄여줍니다.
제조 설비의 마모 및 고장을 실시간으로 모니터링하는 예지보전 시스템이 도입되어 설비의 가동 데이터를 분석해 고장 패턴을 특정하는 알고리즘을 구축합니다.
인공지능은 컴퓨팅 비전과 머신러닝을 사용해 실시간으로 결함을 식별함으로써 품질 관리 프로세스를 향상시킵니다. 이러한 시스템은 제조되는 제품의 이미지를 분석해 인간 검사자보다 불일치나 결함을 더 정확하게 찾아냅니다. 인공지능 기반 자동화와 사물인터넷 센서 및 실시간 데이터 분석 기능을 갖춘 시스템이 유연하고 현지화된 생산을 가능하게 합니다. 인공지능은 센서와 장비 그리고 생산 라인의 대량의 데이터를 분석해 효율성을 최적화하고 품질을 개선하며 다운타임을 줄일 수 있습니다.
협동 로봇은 인간 작업자와 함께 작업하도록 특별히 설계되어 반복적이거나 육체적으로 힘든 작업을 처리하면서 생산성과 안전성을 향상시킵니다. 전자제품 제조업체는 협동 로봇을 사용해 부품을 정밀하게 배치함으로써 조립 공정의 효율성과 정확성을 크게 향상시킵니다. 협동 로봇은 인간의 능력과 기계의 정밀도 사이의 간극을 메워주는 자동화의 중요한 발전입니다. 자동차 제조업체는 조립 라인 로봇에 예측 유지보수를 도입해 예기치 않은 가동 중단 시간을 크게 줄이고 상당한 비용 절감 효과를 거두고 있습니다.
스마트 센서를 통해 제조 공정을 제어하는 기술이 발전하고 있습니다. 설계 자동화와 칩 재료 개발 그리고 파운드리 수율 개선 등 다양한 제조 프로세스에서 인공지능을 도입하고 있으며 생산 효율과 품질을 향상하는 데 주력하고 있습니다. 도장 공정 및 품질 관리에서 인공지능을 도입해 색상 관리 항목을 디지털화하고 개발 속도를 높였습니다. 도료 배합을 시뮬레이션해 도장이 완료된 차체를 시각적으로 재현하고 실제로 도장하지 않고도 품질을 평가할 수 있습니다.
.svg)
.svg)
