① 규칙 기반 머신 비전은 허용 범위를 벗어난 결함 검출 불가
◯ (산업 전반에 광범위하게 사용되는 머신 비전) 제품의 표면 검사, 물리적 결함 추적, 컨베이어의 물체 수 파악, 섬유 제품의 검사, 색깔 검사, 인쇄회로기판(pcb) 검사, 포토마스크, 반도체제조, 결점존재·부재확인, 로봇유도, 크기 및 모양 확인, 부품 누락 여부 검사, 올바른 장착, 배치, 현미경으로 볼 정도로 미세한 부품의 완성도 확인, 일련번호 판독을 카메라, 영상보드, 광학기기, 영상처리소프트웨어 등을 이용하여 수행
- 반도체 제조는 머신 비전 검사 기술에 크게 의존
- 최근의 머신비전은 각종 산업분야가 자동화로 전환되면서 반도체 업계는 물론 알루미늄, 자동차, 휴대폰, 물류, 제약·의료, 식음료, 소비재, 목재, 섬유, 유리, 철, 주조, 화학 등 거의 업계 전체의 생산 공정에 단순한 측정뿐만 아니라 획득한 영상 처리, 판단 프로세서까지 사용자의 목적에 맞게 광범위하게 사용
- 최근의 머신비전은 각종 산업분야가 자동화로 전환되면서 반도체 업계는 물론 알루미늄, 자동차, 휴대폰, 물류, 제약·의료, 식음료, 소비재, 목재, 섬유, 유리, 철, 주조, 화학 등 거의 업계 전체의 생산 공정에 단순한 측정뿐만 아니라 획득한 영상 처리, 판단 프로세서까지 사용자의 목적에 맞게 광범위하게 사용
◯ (현재의 머신 비전) 주로 ‘규칙 기반(Rule based)’ 기반으로, 양품과 불량품 데이터를 각각 대량으로 확보한 뒤 카메라로 촬영한 제품 사진과 비교해 불량 검출
- 정해진 DB와 기준 안에서만 검사를 수행하기 때문에 예외의 경우 정상 제품을 불량으로 인식하는 ‘과검’이나, 아예 불량품을 인식하지 못하는 ‘미검’이 다수 발생
- 또 검사 환경이 바뀔 경우 데이터를 새롭게 다시 구축해야 하며 신제품 역시 불량 제품에 관한 데이터가 적다면 초기에 사람이 이를 일일이 분류해야 함
- 정해진 DB와 기준 안에서만 검사를 수행하기 때문에 예외의 경우 정상 제품을 불량으로 인식하는 ‘과검’이나, 아예 불량품을 인식하지 못하는 ‘미검’이 다수 발생
- 또 검사 환경이 바뀔 경우 데이터를 새롭게 다시 구축해야 하며 신제품 역시 불량 제품에 관한 데이터가 적다면 초기에 사람이 이를 일일이 분류해야 함
머신 비전 검사 알고리즘의 문제점
② 현재의 진단예지(PHM) 기술은 수많은 고장 데이터가 요구됨
◯ ‘시스템 고장진단 및 예지기술(PHM, Prognostics and Health Management)’이 주목받고 있지만, 고도의 전문 지식과 수많은 고장 데이터가 요구된다는 점이 한계
- 산업현장의 설비들은 수많은 물리적 구성품이 복합적으로 묶여져 있는 하나의 시스템. 따라서 한 부품의 불시 고장은 전체적인 시스템의 성능 저하 및 엄청난 인적, 물적, 사회적 손실을 초래. 향후 산업설비의 용량 및 복잡도가 증가할 것을 고려하면 신뢰성 있는 시스템 관리는 중요. 이에 대한 대안으로, 센서를 이용해 산업설비의 상태를 모니터링 하여 고장을 진단하고 잔여유효수명을 예측하는 시스템 고장진단 및 예지기술(PHM, Prognostic and Health Management)이 주목받고 있음
- PHM 기술은 ① 데이터 취득(Sensing), ② 전처리 및 특징인자 추출(Reasoning), ③ 고장 진단(Diagnostics), ④ 수명 예측(Prognostics)으로 진행
- 하지만 PHM 기술을 적용하기 위해서는 해당 분야에 대한 전문적 지식, 시스템에 대한 물리적 지식, 다차원 특징인자 분석, 수많은 고장 데이터가 요구됨
- 산업현장의 설비들은 수많은 물리적 구성품이 복합적으로 묶여져 있는 하나의 시스템. 따라서 한 부품의 불시 고장은 전체적인 시스템의 성능 저하 및 엄청난 인적, 물적, 사회적 손실을 초래. 향후 산업설비의 용량 및 복잡도가 증가할 것을 고려하면 신뢰성 있는 시스템 관리는 중요. 이에 대한 대안으로, 센서를 이용해 산업설비의 상태를 모니터링 하여 고장을 진단하고 잔여유효수명을 예측하는 시스템 고장진단 및 예지기술(PHM, Prognostic and Health Management)이 주목받고 있음
- PHM 기술은 ① 데이터 취득(Sensing), ② 전처리 및 특징인자 추출(Reasoning), ③ 고장 진단(Diagnostics), ④ 수명 예측(Prognostics)으로 진행
- 하지만 PHM 기술을 적용하기 위해서는 해당 분야에 대한 전문적 지식, 시스템에 대한 물리적 지식, 다차원 특징인자 분석, 수많은 고장 데이터가 요구됨
고장예지기술 종류
경험기반방법(Experience based approach)
■ No sensors // No model
■ 시험 또는 가동 중 발생한 고장(수명) 데이터를 이용하여 통계처리 후 수명예측에 활용. 고장 데이터를 와이블 같은 확률분포로 적합한 후 B10수명을 추정하고 MTBF를 결정
※ 단점 : 고장 데이터가 매우 많아야 하며 동일 사용 조건과 고장에 대해서만 사용가능. 센서를 이용한 실시간 결함 모니터링이 아니라서 진정한 PHM으로 볼 수 없음
데이터기반방법(Data-driven approach)
■ Sensors // No model
■ 오프라인에서 Machine Learning 기법(Neural Network, Gaussian Process Model, Relevance Vector Machine 등)을 이용하여 하중(input) 대비 손상(damage) 관계 훈련 후 온라인 모니터링에 적용하여 미래고장을 외삽(extrapolation) 예측
※ 단점 : 훈련을 위해 많은 데이터 필요. 사용조건이 다르면 다시 훈련. 근접 예측은 가능하나 먼 미래예측은 신뢰할 수 없음
모델기반방법(Model based approach)
■ Sensors // Model
■ 물리적 고장 메커니즘 기반 모델(PoF based degradation model) 활용. 온라인 건전성 데이터를 활용하여 손상모델 실시간 업데이트 및 미래예측
※ 단점 : 확립된 고장 물리 모델이 많지 않아 적용분야가 제한적
■ No sensors // No model
■ 시험 또는 가동 중 발생한 고장(수명) 데이터를 이용하여 통계처리 후 수명예측에 활용. 고장 데이터를 와이블 같은 확률분포로 적합한 후 B10수명을 추정하고 MTBF를 결정
※ 단점 : 고장 데이터가 매우 많아야 하며 동일 사용 조건과 고장에 대해서만 사용가능. 센서를 이용한 실시간 결함 모니터링이 아니라서 진정한 PHM으로 볼 수 없음
데이터기반방법(Data-driven approach)
■ Sensors // No model
■ 오프라인에서 Machine Learning 기법(Neural Network, Gaussian Process Model, Relevance Vector Machine 등)을 이용하여 하중(input) 대비 손상(damage) 관계 훈련 후 온라인 모니터링에 적용하여 미래고장을 외삽(extrapolation) 예측
※ 단점 : 훈련을 위해 많은 데이터 필요. 사용조건이 다르면 다시 훈련. 근접 예측은 가능하나 먼 미래예측은 신뢰할 수 없음
모델기반방법(Model based approach)
■ Sensors // Model
■ 물리적 고장 메커니즘 기반 모델(PoF based degradation model) 활용. 온라인 건전성 데이터를 활용하여 손상모델 실시간 업데이트 및 미래예측
※ 단점 : 확립된 고장 물리 모델이 많지 않아 적용분야가 제한적
(시사점)
제조 AI의 대표 적용 분야인 머신비전과 예지정비는 아직 현장 적용 단계에서 구조적 한계를 갖고 있다.
머신비전은 반도체, 자동차, 물류, 제약, 식품 등 거의 모든 제조 공정에 활용될 수 있지만, 기존 규칙 기반 방식은 정해진 기준을 벗어난 결함에 취약하고 환경 변화나 신제품 대응 시 데이터를 다시 구축해야 하는 문제가 있다.
예지정비 역시 설비 고장을 사전에 예측해 손실을 줄일 수 있는 핵심 기술이지만, 경험기반·데이터기반·모델기반 방식 모두 충분한 고장 데이터, 센서 인프라, 물리 모델이 필요하다는 제약이 있다.
따라서 향후 경쟁력은 단순 AI 알고리즘보다 도메인 지식, 센서 데이터 수집, 물리 모델, 현장 검증을 결합한 하이브리드 진단 체계를 구축하는 데 달려 있다고 할 수 있을 것이다.
머신비전은 반도체, 자동차, 물류, 제약, 식품 등 거의 모든 제조 공정에 활용될 수 있지만, 기존 규칙 기반 방식은 정해진 기준을 벗어난 결함에 취약하고 환경 변화나 신제품 대응 시 데이터를 다시 구축해야 하는 문제가 있다.
예지정비 역시 설비 고장을 사전에 예측해 손실을 줄일 수 있는 핵심 기술이지만, 경험기반·데이터기반·모델기반 방식 모두 충분한 고장 데이터, 센서 인프라, 물리 모델이 필요하다는 제약이 있다.
따라서 향후 경쟁력은 단순 AI 알고리즘보다 도메인 지식, 센서 데이터 수집, 물리 모델, 현장 검증을 결합한 하이브리드 진단 체계를 구축하는 데 달려 있다고 할 수 있을 것이다.
댓글 쓰기