인공지능 기계산업분석 - 인공지능 활용사례2

◯ (머신 비전) 딥러닝 기반의 인공지능 알고리즘을 제조업에 적용할 때 가장 큰 효과를 기대할 수 있는 분야

- 딥러닝을 적용한 머신 비전 검사를 통해 검사 속도와 정확도 향상, 예외 처리의 자동화가 가능할 것으로 기대
※ 기존의 규칙 기반의 머신 비전 검사는 모든 상황에 대해 세부적인 규칙을 정의해 주어야 하며 약간만 규칙에서 어긋나면 불량을 인식하지 못하는 단점
※ 딥러닝은 이미지의 특징을 스스로 추출하여 인식할 수 있기 때문에 모든 규칙을 일일이 정의할 필요가 없고 정확도도 기존 머신 비전 검사보다 향상
- 제품 표면의 불량 여부, 부품이 정상적으로 장착되었는지 여부에 대한 판정, 제품의 포장 상태 점검 등과 같은 분야에 활용 가능
※ 반도체, 디스플레이뿐만 아니라, 전기전자, 기계, 식품, 유통 등 비전검사를 적용하는 거의 모든 산업 영역에서 활용할 수 있을 것으로 예상
※ 인공지능 분야의 세계 3대 권위자인 앤드류 응(Andrew Ng)도 제조업 비전검사를 위한 스타트업 업체인 Landing.AI를 2017년에 창업하고 최근 팍스콘에 기술 공급 시작

머신 비전 적용분야

반도체 디스플레이

■ 반도체 웨이퍼, 디스플레이 표면 검사

■ 태양광 패널 검사

전기전자 기계

■ PCB 검사, 부품 실장 여부 판독

■ 휴대폰 키패드 불량 검사

■ 부품 조립상태 검사

식품 유통

■ 음료수 충전 수위, 식료품 포장 상태 검사

■ 바코드 불량 여부 판독, 유통기한 점검

◯ (예지 정비) 머신러닝 알고리즘의 예측 성능이 과거에 비해 크게 향상됨으로써 기기나 설비의 고장 여부를 사전에 예측하여 정비

- 예지 정비를 통해 설비의 예기치 않은 고장을 사전에 예측할 수 있다면 납기단축과 설비 수명 연장을 통한 원가절감 가능
※ 현재는 고장이 없더라도 정기적으로 정비를 시행하거나 설비의 진동이 정상 범위를 벗어날 때 정비를 시행(IBM의 분석에 따르면 설비 고장의 89%는 시간 경과와 무관하게 무작위로 발생하기 때문에 정기 보수를 하더라도 2차 결함이 발생할 수 있음, 진동만으로는 설비 고장의 이상 징후를 사전에 감지하는 데 한계)
※ 예기치 않은 고장이 발생하면 고장의 원인을 진단하고 수리를 진행하는 수일에서 수 주 동안 가동 중단으로 인한 막대한 기회비용이 발생(특히, 정유, 제철 등의 연속생산이 이루어지는 산업은 일부 설비의 고장이 전체 공정의 중단으로 이어지기 때문에 예지 정비가 더욱 중요)
- 머신러닝을 이용하여 고장 발생 수주에서 수개월 전에 설비 이상 가능성을 예측
※ 일례로 호주 LNG 정제기업 Woodside는 액체와 기체 혼합 시의 거품 발생 현상을 1~2개월 전에 예측하여 장비 고장과 가동 중단에 따른 손실을 방지
- 예지 정비 분야는 적용 초기 단계로 더 많은 연구가 필요하며, 실제 적용을 위해서는 IoT 기반의 데이터 수집 인프라가 확충되어야 함
※ 딥러닝 알고리즘 중 RNN(Recursive Neural Network)과 LSTM(Long Short Term Memory)을 적용하여 예지 정비에서 효과를 거둔 사례들이 최근 학계와 업계에 보고되기 시작
※ 진동, 압력, 유량, 소요 전압, 전류, 기기의 온도 등을 측정하는 다양한 센서로부터 IoT를 통해 실시간으로 데이터를 수집할 수 있는 시스템이 필요

◯ (가상 시운전) 기기와 설비에 대한 CPS(Cyber Physical System, 사이버 물리 시스템)를 구축하여 시행착오에 따른 오류와 비용을 절감

- 현실의 기기나 설비를 컴퓨터 프로그램 상에서 가상으로 구현하면 시뮬레이션을 통해 최적의 운영 방안을 쉽게 도출할 수 있음

※ CNC(Computerized Numerical Control, 컴퓨터 수치 제어 공작 기계)의 가상 시뮬레이터를 활용하면 실제 적용하기 전에 부품 생산을 위한 최적 프로그래밍이 가능해지면서 시간과 비용을 절감

※ 공장 자체를 CPS로 구현하면 가상 시운전을 통해 공장 운영 과정의 비효율성을 사전에 점검하거나 교육 및 훈련 프로그램으로 활용 가능

Fanuc의 ‘CNC 시뮬레이터’와 지멘스의 ‘가상 공장’

※ 출처 : Fanuc

※ 출처 : 지멘스

◯ 테슬라(Tesla)의 지능형 유연 생산

- 미국 캘리포니아주 프리몬트 공장에서는 로봇이 사람과 함께 전기차 생산
- 로봇 카트가 공장 바닥에 깔린 자석 띠를 따라 제품을 이동하는 ‘스마트 무브’가 설치되어 있으며, 레이저 절단 로봇이 부품을 자르고 쿠카(Kuka) 로봇이 알루미늄과 철제 부품들을 조립해 차체를 제작

◯ 지멘스(Siemens)의 세계 최고의 지능형 공장

- 사이버물리시스템을 바탕으로 제품의 시장 적기 출시, 생산 설비의 유연성, 효율적 생산 등 세 가지 키워드의 실현 목표
- 제품의 전체 과정을 일괄적으로 관리함으로써 공장의 디지털화, 자동화, 지능화

◯ 미쓰비시 전기의 e-F@ctory

- 일본의 대표적인 스마트 팩토리 강자로, 제조업 환경 변화를 선제적으로 준비하여 2003년부터 ‘e-F@ctory’라는 스마트 팩토리 솔루션 제시
- e-F@ctory는 제조현장의 원활한 네트워킹 및 데이터 관리 솔루션으로, 실시간으로 에너지 사용량, 생산라인 및 설비 가동상황을 유지하거나 예측하는 공정 지능화

◯ GE의 생각하는 공장

- 2015년 2월부터 인도에서 GE의 ‘생각하는 공장(Brilliant Factory)’ 가동
- 항공, 발전, 오일 및 가스, 운송에 이르기까지 GE의 네 가지 사업영역에 필요한 제품을 한 곳에서 생산하는 멀티모달 공장(Multi-Modal Factory)
- 공장 내의 설비와 제품이 생성하고 송수신하는 정보를 연결하고 교환
- 인터넷을 통해 공급망, 서비스, 유통망과 연결되어 밸류체인 전반에 걸친 생산 최적화를 유지하도록 설계

◯ 머신러닝 기반 사이버 보안 시스템을 도입한 스틸케이스

- 미국계 사무용 가구 제조기업 스틸케이스(Steelcase)는 머신러닝 기술과 사이버 보안을 접목한 다크트레이스(Darktrace)의 솔루션을 도입
- 다크트레이스에서 개발한 사이버 보안 솔루션은 다양한 소스로부터 네트워크 데이터를 수집한 후, 일정 기간 동안 정상적인 트래픽 상태와 기업에서 통용되는 네트워크 패턴을 감지해 낼 수 있도록 학습. 학습 후 머신러닝 기법과 고도화된 수학적 모델링을 통해 분석한 패턴을 벗어난 경우 스스로 비정상적인 행위를 감지해 대응

(시사점)

제조업 AI의 활용 가치는 품질검사, 예지정비, 가상 시운전, 유연생산, 보안까지 전 공정으로 확장되고 있다.

특히 딥러닝 기반 머신비전은 기존 규칙 기반 검사보다 예외 상황에 강하고, 반도체·전자·기계·식품·유통 등 다양한 산업에 적용 가능해 가장 즉각적인 성과를 낼 수 있는 분야다.

예지정비는 설비 고장을 사전에 예측해 가동 중단 손실을 줄이고, CPS 기반 가상 시운전은 실제 투자 전 공정 오류와 비용을 줄이는 역할을 한다.

테슬라, 지멘스, 미쓰비시, GE 사례는 AI 제조혁신이 개별 설비 자동화를 넘어 데이터로 연결된 지능형 공장과 가치사슬 최적화로 나아가고 있음을 보여준다.

따라서 국내 기업은 AI 도입을 단편 기능이 아닌 품질·설비·생산·보안이 연결된 통합 스마트팩토리 전략으로 추진해야 한다.