인공지능 기계산업분석 - 인공지능 적용 방안5

➎ 도메인 지식 기반 데이터 전처리 기술을 통해 산업인공지능 구현

◯ 산업인공지능은 딥러닝 기술이 특정한 분야에 대해 높은 성능을 지닐 수 있도록 인간 전문가의 도메인 지식을 통해 특수하게 개발되는 기술
- 특히 딥러닝의 종단간 학습(end to end learning) 기법에 도메인 지식을 이용한 전처리 기법을 사용함으로써 산업인공지능의 성능은 크게 향상될 수 있음
- 원시 데이터의 적절한 전처리는 효과적으로 인공지능이 목표를 학습할 수 있도록 탐색 공간을 조절하고 학습을 가속
※ GE는 사용자의 제안에 따라 예측할 데이터의 종류를 추가하거나 제거할 수 있는 기능을 제공
※ IBM은 기본적인 상관성분석, 주성분분석 등을 통해 유용한 데이터를 골라내고 딥러닝 학습
※ 국내 벤처기업인 원프레딕트는 모터, 발전터빈 등을 비롯한 회전체에서의 고장을 더욱 효율적으로 진단하기 위하여 음향·진동 신호를 시간주파수기법 또는 ODR 기술을 기반으로 이미지로 변형하는 기술을 사용 중에 있으며, 유증가스 조성비 전처리를 이용한 변압기 진단 솔루션을 개발
◯ 산업인공지능에서 주로 사용되는 전처리 기법은 이미지 기반과 비이미지 기반, 그리고 또다시 시간주파수표현(TFR, Time-Frequency Representation) 기반과 비시간주파수표현 기반의 기법으로 나눌 수 있음

(가) 이미지 기반 전처리 : TFR 기반

◯ 산업인공지능에서 사용되는 기술은 다층퍼셉트론(MLP, Multilayer Perceptron), 합성곱 신경망(CNN, Convolutional Neural Network) 등과 같은 깊은 신경망이며, 이 중에서도 CNN은 가장 현장 적용성이 높은 기술로 평가 받고 있음. CNN은 영상인식, 자연어 처리 등의 영역에서 높은 성능을 구현

이미지 기반 전처리 : TFR 기반, (a) 푸리에 변환, (b) STFT 변환된 진동신호

(나) 이미지 기반 전처리 : 비TFR 기반

◯ 진동신호 이미지화의 특수한 경우로 회전체 시스템의 센서 위치에 대한 데이터 불변성(invariance)을 확보하기 위한 스팀 터빈의 로터 등에서 진동 신호는 90도 간격으로 위치한 두 개의 근접센서로 측정됨
- 이 경우 로터 축의 진동 방향에 따라 동일한 상태에서 발생하는 신호일지라도 그 형태는 달라져 높은 진단 정확도를 달성하기 어려움. 이러한 문제를 해결하기 위해서, ODR(Omnidirectional Regeneration) 이미지화 기법이 제안되었으며, 이 기법은 raw신호를 일정 각도 간격으로 회전 변환하여 가상의 신호를 생성하고 2차원 이미지를 구성. 이렇게 만들어진 이미지는 시각적인 관점에서 고장에 따른 특징을 더욱 명확히 보여주어 CNN을 통한 고장 진단의 성능을 향상시킴

이미지 기반 전처리 : 비TFR 기반, 음향신호 스펙트럼을 이용한 이미지화

(다) 비이미지 기반 전처리

◯ 이미지 형태의 입력데이터를 이용한 2D-CNN 모델은 좋은 성능과 높은 학습 안정성으로 인해 가장 널리 사용되는 방법. 하지만 데이터의 이미지 형태로의 변환 과정이 아닌 전처리 방법들도 많이 연구되고 있음. 도메인 지식을 활용하여 고장과 직접 관련이 있는 성분으로 변환하는 전처리 과정을 거친 후 입력으로 사용해 높은 정확도를 보이는 사례들도 존재

(시사점)

산업인공지능의 성능은 모델 자체보다 “데이터를 어떻게 해석 가능한 형태로 바꾸느냐”에 크게 좌우된다. 제조 현장 데이터는 부족하고 설비·공정별 특성이 강하기 때문에 원시 데이터를 그대로 딥러닝에 넣는 방식만으로는 한계가 있다. 따라서 전문가의 도메인 지식을 활용해 진동, 음향, 온도, 가스 조성 등 데이터를 시간주파수 변환, 이미지화, ODR 기법 등으로 전처리하면 AI가 고장 징후와 핵심 특징을 더 빠르고 정확하게 학습할 수 있다. GE, IBM, 원프레딕트 사례는 산업 AI가 범용 알고리즘보다 현장 데이터 구조와 물리적 의미를 반영할 때 실효성이 커진다는 점을 보여준다. 결국 제조 AI 경쟁력은 데이터 양보다 데이터 품질, 전처리 기술, 도메인 지식 결합 역량에 달려 있다.