기계산업 인공지능 적용 시 고려할 6가지 이슈
① 규칙 기반 머신 비전은 허용 범위를 벗어난 결함 검출 불가
■ (현재의 머신 비전) 주로 ‘룰 베이스(Rule base)’ 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
② 현재의 진단예지(PHM) 기술은 수많은 고장 데이터가 요구됨
■ 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
③ 센서 네트워크 설계 시 생기는 무한대의 경우의 수 문제(NP-Hard)
■ 기계 설비를 모니터링, 제어하기 위해 센서를 통한 데이터 획득이 이루어지고 있는데, 대부분 제한된 리소스, 설비의 복잡성으로 인해 충분한 양의 데이터 획득은 불가능■ 현실에서는 센서 위치 조합에 대한 경우의 수를 계산하는 것이 어려울 때가 많음
- 즉 센서 네트워크 최적 설계는 “Class NP-hard” 타입의 문제로 귀결됨(NP-Hard 문제는 모든 경로를 다 확인해야 하므로, 영원히 풀지 못할 수도 있음)
④ 단순 제너레이티브 디자인 설계 방식으로는 공학적 설계만 가능
■ 제너레이티브 디자인에서 해결해야 할 이슈들- 첫째, 위상 최적화를 넘어서 데이터 기반의 설계 자동화 필요
- 둘째, 시장을 위한 심미성을 고려한 설계안 생성
- 셋째, 설계안의 다양성을 높여야 함
- 넷째, 다량 생성된 설계안 중에서 적절한 설계안 추천 필요
- 다섯째, 문제 정의 다양화를 위한 체계적인 방법 필요
⑤ 데이터 부족, 산업태스크의 특수성 등으로 인공지능 구현 한계
■ 딥러닝은 산업계에서도 바로 적용될 수 있을 것으로 예상되었지만, 산업현장에서 유래되는 데이터의 부족 및 태스크의 특수성은 인공지능의 한계를 보여주었으며, 이를 해결하기 위한 도메인 전문가 지식 기반 전처리의 필요성이 부각⑥ 가상 모델 시각화에만 편중되어 있는 디지털 트윈
■ 디지털 트윈 이슈- 국내는 모델링 물리·공학적 모델과 운용 논리·절차 기반의 모델링 및 시뮬레이션 기술과 경험 부족
- 특히 공정, 플랜트 등을 대상으로 디지털 트윈이 필요한 경우는 연속시간 모델과 이산사건 모델이 결합된 하이브리드 형태의 모델링 능력이 요구됨
- 제조 산업분야로부터 적용되면서 발전하고 있는 디지털 트윈 응용에서는 가상 모델의 모습을 시각화해주는 기능에 편중되어 있음
(시사점)
인공지능 기계산업이 성장 가능성은 크지만, 실제 산업현장 적용에는 기술적 한계가 뚜렷하다.
기존 규칙 기반 머신비전은 예외 결함에 취약하고, 예지정비는 충분한 고장 데이터와 도메인 지식이 없으면 정확도가 떨어진다. 또한 센서 배치 최적화는 경우의 수가 폭증하는 복잡한 문제이며, 제너레이티브 디자인도 단순 공학 설계를 넘어 시장성·심미성·추천 기능까지 확장되어야 한다. 특히 산업 데이터 부족과 현장별 특수성은 범용 AI만으로 해결하기 어렵다는 점을 보여준다. 디지털 트윈 역시 단순 시각화에 머무르지 않고 물리 모델, 공정 논리, 실시간 데이터, 시뮬레이션을 결합한 운영 최적화 기술로 고도화되어야 할 것이다.
댓글 쓰기