기계공학에서의 인공지능 적용 사례

① 기계학습

◯ 비지도·지도 학습

- 기계학습은 학습 데이터의 종류에 따라서 일반적으로 두 가지로 나뉨
- 비지도 학습은 출력 정보가 없는 데이터에서 특정 패턴을 찾는 것. 비지도 학습을 통하여 주로 데이터 이면에 존재하는 은닉 변수와 구조(hidden variables and structure)를 찾거나 클러스터링을 통하여 대표성(representation)을 부여
- 지도학습은 입력과 출력이 주어진 데이터들을 기반으로 새로운 입력에 대한 출력을 결정할 수 있는 패턴을 추출

◯ 비지도 학습 예시 - 로봇 이상 감시(Anomaly Detection)

- 정상 상태 데이터의 분포와 새로 취득된 데이터 사이의 통계적 거리를 계산하여 기계시스템의 상태를 판단할 수 있음
- (산업용 로봇에 비지도 학습이 적용된 사례) 로봇의 축 관절을 구동하는 서보 모터의 입력 신호와 인코더 신호의 차이를 학습한다면, 서보 모터에 결함이 발생하거나, 과하중이 걸려 이상이 발생했을 때 스스로 감지할 수 있는 지능로봇을 구현할 수 있음

◯ 지도 학습 예시 - 회전체 상태진단

- 기계설비의 결함 데이터의 취득이 가능하다면, 지도 학습 알고리즘을 통해 정상상태와 고장상태를 분류할 수 있음
- 이것은 인공지능을 통해 스스로 상태를 진단할 수 있는 기계시스템을 의미
- 인공지능이 내장된 스마트센서를 통해 기계시스템의 정보가 사물인터넷 플랫폼 상에서 서로 연결되고 공유된다면 기존의 기계시스템에 혁신을 가지고 올 수 있음

비지도 학습을 이용한 로봇 진단

기계시스템에서의 지도 학습

② 딥러닝

◯ 기계와 영상 이미지

- 영상처리 분야에서는 물체를 대표할 수 있는 꼭짓점, 윤곽선과 같은 특성인자 추출을 통한 접근을 시도해왔음. 최근 딥러닝 중 합성곱 신경망(CNN, Convolutional Neural Network)의 등장은 이미지 인식의 패러다임을 바꾸어 놓았음. 이는 1,000개의 카테고리로 나눠진 10만 개의 영상에서 물체를 5% 미만의 오류로, 인간과 비슷한 수준의 분류에 성공
- 기계시스템의 주요 구성요소인 회전체는 고장 시 경제적 손실이 크며 특히 안전과 관련하여 그 상태를 진단하고 미리 예방하는 기술은 필수. 회전체의 상태를 진단하기 위해 스펙트럼 또는 궤도 분석이 주로 사용됨. 특히 궤도는 회전체 역학과 연계되어 시스템의 상태를 시각적으로 표현. 하지만 시스템마다 궤도의 형상이 조금씩 다를 수 있기 때문에 아직도 현장에서는 궤도 형태를 작업자가 직접 모니터링 하고 있음. 궤도 형상을 영상 이미지로 변환하여 이미지 패턴 인식 문제로 접근한다면 합성곱 신경망을 통해 궤도 형상 분류 문제를 쉽게 학습시키고 적용할 수 있음

기계 분야에 적용된 CNN의 예시

◯ 기계와 시계열 데이터

- 순차신경망(RNN, Recurrent Neural Network)은 인공신경망의 형태 중 하나로, 시계열 데이터에 내제되어 있는 동적 패턴과 특성 파악에 유용. 이는 구조적으로 메모리에 해당하는 은닉상태(hidden state)를 통해 과거 정보가 다음 단계로 전달이 가능해졌기 때문. 이러한 구조적 특징 때문에, 순차신경망은 최근 자연어 처리에 뛰어난 성능을 보이고 있음
- 센서에서 측정되는 대부분의 계측 데이터(진동, 소음 등) 또한 자연어와 같은 시계열 형태를 가지므로, 순차신경망은 제어계측 분야에도 적용 가능성이 높음
- 모니터링 시스템을 통해 측정된 시계열 데이터에 순차신경망을 적용해서 제품 또는 설비의 정상/불량을 판단하는 진단 방법들이 최근 연구되고 있음

Recurrent Neural Networks Architecture

(시사점)

기계공학에서 인공지능은 단순 분석 도구가 아니라 설비 스스로 상태를 판단하는 지능형 시스템의 기반이 되고 있다. 비지도 학습은 정상 데이터와 다른 패턴을 찾아 로봇 이상 감시나 고장 징후 탐지에 활용될 수 있고, 지도 학습은 정상·고장 데이터를 바탕으로 회전체 상태진단을 자동화할 수 있다. 또한 CNN은 기계 궤도나 진동 패턴을 이미지로 변환해 고장 유형을 분류하는 데 유용하며, RNN은 진동·소음처럼 시간 흐름을 가진 센서 데이터를 분석하는 데 적합하다. 결국 기계산업의 AI 적용은 모델 선택보다 데이터 형태를 이해하고, 이미지·시계열·센서 신호를 현장 목적에 맞게 변환하는 능력이 중요하다. 향후 스마트센서와 IoT 플랫폼이 결합되면 기계시스템은 단순 장비를 넘어 자가진단·예측정비가 가능한 지능형 설비로 발전할 수 있다.