주력산업 지능화를 위한 제조 혁신 기술 동향

가. 제조데이터 보호·거래 시스템

본 시스템은 다음의 모듈로 구성된 기술을 구현하고 있다.

• 블록체인 기반 제조데이터 생산자 및 사용자 식별을 위한 인증 기술

- DID(분산신원확인) 기반 사용자 인증

- 계약 시 소속기업 VC(검증가능한 자격증명)를 통한 서명 관리

- 데이터 사용 권한 관리를 위한 인증

- IPFS(분산형 파일 시스템) 기반 데이터 관리를 위한 데이터 업로드/다운로드 모듈 통합을 위한 게이트웨이 연동

• 제조데이터 거래 표준 계약 적용 및 NFT 연계 기술

- 계약 표준 적용 스마트 컨트랙트 기술

- NFT 발급 및 데이터 소유권 추가 기술

나. 제조데이터 보호지원 NFT 적용 기술

거래 이력 검증을 위한 NFT(Non-Fungible Token, 대체 불가능 토큰) 관리 모듈, 훈련된 AI 모델에 대한 NFT 발행 모듈, NFT 메타데이터 검증 모듈 기술을 통해 제조데이터 거래를 지원하는 NFT 솔루션으로 하기 위한 토큰 생태계를 구성하기 위한 기술로 다음의 모듈로 구성된다.

• FT(대체 가능 토큰) 발행 및 FT를 통한 NFT 거래를 위한 스마트 컨트랙트 모듈

• FT 송수신 및 관리를 위한 지갑 모듈

• FT 발행 및 FT를 통한 NFT 거래 모듈

다. SplitNN 프레임워크 기술

SplitNN(Split Neural Network) 프레임워크는 신경망 훈련을 여러 호스트에 걸쳐서 분할 훈련하는 것으로 기계학습 모델 원본 데이터 추론을 예방하고 사용자의 개인정보를 보호하기 위해 AI 모델 세그먼트에 포함된 신경망을 다른 모델의 신경망에 제공하여 상호 연합학습을 용이하게 하는 프레임워크[8]로, 본 연구에서는 블록체인 기반으로 다양한 제조데이터를 연합하여 훈련할 수 있도록 구현한 시스템 기술이며 다음의 단위 모듈을 개발하고 있다.

• 기반 환경 설정 모듈

• 훈련상태를 상호 알릴 수 있는 통신 모듈

• AI 훈련모델 시각화 모듈 등 단위 모듈

한국전자통신연구원에서는 인공지능 서비스 및 응용을 개발하기 위한 플랫폼을 개발하고, 인공지능을 포함한 데이터 기반의 다양한 서비스를 일괄적으로 처리할 수 있는 end-to-end 지능 서비스 프레임워크 기술과 개발된 서비스를 안정적으로 배포, 운영, 평가할 수 있는 플랫폼 기술을 포함하는 데브옵스(DevOps) 기술을 제공하고 있다[9].

앞으로 4차 산업혁명의 화두로 스마트제조를 위한 인공지능 기술 동향을 통해 제조 영역별 인공지능 기술, 제너레이티브 디자인(Generative Design) 기술, 스마트 작업대(Smart Workbench) 기술, 이상탐지(Anomaly Detection) 기술, 지능형 설비(Intelligent Manufacturing Facility) 기술을 제시하였으나[10], 다양한 제조산업의 요구사항을 충족시키기 위해서는 업종별 공통 지능 프레임워크 기술 및 제조산업 협업지능 프레임워크 기술이 요구된다.

가. 업종별 공통 지능 프레임워크 기술

다양한 업종의 ERP(전사적 자원 관리), POP(생산시점관리시스템)에서 제공하는 생산실적, 작업자 활동, 설비가동, 제품 품질 정보 등을 실시간으로 수집하여 집계/분석/모니터링 및 생산공정을 제어해 제조 프로세스를 최적화하도록 설계된 소프트웨어인 MES(제조 실행 시스템), 창고, 구역 랙 추가부터 재고 이동, 바코드 입출고, 창고 재고 현황 등 데이터를 등록 및 관리를 쉽게 할 수 있는 체계적인 WMS(창고 관리 시스템)에서 발생하는 공통, 반복 작업을 개선하기 위한 개발 지원 프레임워크로 제조 AI 학습 데이터 관리 기술과 업종별 제조데이터 AI 학습 통합 기술로 구성된다.

제조 AI 학습 데이터 관리 기술은 보호·거래 플랫폼 데이터 연동 모듈, 학습 데이터 전처리 모듈, 데이터 전처리 알고리즘 Pool 관리 모듈, 데이터 소스 유형별 인터페이스 모듈, 학습 데이터 구조 및 메타 데이터 관리 모듈로 구성된다.

업종별 제조데이터 AI 학습 통합 기술은 AI 학습 알고리즘 관리 모듈, 외부 Python 코드 연동 모듈, AI 학습 모델 변경 관리 모듈, AI 학습 모델 Pool 관리 모듈, 제조데이터 학습 구성 UI 등이다.

나. 제조산업 협업지능 프레임워크 기술

제조산업 협업지능 프레임워크 기술의 핵심은 사용자 분석을 통해 테마와 시나리오를 분석하고 프레임워크에 적용될 표준 프로세스를 설계하는 것이다.

상세 기술로는 다음의 기술을 실현하는 모듈로 구성된다.

• 이상치 및 결측치 처리와 데이터 정규화를 통해 제조 AI 프레임워크 내 스트림 데이터 수집 및 전처리 모듈

• 업종별 제조데이터 모델 시각화 모듈

• 학습/테스트 데이터 분리 및 라벨링과 Resize 등 기능 제공을 통해 학습 데이터 생성 및 AI 데이터셋 생성 및 관리 모듈

• 주기적 빌드, 필요 학습 파라메터 설정 등 AI 모델 개발을 위한 모델 작성 및 디버깅 모듈

• AI 모델 서빙 파이프라인 구성, 최적의 모델을 선정하여 서빙용 예측 모델 배포 모듈

가. 불연속 제조 공정 솔루션

다품종 소량 생산 업체로 선박용 볼트 가공 회사를 선택하여 데이터 수집 장치를 볼트 가공장치에 장착하여 진동, 압력, 온도, 습도, 전류, 전압 등을 측정하고 저장한다. 저장된 데이터를 크랙 정보 데이터와 동기화시켜 인공지능 모델을 생성하고 고장 진단 및 고장 예측에 적용하고 있으며, 보다 정확한 모델을 도출하기 위해 데이터를 수집 중에 있다.

그림 2는 불연속 제조 공정에서 데이터를 수집하고, 모델을 생성하여 고장 진단 및 고장 예측을 처리하는 흐름도이다.

그림 2

모델 생성 및 처리 방법

출처 Reprinted with permission from [11].

나. 영상기반 자동 품질관리 솔루션

그림 3과 같이 적외선 카메라, 엑스선 카메라, 2/3차원 카메라 등을 사용할 수 있는 영상분석 AI 플랫폼을 구성하여 실험 모델 정확도 98%를 달성하였다.

그림 3

영상 기반 자동 품질 관리 플랫폼 구성

출처 Reprinted with permission from [11].

이를 기반으로 자동차 내외장 부품/용품 회사 2개사에 적용하여 품질검사 실증을 실시한 결과 현장 적용 모델 정합도가 75%로 실제 적용에 미흡함을 확인하였으며, 95% 이상 달성을 위한 추가 이미지 수집 및 제조 AI 솔루션 프레임워크 개발에 적용된 기술을 활용하여 완전한 솔루션 개발 중이다.

다. 석유화학 제조설비 유지보수

장치산업에서 대부분의 고장은 압력이 가해지는 펌프 모터와 그 연결부에서 발생한다. 고장의 원인을 예측하기 위해서는 측정 가능한 현상과 고장 원인의 상관성을 검증하여야 한다. 그림 4는 고장 원인 분석을 통한 고장 진단 방법을 도식화한 것으로 고장 진단을 통해 결함을 예측할 수 있다.

그림 4

고장 원인 분석을 통한 고장 진단 방법

출처 Reprinted with permission from [11].

실제 관련 업체의 다양한 설비에 고장 진단을 위한 데이터 수집 장치를 설치하고 주기적으로 데이터를 수집하여 실시간 분석을 통해 고장을 예측하고 있다. 그림 5는 업체에 설치된 데이터 수집 장치이다.

그림 5

고장 진단을 위한 데이터 수집 장치 설치

출처 Reprinted with permission from [11]

그림 6은 다양한 설비의 데이터 수집 현황, 앙상블 합성곱 신경망(Ensemble CNN)을 사용하여 진단 알고리즘을 사용하여 고장 분석하는 과정을 모니터링하는 대시보드이다.

그림 6

고장 진단 및 예측 가시화

출처 Reprinted with permission from [11].

제조데이터 거래를 위해서 표준화된 거래 절차가 필요할 뿐만 아니라 데이터 제공자, 데이터 수요자가 준비해야 할 내용 및 표준 거래 프로세서에서 필요한 요구사항을 그림 7에서 제시하고 있다.

그림 7

표준화 프로세스 적용 시 고려사항

출처 Reprinted with permission from [11].