제조업의 기계학습 응용분야

제조업체는 최신 기술 변화에 발맞추기 위해 공장을 미래로 이끌 가장 중요한 요소 중 하나인 기계 학습을 탐구해야 합니다. ML 기술이 2022년에 제공하는 가장 중요한 애플리케이션과 혁신에 대해 이야기해 보겠습니다.

기계 학습과 AI: 무엇이 다른가요?

머신러닝은 인공지능의 하위 분야이지만 모든 AI 기술이 머신러닝으로 간주되는 것은 아니다. 로봇 공학, 자연어 처리, 컴퓨터 비전과 같이 많은 산업에서 역할을 하는 다양한 종류의 AI가 있다. 이러한 기술이 제조 산업에 어떤 영향을 미치는지 궁금하다면 아래의 리뷰를 확인해 보십시오.

기본적으로 기계 학습 알고리즘은 소프트웨어가 문제를 해결할 수 있도록 하는 알고리즘에 전원을 공급하기 위해 훈련 데이터를 활용한다. 이 데이터는 공장 바닥의 실시간 IoT 센서에서 나올 수도 있고, 다른 방법에서 나올 수도 있다. 머신러닝은 신경망, 딥러닝 등 다양한 방법이 있다. 

 

신경망은 생물학적 뉴런을 모방하여 데이터 세트에서 패턴을 발견하여 문제를 해결한다. 딥 러닝은 신경망의 다양한 계층을 활용하는데, 여기서 첫 번째 계층은 원시 데이터 입력을 활용하고 처리된 정보를 한 계층에서 다음 계층으로 전달한다.

팩토리 인 어 박스

조립 로봇, IoT 센서 및 기타 자동화된 기계가 있는 상자를 상상하는 것으로 시작합시다. 한 쪽 끝에서는 제품을 완성하는 데 필요한 재료를 공급하고 다른 쪽 끝에서는 제품이 조립 라인에서 롤아웃됩니다. 이 장치에 필요한 유일한 개입은 내부의 장비를 정기적으로 유지 관리하는 것입니다. 이것은 제조업의 이상적인 미래이며, 기계 학습은 우리가 이것을 달성하는 방법의 전체 그림을 이해하는 데 도움을 줄 수 있다.

자동화된 조립이 작동하는 데 필요한 고급 로봇 공학 외에도, 기계 학습은 품질 보증, NDT 분석, 결함 원인의 현지화 등을 보장하는 데 도움이 될 수 있다.

이 공장을 예로 들면 더 큰 공장을 단순화하는 방법으로 생각할 수 있지만, 어떤 경우에는 상당히 문자 그대로입니다. 노키아는 첨단 자동화 조립장비를 갖춘 운송용 컨테이너를 개조한 형태의 휴대용 제조현장을 활용하고 있다. 이러한 휴대용 용기는 필요한 모든 위치에서 사용할 수 있으므로 제조업체가 제품을 더 먼 거리로 운반할 필요 없이 현장에서 제품을 조립할 수 있습니다.

품질 보증

신경망, 고광학 해상도 카메라, 강력한 GPU를 사용하여 머신 러닝과 컴퓨터 비전이 결합된 실시간 비디오 처리는 인간이 할 수 있는 것보다 더 나은 시각 검사 작업을 완료할 수 있다. 이 기술은 박스 안의 공장이 올바르게 작동하고 사용할 수 없는 제품이 시스템에서 제거되도록 보장합니다.

 

과거에, 영상 분석에서 머신러닝의 사용은 사용되는 영상의 품질에 대해 비판을 받아왔다. 프레임마다 이미지가 흐릿할 수 있고 검사 알고리즘에 더 많은 오류가 발생할 수 있기 때문입니다. 그러나 고품질 카메라와 더 큰 그래픽 처리 능력을 통해 신경망은 사람의 개입 없이 실시간으로 결함을 더 효율적으로 검색할 수 있다.

다양한 IoT 센서를 사용하여 머신러닝은 생성된 제품을 손상시키지 않고 테스트하는 데 도움이 될 수 있다. 알고리즘은 장치의 결함 버전과 상관관계가 있는 실시간 데이터의 패턴을 검색하여 시스템이 잠재적으로 원하지 않는 제품에 플래그를 표시할 수 있도록 합니다.

비파괴 검사

우리가 재료의 결함을 감지할 수 있는 또 다른 방법은 비파괴 검사를 통해서이다. 여기에는 손상을 입히지 않고 재료의 안정성과 무결성을 측정하는 것이 포함됩니다. 예를 들어, 초음파 기계를 사용하여 재료의 균열과 같은 이상 징후를 탐지할 수 있습니다. 이 기계는 인간이 이러한 특이치를 손으로 찾기 위해 분석할 수 있는 데이터를 측정할 수 있다.

그러나 특이치 탐지 알고리듬, 객체 탐지 알고리듬 및 분할 알고리듬은 인간이 훨씬 더 효율적으로 볼 수 없는 인식 가능한 패턴에 대한 데이터를 분석하여 이 프로세스를 자동화할 수 있다. 기계 학습은 또한 인간이 저지르기 쉬운 오류의 수에 영향을 받지 않는다.

예측 유지보수

제조에서 머신러닝의 역할을 하는 핵심 세입자 중 하나는 예측 유지보수이다. PwC는 예측 정비가 2020년부터 2025년까지 시장 가치가 38% 증가하는 제조업 최대 성장 머신러닝 기술 중 하나가 될 것이라고 보도했다.

 

예정되지 않은 유지보수로 인해 비즈니스 수익이 크게 감소할 수 있으므로 예측 유지보수를 통해 공장은 기계에 더 많은 비용이 드는 고장이 발생하기 전에 적절한 조정 및 수정 작업을 수행할 수 있습니다. 우리는 공장에서 가능한 한 적은 지연 시간으로 최대한 많은 가동 시간을 가질 수 있도록 보장하고자 하며, 예측 유지보수를 통해 이를 실현할 수 있습니다.

기계의 작동 상태와 상태에 대한 중요한 정보를 기록하는 광범위한 IoT 센서는 예측 유지보수를 가능하게 한다. 여기에는 습도, 온도 등이 포함될 수 있습니다.

예측 유지보수에 사용되는 ML 모델

기계 학습 알고리즘은 시간이 지남에 따라 수집된 데이터의 패턴을 분석하고 기계가 유지 보수가 필요할 수 있는 시기를 합리적으로 예측할 수 있다. 이 목표를 달성하기 위한 몇 가지 접근법이 있다.

회귀 모형: 장비의 남은 사용 수명(RUL)을 예측합니다. 이는 과거 및 정적 데이터를 사용하며 제조업체는 기계에 장애가 발생할 때까지 며칠이 남았는지 확인할 수 있습니다.

분류 모델: 이러한 모델은 미리 정의된 시간 범위 내에서 고장을 예측합니다.
이상 탐지 모델: 이러한 플래그는 비정상적인 시스템 동작을 탐지할 때 장치에 표시됩니다.

 

문제 현지화

예측 유지보수를 지원하는 IoT 센서 덕분에 머신러닝은 데이터의 패턴을 분석하여 고장을 방지하기 위해 기계의 어떤 부분을 유지관리해야 하는지 확인할 수 있다. 특정 패턴으로 인해 결함의 경향이 발생하는 경우 하드웨어 또는 소프트웨어 동작이 이러한 결함의 원인으로 식별될 수 있습니다. 여기서 엔지니어는 향후 이러한 결함을 방지하기 위해 시스템을 수정할 수 있는 해결책을 제시할 수 있습니다. 이를 통해 박스 시나리오에서 공장의 오차 범위를 줄일 수 있습니다.

디지털 트윈즈

디지털 쌍둥이는 IoT 센서의 데이터와 실시간 데이터를 기반으로 생산 과정을 가상으로 재현한 것이다. 그것들은 아직 존재하지 않는 시스템의 독창적인 가상 표현으로 만들어질 수도 있고, 기존 시스템의 재현일 수도 있다.

디지털 트윈은 머신러닝을 활용해 시뮬레이션에서 패턴을 분석해 환경을 최적화할 수 있는 실험용 샌드박스다. 이를 통해 품질 보증 및 예측 유지보수 작업도 지원할 수 있습니다. 레이아웃 최적화를 위해 디지털 쌍둥이와 함께 머신 러닝을 사용할 수도 있다. 이 기능은 공장의 레이아웃을 계획하거나 기존 레이아웃을 최적화할 때 사용됩니다.

 

에너지 소비 예측을 위한 ML 모델

만약 우리가 공장의 모든 부분을 최적화하고 싶다면, 우리는 또한 그것이 필요로 하는 에너지에 주의를 기울일 필요가 있다. 이를 위한 가장 일반적인 방법은 순차적 데이터 측정을 사용하는 것이며, 이는 자동 회귀 모델과 심층 신경망에 의해 구동되는 기계 학습 알고리듬으로 데이터 과학자들에 의해 분석될 수 있다.

자동 회귀 모델: 전력 소비의 추세, 주기성, 불규칙성 및 계절성을 정의하는 데 적합합니다. 정확도를 높이기 위해 데이터 과학자들은 원시 데이터를 예측 알고리즘에 대한 작업을 지정하는 데 도움이 되는 기능으로 변환할 수 있다.
심층 신경망: 데이터 과학자들은 데이터 소비 패턴을 신속하게 찾기 위해 이를 사용하여 대규모 데이터 세트를 처리한다. 이것들은 자동 회귀 모델과 같은 기능 엔지니어링 없이 입력 데이터에서 기능을 자동으로 추출하도록 훈련될 수 있다.

순차 데이터를 위한 신경망: RNN(Recurrent Neural Network), LSTM(Long-Term Memory)/GRU(Gateed Recurrent Unit), 내부 메모리를 사용하여 이전에 입력된 에너지 사용량 데이터의 정보를 저장하는 주의 기반 신경망.

 

생성적 설계

우리는 공장의 생산 공정을 최적화하기 위해 기계 학습을 사용해 왔지만, 제품 자체는 어떤가요? BMW는 CES 2022에서 BMW iX Flow를 블랙과 화이트 사이에서 차량의 색상(또는 더 정확하게 음영)을 바꿀 수 있는 특별한 e-잉크 랩으로 선보였다. BMW 측은 "세그먼트가 차량의 특성 윤곽과 그에 따른 빛과 그림자의 변화를 반영할 수 있도록 생성적 설계 프로세스가 구현된다"고 설명했다.

생성적 설계는 제품이 자동차, 전자 장치, 장난감 또는 다른 품목이든 간에 제품의 설계를 최적화하기 위해 기계 학습을 사용하는 곳이다. 데이터와 원하는 목표를 통해 기계 학습은 최적의 설계를 찾기 위해 가능한 모든 배열을 순환할 수 있다.

ML 알고리듬은 무게, 모양, 내구성, 비용, 강도 및 심지어 미적 매개 변수에 대한 설계를 최적화하도록 훈련될 수 있다.

생성적 설계 프로세스는 다음 알고리즘을 기반으로 할 수 있다.

강화학습
딥러닝
유전 알고리즘