본문영역
占싱노베占싱쇽옙
占쏙옙占쎈영占쏙옙
연구성과 사례
占쏙옙占쏙옙占쏙옙 국산화율 0% 반도체 구리 도금액, 소재 자립 선봉에 서다 |
占쏙옙占쏙옙占� 제조설비 고장 신호, 딥러닝 기술이 분석해 알려준다 |
제조설비 고장 신호, 딥러닝 기술이 분석해 알려준다
윤종필 대경본부 첨단메카트로닉스연구그룹 AI응용제조설비연구센터 수석연구원
윤종필 대경본부 첨단메카트로닉스연구그룹 AI응용제조설비연구센터 수석연구원.ⓒ한국생산기술연구원
사람은 몸이 아플 때 스스로 알아서 병원에 간다. 그렇다면 설비나 장비가 고장 났을 때 사용자는 어떻게 문제점을 찾아낼 수 있을까? 한국생산기술연구원 첨단메카트로닉스연구그룹 AI응용제조설비연구센터 윤종필 수석연구원과 포항공대 전자전기공학과 박부견 교수, 김민수 학생연구원은 공동연구를 통해 설비의 고장 신호를 주파수로 찾아내어 시각적으로 정보를 제공하는 기술을 개발했다. 그 주인공인 윤종필 수석연구원을 만나 이번 연구에 대한 이야기를 들어 봤다.
설비의 고장 신호를 주파수로 찾아내어 시각적으로 정보를 제공하는 기술.ⓒ한국생산기술연구원
소비자와 제조사를 위협하는 제조 설비 고장
최근 인공지능과 정보통신기술의 발전으로 자동화설비 구축이 증가하고 있다. 하지만 기계는 언제든 고장 날 수 있는 법. 이 같은 제조현장에서의 설비 고장은 조업에 매우 치명적이다. 그래서 자동화설비에는 기본적으로 ‘설비 상태의 실시간 진단’ 기술이 접목되어 있다.
“설비 상태의 실시간 진단은 갑작스러운 조업 중단에 따른 공장의 사회적, 경제적 손실을 예방하고자 하는 기술입니다. 더불어 고장 진단뿐만 아니라 설비의 동작 상태도 정확히 파악해줍니다. 만약 실시간 진단이 이루어지지 않아 동작 상태가 비정상적이면 제품에 결함이 발생할 수 있고, 결함이 포함된 제품은 소비자들의 안전까지도 위협하게 됩니다.”
따라서 실시간 진단은 설비 작업자들에게 고장을 미리 진단해 알려줌으로써 안전을 지키고 공장 설비를 최적으로 관리하는 역할을 한다. 다방면에서 중요한 기술인 셈이다.
‘설비 상태의 실시간 진단’ 기술을 설명하고 있는 윤종필 수석연구원.ⓒ한국생산기술연구원
제조설비, 고장 났을 때 시그널을 보내다
우리는 아프거나 컨디션이 좋지 않을 때 몸 이곳저곳이 쑤셔온다. 그리고 몸이 보내는 신호를 인식하게 되면 병원을 찾는다. 그렇다면 기계는 고장을 어떻게 인지하고 신호를 보낼까? 이번 연구결과에 따르면, 제조설비가 고장 났을 때 진동 등의 주파수 변화를 통해 고장을 찾아내고 그 원인 부위를 사용자에게 시각적 정보로 제공할 수 있다고 한다.
이때 고장 진단을 위해선 데이터 기반의 딥러닝 기술이 활용된다. 하지만 현재까지 개발된 딥러닝 기술에는 한계가 있었다. 바로 ‘고장’ 혹은 ‘정상’ 등의 단순한 정보만 제공한다는 것. 그렇기 때문에 왜 고장인지에 대한 설명을 하지 못했다. 그래서 ‘고장’ 신호가 발생했을 때 사용자가 다른 방법을 활용하거나 직접 제조설비를 보며 그 원인을 분석해왔다.
이에 생기원과 포항공대는 공동연구를 통해 설비에 부착한 센서로부터 획득한 전압, 전류, 가속도 등의 정보를 이용하여 ‘시계열 진동신호를 통한 설비상태 진단 딥러닝 모델’을 고안했다. 대부분의 핵심 제조설비들은 반복 업무를 수행하기 때문에 주파수로 문제점을 발견할 수 있다는 점에 착안한 것이다. 여기서 주파수란 설비 기기에서 발생하는 일정한 진동의 반복을 뜻한다. 딥러닝 모델은 진동이 일정할 때는 ‘정상’으로 인식하며 주파수가 어긋나거나 흐름이 바뀌었을 땐 ‘고장’으로 인식한다.
하지만 이 방법을 이용했을 땐 매번 주파수 변환 작업을 거쳐야 했기에 진단 과정이 오래 걸렸다. 연구팀은 이를 보완하기 위해 주파수 변환 없이 센서에서 획득된 신호 그대로를 딥러닝 입력값으로 사용하면서도 AI 판단결과의 주파수 특징도 제공할 수 있는 획기적인 인공지능 모델을 개발했다. 즉 기계가 보내는 신호인 시계열 진동신호를 이용해 고장분석 시간을 단축시킨 것이다. 아울러 딥러닝 모델이 제공한 고장정보를 시각적으로 확인할 수 있도록 ‘FG-CAM(Frequency-domain based Gradient-weighted Class Activation Mapping) 알고리즘’ 개발 연구도 함께 진행했다.
“FG-CAM 알고리즘은 인공지능 판단 결과를 실제 사용자가 분석하기 용이한 주파수 영역으로 변환하여 시각적으로 정보를 제공할 수 있는 알고리즘입니다.”
이로 인해 작업자는 제조설비의 이상 징후가 포착되는 즉시 AI의 판단을 믿고 고장 진단을 신속하게 내릴 수 있게 됐으며, 그 원인 규명 작업도 보다 수월해졌다.
윤종필 수석연구원이 ‘FG-CAM 알고리즘’에 대해 설명하고 있다.ⓒ한국생산기술연구원
주파수 신호만 있다면 어떤 현장이든 적용 가능
윤종필 수석연구원은 이 딥러닝 진단기술을 반복적인 진동신호가 발생하는 현장이라면 어디든 활용할 수 있다고 말한다.
“어떤 제조현장에서든 충분히 활용할 수 있을 뿐만 아니라 수력, 풍력 등의 발전설비에도 적용 가능합니다. 더 나아가 회전기기, 수송기기 등의 진단에도 쓸 수 있어 원천 플랫폼 기술이라 할 수 있습니다. 즉 일정하고 반복적인 진동을 일으키는 신호를 얻을 수만 있다면 주파수를 통한 분석·진단이 모두 가능하죠.”
이번 딥러닝 기술은 2020년 7월 포항공대와 AI 기반 제조혁신 MOU를 맺은 이후 첫 성과로, 개발에 참여한 모두에게 뜻깊은 연구였다. 그 결과, 산업 인공지능 저널 중 가장 유명한 ‘국제전기전자기술자협회 산업정보학학회 논문지(IEEE Transactions on Industrial Informatics)’에 게재되는 쾌거도 올렸다.
세계가 주목한 ‘시계열 진동신호를 통한 설비상태 진단 딥러닝 모델’과 ‘FG-CAM 알고리즘’. 이 기술들이 바꾸어나갈 미래가 기대된다.