제조 중소·중견기업의 인공지능기술 개발

분석 및 제어 핵심공정 품질인자 최소화 후 데이터 확보해야

■연재 순서

1. 제조 중소·중견기업 인공지능 기술개발

2. 제조공정 데이터 취득(DAQ) 시스템 개발

3. IoT 센서 패키지 HW/SW 개발 및 데이터 송·수신

4. 데이터 전처리

5. 제조업 인공지능 적용

6. 인공지능 데이터 및 알고리즘 유형

7. 디지털 트윈 구축 및 HW/SW 개발 적용

8. 시계열 데이터 인공지능 학습 (예)

9. 이미지 데이터 인공지능 학습 (예)

10. 뿌리 제조기업의 공정지능화 과제

■인공지능 기술의 제조업 도입

최근 세간의 급격한 관심 하에 급속도로 발전하고 있는 인공지능 기술과 관련하여 제조업에도 큰 변화의 파도가 밀려오고 있는 형국이다. 제조 중소·중견기업은 갑자기 떠오르고 있는 인공지능의 실체를 한편으로는 기대 반, 또 한편으로는 걱정 반의 마음으로 바라보고 있다.

즉, 현존하는 제조업의 많은 문제를 송두리째 풀어줄 것 같은 구세주 같은 신비로운 기대감과 함께 우리 회사는 무얼, 어떻게 그보다도 왜 해야 하지 (또는 왜 관심이 없는지) 라는 근원적이고 실질적인 의문이 머릿속을 뱅뱅 맴돌고 있기 때문이다.

특히나, ‘우리가 선도적으로 제조업의 지능화를 멋지게 구현해야지’ 하는 도전의식이나 또는 ‘우리만 뒤쳐질 수는 없지’ 라는 불안한 마음으로 파이선, 머신러닝, 딥러닝과 같은 다양한 인공지능 교육을 받고 난 다음 황망한 마음의 갈피 잡기는 왜 이리 더 힘들어 지는지 알다가도 모를 일이다.

이러한 현황에서 이러한 문제를 한 발 앞서 학습하고, 고민하고, 현실적 개발활동을 시작하고 있는 한국생산기술연구원은 10회에 걸쳐서 제조업의 인공지능 적용 문제를 다루어 보기로 하였다.

모두 9명의 분야별 전문가가 제조데이터 수집시스템 구축, 통신 및 전처리, 데이터 보강을 통한 Good Data 생성, 선호되는 알고리즘 후보 학습을 통한 솔루션 도출 등 제조업 인공지능 구현 4단계에 대하여 소개하고자 하였다.

가급적 구체적인 기술적 서술은 배제하고자 하나, 일부 개념 또는 트렌드 소개를 위하여 어쩔 수 없이 전문용어를 소개할 수 밖에 없는 상황도 있으며, 필요시 실제데이터와 프로그래밍 일부 등을 가급적 쉽게 첨부하여 독자들의 이해를 돕고자 하였다.

■과학기술분야 논리체계

갑작스런 인공지능 기술의 출현 (사실은 역사적으로 2번의 침체기를 거친 3번째 도약 시기이지만) 및 제조업 적용의 의미를 원론적으로 이해하기 위해서 과학기술 및 제조공정 분야에서 널리 받아들여지고 적용되고 있는 두 가지 논리 체제를 간단하게 대별하여 설명하고자 한다.

▷연역적 논리 전개 (Deductive Logic Deployment)

프랑스의 데카르트를 대표로 발전해 온 연역법적 사고방식은 ‘자연계의 법칙을 이해하고, 그 관계를 바탕으로 해당 문제를 풀자’라는 관점이다. 일반적으로 대부분의 자연계 법칙들은 두 개 이상의 독립변수 (원인)들 간의 연유 관계에 의해 종속변수 (결과)가 얻어지는데, 이 관계를 이해하고 더 나아가 제어하기 위해 지배방정식을 유도하게 되며, 이는 대부분 독립변수의 수가 2개 이상인 편미분 또는 적분방정식의 형태를 지니게 된다.

이러한 지배방정식을 기반으로 그 계를 지배하는 원칙을 설명해 주는 일반 해는 기본 명제로서 기능하게 되며, 특수한 초기조건과 경계조건 등을 대입하여 특수 해를 구함으로써 제조과정에서 활용되어 왔다. 즉, 이러한 과정과 회기분석법 등을 통하여 전통적으로 자연법칙의 이해, 특수환경 에서의 해결 솔루션, 공정최적화 등에 사용되어 온 것이다.

지배방정식의 해를 구하는 방법은 관계식의 난이도에 따라 크게 3가지로 △풀기 쉬운 편미분방정식의 경우에는 공식을 이용해 푼다 △풀기 어려운 문제의 경우에는 쉬운 문제 형태로 변환 후(Laplace 변환, Green 함수, Error 함수, Eigen 함수, Convolution 등 사용) 공식을 이용해 문제를 풀며, 역변환 과정을 통해 해를 제시한다 △안 풀리는 문제는 근사 법을 이용해 근사 해를 구하거나, Fourier 변환 등을 통해 계산이 쉬운 형태의 수식으로 전환 후 컴퓨터 수치해석을 통해 근사 해를 구한다고 정리할 수 있다.

지금까지 대부분의 과학기술 및 제조과정에서는 이와 같은 연역적 사고체계로 대응하여 문제를 풀어왔다고 할 수 있다. 슈퍼컴을 기반으로 글로벌 기상 상태에 관한 유체역학(CFD, Computational Fluid Dynamics)을 풀어 국민들에게 일기예보를 하는 기능을 예로 들 수 있다.

▷귀납적 논리 전개 (Inductive Logic Deployment)

영국의 베이컨을 필두로 발전해 온 귀납적 사고체계는 자연계의 지배방정식을 직접 구하기 보다는 경험적 지식이나 데이터를 통하여 현상을 받아들이고, 특수한 경우의 해를 유추하려는 방식이다.

아무리 우수한 슈퍼컴이 있어도 국지적인 기상상황을 100% 완벽하게 예측하기 어려운 이유 중 하나는 국부적 지리 조건까지 계산상에 반영하기 어렵기 때문이며, 이 때 지역 주민들의 경험과 감각에 의해 현지 기상을 더 잘 맞출 수 있다는 생각까지 할 수 있게 된다. 바로 귀납적 사고방식이 강점을 보일 수 있는 예가 된다.

수학적 귀납법이 대표적인 방법이었고, 최근에 다시 화두가 되고 있는 인공지능 기술도 귀납법적 속성을 지니고 있는 문제 해결 방식이다. 제조분야에 귀납적인 인공지능 기술이 화려하게 부활되어 이슈가 되기 시작한 이유는 여러 가지가 있겠지만, 그 중 몇 가지 측면을 소개해 보고자 한다.

1) 소재개발

가파르게 발전해 온 과학기술 분야의 동종 데이터들은 글로벌하게 쌓이기 시작했고, 웬만한 영역의 데이터들은 새로운 실험 없이도 Neural Network 시스템 등을 통하여 접근할 수 있고, 또한 나의 데이터도 검증 과정을 통하여 그 시스템에 구축될 수 있다.

또한 점차 체계적으로 실험할 인력, 시간, 자원이 줄어들고, 더 나아가 당위성이 줄어드는 상황에서 무작위적으로 본인이 관심 있는 분야의 연구개발 및 데이터 생성을 할 수 있는 여건이 줄어들고 있다. 따라서, 기존의 실험계획법 등 반복실험을 통한 데이터 축적 활동과 더불어 이미 구축된 데이터들을 활용하여 결과를 도출하는 활동도 장려되고 있다.

소재개발이나 합금설계의 경우, 다양한 합금원소의 첨가에 따른 다양한 특성을 예측하는 것은 물론, 반대 방향의 개념인 원하는 특성을 갖는 합금원소 및 성분배합까지 직관적으로 제시할 수 있는 Metaheuristics(알고리즘 이라기보다는 강력한 직관적 제시) 기술도 연구가 시작되고 있는 상황이다. 향후 고전적인 합금설계 방식보다는 인공지능을 이용한 소재개발 쪽으로의 연구 활동이 예견되는 이유도 그 때문이다.

2) 강건설계

제품의 만족할만한 특성 Y값을 갖기 위한 X(공정변수) 조건을 찾는 것을 공정최적화 과정이라고 한다. 이는 일견 매우 합리적인 과정으로 보일지 모르지만, 사실은 연구자 중심의 사고가 배어 있는 과정일 수 있다. 즉, 논문이나 보고서 등에 기록하기에는 매우 좋은 기술적 결과물일 수 있지만, 현장에서는 매우 좁은 X 범위를 항상 구현해야 한다는 것이 현실적 어려움일 수 있는 것이다.

실제로 제조현장의 작업자들은 넓은 범위의 X(공정변수의 폭)가 주어지도라도 항상 일정하고 만족스러운 제품특성(Y)이 구현되는 조건을 갈망한다. 이 개념이 바로 강건설계 (Robust Design) 개념이며, 이는 일반적인 통상의 실험조건 범위에서는 구하기가 매우 어려운 조건일 수 있다. 큰 X 범위에서도 항상 일정한 Y값을 도출 할 수 있는 강건설계 개념은 귀납적으로 얻기가 현실적으로 더 쉬울 수 있으며, 이러한 방향의 제조업 인공지능 기술 개발 방향도 매우 효율적인 결과를 얻을 수 있다고 판단된다.

3) 유연생산

기존의 대량생산 체제는 고수익 제품의 경우 경제적 효용성이나 고객의 만족도 측면에서 그 효용성을 다해가고 있는 형국이다. 이이 대응하는 대량 개인맞춤형 생산라인 기술을 구현하는 독일의 CPPS(사이버 실제라인 연계 생산시스템)에서는 작업자, 생산설비, 협동로봇, 제조되어 가는 반제품 (로봇 이송지게차 위에 거치) 등 4개의 주체가 각각 독립적으로 움직이며, 벨트 컨베이어를 대신한 Manufacturing Cell 조업 방식을 기반으로 한다.

이는 생산자 중심사고인 대량생산에서 소비자 중심사고인 대량 개인맞춤형 생산 방식으로의 전환을 의미하는데, 기존의 2개의 생산 주체 (작업자와 생산시스템 (산업로봇은 격리되어 생산시스템의 일부로 가동))에서 4개의 생산 주체로의 변환을 의미하며 전주기 공장 활동의 매우 복잡한 문제를 수반하게 되며, 어마어마한 데이터들의 생성과 축적이 문제가 될 수 있다.

이러한 조업환경에서는 자율적이고 수평적인 생산라인의 Edge Computing 기반 데이터 학습의 중요성과 개인 단말기 등을 통한 의사소통 등이 매우 중요해 지고, 필연적으로 인공지능 학습의 필요를 증폭시키는 요인이 될 수 있다.

■제조업 인공지능 기술 적용의 시작점

제조업 인공지능 기술을 다른 말로 표현해 보면 ‘제조분야 단일문제 해결용 데이터 학습기반 추론’이라는 것이다. 이러한 소프트 적 의미 표현은 어찌 보면 경외의 대상일 수도 있는 인공지능 기술의 제조업 적용 호감도를 현저히 떨어뜨리는 일일 수도 있겠지만, 현실적으로는 매우 실용적으로 접근할 수 있는 사고이기도 한 것 같다.

사실 현재까지는 인공지능은 인간지능에 비해 매주 낮은 해결 능력을 보유하는 상황이지만, 향후 발전 방향과 수준은 감히 짐작하기 어렵다. 왜 우리한테 인공지능 기술이 필요하고(없고), 어느 부분에 적용해야 하고, 무엇을 기대할 수 있으며, 어떻게 적용해야 하나를 이해하고, 올바른 도입 방향과 순차적인 개발 순서가 정해져야 우리 회사에서 꼭 필요한 요소 기술들을 효율적으로 배우고 이해하며 현업에 점차 적용할 수 있는 길을 걷게 될 것이다.

하지만, 많은 중소기업의 경우, 인공지능 전문 인력이 있을 경우는 매우 제한적이고, 당장 생산 현업에 바쁘기 때문에 장기간 학습을 통해 기술 구현을 기대할 수 있는 인력도 많지 않은 실정이다. 또한 현장 설비의 주요 데이터를 취득할 때, 설비 및 시스템 안정성에 대한 의구심이 있으며, 보안 통신, 데이터 전처리 기술, 인공지능 알고리즘 적용도 요원해 보일 수 있다.

하지만, 다음의 제시하는 6가지 전제 조건을 기본적으로 구현한 후, 본 고에서 제시하는 인공지능 적용 기술 4단계를 전문가들과 함께 차근차근 진행하다 보면, 어느새 어떤 기업도 인공지능 기술을 적용하고 있는 상태로 발전할 수 있을 것이다. 물론 지속적인 관심과 투자, 노력은 어느 정도 필요한 요소이다.

1. 자사에 납품되는 한계 소재의 특성 파악 및 사용 최적화

2. 불안정한 장비의 개·보수, 수리 및 합리적 운용

3. 현실적으로 할 수 있는 범위에서의 공정라인 재배치 합리화

4. 전기, 급수, 공조, 배기, 청소, 관리의 안정화

5. 작업/비작업간의 회사/근로자간의 합의 및 시행 습관화

6. 공무 (Engineering Work)의 중요성 인식 및 지원

▲ <표1>제조현장 데이터 예시

■제조현장 데이터

흔히들, 제조 데이터라고 말하지만 무엇이 제조 데이터일까? <표1>에 일부를 제시한 것처럼 제조현장의 데이터는 그 속성 분류만 해도 현장에 따라 매우 다양하고, 각 분류별 데이터의 물리적, 전자기적, 화학적, 기계적 특성은 매우 독특하고 까다로울 수 있다.

또한 향후 대량 개인맞춤형 공정라인이 점차 활성화됨에 따라 작업자, 움직이는 반제품, 협동로봇, 생산시스템의 구동에 의한 데이터 등 기하급수적인 데이터의 출현과 축적이 예측된다. 따라서 제조현장의 생산라인과 제품에 관한 전문적 이해가 없는 상태에서의 데이터 가공이나 전처리는 현실과 왜곡되거나, 편협 되거나 반대로 너무 광범위할 수 있으며, 실제로 제조라인의 핵심문제를 파악하기 보다는 엉뚱하고 피상적인 결과를 도출할 수도 있다. 또한 필요 없이 계산의 부하를 높여 효율적이지 못한 활동을 하게 될 수도 있다.

따라서 모든 데이터 분석을 광범위하게 염두에 두기 보다는 분석 및 제어를 원하는 핵심공정의 핵심 품질인자 (CTQ 개념; Critical-To-Quality)에 대한 데이터를 최소화하여 선정하고, 전처리·보강하며 학습시킬 수 있는 현장기반 데이터 능력이 요구된다. 인공지능 관련 학습 때 교재로 많이들 사용하는 데이터들을 (예: 개/고양이 구분, 항공탑승자 정보, 농구선수 기량 정보, 학생들의 특성 데이터 등) 가지고 심도 있는 학습을 진행하였어도 막상 우리 제조현장에서 인공지능 기술을 적용하고자 시도를 할 경우 왠지 막막해지는 이유이다.

■데이터 처리에서 필요한 사항

제조업에 인공지능 기술을 적용하기 위한 데이터 처리과정은 생각만큼 간단하지 않다. 설령, CTQ 기반 목표 데이터가 정해졌다고 하더라도 적합한 인공지능 알고리즘 학습 전에 이루어져야 하는 데이터 취득과정(오프셋 에러 등이 처리된 합리적 가격 및 기능의 IoT 센서 시스템구축, 데이터 형성 메커니즘 이해, 영점 보정, 체계적 취득 등), 전처리 과정(Artefact 제거, Judgement, Smoothing, Formulation, Data Mining 등)의 올바른 전개가 필수적이며, 현장에서 설치되는 데이터 취득 시스템 (Acquisition System, Data Logger 등)의 안정적이고 지속적인 전원 관리, 먼지 및 환경 관리도 필수적인 요소이다.

또한 데이터 관련 다양한 관점의 생각들도 필요한데, 데이터 표준화, 데이터 신뢰성, 데이터베이스 적합성, 데이터 사용의 민주성, 전 주기 전 과정의 데이터 접근성, 데이터의 보안성 문제 등이다. 데이터는 다음의 4단계를 통하여 그 기능이 진화한다. 즉, Descriptive(설명능력), Diagnostics(진단능력), Predictive(예측능력), Prescriptive(처방능력)의 순이다.

이러한 진화가 가능하게 하기 위해서는 자사 설비에 효율적 데이터 취득 시스템 구축과 데이터 전처리·보강 과정의 부단한 전 방위적 노력이 필요하다. 흔히, 우스개 소리로 3D 작업이라고 일컫는 이 과정이 사실은 인공지능 추론의 정확성에 가장 영향을 미치는 인자일 수 있다.

또한 학습 및 검증을 가급적 가볍게 하면서도 추론 정확성을 높이는 결과를 얻기 위해서는 단순한 Big Data 더미로부터 Good Data로의 전환을 위한 현장기반 데이터 정련 기술이 필요하며, 현장 차원의 입·출력 관련 셀프 코딩 능력의 보급·확산도 필수적인 요소이다.

■제조분야 인공지능 적용 4단계

한국생산기술연구원의 선행 학습 및 연구, 한국 제조업의 현실을 기반으로 한, 실질적 인공지능 기술의 보급·확산을 위하여 다음과 같은 인공지능 기술 적용 4단계를 제시한다.

1)자체제작 IoT 센서 시스템 구축 및 설비에 설치

인공지능 알고리즘 학습을 위해 취득하고자 하는 데이터 선정 후, 그에 적합한 적정 센서 및 관련 회로 선정, MCU (초기, Arduino Shield 포함) 기반 하드웨어 시스템 설계, 낱개 단위의 PCB 제작 및 데이터 취득시스템 구축, 3D 프린팅을 활용한 케이스 자체 제작, IDE 코딩 (Library 지원)을 통한 소프트웨어 구동시스템 구축 및 현장 설비에 부착하는 단계이다.

2)데이터 취득, ADC, 전송

자체 제작한 IoT 센서 데이터 취득시스템으로부터 취득한 데이터의 ADC 전환 (Analog/Digital Conversion), 공장 실내·외 통신 (실내GPS, WiFi, Bluetooth, 산업용 5G 시스템 등), App Inventor 등을 활용한 편리한 송·수신 앱 개발, 데이터 전송 및 안전한 저장 단계이다.

3)데이터 전처리 및 보강
Python, R 등 오픈소스 프로그램이나 Mathworks등 상업용 프로그램을 활용한 데이터 전처리, 보강 (Augmentation)과정 및 필요한 경우 데이터 시뮬레이션을 포함하는 과정을 의미한다. 데이터 전처리는 EDA (Exploratory Data Analysis) 기법을 이용하여 원시 데이터의 오류 수정 및 추세 분석을 통해 데이터의 질적 향상을 도모하고 데이터를 간결화 하여 해석 시간을 단축할 수 있다. 또한 학습효과 배가를 위하여 데이터 보강을 통한 양질 데이터 생성을 도모하기도 하는 필수적인 과정이다.

4)선호되는 알고리즘 적용

잘 알려진 지도, 비지도 (반지도), 강화학습법을 지원하는 다양한 알고리즘들, 예를 들면, (Iris) Regression, Keras, CNN (Convolutional Neural Network), DNN (Deep NN), MLP (Multi-layer Perception), GAN (Generative Adversarial Network), RNN (Recurrent NN), Interpretable (Explainable) AI 등의 전통적인 알고리즘과 함께 최근의 Edge Computing 기반의 학습, 모바일 기기 기반의 알고리즘 적용 등 다양한 기술 중에서 제조업 영역의 각각의 문제에 선호되는 알고리즘 후보들을 선정한 후 학습 및 검증을 통한 추론 정확성이 향상된 솔루션을 얻는 단계이다.