제조 산업의 혁신적인 AI 애플리케이션 8가지

인공 지능이라는 개념은 60여 년 전인 1950년대에 처음 소개되었습니다.

그러나 최근 몇 년이 되어서야 사물인터넷(IoT), 빅데이터, 클라우드 컴퓨팅과 같은 기술의 성숙으로 인해 AI가 폭발적으로 성장하기 시작했습니다.

IoT는 방대한 양의 데이터를 실시간으로 수집할 수 있게 해주며, 빅데이터는 딥러닝을 위한 데이터 리소스와 알고리즘 지원을 제공합니다. 클라우드 컴퓨팅은 AI를 위한 유연한 컴퓨팅 리소스를 제공합니다.

이러한 기술들의 유기적인 결합이 AI의 지속적인 발전을 이끌고 있으며, 그 결과 상당한 진전이 이루어지고 있습니다. 알파고와 이세돌의 대국은 AI를 전면에 내세우며 새로운 AI 열기를 불러일으켰습니다.

2022년 말 ChatGPT의 기록적인 출시와 스테이블 디퓨전과 같은 AI 드로잉 도구의 인기로 2023년은 AI 민주화의 원년이 될 것입니다!

인공지능에 대한 연구와 적용은 다양한 분야에서 점차 활발하게 이루어지고 있습니다. 스마트 제조의 도래와 함께 인공지능은 설계, 생산, 관리, 서비스 등 제조업의 모든 측면에 통합되고 있습니다.

I. 세 가지 수준의 인공 지능 기술

인공지능(AI) 기술과 제품은 수년간의 실제 테스트를 거쳐 현재 널리 적용되고 있으며, 다양한 산업 분야에서 AI의 통합을 가속화하고 있습니다.

기술적인 관점에서 인공지능의 핵심 기능은 계산 지능, 지각 지능, 인지 지능의 세 가지 수준으로 분류할 수 있다는 것이 업계에서 일반적으로 받아들여지고 있습니다.

1. 컴퓨팅 인텔리전스

컴퓨팅 인텔리전스는 머신의 뛰어난 저장 용량과 초고속 연산 능력을 의미합니다. 방대한 데이터를 기반으로 딥러닝을 수행하여 과거의 경험을 바탕으로 현재 환경을 안내할 수 있습니다.

컴퓨팅 파워의 지속적인 발전과 저장 방식의 끊임없는 업그레이드로 컴퓨팅 인텔리전스가 실현되었다고 할 수 있습니다.

예를 들어, 알파고는 강화 학습 기술을 사용하여 세계 바둑 챔피언을 물리쳤으며, 이커머스 플랫폼은 사용자의 구매 습관을 기반으로 딥러닝을 활용하여 개인화된 상품을 추천합니다.

2. 지각 지능

지각 지능은 시각, 청각, 촉각과 같은 감각을 가진 기계의 능력을 말합니다. 지각 지능은 비정형 데이터를 구조화하고 인간과 소통하는 방식으로 사용자와 상호 작용할 수 있습니다.

다양한 기술의 발전으로 더 많은 비정형 데이터의 가치가 인식되고 활용되고 있습니다. 음성, 이미지, 영상, 터치 등 감각과 관련된 지각 지능도 빠르게 진화하고 있습니다.

자율주행 차량과 유명한 보스턴 다이내믹스 로봇은 다양한 센서를 통해 주변 환경을 인식하고 처리하여 효과적으로 작업을 안내하는 지각 지능을 사용합니다.

3. 인지 지능

인지능은 계산 지능이나 지각 지능에 비해 더 복잡한 개념으로, 인간처럼 지식을 이해하고, 추론하고, 추론하고, 활용하는 기계의 능력을 말합니다.

현재 인지 지능 기술은 아직 연구 및 탐색 단계에 있습니다.

예를 들어, 공공 안전 분야에서는 범죄자의 미시적 및 거시적 행동의 특징 추출 및 패턴 분석, 범죄 예측, 자금 침투, 도시 범죄 진화 시뮬레이션을 위한 인공지능 모델 및 시스템 개발 등이 있습니다.

금융 업계에서는 의심스러운 거래를 식별하고 거시 경제 변동을 예측하는 데 사용됩니다. 인지 지능의 발전을 가속화하기 위해서는 아직 갈 길이 멀다.

II. 제조 산업에서의 인공 지능 적용 시나리오

애플리케이션의 관점에서 볼 때, 단일 인공지능 기술의 배포는 계산 지능 및 지각 지능과 같은 여러 계층의 핵심 기능을 포함할 수 있습니다.

산업용 로봇, 스마트폰, 자율 주행 자동차, 드론 및 기타 지능형 제품은 인공지능의 매개체 역할을 합니다.

이러한 제품은 하드웨어와 다양한 소프트웨어의 결합을 통해 인공지능의 다양한 핵심 기능을 통합하면서 사용자 및 환경과 실시간으로 인지하고 판단하며 상호 작용할 수 있는 능력을 갖추고 있습니다.

예를 들어 제조업에서는 다양한 지능형 로봇이 널리 활용되고 있습니다: 분류/피킹 로봇은 불규칙한 물체를 자율적으로 인식하고 파악할 수 있습니다.

협동 로봇은 주변 환경을 이해하고 이에 대응할 수 있습니다. 자동 팔로우 카트는 얼굴을 인식하여 자율 추적을 시작할 수 있습니다.

SLAM(동시 위치 파악 및 매핑) 기술을 통해 자율 이동 로봇은 온보드 센서를 활용하여 알 수 없는 환경에서 특징 마커를 식별한 다음 상대 위치와 주행 거리계 수치를 기반으로 로봇과 이러한 특징 마커의 전역 좌표를 추정할 수 있습니다.

자율주행 기술에는 위치 파악, 환경 인식, 경로 계획, 행동 의사 결정, 제어 등 다양한 인공지능 기술과 알고리즘이 통합되어 있습니다.

현재 제조 산업에서 인공지능은 주로 지능형 음성 대화 제품, 안면 인식, 이미지 인식, 이미지 검색, 음성 인식, 텍스트 인식, 기계 번역, 기계 학습, 빅 데이터 계산, 데이터 시각화 등에 적용되고 있습니다.

다음 텍스트에는 제조업에서 자주 사용되는 8가지 일반적인 AI 애플리케이션 시나리오가 요약되어 있습니다.

시나리오 1: 지능형 분류

제조업의 많은 작업에는 분류가 필요합니다. 수동으로 수행하면 프로세스가 느리고 비용이 많이 들며 적절한 작업 온도 환경을 유지해야 합니다. 지능형 분류를 위해 산업용 로봇을 구현하면 비용을 크게 절감하고 속도를 향상시킬 수 있습니다.

부품 분류의 예를 생각해 보겠습니다. 분류해야 하는 부품이 깔끔하게 정리되어 있지 않은 경우가 많고, 로봇은 부품을 볼 수 있는 카메라를 가지고 있지만 부품을 성공적으로 픽업하는 방법을 모릅니다. 이러한 상황에서는 머신러닝 기술을 사용할 수 있습니다.

로봇은 무작위 분류 작업을 수행한 다음 해당 작업이 부품을 픽업하는 데 성공했는지 또는 놓쳤는지 여부를 알려줍니다.

여러 번의 훈련 반복을 통해 로봇은 성공률이 가장 높은 분류 작업의 순서, 성공적인 피킹을 위해 잡아야 하는 최적의 위치, 가장 높은 성공률을 보이는 분류 순서를 학습합니다.

몇 시간 동안 학습한 후 로봇의 분류 성공률은 숙련된 작업자 수준에 해당하는 90%에 도달할 수 있습니다.

시나리오 2: 장비 상태 관리

다음을 실시간으로 모니터링하여 기계 작동 데이터, 특징 분석, 머신 러닝 기술을 통해 사고가 발생하기 전에 장비 고장을 예측하여 예기치 않은 다운타임을 줄일 수 있습니다.

반면 갑작스러운 장비 장애가 발생하면 신속하게 문제를 진단하고 원인을 파악하여 그에 맞는 솔루션을 제공할 수 있습니다.

이는 제조 산업, 특히 화학 공학, 중장비, 하드웨어 가공, 3C 제조, 풍력 발전 및 기타 분야에서 일반적으로 적용됩니다.

Take CNC 공작 기계 를 예로 들 수 있습니다. 머신 러닝 알고리즘과 지능형 센서를 사용하여 다음과 같은 전력, 전류, 전압 등의 정보를 모니터링합니다. 절단 도구가공 공정 중 메인 스핀들 및 이송 모터를 통해 공구의 스트레스, 마모 및 손상 상태는 물론 공작기계 가공의 안정성 상태를 파악할 수 있습니다.

이러한 상태를 기반으로 가공 파라미터(스핀들 속도, 이송 속도)와 가공 지침을 실시간으로 조정하고 공구 교체 시기를 예측하여 가공 정확도를 높이고 생산 라인 가동 중단 시간을 줄이며 장비 안전성을 개선할 수 있습니다.

시나리오 3: 비전 기반 표면 결함 감지

표면 결함 감지를 위한 머신비전의 적용은 이제 제조 분야에서 일반화되었습니다.

머신 비전은 끊임없이 변화하는 조건에서 미세하고 복잡한 제품 표면 결함을 밀리초 단위로 빠르게 식별하고 표면 오염, 손상, 균열을 감지하는 등 결함을 분류할 수 있습니다.

일부 산업 인텔리전스 기업에서는 딥러닝과 3D 현미경을 결합하여 결함 감지 정확도를 나노미터 수준까지 높였습니다.

결함이 감지된 제품에 대해 시스템이 자동으로 수리 가능 여부를 판단하고 수리 경로와 방법을 계획한 다음 기계가 수리 작업을 수행합니다.

예를 들어 PVC 파이프는 가장 일반적으로 사용되는 건축 자재 중 하나이며 대량으로 소비됩니다.

생산 및 포장 과정에서 표면 긁힘, 구덩이, 물결, 무광택 표면이 발생하기 쉬우므로 검사에 상당한 노동력이 필요합니다.

표면 결함의 육안 자동 검출을 구현한 후 최소 및 최대 면적 크기를 설정하여 배관 표면의 불순물을 자동으로 검출하며, 최소 검출 정밀도는 0.15mm², 검출률은 99% 이상입니다.

파이프 표면의 스크래치는 최소 및 최대 길이와 너비를 설정하여 자동으로 감지되며, 최소 감지 정밀도는 0.06mm, 감지율은 99% 이상입니다.

최소 및 최대 길이, 폭, 세그먼트 길이, 색차 임계값을 설정하여 파이프 표면의 주름을 자동으로 감지하며, 최소 감지 정밀도는 10mm, 감지율은 95% 이상입니다.

시나리오 4: 음성 인식 기반 제품 품질 검사 및 결함 판별

음성 인식 기술을 활용하여 비정상적인 소리를 자동으로 감지하고, 결함이 있는 제품을 식별하며, 음성 인식 데이터베이스와 비교하여 결함 여부를 판단할 수 있습니다.

예를 들어, 2018년 말부터 포레시아(우시) 공장은 그룹의 빅데이터 과학 팀과 포괄적인 협업을 시작하여 시트 조절기의 NVH(소음, 진동 및 가혹함) 성능 평가에 AI 기술을 적용하기 위해 노력했습니다.

2019년에 포레시아(우시) 공장은 AI 기술을 조정기의 이상음 감지에 도입하여 신호 수집, 데이터 저장, 데이터 분석, 자가 학습에 이르는 전 과정의 자동화를 실현했습니다. 탐지 효율성과 정밀도는 기존의 수작업 검사를 훨씬 능가합니다.

우시 공장에 AI 기술을 기반으로 한 소음 감지 시스템을 도입하면서 직원 수는 38명에서 3명으로 줄었고, 동시에 품질 관리 능력이 크게 향상되어 연간 경제적 이익이 450만 위안에 달합니다.

장면 5: 지능형 의사 결정

제조 기업은 빅데이터 분석과 함께 머신러닝과 같은 인공지능 기술을 적용하여 스케줄링 방법을 최적화함으로써 제품 품질, 운영 관리, 에너지 소비 관리, 공구 관리 등의 영역에서 의사결정 역량을 강화할 수 있습니다.

예를 들어, FAW 지팡 우시 디젤 엔진 공장의 지능형 생산 관리 시스템은 이상 및 생산 일정 데이터 수집, 의사 결정 트리 기반 이상 원인 진단, 회귀 분석 기반 장비 다운타임 예측, 머신 러닝 기반 일정 결정 최적화 등의 기능을 갖추고 있습니다.

과거 스케줄링 결정 프로세스 데이터와 스케줄링 후 실제 생산 성과 지표를 학습 데이터셋으로 사용하고 신경망 알고리즘을 사용하여 스케줄링 결정 평가 알고리즘의 파라미터를 미세 조정함으로써 스케줄링 결정이 실제 생산 요구 사항을 충족하도록 보장합니다.

장면 6: 디지털 트위닝

디지털 트윈은 가상 세계에서 물리적 개체를 미러링하는 것입니다. 디지털 트윈을 생성하면 인공 지능, 머신 러닝, 센서 데이터를 통합하여 실제 제품의 수명 주기 동안 의사 결정을 지원하는 생생하고 실시간으로 업데이트되는 '실제' 모델을 구축할 수 있습니다.

디지털 트윈 엔티티의 환원 차수 모델링을 추구할 때, 복잡성과 비선형 모델을 신경망에 배치할 수 있습니다. 딥러닝을 활용하여 유한 목표를 설정하고, 이를 기반으로 환원 차수 모델링을 수행합니다.

예를 들어, 기존 모델에서는 16코어 서버를 사용하여 온수 및 냉수 파이프의 출구 유체 및 열 시뮬레이션에 계산당 57시간이 소요됩니다. 환원 차수 모델링을 구현한 후에는 각 계산에 몇 분밖에 걸리지 않습니다.

씬 7: 제너레이티브 디자인

제너레이티브 디자인은 대화형 자체 혁신 프로세스입니다. 엔지니어는 제품을 설계할 때 재료, 무게, 부피 등과 같은 시스템 지침에 따라 원하는 파라미터와 성능 제약 조건만 설정하면 됩니다.

이를 인공지능 알고리즘과 결합하면 디자이너의 의도에 따라 수백에서 수천 개의 실행 가능한 솔루션을 자동으로 생성할 수 있습니다. 그런 다음 이를 자율적으로 비교하여 최적의 디자인을 선택하고 최종 결정을 위해 디자이너에게 추천합니다.

제너레이티브 디자인은 컴퓨터 및 인공지능 기술과 깊이 통합되어 디자인 프로세스에 고급 알고리즘과 기술을 적용하는 새로운 학제 간 분야로 자리 잡았습니다.

널리 사용되는 생성 알고리즘에는 파라메트릭 시스템, 형상 문법(SG), L-시스템, 셀룰러 오토마타(CA), 토폴로지 최적화 알고리즘, 진화 시스템, 유전 알고리즘 등이 있습니다.

장면 8: 수요 예측 및 공급망 최적화

인공지능을 활용하여 정확한 수요 예측 모델을 구축함으로써 기업이 판매 예측, 서비스 부품 요구 사항 예측, 수요 중심 의사 결정을 내릴 수 있도록 지원합니다.

동시에 외부 데이터 분석과 수요 예측을 기반으로 재고 보충 전략, 공급업체 평가 및 부품 선택을 수립합니다.

예를 들어, 미국 혼다 자동차는 생산 관리 비용을 통제하기 위한 실용적인 노력의 일환으로 미래의 고객 수요가 언제 발생할지 파악하는 것을 목표로 했습니다.

따라서 1,200개 대리점의 판매 및 유지보수 데이터를 사용하여 예측 모델을 만들었습니다. 이 모델은 향후 몇 년 동안 정비를 위해 대리점을 방문하는 차량의 수를 추정합니다.

그런 다음 이 정보를 사용하여 다양한 부품의 사전 준비를 위한 벤치마크를 설정했습니다. 이러한 혁신을 통해 American Honda는 최대 99%의 예측 정확도를 달성하고 고객 불만 처리 시간을 3배까지 단축할 수 있었습니다.

III. 결론

현재 인공지능 분야에 진출하는 기업, 대학, 오픈소스 조직이 늘어나면서 성공적인 인공지능 오픈소스 소프트웨어와 플랫폼이 대거 유입되어 인공지능의 전례 없는 붐이 일고 있습니다.

그러나 금융과 같은 분야에 비해 제조업에서의 AI 적용은 많기는 하지만 특별히 두드러지지는 않으며 상대적으로 발전이 더디다고 할 수 있습니다.

이러한 문제의 주요 원인은 다음 세 가지 영역에서 비롯됩니다:

1. 제조 공정에서 데이터를 수집, 활용, 개발하는 데는 상당한 어려움이 있습니다. 게다가 대부분의 기업은 주로 제한된 규모의 사설 데이터베이스에 의존하기 때문에 고품질의 머신러닝 샘플이 부족합니다. 이는 머신러닝의 자가 학습 프로세스를 제한합니다.

2. 제조 부문 간에는 다양한 차이가 존재하며, 이는 인공지능 솔루션의 복잡성을 높이고 맞춤화에 대한 수요를 증가시킵니다.

3. 다양한 산업 분야에서 인공지능을 제조업에 심층적으로 통합하는 트렌드를 주도할 수 있는 선도 기업이 부족합니다.

이 세 가지 중요한 문제를 해결함으로써 인공지능 기술을 제조 산업에 더 잘 적용할 수 있습니다.