윤웅현 부장이 지멘스가 제시하는 산업용 인공지능의 소개를 주제로 발표를 하고 있다.

산업자동화 영역에서 인공지능이 가지는 활용의 가능성을 알아보고 구체적인 도입과정과 몇 가지 예제가 소개됐다.

인공지능(AI)이란 외부데이터를 올바르게 해석하고 이러한 데이터를 가지고 학습을 하며, 그 결과를 가지고 유연한 적용을 통해서 특정 목표 그리고 작업을 달성하는 시스템의 능력으로 정의를 한다. 학습해서 그것을 적용하는 것이 핵심이다. 또, 특정작업을 수행하도록 명시적으로 프로그래밍하지 않은 상태에서 예측을 학습하거나, 결정을 내리는 통계모델의 프로세스를 머신러닝(ML)으로 정의할 수 있다. 딥러닝은 머신러닝의 일부로서, 딥러닝(DL) 모델에는 특징 추출 및 변환을 위한 비선형처리장치의 여러 계층이 있다. 각각의 연속적인 레이어는 이전 레이어의 출력을 입력으로 사용한다.

신경망(NN)은 뇌를 구성하는 생물학적 신경망에 의해 막연하게 영감을 받은 컴퓨팅 시스템이다. 이러한 시스템은 일반적으로 작업별 규칙으로 프로그래밍되지 않고, 예제를 고려하여 작업을 수행하는 것을 ‘학습’한다.

 

 

 

AI의 의미와 기본 용어 정의

 

 

AI는 이미 많은 시장에 혁명을 가져오는 동시에, 모든 종류의 비즈니스를 방해하고 있기도 하다. 즉 양면성을 계속해서 제시하고 있다.

환경, 인구변화, 맞춤제작에 대한 요구 이러한 것들은 생산기술의 변화를 끊임없이 요구하고 있다. 따라서 기업이 생존하기 위해서는 이런 산업과제를 고려할 수밖에 없다.

생산단가를 절감하기 위해 어떻게 가장 빠른 단계에서 생산품질을 예측할 것인가? 노동력과 시간에 관련된 운영비용을 어떻게 절감할 것인가? 생산 병목현상을 줄이기 위해 어떻게 검사과정을 자동화할 것인가? 어떻게 장비의 가용성과 안정성을 향상시킬 것인가? 어떻게 폐기율을 최소화할 것인가? 등의 과제들에 대해 고민을 할 수밖에 없는 상황이다.

이런 복잡한 상황에서 가장 중요한 기업의 자산은 사람이다. 정확하게는 사람이 가지고 있는 노하우다. 그러나 인구감소 등의 원인으로 숙련된 근로자를 찾는 것은 매우 어렵다. 따라서 기업에서는 인공지능 도입에 큰 관심을 가지고 있다,

일반적으로 자동화 프로그램은 이미 알려져 있는 규칙에 기반을 한다. 그래서 만약 알려진 규칙을 적용해서 프로그래밍을 할 수 없는 상황이 온다면 사용하기가 대단히 어렵다. 이런 경우에는 숙련된 인간의 경험치가 반드시 필요하게 된다. 그런데 인공지능이라고 부르는 머신러닝은 이런 숨겨져 있는 룰을 찾아서 모델링하고 모델링한 규칙을 토대로 해서 인간의 노하우를 자동화할 수 있게 한다. 이것이 현재 많은 기업들이 인공지능에 주목하는 이유 중의 하나다. 결국은 숙련된 노동자가 부족할수록 인공지능으로 대체하고자 하는 노력은 계속해서 늘어날 것이다.

그렇다면 인공지능이 모든 자동화 프로그램을 대체할 수 있을까? 그렇지는 않다. 인공지능은 기본적으로는 규칙기반의 자동화 프로그램이 적용 불가능한 일부 영역에 사용되는 것이 가장 합리적이다. 비용과 난이도 면에서 봤을 때, 모든 자동화 프로그램을 인공지능으로 대체하는 것은 낭비다.

현재 인공지능은 IoT 디바이스 개수와 비례해서 시장의 규모가 계속해서 늘어나고 있다. IDC컨설팅 조사결과에 따르면, 전 세계 AIoT 시장의 규모는 2025년도까지 약 84조 원 규모, 416억 디바이스 규모로 연간 39%의 성장률로 성장할 것으로 예측된다.

인공지능이 산업현장에서 실제로 어떤 분야에 활용되는지 알아보겠다.

인공지능은 거의 대부분의 산업분야에 적용이 가능하다. 전자, 자동차, 배터리, 식음료는 말할 것도 없고, 그중에서도 공정의 최적화나 시각판정, 예지보전 같은 근로자의 노하우가 꼭 필요한 영역에 대해서도 광범위한 활용이 가능한 것이 바로 인공지능이다. 인공지능을 산업현장에 적용하기 위해서는 끝에서 끝까지의 종단간의 솔루션을 제공하는 것이 대단히 중요하다. 인공지능을 개발할 수 있는 시스템 환경, 런타임을 구동할 수 있는 하드웨어도 중요하지만, 실질적으로 자체적인 솔루션을 만드는 포괄적인 프레임워크와, 쉽게 적용 가능한 라이브러리도 함께 필요하다. 포괄적으로 준비가 되어있어야만 구축뿐만 아니라 그 이후의 서비스, 유지보수에 대한 부분들도 쉽게 적용이 가능할 수 있다.

 

 

지멘스는 종단 간의 인공지능 제안으로 고객가치를 공급한다.-윤웅현 PDF 18P 그림 사용

 

 

지멘스는 수많은 응용분야 중에서 현재 공정개선, 예지보전, 시각검사 이렇게 3가지 분야에서 라이브러리를 만들기 위해 신뢰성 검증단계를 거치고 있다. 대단히 많은 양의 테스트를 진행하고 있고, 멀지 않은 향후에 지멘스에서 실제로 인공지능을 상용출시했을 때 이런 검증된 라이브러리들을 인공지능에 적용하기 위해서 제공이 가능할 것으로 생각한다.

효과적으로 인공지능을 사용하기 위해서는 준비가 매우 중요하다. 앱 프로그래머, 데이터 과학자 인력 외에도, 엣지 디바이스, 클라우드와 같은 적합한 하드웨어 준비까지 사전에 적합한 리소스가 안배되어야만 인공지능은 원활한 적용이 가능해진다. 따라서 각각의 영역에 따라서 엔지니어링 영역, 어플리케이션 영역, 컨설팅 영역에 따라서 적절한 도구들이 사용될 수 있도록 준비를 해나가고 있다.

인공지능은 인간의 능력을 알고리즘으로 표현한다. 그래서 목소리와 이미지를 판단할 수 있고, 대용량의 데이터를 분석하기도 하고, 올바른 데이터와 전문성이 결합이 되면 어려운 문제를 해결하고 최적화하기도 한다. 기본적으로 인공지능은 인지하고 이해하고 그 후에 행동한다. 그러고 나서 피드백을 통해서 다시 학습을 한다. 인지하고, 이해하고, 행동하고, 피드백을 통해 학습한다. 이것이 기본적으로 인공지능이 동작하는 방식이다.

인공지능은 신경망의 형태로 동작을 한다. 그리고 이 신경망은 동작할 수 있는 하드웨어 플랫폼을 필요로 한다.

 

SIMATIC S7-1500 TM-NPU 인공지능 자동화 환경에 적용하기 용이한 인공지능 솔루션

 

 

 

NPU 인공지능 솔루션 –윤웅현 PDF 23P 그림 사용

 

 

NPU라고 부르는 하드웨어는 PLC의 모듈형태로 만들어져 있다. 카메라 이미지를 입력한다거나, PLC 데이터의 내부활용을 통해서 신경망에서 인지하고 판단하고 출력을 내보내는 형태로 사용을 한다. 이러한 인공지능 프로세스의 경우는 우리에게 익숙한 PC 형태의 엣지 디바이스라고 하는 제품도 있다. 이런 엣지 디바이스는 산업용 PC 같은 하드웨어에 앱 형태의 환경을 사용할 수 있는 운영체제를 탑재하고 있다.

장비의 이상검출을 위한 앱을 사용하는 사례(인더스트리얼 엣지에 기반한 조기 이상 경보 시스템)가 소개됐다. 실질적으로 생산 상의 이상이 발생하거나 했을 때 이것들이 전체공정에 악영향을 끼치기 전에 미리 감지를 하게 하는 것이 가장 큰 목적이다. 그런데 여기서 대 전제는 자동화 엔지니어가 AI에 대한 전문적인 지식이 없더라도 어렵지 않게 세팅이 가능하도록 해줘야 한다는 것이다. 그래서 앱 형태로 되어있는 어플리케이션을 엣지 디바이스에서 실행을 해주고, 시계열 데이터를 자동 식별 기능을 통해서 실시간으로 이상 징후의 탐지가 가능하도록 한 시스템이다.

다수의 센서 및 프로세스 데이터로부터 계속해서 정보를 실시간으로 확인을 하고 이상징후가 있거나 유의미한 변동이 감지되면, 오퍼레이터에게 알람을 해주는 형태다. 인공지능은 범용 혹은 전용의 디바이스에서 동작이 가능하다.

 

AI와 Edge Computing을 이용한 예지보전

 

실제 응용사례가 소개됐다. 인공지능 영역 중에서 가장 각광받는 것은 예지보전 영역이다.

실제로 지멘스 암벡공장에서 사용하고 있는 인공지능 예제 중 하나가 소개됐다. PCB 기판을 절단하는 공정에서 사용된 예이다. 스핀들 모터에 절삭 툴을 설치해서 PCB기판을 절단하게 되는데, 절삭과정에서는 먼지가 발생하기 때문에 스핀들 시스템이 고착을 할 수밖에 없다. 그런데 문제는 스핀들 시스템이 언제 문제가 발생할지 알 수 없을뿐더러, 고착이 돼서 망가지게 되면 드라이브시스템 전체를 다 교체해야 된다는 것이다. 장비의 다운타임도 발생하고 그에 따른 높은 부대비용이 큰 문제가 되고 있었다. 그래서 암벡공장에서는 스핀들 모터의 상태를 실시간으로 감시를 해서, 이상징후를 확인하는 시스템을 인공지능으로 구축하기로 했다. 엣지 디바이스에 인공지능을 설치해서 스핀들 모터의 상태를 계속해서 모니터링하는 파라미터를 실시간으로 확인을 했고, 그 결과를 가지고 예측을 해서 약 이틀 전에 스핀들 모터의 이상징후를 확인하고 장비운영자에게 알려주는 시스템을 구축했다. 그래서 준비되어 있는 예비스핀들을 가지고 교체를 하고 그 덕분에 장비당 연간 약 12만 유로 정도의 절감효과을 얻을 수 있었다.

 

시각판정: 브레이크 패드 종류 선별

 

다음은 시각판정 어플리케이션이다, 기본적으로 시각판정 어플리케이션은 카메라를 인공지능 장치에 연결해서 시각 데이터를 가지고 판단을 한다.

브레이크 패드별로 차종에 따라 분류를 해주는 작업을 마지막에 하게 된다. 차종에 따라서 브레이크 패드가 달라져야 되기 때문에, 대형차에 소형차에 들어가야 할 브레이크 패드가 들어가거나 하면 안전의 문제가 발생할 수 있다. 그래서 항상 숙련된 근로자가 육안으로 브레이크 패드를 분류해서 작업을 진행을 해왔다. 그런데 문제는 인간이 육안으로 하는 작업이기 때문에 숙련된 인력이 필요하고, 사람은 휴식을 필요로 하기 때문에, 시간 안에 판별해낼 수 있는 개수가 많지 않다는 것이다. 그래서 비전을 사용해보고자 했지만, 비전은 빛의 난반사 때문에 패턴매칭 같은 기법으로는 이런 분류를 해내기가 쉽지 않다는 문제가 있었다. 그래서 인공지능 디바이스에 카메라를 연결하고, 그 시각 이미지를 학습하게 해서, 그 패턴을 가지고 분류를 하는 작업을 적용했다. 이를 통해 80% 이상의 수동작업을 감소시키고, 100% 테스트가 가능하게 됐다. 부가적으로 인공지능 디바이스는 휴식시간을 필요로 하지 않기 때문에, 인간의 노하우를 가지고도 많은 작업을 할 수 있다는 장점을 얻을 수 있었다.

 

품질 예지:스팟 용접

 

다음은 자동차 공정 그중에서도 스팟용접 품질에 대한 예지 사례다.

스팟용접은 자동차 차체를 만드는 과정에서 품질에 큰 영향을 끼친다. 이 용접불량을 뒤의 공정에서 발견을 할수록 처치하는데 더 큰 비용을 필요로 하게 된다. 사람의 육안으로 검사하는 수밖에 없었지만, 인공지능의 데이터 전처리 기법을 사용해서 용접장비에서 올라오는 실시간 데이터들과 파라미터들을 실시간으로 검증해서, 이상발생 가능성 여부를 예측하는 시스템을 구축했다. 이를 통해 이상검출률이 17% 이상 올라갔고, 전 제품에 대한 검사를 커버할 수 있는 능력을 갖추게 됐다. 머신러닝이 실시간으로 각 용접과정에서의 파라메터들을 실시간으로 검증한 사례다.

여기까지가 인공지능을 이용해서 생산성을 높였던 사례들이고, 인공지능을 구축하는 데는 어떤 과정을 거쳐야 하는지에 대한 설명이 이어졌다.

0. 우선 인공지능을 구축하는 데는 프로젝트의 검토가 이루어져야 한다. 과연 이 프로젝트에 인공지능 적용이 가능한 것인가? 알맞은 프로젝트인가? 비용대비 생산성 혹은 난이도 대비 얼마나 효과적인 결과를 가져올 수 있을까?

1. 적합한 프로젝트라는 결론이 나게 되면, 프로젝트를 수행하기 위한 여러 가지 데이터를 수집해야 한다. 여기에서 데이터는 인공지능의 학습을 위한 데이터를 의미한다. 브레이크 종류를 판별하기 위한 여러 가지 이미지들(빛이 오른쪽에서 들어왔을 때, 왼쪽에서 들어왔을 때, 어두울 때 같은 여러 가지 케이스의 이미지들)과 장비상태의 이상을 모니터링 하기 위한 데이터들(장비가 문제가 있을 때와 없을 때 소리라든지 진동 같은 센서 데이터들의 샘플 데이터)들이다. 아무리 훌륭한 프로그래머와 아무리 좋은 하드웨어가 준비가 되어 있더라도 인공지능을 구현하기 위해서는 이런 샘플데이터가 없으면 구현이 어렵다.

2. 그 이후에는 모델을 생성해야 한다. 모델을 생성한다는 것은 인공지능을 프로그래밍하는 과정이다. 파이선(Python)같은 언어를 활용하는데, 이 부분이 자동화 엔지니어들이 가장 어려워하는 부분이다.

3. 이후에는 모델을 컨버전해야 한다. 모델 컨버전은 대상이 되는 하드웨어들이 엣지 디바이스일지 혹은 NPU일지에 따라 그 하드웨어 특성에 맞게 맞춰주는 작업을 말한다(모델 컨버전).

4. 컨버전이 되고 나면 실제로 런타임을 구동할 장비에 이 모델을 적용해준다(모델적용),

5. 그러면 이 장비가 인공지능을 실제로 구동할 상태가 된 것이고, 이 모델을 운영한다(모델 운영), 모델 운영에서 조심해야 될 것은 완성된 것들을 얘기하는 것이 아니라, 장비에서 초기 운영을 해가면서 문제가 있는지 없는지, 만약 문제가 있다면 재교육을 시켜주고, 만약 문제가 없다면 계속해서 문제없이 사용이 되는지를 모니터링하는 과정까지를 포함한다.

지멘스는 데이터 사이언스 영역과 자동화 엔지니어링 영역을 통합하기 위해 노력한다. 데이터 사이언스가 담당하고 있는 모델을 만들고, 모델을 컨버팅하고, 모델을 배포하는 과정들, 그리고 자동화 엔지니어가 담당하는 실제 적용하고 센싱하고 재교육이 필요하면 재교육으로 피드백하는 이런 영역들을 통합한다는 의미는 보다 쉬운 인공지능을 만들어보겠다는 것이다.

 

 

 

데이터 사이언스 영역과 자동화 엔지니어링 영역을 통합

 

 

지멘스는 자동화 엔지니어도 아주 많은 학습을 받지 않더라도, 데이터 사이언티스트의 역할을 어느 정도 할 수 있는 인공지능이 산업현장에 필요하다고 생각한다. 접근이 어렵지 않은 AI, AI를 적용하기 위한 과정을 최소한으로 줄이기 위해 노력하고 있다.

 

자동화를 위한 AI는 어렵지 않아야 한다.

 

지멘스의 비전은 자동화로의 AI의 통합으로, AI의 운영과 서비스를 위해 TIA Portal과 Industrial Edge와 같은 범용 자동화 시스템에 인공지능 어플리케이션 과정을 적용하는 것이다. 지멘스의 비전은 인공지능을 산업레벨로 만들어 내는 것이다.

산업용 AI는 분야에 알맞은 기능을 가져야 한다. 자동화 시스템과 통합이 되어 있어야 하고, 기존의 PLC를 인공지능 어플리케이션에 사용하며, 그리고 모델적용을 위해 사용이 가능해야 한다. 당연히 산업용인 만큼 인공지능 하드웨어 자체도 24시간 쉬지 않고 사용이 가능하고, 긴 수명을 보장하는 제품이어야 한다.

그래서 지멘스는 인공지능을 산업레벨로 만들고 있다. 산업분야에 맞는 케이스 라이브러리를 만들어내고 있고, 자동화 시스템에 통합 가능한 시스템과, 내구성과 안정성을 갖는 하드웨어 플랫폼을 만들고 있다. 이러한 인공지능의 도입을 통해서 지멘스는 우리는 다양한 산업계의 과제를 해결해 나가고 있다.