기술보고서 2023 No4
"무언가 다르다"를 감지하고 "미래에 상황이 바뀔 것"을 예측
~파형 데이터 AI 개발 플랫폼 AlliomWave~

최근 몇 년 동안 AI는 다양한 분야에서 비즈니스 운영을 간소화하고 개선하는 데 사용되었습니다 FA(공장 자동화) 분야에서는 노동력 절감과 가변 생산량 생산 지원을 위해 기존에 인간의 손에 의존하고 '모호한 판단'이 필요한 작업에 AI 기술을 활용하려는 움직임이 있다 (주)에이아이큐브^※1(이하 AI큐브)는 제조 현장의 데이터를 AI 기술로 통합해 기존에 자동화할 수 없었던 영역을 자동화하는 작업을 진행하고 있다 자동화 분야를 확대하기 위해 "제조 현장에서 AI 기술이 당연하게 활용되는 상태를 만드는 것!"을 목표로 하고 있습니다

AI를 개발할 때 학습을 위해서는 많은 양의 데이터가 필요합니다 일반적으로 정상 데이터와 비정상 데이터를 구분하는 이상 탐지 AI를 개발할 때 AI의 정확도를 높이기 위해서는 정상 데이터와 비정상 데이터가 동일한 개수가 필요하다 그러나 FA 장비는 최대한 정상적으로 작동하도록 설계 및 제작되기 때문에, 대량의 정상 데이터를 수집하더라도 비정상 데이터 수집은 어렵다 결과적으로, AI의 정확도를 높이기 위해 필요한 양의 이상 데이터를 수집하는 데 막대한 시간이 필요하다는 문제에 직면하게 되었습니다 이 문제로 인해 결과적으로 AI가 개발되지 않을 수도 있고, 이상 데이터가 거의 없는 FA 분야에 AI를 도입하기 어려운 이유도 이 때문이다
그래서 이러한 문제를 해결하기 위해 AICube는 "데이터가 없으면 만들자! 그리고 대량으로! 실제 기계 없이도 AI를 만들 수 있는 환경을 마련하자!"라는 생각을 바탕으로 AI 생성 과정을 완전히 디지털화할 것입니다알리옴(Aliom)으로 제안했습니다
그림 1은 Alliom을 사용하여 AI를 도입하는 단계를 보여줍니다 지금까지 AI 개발은 'STEP 01: 현장에서 실제 데이터 준비'부터 해당 데이터를 활용해 'STEP 03: AI 모델 생성'까지 직접 연결됐다 알리옴은 위에서 언급한 두 단계 사이에 "STEP02: 데이터 생성"을 추가했습니다 이것이 알리옴의 가장 큰 특징입니다 이 기능을 이용하면 비정상적인 데이터 수집이 어려운 상황에서도 필요한 학습 데이터를 직접 생성할 수 있어 현장에서 대량의 데이터를 수집할 필요가 없고, 단시간에 정확도 높은 AI를 고객 현장에 도입할 수 있다

그림 1 Alliom을 이용한 AI 도입 단계

AICube는 AI 모델 생성 과정을 완전 디지털화하고, 제조 현장에 AI를 가장 빠르게 도입할 수 있는 알리옴(Alliom)을 구현하기 위해 '알리옴피킹(AlliomPicking)', '알리옴비전(AlliomVision)', '알리옴웨이브(AlliomWave)' 3가지 제품을 출시했다 AlliomPicking은 로봇 벌크 피킹 작업 전문, AlliomVision은 이미지 데이터 전문, AlliomWave는 파형 데이터(숫자 데이터) 전문입니다 각 Application에 맞는 기능과 GUI(Graphical User Interfaces)를 갖추고 있어 AI에 대한 지식이 없는 사람이라도 쉽게 AI를 개발할 수 있습니다
이번 보고서에서는 "시뮬레이션된 파형 데이터를 생성하고 그 데이터를 사용하여 AI를 생성"하는 제조 업계 최초의 AI 개발 플랫폼인 AlliomWave를 소개합니다

※1　(주)에이아이큐브
FA 현장에 신뢰성 높은 AI 솔루션을 제공하는 바카라 사이트 그룹사

AlliomWave는 무언가 달라지는 시점을 감지하고 미래에 무엇이 바뀔지 예측할 수 있는 파형 데이터용 AI 개발 플랫폼입니다

AlliomWave에는 실제 파형 데이터를 기반으로 디지털 환경에서 의사 파형 데이터를 생성하는 '의사 파형 생성 기능'과 해당 파형 데이터를 활용해 단시간에 정확도가 높은 AI를 생성하는 'AI 모델 생성 기능' 두 가지 기능이 있습니다 여기서 사용하는 파형 데이터는 시간에 따라 변화하는 수치 데이터이며 시간순으로 정리되어 있습니다 예를 들어 FA 장비를 구동하는 모터의 경우 전류값, 토크값, 회전속도 등의 데이터가 포함됩니다 AlliomWave는 이 파형 데이터를 활용하여 장비 이상, 생산 불량, 품질 이상 등을 감지하는 이상 감지 AI를 개발할 수 있습니다
"의사 파형 생성 기능"과 "AI 모델 생성 기능"은 아래에 설명되어 있습니다

AI 도입의 장벽인 "비정상 데이터 수집의 어려움" 문제는 "의사 파형 생성 기능"으로 해결할 수 있습니다 이상 파형 데이터가 10개 정도 있으면 단시간에 대량의 의사 이상 파형 데이터를 생성할 수 있습니다(그림 2) 이 기능은 노이즈 추가, 수직 및 수평 방향의 확장/축소 등 기본 파형 데이터에 여러 프로세스를 추가합니다 이를 통해 원래 파형 데이터의 특성(예: 파형 피크의 위치 및 크기)을 갖는 의사 파형 데이터를 생성할 수 있습니다(그림 3) 또한, 처리 파라미터를 변경함으로써 원래의 파형 데이터에 가까운 의사 파형 데이터를 생성하거나, 학습 데이터에 변화를 주기 위해 원래의 파형보다 더 다양한 의사 파형 데이터를 생성하는 등 다양한 의사 파형 데이터를 생성하는 것이 가능합니다 정상 파형과 비정상 파형 모두 의사 파형으로 생성될 수 있습니다
이 기능을 사용하면 실제 기계에서 대량의 비정상적인 데이터를 수집할 필요가 없으므로 FA 사이트에 AI를 적용하기가 더 쉬워집니다

그림 2 생성된 의사 파형 데이터(생성된 파형이 겹쳐 표시됨)

그림 3 의사 파형 데이터 생성 예

AlliomWave는 생성된 의사 파형 데이터의 신뢰성을 확인하기 위해 AICube 고유 알고리즘의 '유사성' 지수를 통합합니다 "유사성"은 생성된 의사 파형 데이터가 원본 파형 데이터와 얼마나 유사한지를 수치로 표현하는 지표입니다 파형 데이터의 신뢰성은 이미지와 달리 겉모습만으로는 판단하기 어렵습니다 '유사성'을 이용하면 AI 학습에 부정적인 영향을 줄 수 있는 원본 파형 데이터에서 크게 벗어나는 유사 파형 데이터를 사전에 제거할 수 있다

AlliomWave에는 이 "유사성"을 이용하여 의사 파형 생성 시 매개 변수를 변경하여 생성된 여러 패턴의 결과를 비교하는 기능과 "유사성"의 범위를 지정하여 채택할 파형 데이터를 자동으로 선택하는 기능이 있어 AlliomWave의 GUI에서 버튼을 누르는 것만으로 AI 학습에 효과적인 데이터만 쉽게 선택할 수 있습니다 그림 4와 5는 각 기능에 대한 GUI 화면을 보여줍니다 그림 4는 의사 파형 생성 결과를 비교하기 위한 GUI입니다 생성된 결과의 유사성 분포를 확인하는 히스토그램 표시와 생성된 파형의 차이를 확인하는 중첩 표시를 사용하여 의사 파형 데이터를 객관적으로 정렬할 수 있습니다 그림 5는 생성된 의사 파형을 선택하기 위한 GUI를 보여줍니다 의사 파형에 대응하는 유사 히스토그램 범위를 지정하고 중첩된 파형 표시에서 결과를 확인할 수 있습니다
생성된 의사 파형 데이터는 다음 단계에서 AI 모델을 생성하기 위한 AI 학습 데이터로 사용됩니다 또한, 옵션 기능이기는 하지만 생성된 유사 파형 데이터를 csv 파일로 출력해 고객이 이미 구축한 AI 모델에 대한 트레이닝 데이터로 활용하는 것도 가능하다

• 

  그림 4 다양한 의사 파형 매개변수를 사용한 생성 결과 비교
  (AlliomWave GUI 화면)

• 

  그림 5 의사 파형 데이터 선택
  (AlliomWave GUI 화면)

생성된 AI 모델은 AlliomWave에서 제공하는 API를 인터페이스로 사용하여 애플리케이션에 통합할 수 있습니다

※2　파이썬
파이썬 소프트웨어 재단의 상표

볼스크류를 이용한 이송기구에서는 볼스크류의 열화로 인해 위치결정정도가 저하되어 후속공정에서 이송물을 파지하는 오류가 발생하는 문제점이 있습니다 AlliomWave가 이 문제를 해결할 수 있는지 검증하기 위해 정상적으로 가동되고 비정상 데이터를 거의 수집하지 않는 생산 라인에서 볼스크류의 이상을 검출하고 싶은 경우(약 10건)를 가정하고, 볼스크류 데이터를 이용하여 AI 판별 정확도와 AI 생성 시간을 검증했습니다
생산 라인에서 충분한 양의 이상 데이터를 얻으려고 한다면, 정상적으로 가동되는 생산 라인에서는 이상 현상이 거의 발생하지 않기 때문에 데이터를 획득하는 데 엄청난 시간이 걸리겠지만, 기존의 10개 정도의 이상 데이터만을 이용하여 AI 모델을 생성했다면 이상 탐지 정확도는 90%에 불과했습니다
한편, AlliomWave를 사용하여 약 10개의 비정상 데이터에서 300개의 의사 파형 데이터를 생성하고 이 데이터를 사용하여 AI 모델을 훈련함으로써 우리는 몇 분 안에 100% 정확도에 도달할 수 있었습니다 (표 1)

표 1 의사 파형 데이터를 이용한 모델 정확도 비교

이번 보고서에 소개된 AlliomWave는 적은 양의 파형 데이터에서도 대량의 의사 파형 데이터(Pseudo Waveform Data)를 생성할 수 있어 실제 장비에서 대량의 이상 데이터를 수집하는 데 소요되는 엄청난 시간을 없애고 AI 기반 이상 감지 및 고장 예측 기능의 현장 도입을 크게 가속화합니다 이를 통해 이전에는 제조 현장에서 인간의 노동에 의존했던 '모호한 의사결정'에 AI 기술이 활용될 수 있게 되어 현장 의사결정의 정확성이 향상되고 자동화 확산에 기여할 것이라고 믿습니다 현재는 이상 감지에 특화된 기능이지만, 향후에는 고장 예측 기능을 추가하는 등 고객 요구에 맞게 개선해 나갈 예정입니다
AI 큐브 기술의 지속적인 발전을 기대해주세요