탄소중립을 위한 드릴링 공정 결함 예측용 대규모 멀티모달 모델(LMM) 기반의 가공면 이미지 생성 AI 기술 개발
● 연구과제의 중장기적 목표: 제조업 현장의 디지털 전환을 실현하기 위해, 드릴링 공정 결함 예측용 대규모 멀티모달 모델(LMM) 기반의 가공면 이미지 생성 AI 기술 개발을 목표로 한다. 이 기술 개발을 통해 드릴링 공정에서의 다양한 결함 측정 값을 동시에 예측할 수 있는 효과적인 방법론을 제시하며, 기존의 광학현미경을 사용한 가공물 결함 측정법에 비해 ...
대규모 멀티모달 모델
생성형 인공지능
스마트 제조
드릴링 공정
탄소중립
2
주관|
2023년 10월-2026년 4월
|178,090,000원
소비재 상품산업, 공급망 관리 및 스마트 공장에서의 객체 인식을 위한 AI 혁신: 확산 기반 최적화 알고리즘과 확산 기반 생성 모델의 활용
본 과제는 소비재 상품 산업, 공급망 관리 및 스마트 공장에서 물건을 자동으로 인식하고 분석하는 인공지능(AI) 기술을 개발하는 연구임. 특히, '확산 기반 최적화 알고리즘'과 '확산 기반 생성 모델'을 활용하여 객체 인식 능력을 혁신하는 것을 목표로 함.
연구 목표는 확산 기반 생성 모델을 통해 기존 데이터 수집의 한계를 극복하고, 확산 기반 최적화 알고리즘을 통해 이미지 학습 능력을 높일 수 있는 제조·유통 AI 비전 솔루션 개발임. 핵심 연구 내용은 기존 스마트 비전의 한계점을 극복하는 신규 모델 개발 및 기존 이미지 생성의 불안정성(Mode Collapse)을 보완하는 Diffusion-Based Generative Model 개발을 통해 생성 AI의 안정성과 신뢰성을 높이는 것임. 또한, 이론적으로 안정성과 전역 수렴성이 증명된 Diffusion-Based Optimization Algorithm을 개발하여 이미지를 학습하고, 이를 통해 개선된 분류 판독 모델을 개발하는 것임. 기대 효과는 Diffusion-Based Generative Model과 Diffusion-Based Optimization Algorithm 개발을 통해 제조 분야에서 미지의 불량 제품 판독 능력 향상 및 불량 이미지 생성과 불량 판정 AI모델 원천 기술 확보임. 본 기술의 국산화와 원천기술 확보를 통해 2030년 국내외 매출 100억 원 달성, 총 7명의 고용 창출, 그리고 기존 룰 기반 비전 검사 장비에 대한 무역수지 개선 효과가 기대됨.
본 연구는 크게 두 가지의 주제로 구성되어 있다. 첫째로, 핵심 제조설비의 예지보전 시점 추정을 위한 AI 예측 모델을 개발한다. AI 모델을 개발하기 위해 핵심 제조설비의 성능 저하 및 건전성을 반영하는 적합한 데이터를 실시간으로 수집하여 저장하고, 다양한 공정 조건의 정보를 반영한 데이터를 수집할 계획이다. 또한, 다변량 시계열 데이터를 이용하기에 적합한 one-dimensional convolutional neural network (1D CNN)과 transformer 구조의 예측 모델을 구축하고자 한다. 추가로, 특정 하위 부속 혹은 설비 내 국소적 유지보수 판단을 위해 attention mechanism을 활용하여, 전체적인 제조설비의 잔여 수명 및 건전성 정도 예측 성능을 제고할 수 있을 것으로 기대한다. 둘째로, 생산일정에 따른 예지보전 시점 예측 모델을 고려하여, 생산제품의 납기일정 등과 같은 생산계획 목표 달성을 위한 최적 생산 스케줄링 모델을 개발할 예정이다. 이를 위해, 여러 공정을 거치는 다양한 제품의 생산계획을 가정하고, 생산시간 단축, 납기지연 최소화 등 전통적인 생산 스케줄링의 목적 함수를 고려하면서, 예지보전 계획을 동시에 다루기 위한 이론적 연구를 수행할 예정이다. 즉, 문제를 모델링하고(예: mixed integer linear programming, MILP), 문제의 복잡도(complexity) 분석, 최적해 속성을 도출하는 분석적 이론 연구를 수행할 예정이다. 이러한 속성들은 최적 알고리즘 개발에 활용될 수 있으며, 이를 통해 복잡도(complexity)가 높은 문제 또한 효과적으로 다룰 수 있을 것으로 기대한다. 또한, 개발된 최적화 모형을 실제 중소제조기업 핵심 제조설비에 적용하여, 모델 적용 효과 검증 및 개선이 이루어 질 예정이다.
- Barrier-free 경로를 찾기 위해 필요한 과정으로 지도 위의 여러 barrier 로 판단 되는 node 들과 edge 들을 제거
- Barrier 들의 정보를 지도에 반영할 때마다 지도의 상황이 달라지기 때문에, 어느 알고리즘이 해당 상황에서 가장 좋은 알고리즘인지는 확정 짓기 어려움
- 여러 개의 알고리즘을 준비해 놓은 뒤 각 상황에 맞는 다양한 알고리즘을 사용 및 조합
- 해당 연구는 기존의 경로 최적화 방식을 보완해주는 텍스트 마이닝 모델에 대한 연구로서, 사용자의 상태, 그리고 사용자에 대한 편의성, 심미성까지 고려한 형태의 모델 개발을 목적으로 함
- 크게 데이터 수집, 데이터 전처리, 모델 개발, 모델 평가 및 성능 향상으로 4가지 프로세스로 구성되어 있음
본 연구에서는, 소량의 레이블된 데이터만으로 학습된 AI 모델의 성능을 개선하기 위해, 다량의 레이블되지 않은 데이터(unlabeled data)를 활용하는 방법인 준지도학습을 적용할 계획이다. 특히, 준지도학습 중에서도 제조데이터의 다양한 feature set(예: 다양한 종류의 속도, 다양한 종류의 온도, 다양한 종류의 압력)을 고려한 multi-view learning 모델을 개발하여 불량예측을 할 계획이고, 불량원인분석을 위한 다양한 종류의 explainable AI 방법론 또한 적용할 예정이다.
1차년도에는 연구추진에 필요한 기존 연구/사례조사 및 현장 불량데이터 수집이 이루어진다. 연구/사례조사는 (1) 본 연구의 근간이 되는 AI, 그 중에서도 준지도학습, multi-view learning, explainable AI에 대한 기존 연구/사례조사와 (2) 불량예측 및 불량원인분석에 대한 기존 연구/사례조사가 각각 이루어질 예정이다. 또, 본 연구를 적용할 대상인 자동차 부품 중소제조기업과 공정(예: 플라스틱 사출성형 공정)을 선정하고, 현장 실무자(경력 5년 이상)와의 인터뷰를 통해 해당공정에 대한 불량예측 및 불량원인분석 현황과 문제점에 대한 정보를 얻을 예정이다. 마지막으로는, 해당공정에 대한 불량데이터 수집 및 전처리 과정이 수행될 예정이다.
2차년도에는 불량예측 및 불량원인분석을 위한 준지도학습 모델을 개발할 예정이다. 구체적으로는, 심층학습(deep learning)을 기반으로 하여, (1) 불량예측을 위한 multi-view learning 모델과 (2) 불량원인분석을 위한 explainable AI 모델이 각각 개발될 계획이다. 우선, 불량예측을 위한 multi-view learning으로는 multi-view EM을 포함한 다양한 방법론들이 제안될 예정이다. Multi-view learning이란 준지도학습의 대표적인 방법론인 co-training(2개의 feature set을 사용)의 multi-view version(다수의 feature set을 사용)이며, multi-view learning에 probabilistic expectation-maximization (EM) 방법론을 적용하여 발전시킨 모델이 multi-view EM이다. 이어서, 불량원인분석을 위한 explainable AI 방법론으로는 LIME (Local Interpretable Model-agnostic Explanations), SHAP (SHapley Additive exPlanations), ELI5 (Explain Like I'm 5)가 우선적으로 고려될 예정이다.
3차년도에는 1차년도에 수집된 불량데이터를 이용하여, 2차년도에 개발된 multi-view learning 모델(불량예측)과 explainable AI 모델(불량원인분석)을 각각 검증할 예정이다. 검증된 결과를 바탕으로, 초매개변수 조정(hyperparameter optimization)을 통해 multi-view learning 모델과 explainable AI 모델을 고도화한다. 고도화된 모델을 1차년도에 선정한 자동차 부품 중소제조기업의 해당공정에 적
용하고, 현장 실무자들의 피드백과 만족도 평가(100점 만점 기준, 평균 85점 이상을 목표)를 받아, 필요시 모델을 수정/개선할 계획이다.