[정보통신신문=박남수기자]

우리 몸에 이상이 생기면 발열이나 통증이 나타나듯, 제조 설비도 고장이 발생하기 전 비정상적인 진동, 소음, 과열과 같은 이상 징후를 먼저 드러낸다. 

하지만 현장 작업자가 이러한 징후를 미리 알아채기 쉽지 않고, 설령 인지하더라도 사람이 고장 가능성을 자체 판단해 사전에 대응한다는 것은 현실적으로 어려운 실정이다.

특히 자동화설비에 크게 의존하는 제조현장의 경우, 갑작스런 설비 고장은 조업에 매우 치명적이며 그 과정에서 결함 있는 제품이 출하되면 소비자의 안전까지도 위협할 수 있다.

한국생산기술연구원(생기원)이 포항공과대학교와 제조설비의 고장 징후를 딥러닝 기술로 포착하고 그 원인과 판단기준을 시각적으로 표현해줄 수 있는 ‘설명 가능 인공지능(AI) 기반의 설비 고장 진단기술’을 공동 개발했다.

기존에 개발된 제조현장의 AI 고장 진단기술은 설비가 현재 ‘정상 또는 고장’이라는 단순한 판정 정보만 제공할 뿐, 고장 발생이 어떤 이유로 예측되는지에 대한 설명과 근거를 제공해주지 못한다는 한계가 있었다.

이 같은 AI 동작 해석의 어려움으로 소위 ‘블랙박스’라고 불릴 만큼 진단기술에 대한 신뢰성과 활용도가 낮았다. 또한 고장 신호가 들어왔을 때 작업자가 그 원인을 파악하기 위해서는 다른 방법으로 다시 분석하거나 제조설비를 직접 살펴봐야해 번거로웠고 시간도 오래 걸렸다.

딥러닝에서의 블랙박스(Black Box)란 결과값이 인간과 유사하게 또는 원하는 대로 도출됐지만 무엇을 근거로 어떻게 그 결과가 나왔는지 해석할 수 없는 상태를 말한다.

이러한 문제점을 극복하기 위하여, 생기원 첨단메카트로닉스연구그룹 AI응용제조설비연구센터 윤종필 박사와 포항공대 전자전기공학과 박부견 교수, 김민수 학생연구원(박사과정)이 이끄는 공동연구팀은 설비에 부착된 다양한 센서로부터 획득한 시계열 진동신호를 이용해 설비상태를 실시간 진단해주는 딥러닝 모델을 고안해냈다.

대다수의 핵심 제조설비들은 일정한 진동을 발생시키는 반복 공정을 수행하기 때문에 주파수의 변화로부터 고장 징후를 발견할 수 있다. 

고안된 딥러닝 모델은 진동이 일정할 때는 ‘정상’으로, 주파수가 어긋나거나 흐름이 갑자기 바뀌었을 땐 ‘고장’으로 판정한다.

연구팀은 센서가 보내온 기초 시계열 진동신호들을 주파수 변환 작업 없이 그대로 입력값으로 활용하는 ‘End-to-End Model’을 적용해 진단시간을 크게 단축시켰고, 판정결과와 함께 그 원인 파악에 도움이 되는 주파수 특징도 제공함으로써 신뢰성과 활용도를 높였다.

나아가, 연구팀은 정상/고장 상태 분류에 대한 AI의 판단기준을 주파수 영역에서 시각화해 보여주는 ‘FG-CAM* 알고리즘’ 개발 연구도 병행했다.

이 알고리즘은 딥러닝 모델이 제조데이터를 통해 스스로 기계 학습한 정상/고장 판단기준을 작업자가 이해하기 쉽게 주파수로 표현해 기존 기술로는 알기 어려웠던 AI의 동작 해석을 돕고 블랙박스 영역도 줄여준다.

이로 인해 작업자는 제조설비의 이상 징후가 포착되는 즉시 AI의 판단을 믿고 고장 진단을 신속하게 내릴 수 있게 됐으며, 그 원인 규명 작업도 보다 수월해졌다.

윤종필 생기원 박사는 “생기원 대표기술 ‘키테크(Key-tech)’ 중 하나로, 생기원과 포항공대가 2020년 7월 맺은 ‘AI 기반 제조혁신 업무협약’의 첫 성과”라며, “반복적인 진동 신호를 얻을 수 있는 제조설비, 발전시설, 회전기기, 수송기기 등의 진단에 다양하게 활용 가능한 원천 플랫폼 기술로써 현재 부품제조기업과 실증사업도 추진 중”이라고 말했다.

한편, 이번 성과는 2021년 6월 산업 인공지능 분야의 저명한 저널인 ‘국제전기전자기술자협회 산업정보학학회 논문지(IEEE Transactions on Industrial Informatics)’에 게재된 바 있다.

박남수 기자 다른기사 보기