서론: 불과 몇 년 전만 해도 인건비 절감이 제조업체의 자동화 검토를 이끄는 주요 요인인 듯했습니다. 투자수익률(ROI)은 자동화가 대체할 인원 수로 주로 계산되었고, ROI가 몇 년 미만이면 자동화 프로젝트가 승인되곤 했습니다. 그러나 최근에는 노동력 부족이 제조업체의 자동화 고려를 부추기는 더 큰 동기 요인으로 급부상했습니다. 가용 인력 부족으로 일부 제조업체는 생산 규모 확대나 끊임없이 변하는 고객 수요 대응이 불가능해졌습니다. 코로나19 팬데믹은 제한이 풀렸을 때 많은 기업의 빠른 회복을 가로막는 구식 수동 제조 관행의 민

대뇌피질은 이미지를 처리하는 뇌의 부분입니다. 인간은 다른 포유류에 비해 가장 큰 대뇌피질을 가지고 있습니다. 이 우월한 시각은 인간이 다른 동물보다 우위를 점하게 한 진화적 특성 중 하나입니다. 진화생물학자들은 이 특성의 신비를 풀려 하고, 기술 연구자들은 이를 복제하려 합니다.   그림 1. 공장의 머신 비전 시스템.   인간은 경험과 연습을 통해 배웁니다. 머신러닝은 컴퓨터가 인간 뇌의 학습 방식을 모방하게 하려는 인공지능(AI) 분야입니다. 이미지 인식과 처리는 이 분야의 중요한 하위 섹션입니다. 이미지

머신 비전 카메라 결함, 보정되지 않은 센서, 예측 불가능한 그림자는 산업용 AI 시스템에서 잠재적으로 비용이 많이 들고 위험한 오류로 이어질 수 있습니다. 그러나 연구자들은 오류 방지 알고리즘과 오류 확률을 줄일 수 있는 간단한 조치들을 개발하고 있습니다.   인공지능은 기본 퍼셉트론 인공신경망을 훨씬 넘어 진화했지만, 오류는 여전히 문제입니다. Pixabay 제공 이미지   산업용 인공지능 응용 로봇 플랫폼, 자재 취급, 포장, 머신 텐딩, 조립, 검사, BAS(빌딩 자동화 시스템) 등 AI(인공지능)의 산업

퍼지 로직은 복잡한 제어 시스템을 구현하는 데 가장 신뢰할 수 있는 수단처럼 들리지 않을 수 있습니다. 그러나 부정확한 데이터로 작업하고 전문가 경험을 구현하는 퍼지 로직 시스템의 능력은 현대 제어 애플리케이션에서 강력한 도구가 됩니다.   퍼지 로직 개요 1965년 로프티 자데(Lofti Zadeh)에 의해 개발된 AI(인공지능)의 하위 분야인 퍼지 로직은 컴퓨터 시스템이 인간이 데이터를 해석하고 상호작용하는 방식을 모방할 수 있게 합니다. 불리언 로직이 참/거짓, 0/1 두 가지 결과로 제한되는 반면, 퍼지 로직은 진리

로봇 셀을 위한 프로그래머블 로직 컨트롤러(PLC) 활용 로봇 셀은 로봇 작업 범위에 일반적으로 포함되지 않는 셀 부분들을 실행하기 위해 컨트롤러를 필요로 합니다. 컨트롤러, 보통 프로그래머블 로직 컨트롤러(PLC)는 보조 도어, 클램프, 안전장치, 또는 엔지니어가 완전 자율 셀을 위해 필요로 하는 기타 장치를 제어합니다. 래더 로직 프로그래밍은 배선도와 유사해 배선도에서 작동 프로그램으로의 변환을 단순하게 유지합니다. 래더 로직 프로그래밍은 순차적으로 실행되어 셀 내에서 명령 체인을 통해 특정 작업 완료가 가능합니다. 또한 셀의

퍼지 로직 컨트롤러는 말 그대로 우리 주변에 널려 있습니다. ABS(잠김 방지 브레이크 시스템)부터 우리 옷을 빨아주는 세탁기까지. 하지만 정말 작동할까요? 그리고 사용하는 이점은 무엇일까요?   그림 1. 현대 가공은 공정의 중요한 측면을 제어하기 위해 퍼지 로직에 의존하는 경우가 많습니다. Michael Schwarzenberger 제공 이미지   래더 로직과 퍼지 로직 퍼지 로직 제어를 배우는 좋은 출발점은 래더 로직이 퍼지 로직과 호환되는지 확인하는 것입니다. 래더 로직은 순차 로직이 필요할 때 PLC(프

우리 기계가 스스로 프로그램을 작성하는 날이 오면 컴퓨터 과학의 성배(Holy Grail)가 발견된 셈일 것입니다. 유전 프로그래밍(GP)은 그 방향으로 나아가는 비교적 새로운 머신러닝 패러다임입니다. GP는 제어 공학 분야에서 큰 가능성을 보여줍니다. 이 기사에서는 유전 프로그래밍이 무엇인지, 어떻게 표현되는지, 예제 프로그램을 살펴보겠습니다. 이 기사는 시리즈 첫 번째입니다. 다음 항목으로 넘어가려면 아래에서 선택하세요: 진화 알고리즘의 유전 연산자 유전 알고리즘 예제: 정렬 프로그램 진화와 심볼릭 회귀 유전 프로그래밍의 응용

컴퓨터 혁명은 1960년대 집적회로(IC) 발명으로 시작되었습니다. IC는 지난 반세기 동안 많은 산업에 스며들었습니다. 오늘날 다양한 분야에서 다양한 컴퓨팅 기기가 사용됩니다. 초기에는 소프트웨어가 하드웨어 기반 컴퓨팅 솔루션을 사용하기 위한 촉진자였습니다. 이후 소프트웨어는 컴퓨팅 파워를 활용해 더 많은 일을 효율적으로 수행하는 도구로 진화했습니다. 오늘 하드웨어와 소프트웨어를 결합한 디지털 도구를 사용하는 것은 세계 모든 산업에 필수적입니다. 기업은 디지털 트랜스포메이션으로 이러한 새로운 역량을 도입합니다.   디지털

산업용 로봇에는 제조사, 모델, 색상, 모양, 크기 등 부족함이 없습니다. 하지만 기계적 디자인을 보면 모든 브랜드에서 많은 유사점이 보입니다. 산업용 관절형 로봇 팔은 첨단 제조 시설을 상징하는 이미지로 자주 등장합니다. 일반적인 협동 로봇(코봇)조차 같은 기계적 구조를 따릅니다. 탑재 하중 이송, 적재, 분류, 팔레타이징, 조립 등 다양한 반복 작업을 수행합니다.   RobotWorx 제공 영상   모든 브랜드와 모델에서 한 가지 공통된 특징이 두드러집니다: 6축 운동. 일부 모델은 더 많고, 많은 모델은 더

자동차 소유는 과거 편리한 이동 수단 접근의 기본이었습니다. 오늘은 전화 앱으로 차를 부르면 차가 준비됩니다. 정비, 유지보수, 손상, 보험 등을 걱정할 필요가 없습니다. 이는 우버(Uber), 리프트(Lyft) 같은 서비스, 즉 운송 서비스(TaaS; Transportation as a Service)로 가능해졌습니다. 이 서비스 모델은 산업 분야를 포함한 더 많은 영역으로 확장되고 있습니다. 제품은 제한된 시간 동안 대여하고 필요 없을 때 반납할 수 있습니다. 이런 제공 방식은 흔히 (빈칸) as a service 또는 X(무엇

제1차 산업혁명은 18세기 증기기관 발명과 발전으로 시작되었습니다. 이후 기술 발전으로 대량생산과 자동화가 이루어졌습니다. 이 기술들은 산업혁명의 첫 세 단계를 대변하며, 현재 우리는 인더스트리 4.0 시대에 살고 있습니다. 아니면 이미 5단계에 진입했을까요?   인더스트리 4.0 인더스트리 4.0은 디지털 기술을 활용해 제조 공정의 자동화 환경을 혁신합니다. 또한 모든 것을 서로 연결해 커뮤니케이션과 효율을 개선합니다. 인더스트리 3.0이 컴퓨팅 역량으로 공정을 부분 자동화했다면, 인더스트리 4.0은 데이터를 활용해 자동

이번 유전 프로그래밍(GP) 시리즈에서는 유전 프로그래밍이 무엇인지, 정보를 어떻게 표현하는지, 진화 알고리즘에서 유전 연산자가 어떻게 작동하는지, 심볼릭 회귀를 통한 정렬 프로그램 진화 예제를 다뤘습니다. 여기서는 이 기술이 발전함에 따라 무엇을 달성할 수 있는지 고수준에서 살펴보겠습니다.   유전 프로그래밍의 실용적 고려사항 이 시리즈 마지막 장을 이해하기 위해 시리즈 첫 부분에서 다룬 XOR 예제를 상기해 봅시다:   GP로 발견한 XOR 문제의 완벽한 해법: (defun program () (AND (O

레이저 거리 센서는 로봇 및 자동화 산업에서 다양하게 활용됩니다. 여러 분야에 적용 가능하지만, 본 문서에서는 레이저 거리 센서를 위치 센서로 사용하여 구형 기술을 개조하는 셀 리트로핏에 초점을 맞춥니다. 이 센서는 거리를 매우 정확하게 측정할 수 있어 다양한 유형의 제어에 적용 가능합니다. 다만, 레이저 고장 시 안전하게 대처할 수 있도록 시스템에 특정 안전 기능을 프로그래밍해야 합니다.   기존 T-카트 제어 방식 T-카트 제어를 이해하려면 T-카트 작업이 무엇인지 정확히 아는 것이 중요합니다. T-카트는 주로 금속 트

은닉 노드 층 추가로 퍼셉트론 성능 크게 높일 수 있지만, 은닉 노드 때문에 학습이 좀 더 복잡해집니다. AAC 신경망 시리즈에서 데이터 분류, 특히 퍼셉트론 종류에 대해 배워왔습니다. 아래 시리즈 복습하거나 이 새 글에서 다층 퍼셉트론(MLP) 신경망 기초 설명 들어갑니다. 신경망으로 분류 수행: 퍼셉트론이란? 단순 퍼셉트론 예제로 데이터 분류하기 기본 퍼셉트론 신경망 학습시키기 단순 신경망 학습 이해 신경망 학습 이론 입문 신경망의 학습률 이해 다층 퍼셉트론으로 고급 머신러닝 시그모이드 활성화 함수

이 글에서는 가중치 업데이트 계산에 사용되는 정확한 방정식을 제시하고 역전파가 다층 퍼셉트론(MLP)의 데이터 학습을 어떻게 가능케 하는지 설명합니다. AAC 종합 머신러닝 시리즈에 오신 것을 환영합니다. 지금까지 시리즈 요약: 신경망으로 분류 수행: 퍼셉트론이란? 단순 퍼셉트론 예제로 데이터 분류하기 기본 퍼셉트론 신경망 학습시키기 단순 신경망 학습 이해 신경망 학습 이론 입문 신경망의 학습률 이해 다층 퍼셉트론으로 고급 머신러닝 시그모이드 활성화 함수: 다층 퍼셉트론에서의 활성화 다층 퍼셉트론

분류용 퍼셉트론 구축: 아키텍처, 바이어스, 활성화 All About Circuits 신경망 시리즈에 오신 것을 환영합니다. 이전 글들에서 신경망 이론적 기초 다뤘습니다: 신경망으로 분류 수행: 퍼셉트론이란? 단순 퍼셉트론 예제로 데이터 분류하기 기본 퍼셉트론 신경망 학습시키기 단순 신경망 학습 이해 신경망 학습 이론 입문 신경망의 학습률 이해 다층 퍼셉트론으로 고급 머신러닝 시그모이드 활성화 함수: 다층 퍼셉트론에서의 활성화 다층 퍼셉트론 신경망 학습시키기 다층 퍼셉트론의 학습 공식과 역전파

이 글에서는 고급 분류를 위한 신경망 학습 Python 프로그램을 안내합니다. 이 글은 AAC 신경망 개발 시리즈 12번째 글입니다. 시리즈 다른 내용: 신경망으로 분류 수행: 퍼셉트론이란? 단순 퍼셉트론 예제로 데이터 분류하기 기본 퍼셉트론 신경망 학습시키기 단순 신경망 학습 이해 신경망 학습 이론 입문 신경망의 학습률 이해 다층 퍼셉트론으로 고급 머신러닝 시그모이드 활성화 함수: 다층 퍼셉트론에서의 활성화 다층 퍼셉트론 신경망 학습시키기 다층 퍼셉트론의 학습 공식과 역전파 이해 Pytho

신경망 기반 신호 처리에서 검증이 중요한 이유 AAC 신경망 시리즈 계속되는 이 글에서는 실제 신호 처리 작업에 신경망 적용 시 검증의 결정적 역할을 다룹니다. 신경망으로 분류 수행: 퍼셉트론이란? 단순 퍼셉트론 예제로 데이터 분류하기 기본 퍼셉트론 신경망 학습시키기 단순 신경망 학습 이해 신경망 학습 이론 입문 신경망의 학습률 이해 다층 퍼셉트론으로 고급 머신러닝 시그모이드 활성화 함수: 다층 퍼셉트론에서의 활성화 다층 퍼셉트론 신경망 학습시키기 다층 퍼셉트론의 학습 공식과 역전파 이해 P

이 글에서는 엑셀로 학습 데이터를 생성하고 Python으로 다층 퍼셉트론을 학습시켜 성능을 검증하는 과정을 보여줍니다. Python 신경망 개발을 원하신다면 제대로 오셨습니다. 엑셀 기반 데이터 준비에 들어가기 전에 시리즈 나머지 글을 복습해 기초 맥락 잡으세요: 신경망으로 분류 수행: 퍼셉트론이란? 단순 퍼셉트론 예제로 데이터 분류하기 기본 퍼셉트론 신경망 학습시키기 단순 신경망 학습 이해 신경망 학습 이론 입문 신경망의 학습률 이해 다층 퍼셉트론으로 고급 머신러닝 시그모이드 활성화 함수: 다층 퍼셉

이 글에서는 다층 퍼셉트론의 은닉 부분 구성에 대한 증거 기반 가이드라인을 제공합니다. 이전 글들에서 퍼셉트론 네트워크, 다층 아키텍처, 실용적 Python 구현을 다뤘습니다. 은닉층 깊이와 너비 결정 전, 아래 기초 글들을 복습해보세요. 신경망으로 분류 수행: 퍼셉트론이란? 단순 퍼셉트론 예제로 데이터 분류하기 기본 퍼셉트론 신경망 학습시키기 단순 신경망 학습 이해 신경망 학습 이론 입문 신경망의 학습률 이해 다층 퍼셉트론으로 고급 머신러닝 시그모이드 활성화 함수: 다층 퍼셉트론에서의 활성화 다층