AI로 자동차 품질 검사 혁신: 결함 더 빠르고 정확하게 포착

기계가 공정 중 및 라인 끝에서 이상 징후를 학습하여 감지

새 차량이 조립 라인에서 나오면 일부 완성차 업체는 가상 눈(카메라+AI)으로 최종 검사를 수행해 품질을 보장하고 스크래치, 찍힘, 누유가 없는지 확인합니다.

이 '눈' 뒤에는 인공지능(AI)과 그 하위 집합인 머신 러닝(ML)이 있습니다. 이 기술들은 UVeye(이스라엘 텔아비브-야포)의 자동화된 컴퓨터 이미징 기술에도 적용됩니다. AI 외에도 독자 알고리즘, 클라우드 아키텍처, 센서 융합을 통해 몇 초 만에 차량 전체를 검사하고 결함을 지적합니다.

"머신 러닝과 AI는 이미 훈련되어 있습니다."라고 회사 최고전략책임자 데이비드 오렌은 말했습니다. "ML 알고리즘은 1조 장의 이미지로 개발되었습니다. 다만 운영자가 오류를 수동으로 수정해야 합니다."

제조 현장에서 UVeye의 딥러닝 기반 검사 서비스 통합 플랫폼은 인라인 검사도 수행할 잠재력이 있지만, 현재는 라인 끝 품질 검사에 집중하고 있다고 오렌은 말했습니다.

제조업에서 AI 활용이 늘어나면서 UVeye 같은 비전 검사 시스템이 운영자에게 문제를 알림으로써 더 높은 품질의 부품 생산에 기여합니다. 일부 솔루션은 문제가 감지되면 기계에 정지 신호를 보낼 수도 있습니다.

하지만 여전히 극복해야 할 과제가 있습니다. 라인의 일부에서만 데이터를 수집·분석하는 파편화된 소프트웨어 제품, 이기종 데이터 포맷, 통합이 어려운 다양한 벤더의 기술 등이 그것입니다. 링크 일렉트릭 앤 세이프티 컨트롤의 혁신 전략가 겸 세일즈 엔지니어 딘 필립스는 이렇게 말했습니다.

"아마 가장 어려운 부분은 통합일 겁니다."라고 필립스는 말했습니다. "현재 가장 큰 도전은 모두 독립형 시스템이라는 점입니다. 아직 전체 범위를 아우르지 못하고 있습니다. 앞으로 해결되겠지만 지금은 가장 큰 과제 중 하나입니다."

도메인 지식을 대체할 수는 아직 없다

프레딕트로닉스(Predictronics Corp., 신시내티)는 자사의 예측 품질 솔루션이 오븐 제조사에 어떻게 도움이 되었는지 사례를 제시했습니다. 성형 기계를 통과하는 강판 롤에서 공정 품질 문제로 골머리를 앓던 제조사였습니다. 기계의 역할은 오븐 캐비티로 슬라이드가 들어갈 때 받쳐주는 갈비(rib)를 프레스로 성형하는 것입니다. 문제는 성형 공정 중 갈비에 균열이 생기기 시작했다는 것이었습니다. 원인을 찾고 해결하기 위해 제조사는 프레딕트로닉스에 의뢰했습니다.

프레딕트로닉스 데이터 과학자들은 기계에서 관련 정보를 분석하고 히트맵을 이용해 갈비 균열과 공정 온도 간 관계를 규명했습니다. 균열이 성형 강판이 온전하게 유지되는 온도 범위 밖, 더 낮은 시스템 열에서 더 자주 발생함을 밝혀냈습니다.

프레딕트로닉스 솔루션 한 배포에서 오븐 제조사는 88% 정밀도(예측된 균열 중 실제 균열 비율)와 66% 재현율(실제 균열 중 예측된 비율)로 문제를 감지할 수 있었습니다.

"고객과 예측 품질 작업을 할 때 공정 데이터를 분석하고 시간이 지남에 따라 해당 파라미터를 측정하는 건전성 모델을 개발해 잠재적 문제 추세를 인식하고 사전 경고를 제공합니다."라고 프레딕트로닉스 CFO 패트릭 브라운은 말했습니다. "많은 테스트나 육안 검사를 하지 않고 공정 파라미터를 기반으로 제품 품질을 추론할 수 있게 돕습니다."

이 공정은 스크랩, 불량 제품에 낭비되는 생산 시간, 품질 불량으로 인한 보증 청구도 줄여줍니다.

일반적으로 공정 파라미터(위치, 유량, 압력, 온도 등)를 볼 때 정상 행동에서 벗어난 이탈을 찾습니다. 이상 행동은 한 파라미터의 크기가 전형적 값보다 증가하는 것일 수도 있고, 두 파라미터 간 관계 변화일 수도 있습니다.

"온도가 압력과 함께 보통 상승하는데 갑자기 온도는 오르는데 압력이 내려간다고 해보죠."라고 프레딕트로닉스 CTO 데이비드 시겔은 말했습니다. "전형적 값을 벗어난 추세일 수도 있고, 압력-온도 예시 같은 상관관계 변화일 수도 있습니다. 관계를 찾고 시간에 따라 공정을 모니터링하면 나쁜 품질을 초래하는 공정 이상과 연관 지을 수 있습니다."

언제 AI를 적용해야 하는가?

프레딕트로닉스의 접근법은 중요도 분석을 수행하는 것입니다. 예측 품질의 경우 스크랩이나 품질 이슈가 가장 많은 기계를 찾습니다. 엔지니어링과 제조 관점에서 어떤 공정이 가장 문제가 되는지 이해하기 위해 고객과 긴밀히 협력합니다. 고객 경험과 데이터를 혼용할 수도 있습니다.

"일부 고객은 라인 끝에서만 품질을 측정합니다."라고 시겔은 말했습니다. "그 경우 어떤 공정이 품질 측면에서 가장 중요한지에 대한 고객 경험에 의존해야 합니다."

새 라인이거나 이슈가 없는 라인의 경우에도 몇 가지 접근법이 있습니다.

새 라인이라면 데이터 과학자들이 비교를 위해 유사한 라인이나 공정을 찾아 그 운영자들의 경험을 활용해 어떤 이슈가 가장 문제가 되었을지 파악합니다.

"또는 IoT 시스템의 성숙도에 기반할 수도 있습니다."라고 시겔은 말했습니다. "어느 쪽에 데이터가 가장 많은가? 그쪽이 공정 데이터를 더 정확하게 모니터링할 수 있는 좋은 시작점이 될 수 있습니다."

또는 도메인 지식에 기반할 수 있습니다. 일부 공정은 변동성이 크기 때문입니다. 기계가 데이터를 생성하고 과학자가 분석해 더 나은 결과를 내더라도 도메인 지식은 여전히 큰 비중을 차지합니다.

"한 고객은 파라미터가 정확히 어떻게 보여야 하는지 알고 있었습니다."라고 브라운은 말했습니다. "임계값을 어디에 설정하고 어떤 파라미터를 봐야 할지 정확히 알고 있을 정도로 공정에 정통했습니다. 그런 사람이 팀에 있는 건 정말 가치 있습니다."

프레딕트로닉스는 노련한 세대가 은퇴하고 새 세대가 따라잡는 상황에서 도메인 지식을 모델에 내재화하려 노력 중입니다.

새 라인의 경우, 가장 기회가 큰 곳에 AI를 적용하는 접근법도 있습니다. 공정의 일부를 계측화할 수 있는지가 관건입니다.

"과거에는 기계나 공정이 제조 공정 설계 방식상 계측화되지 않는 경우가 있었습니다."라고 프레딕트로닉스 CEO 에드젤 라피라는 말했습니다.

이질적인 시스템의 데이터 통합에 대해 라피라는 여러 방법이 있다고 했습니다. "가장 쉬운 건 데이터베이스 통합입니다. 데이터 소스에서 데이터 레이크로 데이터를 강제 이동할 수 있는 다양한 프로토콜이 있습니다. 공작 기계에는 OPC-UA, MTConnect 같은 프로토콜이 이미 있어 기계에서 우리 같은 애플리케이션이나 대시보드로 데이터를 가져올 수 있습니다."

기계 문제 예측이 품질 향상에 도움

BC 머시닝(BC Machining LLC, 오하이오주 브라스타운)은 CNC 기계와 데이터 수집, 머신 러닝, 에지 컴퓨팅 기술을 사용하는 금속 가공 업체로, 스크랩이 너무 많이 발생했습니다. 생산 목표를 맞추려 기계를 200% 가동했고, 파손된 엔드밀이 스크랩 더미에 쌓였습니다.

"종종 한 교대 분량 부품의 1/3을 잃었고, 스크랩을 선별하는 데만 최소 1시간을 썼습니다."라고 BC 머시닝 제조 엔지니어 마이크 드리스켈은 사례 연구에서 말했습니다.

해결을 위해 머신메트릭스(MachineMetrics, 매사추세츠 노샘프턴)의 적응형 공구 모니터링 솔루션을 도입했습니다.

"'적응형'이란 기계에서 변화가 일어나 스크랩을 운영자 개입 없이 방지한다는 뜻입니다."라고 머신메트릭스 공동 창업자 겸 CEO 빌 비더는 말했습니다. "고객들에게 수억 원을 절감시키고 무인 가동(lights-out)을 가능하게 했습니다."

머신메트릭스의 AI 기반 소프트웨어는 BC 머시닝의 STAR 기계에서 공구 파손을 예측, 진단, 예방하도록 훈련되어 자율적으로 피드홀드(feedhold)를 구현했습니다. 부품 불량이 임박하면 CNC를 정지시켜 엔드밀을 사전에 교체함으로써 불량 부품 생산과 폐기를 막았습니다.

"머신메트릭스 예측 공구 파손 기술 사용 후 그 낭비가 사라졌습니다."라고 드리스켈은 말했습니다. "스위스 선반에서의 절감 효과는 엄청납니다."

머신메트릭스는 일부 고객과 로봇 암으로 손상/마모된 공구를 교체하는 방안을 모색 중입니다(내부 공구 교환 장치 대신). 자동 공구 교환을 위한 저렴한 기술이 등장하고 있습니다. 다만 아직 특정 기계 유형에 한정됩니다.

"고객들은 정말 관심이 많은데 우리가 비용 대비 가치가 있는지 판단하기 어려운 상황입니다."라고 비더는 말했습니다. "현재 2년 계약 정도면 가치가 있을 만큼 가격이 높습니다. 앞으로는 흔해질 것으로 봅니다."

머신메트릭스 공구 모니터링 솔루션은 BC 머시닝의 Star SR-20 CNC에서 치명적 공구 파손 전 신호를 식별했고, 예측 가능한 패턴도 감지했습니다. 소프트웨어는 기계 공구가 언제 파손될지 거의 완벽한 정확도로 나타냈습니다.

무엇보다 BC 머시닝은 품질 좋은 부품을 생산하고 있습니다. "기계 문제 예측의 주된 용례는 품질이라고 봅니다."라고 비더는 말했습니다. "예지 보전도 있지만 품질 이슈 감지가 더 높은 가치 제안인 경우가 많습니다."

절감 효과 중 일부는 엔드밀을 수명 끝까지 사용해 교체 주기를 늘린 덕분으로, 기계 가동률 증가라는 추가 이점도 있습니다. "대부분 제조사는 가공 부품 수 기준으로 공구를 교체합니다."라고 비더는 말했습니다. "많은 고객에게서 수명 50% 이상 남은 공구를 버리는 경우를 봅니다."

머신메트릭스 공구 모니터링 소프트웨어는 초당 1,000~10,000회라는 매우 높은 주파수로 캡처된 데이터로 작동합니다. 일반적인 기계 모니터링 시스템은 1Hz(초당 1회) 수준이라고 합니다.

"초당 1,000회는 더 많은 역량, 처리, 분석이 필요하므로 주목할 만합니다."라고 비더는 말했습니다.

이 솔루션은 기계의 다양한 모터에서 데이터를 수집한 후 '절삭 토크(cutting torque)'라는 핵심 구성 요소로 정규화합니다.

"절삭 토크로 CNC 절삭 공구의 마모를 볼 수 있습니다."라고 비더는 말했습니다. "우리가 CNC 기계에 접근 가능하게 만든 이 데이터 항목으로 가공 공정의 이상 유무, 공구 균열, 마모, 절삭 작업에서 보이는 이슈를 판단할 수 있습니다.

"어떤 경우엔 공구 부하 증가나 데이터 이상으로 문제를 예측할 수 있고, 부품 생산 직후 해당 부품이 스크랩인지 즉시 판단할 수도 있습니다."

CNC 이상의 도움

"정밀 금속 가공으로 시작해 연결된 1,000대 기계에 적용할 알고리즘을 깊이 있게 구축했습니다. 하지만 금속 가공 장비, 용접기, 플라스틱 사출 성형, 모든 유형의 개별 제조 장비에도 쉽게 연결되게 만들었습니다."라고 비더는 말했습니다.

또한 수집한 데이터를 고객에게 제공하므로, 고객에 데이터 과학자나 제조 엔지니어 팀이 있다면 라인 전체를 분석하는 데 활용할 수 있습니다.

"박스 밖으로 추가 역량을 구축하는 지점입니다."라고 비더는 말했습니다. "우리가 캡처한 데이터를 고객이 보강·가공해 결과를 우리 플랫폼으로 보내면, 유지보수·품질 알림이나 기계 정지 지시 같은 워크플로를 구축할 수 있습니다."

벤더 선별을 위한 질문 체크리스트

AI 솔루션 제공업체를 물색하는 제조사는 적합한 파트너를 찾기 위해 실사를 해야 합니다. 올바른 질문을 아는 것이 도움이 된다고 프레딕트로닉스 전문가들은 말합니다:

• 귀사 서비스가 이전에 어디에 사용되었나요? 제조 분야 예측 품질 애플리케이션에 사용되었나요?
• 귀사 솔루션이 스크랩 감소와 품질 개선 측면에서 비즈니스 운영에 명확한 개선을 입증했나요?
• 팀에 산업 도메인 지식이 있나요?
• 귀사 솔루션이 센서/공정 데이터와 품질 데이터 모두와 작동하고 두 데이터 소스를 통합하나요?
• 머신 러닝을 사용하나요? 비지도 및 지도 학습 모델을 모두 포함하나요?
• 모델 훈련에 데이터가 얼마나 필요한가요?
• 건전한 공정 데이터만 필요한가요, 아니면 스크랩 발생 시 불량 공정 데이터도 필요한가요?
• 모든 부품의 품질 데이터가 필요한가요, 아니면 일부만 측정해도 작동하나요?