Smart Factory 분야 인공지능연구원은 미래 지능 정보화 사회 구현을 위한 IT 기술 리더 연구원으로서,
우리나라 정보통신분야를 이끄는데 많은 기여를 할 것입니다.

연구분야

Smart Factory 분야

스마트 제조 플랫폼을 위한 고장 예지·진단 기술 개발

  • 연구 개요
    • LSTM 순환신경망 모델 기반 로봇팔 동력전달부 이상탐지
  • 연구 기간
    • 2017년 11월 ~ 2019년 05월
  • 연구내용 및 성과
    제조로봇 시계열 센서데이터 분석 및 전처리 모듈개발, 시계열 센서데이터 특성을 고려한 기계학습/딥러닝 모델개발, 설비 이상징후 포착 → 담당자에게 알림, 수집된 Data의 정확한 분석 → 로봇/설비 데이터의 전략적 활용 제조로봇 시계열 센서데이터 분석 및 전처리 모듈개발, 시계열 센서데이터 특성을 고려한 기계학습/딥러닝 모델개발, 설비 이상징후 포착 → 담당자에게 알림, 수집된 Data의 정확한 분석 → 로봇/설비 데이터의 전략적 활용
    • 제조 로봇 시계열 센서 데이터 분석 및 전처리 모듈 개발
      • 센서데이터로부터 노이즈를 제거하고 데이터 후보군을 추출하기 위한 데이터 필터링 기법 개발
    • 시계열 센서 데이터 특성을 고려한 기계학습/딥러닝 모델 개발 아래의 내용을 참고바랍니다. 아래의 내용을 참고바랍니다.
      • 어떤 시점에서 설비점검을 하는 것이 가장 좋을까? 어떤 항목 때문에 문제가 발생하는 걸까?
      • Hybrid Deep Learing
      • 물리적 모델 기반 + Deep Learning 기반
      • Optimal Weight Appilied
      • Aging정도+이상빈도+이상강도 = 설비의 종합건강도 / 누적된 센서데이터 학습기반으로 최적의 PM시기를 예측하여 제안 / 이상원인 항목(센서) 자동분석제시
    • Seq2Seq 모델에 의해 입력 전류 값과 출력 각도 값을 관찰함으로써 로봇 팔의 결함 탐지 · 로봇 팔 고장 진단 및 예측 가능
      • 산업용 장비들의 고장을 조기에 발견하고 진단하여 효율적이고 정확한 정비 스케줄링 가능
      • 개별 시스템의 고장으로 전체 공정이 중단되는 사태를 막아 비용 손실을 최소화
    • 관련 특허 출원
      • 로봇 팔의 고장 진단 및 예측 방법{METHOD FOR DIAGNOSING AND PREDICTING ROBOT ARM'S FAILURE}
  • 응용분야
    • 응용분야1

      벨트의 내구성 장애진단 및 예측 모델 개발

    • 응용분야2

      과전압, 제어신호 이상 등 신호/전기적인 문제 등

    • 응용분야3

      모터 고장에 대한 고장 진단 및 예측 모델 개발

딥러닝 결함 분류 모델

  • 연구 개요
    • 딥러닝 결함 분류 모델 개발
  • 연구 기간
    • 2018년 02월 ~ 2019년 01월
  • 연구내용 및 성과
    아래의 내용을 참고바랍니다. 아래의 내용을 참고바랍니다.
    • 영상데이터 구성 및 분석
      • 영상 수집 및 가공 : 이상상태 데이터수집 → 이상종류별영상패치가동 → 데이터셋구성
      • 영상 분석 및 데이터 구성 : 영상획득환경(조도,각도) 및 결함 발생 정도 분석 → 데이터가공
    • 딥러닝 기반의 결함 분류 알고리즘 개발
      • 학습단계 : 학습이미지 → ROi(이미지전처리), Label(분류모델학습) → 결함분류모델
      • 데스트단계 : 테스트이미지 → ROi(이미지전처리), 결함분류모델 → 결함분류결과
    • 결함분류기 처리속도 개선
      • C++기반의 소스코드 작성 : 결함분류기의 속도개선을 위한 C+기반의 소스코드 작성 → CPU 환경에서의 결함분류기 최적화
      • GPU 가속화 : GPU 환경에서 실행가능한 결함분류기 개발 → 결함분류기 처리속도를 GPU에 최적화
    • 영상 데이터 구성 및 분석
      • 특정 결함에 데이터가 편중되어 있음 → 충분한 데이터의 확보 필요
        • 영상 수집 및 가공 : 결함 영상 수집 / 결함 종류별 영상 패치 정보 가공
        • 영상 분석 및 데이터 구성 : 영상 획득(조명, 각도 등) 환경 및 상태에 따른 결함 정보 분석
      • 추가 데이터 수집을 위한 Labeling tool 개발
    • 영상 데이터 구성 및 분석
      • 영상 전처리 : 분류 정확도 향상을 위한 Data augmentation 기법 연구 / 다양한 Data augmentation기법 적용 및 효과 분석
      • 결함 분류 알고리즘 개발 : 딥러닝 기반의 결함 분류 알고리즘 개발 및 테스트 / 결함 분류 정량화 알고리즘 개발
      아래의 내용을 참고바랍니다. 아래의 내용을 참고바랍니다.
      • 방법1 : ROi Cropping & Resizing
      • 방법2 : Center Cropping & Resizing
      • Inception-Resnet : Inception module + Identity mapping(resnet)
    • 결함 분류기 처리 속도 개선
      • C++ 기반의 소스코드 작성 : 결함 분류기의 속도 개선을 위한 C++기반의 소스코드 작성 / CPU 환경에서의 결함 분류기 최적화
      • GPU 가속화 : GPU환경에서 실행 가능한 결함 분류기 개발 / 결함 분류기 처리 속도를 GPU 최적화
    • 모델 성능 평가
      • 기존의 Machine Learning기법인 Decision Tree와 SVM을 활용하여 결함을 분류했을 때 84%의 분류율을 보이던 기술 수준을 딥러닝 기법을 사용하여 분류율 95%까지 향상시킴
        • 모델 종류: Inception-resnet v2
        • 입력 이미지 크기: 299 x 299
        • 전처리: Center Cropping & Resize
        • 정확도: 약 95%

AnoGAN 모델을 활용한 철강소재 결함 검출

  • 연구 개요
    • GAN을 통한 철강소재 결함 검출 모델 개발
  • 연구내용 및 성과
    • 비지도 학습 모델 구현
      • 비정상 데이터 확보가 어렵기 때문에 정상 데이터만으로 학습하여 비정상 데이터 분류
      • 정상 데이터로 학습한 latent space에서 벗어난 image를 찾아냄
    • 철강소재의 결함 부분 시각화
      • 생성한 이미지와 쿼리 이미지의 차이를 이용하여 정도에 따라 시각화
      아래의 내용을 참고바랍니다. 아래의 내용을 참고바랍니다.
      • Data → AnoGen → 결함시각화(real, Generated, Difference, Anomaly)
  • 응용 분야
    • 기존 머신 비전 기술 검사(육안검사)의 한계 극복
    • 빠른 불량 검출로 공정 최적화
    • 제조 중소 기업에 AI기술 보급화
TOP