Smart Factory 분야
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
- 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
- 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}
- 제조 로봇 시계열 센서 데이터 분석 및 전처리 모듈 개발
- 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
- 응용분야1
딥러닝 결함 분류 모델
- 연구 개요
- 딥러닝 결함 분류 모델 개발
- 연구 기간
- 2018년 02월 ~ 2019년 01월
- 연구내용 및 성과
- 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
- 특정 결함에 데이터가 편중되어 있음 → 충분한 데이터의 확보 필요
- 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
- 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%
- 기존의 Machine Learning기법인 Decision Tree와 SVM을 활용하여 결함을 분류했을 때 84%의 분류율을 보이던 기술 수준을 딥러닝 기법을 사용하여 분류율 95%까지 향상시킴
- 영상데이터 구성 및 분석
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
- Data → AnoGen → 결함시각화(real, Generated, Difference, Anomaly)
- 비지도 학습 모델 구현
- 응용 분야
- 기존 머신 비전 기술 검사(육안검사)의 한계 극복
- 빠른 불량 검출로 공정 최적화
- 제조 중소 기업에 AI기술 보급화