[개요]

실시간 공정 관리 솔루션은 제조 현장에서 발생하는 다양한 공정 데이터를 수집·분석하여 공정 현황을 실시간으로 모니터링하고, 불량 원인을 분석하며, 불량 발생 가능성을 예측하는 AI 기반 공정 관리 솔루션입니다.

기존에는 공정 이상이나 불량이 발생한 후 원인을 확인하는 방식이었다면, 본 솔루션은 제조 공정 중 발생하는 데이터들을 기반으로 공정 상태를 실시간으로 확인하고 이상 징후를 사전에 파악할 수 있습니다.

다양한 제조 현장의 공정 데이터 분석, 불량 원인 파악, 불량 발생 예측 분야에 적합합니다.

[활용 분야]

① 실시간 공정 현황 모니터링

제조 현장에서 발생하는 각종 공정 데이터를 수집하고 시각화하여 공정 상태를 실시간으로 확인할 수 있습니다.

1. 공정 온도 및 압력, pH 등의 다양한 공정 상태 모니터링
2. 실내 온도 및 습도 등 환경 모니터링
3. 설비 진동 및 전류 데이터 모니터링
4. Lot별 공정 상태 확인 등

② 불량 원인 분석

장기간 축적된 공정 데이터와 불량 발생 데이터를 분석하여 불량에 영향을 주는 주요 요인을 파악합니다.

1. 공정 조건과 불량 발생 간 상관성 분석
2. 주요 영향 인자 도출
3. 특성 중요도 분석
4. Lot별 에러리스트 분석
5. 공정 변수별 불량 영향 분석

③ 불량 발생 예측

수집된 공정 데이터와 품질 데이터를 기반으로 AI 모델을 학습하고, 새로운 공정 데이터가 입력되었을 때 불량 발생 가능성을 예측합니다.

1. 공정 이상 징후 사전 감지
2. 불량 발생 가능성 예측
3. 관리자의 사전 대응 지원
4. 공정 조건 변경에 따른 위험도 확인
5. 불량률 저감 활동 지원

④ 다양한 제조 공정 관리

여러 제조 현장에 적용할 수 있습니다.

1. 압사출 공정 데이터 관리
2. 화장품 원료 제조 공정 관리
3. 도금 공정 데이터 관리
4. 설비 및 환경 데이터 통합 관리
5. 공정별 맞춤형 모니터링 구축

[활용 방식]

① 공정 데이터 수집

제조 현장의 센서, 무선 전송장치, 생산관리 프로그램 등을 통해 다양한 공정 데이터를 수집합니다.

1. 공정 온도, 설비 압력, pH 등 공정 관련 데이터
2. 실내 온도 및 습도 등 환경 데이터
3. 설비 진동 및 전류 데이터
4. MES 구축을 통한 작업 지시 데이터 등

② 데이터 저장 및 통합 관리

수집된 공정 데이터와 품질 데이터를 저장하고, 공정별·Lot별로 통합 관리합니다. 축적된 데이터는 실시간 모니터링, 불량 원인 분석, 불량 예측 모델 학습에 활용됩니다.

③ 실시간 분석 및 시각화

수집된 데이터를 PC, 모바일, 대시보드 화면 등을 통해 실시간으로 시각화합니다. 현장 담당자는 온도, pH, 습도, 공정 상태, 이상 여부 등을 직관적으로 확인할 수 있습니다.

④ 불량 원인 분석

장기간 축적된 데이터를 기반으로 상관성 분석, 특성 중요도 분석, 빅데이터 분석 등을 수행하여 불량 발생에 영향을 주는 주요 원인을 도출합니다.

⑤ AI 기반 불량 예측 모델 학습

공정 데이터와 불량 발생 데이터를 기반으로 AI 분석 모델을 학습합니다. (Tensorflow, Keras 기반의 LSTM-AE, GRU 등의 모델을 적용)

⑥ 불량 발생 예측 및 대응

학습된 AI 모델이 새로운 공정 데이터를 분석하여 불량 발생 가능성을 예측합니다. 관리자는 예측 결과를 바탕으로 공정 조건 조정, 설비 점검, 작업자 알림 등 사전 대응을 수행할 수 있습니다.

[기능]

1) 공정 데이터 수집

제조 현장의 각종 센서와 생산관리 시스템을 통해 공정 데이터를 수집합니다. 온도, pH, 습도, 환경 데이터, 설비 전류, 불량 발생 데이터 등을 통합적으로 관리할 수 있습니다.

2) 실시간 공정 모니터링

PC와 모바일 화면을 통해 현재 공정 상태를 실시간으로 확인할 수 있습니다. 대시보드 형태로 데이터를 시각화하여 현장 담당자가 공정 이상 여부를 빠르게 파악할 수 있습니다.

3) 공정 현황 시각화

수집된 데이터를 그래프, 차트, 게이지, 대시보드 형태로 표현하여 공정 흐름과 상태 변화를 직관적으로 확인할 수 있습니다.

4) 불량 원인 분석

상관성 분석, 특성 중요도 분석 등 다양한 분석 방법을 활용하여 불량 발생에 영향을 미치는 주요 공정 조건을 파악합니다.

5) AI 기반 불량 발생 예측

공정 데이터의 패턴을 학습하고, 새로운 데이터가 입력되었을 때 불량 발생 가능성을 예측합니다.

6) 이상 징후 사전 감지

정상 공정 패턴과 다른 데이터 흐름이 발생할 경우 이상 징후로 판단할 수 있습니다. 이를 통해 불량 발생 전에 공정 조건을 점검하고 조정할 수 있습니다.

7) One-Package 공정 관리 제공

기초적인 데이터 수집부터 클라우드 기반 실시간 모니터링, 불량 원인 분석, 불량 발생 예측까지 하나의 패키지로 제공할 수 있습니다.

8) 맞춤형 공정 관리 시스템 구축

수요기업의 공정 특성, 보유 센서, 생산관리 시스템, 품질관리 기준에 맞춰 데이터 수집 장치, 모니터링 화면, 분석 모델, 예측 기능을 맞춤형으로 구성할 수 있습니다.

Tensorflow, Keras, Matplotlib (Python)

분석모델 : LSTM-AE, 상관성 분석 등

정확도(accuracy) : 0.955

예측률(Precision) : 0.988

재현율(Recall) : 0.965

F1 score : 0.976

(자세한 내용은 솔루션 추가 세부 설명 참조)

[개요]

딥러닝 기반 지능형 정밀 검사 시스템은 전자현미경 또는 고해상도 카메라를 활용해 반도체 부품 및 미세 부품, 정밀 부품, 의료기기 등을 정밀 촬영하고, AI 딥러닝 모델을 통해 불량을 자동 검출하는 설치형 AI 머신비전 솔루션입니다.

기존 육안 검사 방식으로 확인하기 어려운 미세 결함까지 정밀하게 검출할 수 있으며, 검사 위치 이동, 이미지 촬영, 불량 판정, 결과 저장 및 모니터링까지 자동화할 수 있습니다.

[활용 분야]

① 반도체 부품 정밀 검사

전자현미경 또는 고해상도 카메라를 활용하여 육안으로 확인하기 어려운 반도체 부품의 미세 결함을 정밀하게 검출합니다.

1. 반도체 부품 표면 불량 검출
2. 미세 스크래치 확인
3. 이물질 및 오염 검사
4. 패턴 이상 여부 확인
5. 부품 손상 및 외관 결함 검사

② PCB Assy 및 SMT 공정 검사

SMT 공정 중 발생하는 주요 불량을 AI가 자동으로 검출합니다.

1. 부품누락 검사
2. 과다납땜 검사
3. 겹침납땜 검사 등

③ 전자부품 및 정밀기기 부품 검사

소형 전자부품이나 정밀기기 부품처럼 육안 검사만으로는 품질 확인이 어려운 제품의 외관 및 조립 상태를 검사할 수 있습니다.

1. 소형 부품 외관 검사
2. 접합부 이상 검사
3. 표면 오염 검사
4. 균열 및 파손 검사
5. 위치 편차 검사

④ 제조 현장 자동화 및 스마트팩토리

수작업 정밀 검사 공정을 자동화하여 생산 효율을 높이고, 불량 데이터를 축적해 품질 개선 및 공정 최적화에 활용할 수 있습니다.

[활용 방식]

① 검사 대상 장착

검사 대상인 반도체 부품, PCB Assy 또는 전자부품을 정밀 검사 시스템의 지그 위에 장착합니다.

② 검사 위치 설정 및 저장

작업자는 터치 화면을 통해 X축, Y축, 회전 각도 등 검사 위치를 설정할 수 있습니다. 설정된 위치는 저장할 수 있어 동일 제품을 반복 검사할 때 재사용할 수 있습니다.

③ 전자현미경 또는 고해상도 카메라 촬영

전자현미경 또는 고해상도 카메라가 지정된 검사 위치로 이동하여 검사 대상을 정밀 촬영합니다. 이를 통해 육안으로 확인하기 어려운 미세 결함까지 이미지로 확보할 수 있습니다.

④ 이미지 전처리

획득한 이미지는 AI 분석에 적합하도록 전처리됩니다.

주요 전처리 방식은 다음과 같습니다.

1. 이미지 리사이즈
2. 크롭
3. 명암 대비 보정
4. 검사 영역 추출
5. 원본 및 전처리 이미지 저장

⑤ AI 기반 불량 검출

전처리된 이미지를 딥러닝 모델이 분석하여 불량 위치와 유형을 검출합니다. 업로드 자료 기준으로 RT-DETR 기반 모델이 적용되었으며, 전체 클래스 기준 mAP@0.5가 99.5% 이상으로 제시되어 있습니다.

⑥ 결과 출력 및 데이터 저장

검출 결과는 실시간 화면에 표시됩니다. 검사 이미지, 불량 위치, 불량 유형, 판정 결과, 검사 이력 등을 저장하여 추적성과 향후 모델 개선에 활용할 수 있습니다.

[주요 기능]

1) 전자현미경 기반 정밀 검사

전자현미경 또는 고해상도 카메라를 활용해 육안으로 보기 어려운 미세 결함을 정밀하게 촬영하고 검사할 수 있습니다.

2) 정교한 카메라 이동 제어

검사 대상의 위치를 정확히 찾아 검사할 수 있도록 X축, Y축, 회전 각도 등을 설정할 수 있습니다. 카메라 또는 현미경이 지정된 위치로 자동 이동하여 반복 검사에 적합합니다.

3) 검사 위치 저장 기능

검사 위치를 저장할 수 있어 동일 제품을 반복 검사할 때 작업 시간을 줄이고 검사 조건을 일정하게 유지할 수 있습니다.

4) AI 딥러닝 기반 불량 검출

복잡한 패턴이나 미세한 결함도 AI 모델이 자동으로 인식합니다. 부품누락, 과다납땜, 겹침납땜, 이물질 삽입, 들뜸, 스크래치, 오정렬 등 다양한 불량 유형을 검출할 수 있습니다.

5) 실시간 판정 화면 제공

검사 화면에서 촬영 이미지, 불량 위치, 불량 유형, 판정 결과 등을 즉시 확인할 수 있습니다. 현장 담당자가 검사 결과를 빠르게 파악하고 대응할 수 있습니다.

6) 검사 데이터 저장 및 추적성 확보

검사 이미지, 판정 결과, 불량 유형, 검사 이력 데이터를 저장하여 품질 이력 관리가 가능합니다. 저장된 데이터는 추후 AI 모델 업데이트, 공정 개선, 품질 리포트 작성에 활용할 수 있습니다.

7) 맞춤형 하드웨어 및 소프트웨어 구축

수요기업의 검사 대상과 생산 환경에 맞춰 전자현미경, 고해상도 카메라, 조명, 지그, 이동축, 검사 프로그램 등을 맞춤형으로 구성할 수 있습니다.

Pytorch (Python 3.9.20)

학습모델 : RT-DETR (Real Time DEtection TRansformer, 실시간 감지 트랜스포머)

전체 클래스에 대한 mAP@0.5는 99.5% 이상으로 매우 높은 수준

(자세한 내용은 솔루션 추가 세부 설명 참조)

[개요]

라인스캔 카메라 기반 머신비전 솔루션은 제조 공정에서 이동 중인 제품을 고속으로 촬영하고, AI 딥러닝 모델을 활용해 불량 여부를 실시간으로 판정하는 자동 검사 시스템입니다.

기존의 사람이 육안으로 검사하던 품질 검수 과정을 AI 머신비전 시스템이 대체함으로써, 검사 속도와 정확도를 높이고 검사자의 주관에 따른 편차를 줄일 수 있습니다.

PCB, 반도체, 필름, 금속, 플라스틱 등 다양한 제조 분야에 적용 가능하며, 검사 정확도 향상, 생산성 개선, 품질 데이터 축적, 스마트팩토리 전환을 지원합니다.

[활용 분야]

① PCB 및 SMT 공정 품질 검사

SMT 공정에 라인스캔 카메라와 데이터 수집 장치를 설치하여 PCB 제품을 촬영하고, 불량 영역을 AI가 자동으로 검출합니다.

활용 예시는 다음과 같습니다.

1. PCB 표면 불량 검출
2. 납땜 이상 여부 확인
3. 패턴 결함 검사
4. 부품 누락, 오정렬, 손상 검사
5. 양품·불량 자동 분류

② 반도체 및 전자부품 검사

미세한 패턴과 정밀도가 요구되는 반도체 및 전자부품 제조 공정에서 불량을 검출하는 데 활용할 수 있습니다.

1. 칩 표면 결함 검사
2. 미세 스크래치 검출
3. 부품 외관 검사
4. 생산라인 자동 품질관리

③ 소재 제조 공정 검사

라인스캔 방식은 연속적으로 이동하는 긴 소재나 넓은 면적의 제품 검사에 적합합니다.

적용 가능 소재는 다음과 같습니다.

1. 필름
2. 금속판
3. 플라스틱
4. 종이
5. 포일
6. 섬유 또는 롤투롤 소재 등

④ 그 외 제조 현장 자동화 및 스마트팩토리

수작업 검사 공정을 자동화하여 생산 효율을 높이고, 불량 데이터를 축적해 품질 개선 및 공정 최적화에 활용할 수 있습니다.

[활용 방식]

① 검사체 진입 감지

컨베이어벨트 또는 생산라인을 따라 이동하는 제품이 촬영 지점에 진입하면, 적외선 센서 또는 트리거 장치가 이를 감지합니다.

② 촬영 타이밍 계산 및 트리거 발생

제품의 이동 속도와 카메라 위치를 고려해 최적의 촬영 시점을 계산합니다. 이후 라인스캔 카메라에 트리거 신호를 전달하여 정확한 시점에 이미지를 획득합니다.

③ 라인스캔 카메라 촬영

제품이 정지하지 않아도 고속으로 이미지를 연속 촬영합니다. 일반 Area Scan 방식과 달리 Line Scan 방식은 움직이는 물체를 실시간으로 촬영하는 데 유리합니다.

④ 이미지 전처리

획득한 이미지는 AI 분석에 적합하도록 전처리됩니다.

주요 전처리 방식은 다음과 같습니다.

1. 이미지 리사이즈
2. 크롭
3. 명암 대비 강화
4. ROI 추출
5. 원본 및 전처리 이미지 분리 저장

⑤ AI 기반 불량 검출

전처리된 이미지를 딥러닝 모델이 분석하여 불량 위치와 유형을 검출합니다. 업로드 자료 기준으로 RT-DETR 기반 모델이 적용되었으며, 전체 클래스 기준 mAP@0.5가 99% 이상으로 제시되어 있습니다.

⑥ 결과 출력 및 데이터 저장

검출 결과는 실시간 화면에 표시됩니다. 원본 이미지, 전처리 이미지, 검출 박스, 마스크, 점수, 판정 결과 등을 저장하여 추적성과 향후 모델 개선에 활용할 수 있습니다.

[주요 기능]

1) 실시간 고속 스캔

움직이는 제품을 멈추지 않고 촬영할 수 있어 생산라인 속도 저하 없이 검사가 가능합니다. 대형 물체나 고해상도 이미지 처리에도 적합합니다.

2) 정확한 촬영 타이밍 제어

트리거 기술을 활용해 제품이 불규칙하게 공급되는 상황에서도 정확한 촬영 시점을 계산합니다. 이를 통해 이미지 누락이나 촬영 오차를 줄일 수 있습니다.

3) AI 딥러닝 기반 불량 검출

복잡한 패턴이나 미세한 결함도 AI 모델이 자동으로 인식합니다. 기존 영상처리 기반 패턴검사와 AI 딥러닝 검출 방식을 함께 적용할 수 있어 다양한 검사 환경에 대응할 수 있습니다.

4) 실시간 판정 화면 제공

검사 화면에서 원본 이미지, 검출 결과, 불량 위치, 점수 등을 즉시 확인할 수 있습니다. 현장 담당자가 불량 여부를 빠르게 판단하고 대응할 수 있습니다.

5) 검사 데이터 저장 및 추적성 확보

불량 이미지, 판정 결과, 메타데이터를 저장하여 품질 이력 관리가 가능합니다. 저장된 데이터는 추후 AI 모델 업데이트, 공정 개선, 품질 리포트 작성에 활용할 수 있습니다.

6) 맞춤형 하드웨어 및 소프트웨어 구축

수요기업의 생산라인 구조와 검사 대상에 맞춰 카메라, 조명, 센서, 프레임그래버, 서버, 검사 프로그램을 맞춤형으로 구성할 수 있습니다.

Pytorch (Python 3.9.20)

학습모델 : RT-DETR (Real Time DEtection TRansformer, 실시간 감지 트랜스포머)

전체 클래스에 대한 mAP@0.5는 99% 이상으로 매우 높은 수준

(자세한 내용은 솔루션 추가 세부 설명 참조)

[개요]

제조 데이터를 활용한 AI 예측 시뮬레이터는 제품 생산 데이터, 원료 데이터, BOM, 제조지시서, 공정지시서, 제품 시험 성적서 등 제조 현장에서 발생하는 다양한 데이터를 기반으로 공정 수율과 제품 품질을 예측하는 AI 기반 시뮬레이션 솔루션입니다.

기존에는 생산 후에야 확인할 수 있었던 수율, 생산량, 품질 결과를 사전에 예측함으로써 생산 계획을 최적화하고, 자재 및 인력 투입량을 선제적으로 조정할 수 있습니다.

특히 제조 공정 조건, 원료 배합, 제품 정보, 시험 성적 데이터를 기반으로 예상 생산량과 품질 값을 정량적으로 예측할 수 있어 공정 예측, 품질 예측, 생산 계획 수립, 품질관리 분야에 적합합니다.

[활용 분야]

① 공정 수율 및 생산량 예측

사용자가 제품을 선택하고 주요 공정 조건, 레시피, 설비, 환경, 자재, Lot 정보 등을 입력하면 AI 모델이 예상 수율과 생산량을 자동으로 산출합니다.

1. 제품별 예상 생산량 예측
2. 공정 조건별 수율 예측
3. Lot 단위 생산 결과 예측
4. 생산 계획 수립 지원
5. 납기 리스크 사전 대응

② 제품 품질 예측

제품에 투입되는 원료 종류, 배합비, 주요 특성값, 공정 조건 등을 입력하면 AI 모델이 최종 제품의 예상 품질을 예측합니다.

1. 제품 품질 예측
2. 품질 기준과의 편차 확인
3. 원료 배합에 따른 품질 변화 예측
4. 유사 결과 또는 레퍼런스 결과 조회

③ 제조 데이터 기반 의사결정 지원

제조 현장에 축적된 데이터를 분석하여 생산, 품질, 공정 담당자가 사전에 결과를 예측하고 의사결정을 내릴 수 있도록 지원합니다.

1. 생산 조건 변경 시 결과 예측
2. 원료 투입량 변경에 따른 품질 영향 분석
3. 공정 조건별 생산성 비교
4. 품질 이상 가능성 사전 확인
5. 데이터 기반 공정 개선

④ 제조 현장 자동화 및 스마트팩토리

현장 데이터를 전산화하고 AI 예측 모델과 연계하여 스마트팩토리 환경에서 생산성과 품질을 동시에 관리할 수 있습니다.

[활용 방식]

① 제조 데이터 수집 및 전산화

제품 품질 데이터, 원료 목록, 제품 목록, BOM, 제조지시서, 공정지시서, 제품 시험 성적서 등 제조 현장에서 발생하는 데이터를 수집하고 데이터베이스화합니다.

② 제품 및 공정 조건 입력

사용자는 예측하고자 하는 제품을 선택하고, 원료 종류, 투입량, 배합비, 기타 공정 조건 등 주요 제조 조건을 입력합니다.

③ AI 모델 기반 예측 수행

입력된 제조 조건과 기존 학습 데이터를 기반으로 AI 모델이 예상 수율, 예상 생산량 또는 예상 품질 값을 산출합니다. XGBoost 기반 XGBRegressor 모델 등을 활용할 수 있습니다.

④ 예측 결과 제공

AI 모델은 해당 조건에서의 예상 생산량 또는 품질 예측값을 정량 수치로 제공합니다

⑤ 유사 결과 및 시각 정보 확인

예측된 품질 값과 유사한 레퍼런스 제품이 존재할 경우, 해당 제품 이미지 또는 텍스트 형태로 함께 제시하여 사용자가 결과를 직관적으로 확인할 수 있습니다.

⑥ 예측 데이터 저장 및 활용

예측 결과와 입력 조건을 저장하여 생산 계획 수립, 품질 기준 검토, 공정 조건 개선, AI 모델 업데이트 등에 활용할 수 있습니다.

[기능]

1) 공정 수율 예측

제품, 공정 조건, 설비, 환경, 자재, Lot 정보를 기반으로 예상 수율을 예측할 수 있습니다. 이를 통해 생산 전 예상 결과를 확인하고 생산 계획을 사전에 조정할 수 있습니다.

2) 예상 생산량 예측

원료 투입량과 공정 조건을 기반으로 해당 조건에서의 예상 생산량을 자동 산출합니다. 생산량을 사전에 예측함으로써 자재 투입량, 인력 배치, 납기 계획 수립에 활용할 수 있습니다.

3) 제품 품질 예측

원료 종류, 배합비, 주요 특성값, 공정 조건을 기반으로 최종 제품의 품질을 예측합니다.

4) 색상 예측 및 레퍼런스 조회

예측된 품질 결과와 유사한 제품이 존재할 경우, 해당 제품을 이미지 또는 텍스트 형태로 제공합니다. 이를 통해 사용자는 최종 제품의 결과를 직관적으로 확인 및 비교 할 수 있습니다.

5) 직관적인 사용자 화면 제공

현장 생산기술 담당자나 품질 담당자가 별도의 분석 역량 없이도 사용할 수 있도록 제품 선택, 조건 입력, 예측 실행, 결과 확인이 가능한 직관적인 UI를 제공합니다.

6) 제조 데이터 기반 모델 학습

제품 품질 데이터, BOM, 제조지시서, 공정지시서, 시험 성적서 등 다양한 제조 데이터를 활용하여 AI 예측 모델을 구축합니다. 데이터가 축적될수록 예측 모델의 고도화가 가능합니다.

7) 맞춤형 예측 모델 및 서비스 구축

수요기업의 보유 데이터, 생산 제품, 공정 특성, 품질관리 기준에 맞춰 수율 예측 모델, 생산량 예측 모델, 품질 예측 모델을 맞춤형으로 구성할 수 있습니다.

XGBoost open source Library (scikit-learn API)

학습모델 : XGBoost – XGBRegressor

총 5회 시험한 결과, 5회 평균 MAPE 7.17%, R2 0.98 달성하여, 목표치인 MAPE 10% 미만과 R2 0.7 초과를 달성

(자세한 내용은 솔루션 추가 세부 설명 참조)

[개요]

설비 예지보전 솔루션은 제조 현장의 설비 데이터를 수집·분석하여 설비 이상 상태를 사전에 감지하고, 오류 발생 가능성을 예측하는 AI 기반 이상탐지 솔루션입니다.

기존에는 설비 고장이 발생한 후 정비를 수행하는 방식이었다면, 본 솔루션은 진동, 온도, 설비 오류 데이터, 주변 환경 데이터 등을 기반으로 이상 징후를 조기에 파악하여 고장 발생 전에 선제적으로 대응할 수 있습니다.

설비의 이상 상태를 감지하고, 이것이 설비의 결함에 의해 발생한 것인지 혹은 일시적 과도현상인지, 또는 설비 자체의 문제인지 등을 진단하여 파악한 후, 어떻게 진전되어 고장으로 이어질 것인가를 예측하여 문제 해결 방안을 제시하고 조치하는 설비 관리방식 및 솔루션입니다.

[활용 분야]

① 제조 설비 이상탐지

설비에서 발생하는 진동, 온도, 오류 데이터를 분석하여 정상 상태와 다른 이상 패턴을 감지합니다.

1. 설비 이상 진동 감지
2. 설비 온도 이상 감지
3. 설비 오류 발생 징후 탐지
4. 정상·비정상 상태 분류
5. 설비 상태 실시간 모니터링

② 설비 고장 예측 및 예지보전

설비의 상태 데이터를 지속적으로 수집하고 AI 모델이 이상 징후를 분석하여 고장 가능성을 사전에 예측합니다.

1. 설비 오류 발생 가능성 예측
2. 고장 전 이상 패턴 조기 발견
3. 정비 시점 사전 판단
4. 돌발 정지 예방
5. 설비 가동률 관리

③ 압사출 공정 설비 관리

압사출 공정에서 발생하는 설비 데이터를 기반으로 감속기 등의 주요 설비 상태를 모니터링하고 이상 여부를 판단할 수 있습니다.

1. 감속기 진동 데이터 분석
2. 감속기 온도 데이터 분석
3. 공정 설비 오류 데이터 분석
4. 설비 상태 변화 추적

④ SMT 공정 설비 관리

SMT 공정 내 soldering 설비의 진동 및 온도 데이터를 수집하고, 설비 주변 환경 데이터와 함께 분석하여 공정 안정성을 관리할 수 있습니다.

1. soldering 설비 진동 분석
2. soldering 설비 온도 분석
3. 설비 주변 온도·습도 분석
4. 이산화탄소, VOC, 미세먼지 등 환경 데이터 분석
5. 공정 환경 변화에 따른 설비 이상 감지

[활용 방식]

① 설비 데이터 수집

제조 설비에 데이터 수집 장치를 연동하여 진동, 온도, 오류 발생 데이터, 주변 환경 데이터를 수집합니다.

수집 가능한 데이터는 다음과 같습니다.

1. 설비 진동 데이터
2. 설비 온도 데이터
3. 설비 오류 발생 데이터
4. 주변 온도 및 습도 데이터
5. 이산화탄소 데이터
6. VOC 데이터
7. 미세먼지 데이터

② 정상·비정상 데이터 구축

수집된 설비 데이터를 정상 상태와 비정상 상태로 구분하여 AI 학습 데이터로 구축합니다. 테스트베드 진동발생기 데이터의 경우 정상 데이터와 비정상 데이터가 각각 100,000개씩 구성되어 있습니다.

③ 데이터 전처리

수집된 센서 데이터는 AI 모델이 분석할 수 있도록 전처리됩니다.

주요 전처리 방식은 다음과 같습니다.

1. 결측값 확인
2. 이상값 확인
3. 데이터 정규화
4. 시계열 데이터 구성
5. 학습용 데이터셋 생성

④ AI 기반 이상탐지 모델 학습

전처리된 설비 데이터를 기반으로 AI 모델을 학습합니다. 업로드 자료 기준으로 Tensorflow, Keras 기반의 LSTM-AE 모델이 적용되었으며, 설비 오류 발생 예측과 설비 이상 상태 감지에 활용됩니다.

⑤ 설비 상태 분석 및 이상 감지

AI 모델은 실시간 또는 주기적으로 수집되는 설비 데이터를 분석하여 정상 패턴과 다른 이상 상태를 감지합니다. 진동이나 온도 변화가 평소 패턴과 다르게 나타날 경우 이상 징후로 판단할 수 있습니다.

⑥ 알림 및 정비 대응

설비 이상이 감지되면 담당자가 확인할 수 있도록 알림 또는 모니터링 화면을 통해 결과를 제공합니다. 이를 바탕으로 고장 발생 전 점검, 부품 교체, 정비 일정 조정 등 선제적 대응이 가능합니다.

[기능]

1) 설비 데이터 수집

제조 설비에서 발생하는 진동, 온도, 오류 데이터와 설비 주변 환경 데이터를 수집합니다. 다양한 센서 데이터를 통합하여 설비 상태를 종합적으로 파악할 수 있습니다.

2) 실시간 설비 상태 모니터링

수집된 데이터를 기반으로 설비 상태를 실시간 또는 주기적으로 확인할 수 있습니다. 설비 운전 상태, 진동 변화, 온도 변화 등을 모니터링하여 이상 징후를 빠르게 파악할 수 있습니다.

3) AI 기반 이상탐지

정상 데이터와 다른 특성을 가진 비정상 데이터를 탐지합니다. LSTM-AE 기반 모델을 활용하여 시계열 데이터의 패턴 변화를 분석하고, 설비 이상 상태를 감지할 수 있습니다.

4) 설비 오류 발생 예측

과거 설비 오류 데이터와 현재 상태 데이터를 함께 분석하여 설비 오류 발생 가능성을 예측합니다. 이를 통해 고장이 발생하기 전에 정비 계획을 수립할 수 있습니다.

5) 정상·비정상 진동 데이터 분석

진동발생기 테스트베드 또는 실제 제조 설비에서 수집한 정상·비정상 진동 데이터를 분석하여 설비 상태를 판별합니다.

6) 환경 데이터 연계 분석

설비 주변 온도, 습도, 이산화탄소, VOC, 미세먼지 등 환경 데이터를 함께 분석하여 설비 이상과 공정 환경 간의 연관성을 파악할 수 있습니다.

7) 맞춤형 예지보전 시스템 구축

수요기업의 설비 종류, 공정 특성, 보유 센서, 데이터 수집 환경에 맞춰 데이터 로거, AI 모델, 모니터링 시스템을 맞춤형으로 구성할 수 있습니다.

Tensorflow, Keras, Matplotlib (Python)

1) Reconstruction LSTM-AE : 설비 오류 발생 예측

2) Prediction LSTM-AE : 설비 이상 상태 감지

현장 적용(현장 데이터 적용) 시 MAPE값 0.017 출력

(솔루션 추가 세부 설명 참조)

[개요]

영상처리를 활용한 디지털·아날로그 게이지 전산화 솔루션은 제조 현장에서 작업자가 직접 확인하던 아날로그 및 디지털 게이지의 표시값을 카메라로 촬영하고, AI 및 영상처리 기술을 통해 숫자와 눈금을 자동 인식하여 디지털 데이터로 변환하는 솔루션입니다.

기존에는 작업자가 현장에서 압력, 온도, 유량 등 게이지 값을 육안으로 확인하고 수기로 기록해야 했다면, 본 솔루션은 카메라 기반 인식 기술을 통해 게이지 값을 실시간으로 추출하고 저장·전송할 수 있습니다.

특히 기존 설비를 교체하지 않고도 게이지 데이터를 전산화할 수 있어, 노후 설비가 많은 제조 현장이나 센서 직접 연결이 어려운 환경에서 공정 데이터 수집과 모니터링 체계를 구축하는 데 적합합니다.

[활용 분야]

① 아날로그 게이지 전산화

바늘형 아날로그 게이지를 카메라로 촬영하고, 영상처리 및 AI 딥러닝을 통해 눈금과 바늘 위치를 인식하여 수치 데이터로 변환합니다.

1. 압력 게이지 값 인식
2. 온도 게이지 값 인식
3. 유량 게이지 값 인식
4. 바늘 위치 및 눈금 자동 판독
5. 수기 기록 업무 자동화

② 디지털 게이지 전산화

제조 장비에 표시되는 디지털 숫자 값을 카메라로 촬영하고, AI 모델이 숫자 영역을 인식하여 데이터로 추출합니다.

1. 디지털 표시값 인식
2. 장비 패널 숫자 추출
3. 온도·압력·전류·시간 값 수집
4. 다중 디지털 게이지 동시 인식
5. 표시값 자동 저장

③ 노후 설비 데이터 수집

기존 설비에 센서나 통신 장치를 직접 연결하기 어려운 경우에도 카메라를 통해 표시값을 읽어 데이터화할 수 있습니다.

1. 통신 기능이 없는 설비 데이터 수집
2. 기존 계측기 교체 없이 전산화
3. 현장 수기 기록 대체
4. 설비 상태 데이터 축적
5. 스마트팩토리 전환 기반 구축

④ 실시간 모니터링 시스템 연계

인식된 게이지 데이터를 플랫폼 서버로 전송하여 기존 모니터링 시스템과 연계하고, 다양한 형태로 시각화할 수 있습니다.

1. 실시간 게이지 데이터 모니터링
2. 대시보드 연동
3. 알람 및 이상값 감지
4. 공정 데이터 이력 관리
5. 모바일·PC 모니터링 연계

[활용 방식]

① 게이지 촬영 환경 구축

아날로그 또는 디지털 게이지가 보이는 위치에 산업용 카메라를 설치하여 게이지 이미지를 촬영합니다.

② 이미지 수집 및 전처리

촬영된 이미지는 숫자, 눈금, 바늘 위치를 인식하기 적합하도록 전처리됩니다.

주요 전처리 방식은 다음과 같습니다.

1. 이미지 크기 조정
2. 관심 영역 추출
3. 밝기 및 대비 보정
4. 노이즈 제거
5. 게이지 영역 분리

③ AI 및 영상처리 기반 인식

OpenCV 기반 영상처리 방식과 RT-DETR 기반 AI 딥러닝 방식을 활용하여 게이지 영역, 숫자, 눈금, 바늘 위치를 인식합니다. 현장 상황에 따라 일반 영상처리 방식과 AI 딥러닝 방식 중 하나만 선택하여 적용할 수도 있습니다.

④ 게이지 값 추출

아날로그 게이지의 경우 바늘 위치와 눈금 정보를 기반으로 측정값을 계산하고, 디지털 게이지의 경우 표시된 숫자를 인식하여 수치 데이터로 변환합니다.

⑤ 데이터 저장 및 전송

추출된 게이지 값은 저장 및 처리가 가능한 디지털 데이터로 변환되며, 플랫폼 서버 또는 기존 모니터링 시스템으로 전송할 수 있습니다.

⑥ 모니터링 및 시각화

전송된 데이터는 PC 또는 모바일 모니터링 화면에서 확인할 수 있으며, 게이지별 현재값, 추이, 이상 여부 등을 시각화하여 관리할 수 있습니다.

[기능]

1) 아날로그 게이지 인식

바늘형 아날로그 게이지 이미지를 분석하여 바늘 위치와 눈금 정보를 인식하고, 실제 측정값으로 변환합니다.

2) 디지털 게이지 인식

디지털 패널에 표시된 숫자 값을 인식하여 자동으로 데이터화합니다. 제조 장비의 온도, 압력, 전류, 시간 등 다양한 표시값을 수집할 수 있습니다.

3) OpenCV 기반 영상처리

영상처리 알고리즘을 활용하여 게이지 영역, 바늘, 눈금, 숫자를 분석합니다. 비교적 일정한 촬영 환경에서는 빠르고 안정적인 인식이 가능합니다.

4) AI 딥러닝 기반 인식

RT-DETR 기반 객체 검출 모델을 활용하여 다양한 게이지 형태와 촬영 환경에서도 게이지 요소를 인식할 수 있습니다.

5) 실시간 데이터 변환

카메라로 촬영된 게이지 이미지를 실시간으로 분석하여 수치 데이터를 추출하고, 저장 가능한 디지털 데이터로 변환합니다.

6) 데이터 수집 및 전송

인식된 게이지 값은 데이터 처리 장치 또는 플랫폼 서버로 전송할 수 있습니다. 이를 통해 기존 모니터링 플랫폼, 공정 관리 시스템, 설비 관리 시스템과 연계할 수 있습니다.

7) 모니터링 플랫폼 연계

비즈포스 플랫폼 또는 기존 모니터링 시스템과 연계하여 게이지 데이터를 그래프, 대시보드, 알람 형태로 시각화할 수 있습니다.

8) 맞춤형 게이지 인식 시스템 구축

수요기업의 게이지 종류, 촬영 환경, 설치 공간, 데이터 연동 방식에 따라 카메라, 조명, 영상처리 알고리즘, AI 모델, 데이터 전송 체계를 맞춤형으로 구성할 수 있습니다.

Pytorch (Python 3.9.20), OpenCV

학습모델 : RT-DETR (Real Time DEtection TRansformer, 실시간 감지 트랜스포머

아날로그 게이지는 mAP 99.5% 이상, 디지털 게이지는 mAP 97.5% 이상 달성

(자세한 내용은 솔루션 추가 세부 설명 참조)

[개요]

Manufacturing AI Agent Platform은 제조 현장의 생산, 품질, 설비, 환경 데이터를 통합하여 분석하고, 생성형 AI 기반의 AI Agent를 통해 실시간 모니터링, 질의응답, 이상탐지, 예측분석 및 의사결정을 지원하는 지능형 제조 플랫폼입니다. ERP, MES, IoT 센서 및 기업 내부 문서와 연계하여 데이터 기반의 생산 운영 최적화와 제조 AX(AI Transformation)를 지원합니다.

[활용분야]

① 제조 데이터 통합 및 지식관리

: ERP, MES, 설비, IoT 센서 및 기업 내부 문서를 통합하여 제조 데이터를 체계적으로 관리하고 활용할 수 있습니다.

1. ERP/MES 데이터 통합
2. 생산·품질 데이터 관리
3. 제조 문서 통합 관리
4. RAG 기반 지식검색
5. 제조 노하우 자산화
6. 데이터 기반 의사결정 지원

② AI Copilot 기반 제조 업무 지원

: 생산, 품질, 설비 관련 정보 등을 자연어로 조회하고 분석 결과를 확인할 수 있습니다.

1. 생산 현황 조회
2. 품질 이력 검색
3. 제조 문서 검색
4. 작업지침 질의응답
5. 생산 실적 분석
6. 의사결정 지원

③ 생산·품질 분석 및 예측

: 생산 데이터와 품질 데이터를 분석하여 이상 징후를 탐지하고 품질 및 생산 리스크를 예측합니다.

1. 생산량 분석
2. 품질 예측
3. 불량 위험 분석
4. 생산 추이 분석
5. 공정 이상 탐지
6. 품질 개선 인사이트 제공

④ 실시간 모니터링 및 알람

: 제조 관련 데이터들을 실시간으로 수집·분석하고 이상 발생 시 알람을 제공합니다.

1. 실시간 데이터 모니터링
2. 설비 상태 확인
3. 이상 탐지 및 알림
4. 모바일 알람 제공
5. 운영 현황 대시보드

⑤ AI 기반 자동 보고서 생성

: 생산 및 품질 데이터를 자동 분석하여 보고서를 생성하고 운영 현황을 요약 제공합니다.

1. 일간·주간·월간 보고서 생성
2. 생산 현황 요약
3. 품질 분석 보고서
4. 이상 발생 이력 분석
5. AI 인사이트 제공
6. PDF 보고서 출력

[활용 방식]

① 제조 데이터 연계

: ERP, MES, IoT 센서, 설비 데이터 및 기업 내부 문서를 연계하여 데이터를 수집합니다.

② 데이터 통합 및 저장

: 수집된 데이터를 표준화하고 데이터베이스 및 벡터DB에 저장하여 통합 관리합니다.

③ AI 지식 엔진 구축

: 제조 문서, 작업 지침서, 품질 이력 및 생산 데이터를 기반으로 RAG 기반 지식검색 환경을 구축합니다.

④ AI Agent 분석 수행

: AI Agent가 생산·품질·설비 데이터를 실시간으로 분석하여 이상 징후 탐지, 예측분석 및 인사이트를 제공합니다.

⑤ 자연어 기반 질의응답

: 사용자는 자연어로 생산 현황, 품질 정보, 설비 상태 등을 질의할 수 있으며 AI Copilot이 분석 결과를 제공합니다.

⑥ 결과 제공 및 활용

: 분석 결과는 대시보드, 모바일, 알람, 자동 보고서 형태로 제공되며 현장 운영 및 경영 의사결정에 활용할 수 있습니다.

Python 3.13.7

학습모델: Qwen2.5:7B (Alibaba)