[Smart Manufacturing] A Manufacturing System Using Data

들어가기전

본 레포트는 21년 11월 학부생 2학년때 스마트제조개론 수업에서 작성한 개인 레포트이다. 다시보니까 진짜 아무것도 모른채 2학년 복학생이 쓴게 보임과 동시에 기술이 얼마나 발전했는지 체감할 수 있었다,,

Abstract

“데이터를 활용한 제조 시스템”

 

주제

1.    IoT

-      사물 인터넷의 개념

-      IoT Architecture

2.    ML

-      머신 러닝의 개념

-      제조 시스템 현장에서의 고민

-      RUL

-      Predictive Maintenance

-      Improved SCM

-      Quality Control

-      Human Robot Collaboration

-      Consumer Focused Manufacturing

3.    ANN

-      뉴런 네트워크 정의 및 원리

-      Learning rate 구하는 법 및 종류

-      딥 러닝 학습 과정

-      딥 러닝과 머신 러닝의 차이점

 

나의 스마트제조 정의

스마트 제조란 데이터 활용을 통해 기존 제조 시스템에서 파악하지 못한 인사이트를 도출하고 피드백하여 미래를 예측하는 것이라고 생각한다. 스마트 제조를 데이터 관점에서 바라보니 머신 러닝과 딥러닝 기술이 아주 중요하다는 것을 파악할 수 있었다. 수업때 머신 러닝과 딥 러닝 부분을 짧게 배워서 이 두 기술이 제조 시스템에 어떤 영향을 주고 앞으로 어떻게 사용이 될까 궁금하게 되어 이 주제로 과제를 하게 되었다. 일단 머신 러닝과 딥 러닝 둘 다 데이터를 IoT기술로부터 얻어 오기 때문에 IoT기술을 먼저 조사했다. 그 다음 머신 러닝이 제조 산업에서 어떤 형태로 쓰이는지 조사를 했다. 마지막으로 딥 러닝을 조사하기 위해 딥 러닝 기술의 기반인 인공신경망의 원리에 대해 조사했으며 이를 바탕으로한 제조산업에서의 딥 러닝이 어떻게 발전할지에 대해 찾아보았다.

 

보고서 요약문

스마트 제조에 데이터 활용 부분에서 아주 중요한 IoT, 머신 러닝, 인공 신경망에 대해 조사하였다. IoT 기술을 통해 SM내 다양한 기계들의 데이터를 주고받는다. 이때 IoT 기술에서 각 레이어들이 어떤 역할을 하는지 소개하였다. 이 데이터들을 가지고 머신 러닝을 통해 현 시스템 내의 문제점 피드백 및 미래 예측을 할 수 있다. 현 제조 시스템에서 가장 대표적인 머신 러닝 예시 6가지를 소개하였다. 마지막으로 머신 러닝에 인공 신경망 기술을 더한 딥 러닝 기술이 어떤 기술인지 설명하기위해 먼저 인공 신경망의 구조와 원리에 대해 소개하였다. 이를 통해 딥 러닝이 어떤 기술인가와 딥 러닝과 머신 러닝의 차이점은 무엇인가를 설명하였다.

 

Connection Between Subjects

주제들 간의 연관 관계

ANN

Artificial Neural Network의 약자이다. 신경망 구조를 모방한 기계 학습 알고리즘으로 딥 러닝의 기초 베이스이다.

 

IoT

Internet of Things의 약자로 산업 장비들과 다른 사물들의 데이터를 공유할 수 있는 기술을 뜻 한다.

 

ML

Machine Learning의 약자로 인간이 만든 틀을 통해 많은 데이터로부터 스스로 학습하여 패턴을 분석하는 기술이다.

 

IoT and ML

-      스마트 팩토리에서 제조 머신들에 부착된 각종 센서를 통해 여러가지 형태들의 데이터(수치형, 텍스트형, 이미지형 데이터 등)들을 받게 된다.

-      이런 데이터들을 융합하여 분석해 함수를 도출하게 된다.

-      이 함수를 통해 인사이트를 도출하고 미래 과정을 예측할 수 있다.

ML and ANN

-      ANN은 기계학습의 알고리즘 중 일부분으로 딥 러닝에서 이 기술이 사용된다.

-      SM에서 쓰이는 AI방식들을 머신 러닝에서 사람의 도움 없이도 정확한 결정을 내릴 수 있게 해주는 딥 러닝으로 바꾸면 더 효율성이 높아지게 된다.

ANN and IoT

-      IoT기술로 센서를 통해 데이터를 받으면 뉴런 네트워크 알고리즘을 통해 제조 시스템을 분석할 수 있다.

-      딥 러닝 기술을 통해 미래 예측 및 현 문제점 피드백을 수월히 할 수 있다.

 

Internet of Things

IoT란, 인터넷에 연결되어 IoT 애플리케이션이나 네트워크에 연결된 장치, 또는 산업 장비 등의 다른 사물들과 데이터를 공유할 수 있는 많은 사물들이다. 인터넷에 연결된 장치는 내장 센서를 사용하여 데이터를 수집하고, 경우에 따라 그에 맞게 반응한다.

 

IoT Architecture

• Application Layer (Business Layer)
  • 데이터를 사용해 필요한 서비스, 작업을 제공한다.
  • Smart Transportation, Smart Grid, Smart Healthcare, smart cities등이 있다.
• Service Layer (SoA Perspective)
  • 애플리케이션 계층을 지원하는 서비스를 제공한다.
  • 서비스 검색, 구성, 관리, 공유 및 인터페이스를 지원한다.
  • 서로 다른 인터페이스를 가진 장치와 애플리케이션은 미들웨어를 사용하여 정보를 교환하고 리소스를 공유할 수 있다.
• Communication/Network Layer (Transmission Layer)
  • 센서 레이어에서 정보를 받는다.
  • 데이터와 정보를 사물인터넷 허브, 장치 및 애플리케이션으로 전송하는 경로를 결정한다.
  • 원격 센서에서 측정된 데이터를 수집하고 게시, 구독 기술을 사용해 서버로 데이터를 전송하여 낮은 대역폭과 긴 대기 시간으로 네트워크를 지원하는 MQTT 방법이 있다.
• Sensor/Actuator Layer (Perception Layer)
  • RFID, 센서, 액추에이터 등을 통해 물리적 장치와 상호 작용한다.
  • 사물을 IoT 네트워크에 연결하여 상태 정보 측정, 수집, 처리한다.
  • 처리된 정보들을 레이어를 통해 상위 레이어로 전송한다.
  • 각 노드에 센서가 장착되어 구성된 WSN 와 RFID시스템과 센서 네트워크를 통합해 물체 상태를 식별 및 추적하는 RSN 방법이 존재한다.

Machine Learning

ML이란, 데이터를 구문 분석하고 해당 데이터(Train data)를 통해 학습한 후 정보를 바탕으로 결정을 내리기 위해 학습한 내용을 적용하는 알고리즘이다. 이 학습된 알고리즘을 통해 새로운 데이터(test data)로 미래를 예측하며 학습 과정을 반복한다. 머신 러닝의 종류는 지도 학습, 비지도 학습, 강화 학습으로 분류할 수 있다.

 

제조 시스템 현장에서의 고민

아래는 머신 러닝 기술을 쓰지 않거나 제조 데이터를 적절히 활용하지 못한 제조 시스템 현장에서 나오는 고민 경우들이다.

ML Use Case in SM
위에서 언급한 제조 현장에서의 문제들을 아래 머신러닝을 통해 보완하였다.

• Remaining Useful Life (기계 수명 관리)
  • 지금 사용하고 있는 기계들의 수리 또는 교체가 필요하게 되기 전까지 남아 있는 사용 시간 또는 예상 수명을 알 수 있다.
  • 상태 지표 값의 시간 변화 또는 통계 속성을 기반으로 추정할 수 있는 모델이다.
  • 비슷한 기계가 고장까지 걸린 시간들의 집계 데이터, 고장을 나타내는 상태 지표의 알려진 임계값(공구 마모량 등), 진단하는 기계와 유사한 기계들의 RTF 이력들을 기반으로 머신 러닝을 한다.
• Cost Reduction Through Predictive Maintenance
  • 유지 보수 기법에 머신 러닝을 사용한 방법이다.
  • PdM을 통해 유지보수 작업 감소로 이어지며, 인건비 절감과 재고 및 자재 낭비 감소를 관리 할 수 있다.
• Supply Chain Management
  • 완제품이나 재료들의 재고가 어떻게 관리되는지 과거의 데이터들을 통해 머신러닝으로 예측한다.
  • 이런 과거의 데이터를 기반으로한 공급량 예측을 통해 물품을 얼마나 더 생산할지, 관리는 어떻게 해야하는지, 고객사의 재주문 기간 예측 등을 파악할 수 있다.
• Quality Control
  • 과거에 생산한 제품들의 검사 데이터를 토대로 머신 러닝을 한다.
  • 제품들이 생산됐을때 주로 어떤 조건에서 불량들이 나타나는지 파악 할 수 있다.
  • 어떤 요인에서 불량품이 나타나는지를 파악한 후 불량품에 대한 원인 제거를 통해 품질 개선을 할 수 있다.
• Human Robot Collaboration
  • 작업자가 로봇과 업무할때 작업자의 동작 예측을 할 수 있다.
  • 이를 통해 실시간으로 작업자의 위험 요소를 감지하고 예방 할 수 있다.
• Consumer Focused Manufacturing
  • 특정 시점이나 트렌드를 분석하여 시장에서 요구하는 수요를 파악 할 수 있다.
  • 이런 마케팅 데이터들을 가지고 고객층 타겟을 잘 잡고 예측할 수 있다.

Artificial Neural Network

 

ANN이란, 인공신경망으로 불리며 사람의 신경망 원리와 구조를 모방하여 만든 머신 러닝 알고리즘이다. 신경망은 다수의 입력 데이터를 받는 입력층(Input), 데이터의 출력을 담당하는 출력층(Output), 입력층과 출력 층 사이에 존재하는 레이어들인 은닉층(Hidden Layer)이 존재하는 퍼셉트론 구조이다.

동그란 부분을 노드(node), W를 가중치(Weight)라 부른다. 모델 정확도 평가 시 평균 제곱 오차를 구하는 식인 Loss Function을 통해 총 손실 E를 구한다. 총 손실 E를 최소화하는 레이어를 구하기 위해 활성 함수(Activation Function)를 쓰게 된다. 활성 함수를 레이어에 적용하게 되면 비 선형적이고 복잡한 예측이 가능해진다.

Activation Function

총 손실 E를 최소화하는 가중치를 구하기 위해서는 경사 하강법을 사용한다. 먼저 그래프위에 랜덤한 한 점을 찍는다. 현재 점 W값에서 접선의 기울기를 뺀다. W가 더 이상 변하지 않을 때 최저 손실점이라 판단하는 것을 방지하기 위해 기울기와 Learning rate(α) optimizer을 곱한 값을 점 W값에서 뺀다.

Learning rate(α) optimizer 종류

-      Momentum: 가속도를 유지하자

-      AdaFrad: 자주 변하는 w는 작게, 자주 변하지 않는 w는 크게

-      RMSProp: AdaGrad에서 제곱한다

-      AdaDelta: AdaGrad에서 α값이 너무 작아져 학습이 멈추는 것을 방지해준다

-      Adam: RMSProp + Momentum

 

딥 러닝 학습 과정

1.     W값을 랜덤으로 찍는다

2.     W값을 바탕으로 총 손실 E를 계산한다.

3.     경사 하강법으로 새로운 w값을 업데이트한다.

4.     W값을 바탕으로 총 손실 E를 다시 계산한다.

5.     경사 하강법으로 새로운 w값을 다시 업데이트한다.

6.     이 반복을 총 손실 E가 더 이상 줄어들지 않을 때까지 반복한다.

 

이 과정들을 통해 은닉에서 활성화함수를 사용하여 최적의 가중치와, 편향(bias)을 찾아 내야한다. 이 모델을 잘 구성하여 원하는 Output값을 잘 예측해야 한다.

 

DL이란, 머신 러닝의 한 방법으로, 학습 과정 동안 인공 신경망으로서 예시 데이터에서 얻은 일반적인 규칙을 독립적으로 구축한다. 딥 러닝은 특정 형식의 인공 신경망(ANN)을 사용하며, 우선 샘플 데이터를 통한 훈련 작업이 필요하다.

 

DL 과 ML의 차이점

딥 러닝과 머신 러닝의 가장 큰 차이점은 바로 기계가 사람의 도움을 받아서 결과를 결정 내리는지 아닌지의 차이다. 실질적으로 딥 러닝은 머신 러닝의 하위 개념이다. 기본 머신 러닝 모델은 그 기능이 무엇이든 점진적으로 향상되는데, 약간의 안내가 필요하다. AI 알고리즘이 부정확한 예측을 반환하면 엔지니어가 개입하여 조정해야 한다. 딥 러닝 모델을 사용하면 알고리즘이 자체 신경망을 통해 예측의 정확성 여부를 스스로 판단할 수 있다.

예를 들어 차 사진을 보고 차 인지, 아닌지에 대한 여부를 판단하는 프로그램일 때 머신 러닝은 사람이 직접 바퀴와 차 손잡이, 백미러 등의 가이드 라인을 제시한다. 이런 특성 가이드 라인을 따라 사진이 차인지에 대한 여부를 판단한다. 딥 러닝은 뉴럴 네트워크에 사진들을 넣고 학습을 시키면 자동적으로 특성 추출(Feature Extraction)을 하여 차 여부를 판단한다.

References

https://www.sas.com/ko_kr/insights/big-data/internet-of-things.html

Internet of Things (IoT), IoT의 정의 및 중요성

https://www.youtube.com/watch?v=j_UyrEkw_Vo

AI, Big Data, IoT기반 Smart Factory 추진전략 및 사례를 소개합니다.

https://kr.mathworks.com/help/predmaint/ug/rul-estimation-using-rul-estimator-models.html

RUL 추정기 모델을 사용한 RUL 추정

https://www.youtube.com/watch?v=bZFeAGwMzrY&t=184

스마트 제조를 위한 머신러닝 활용 - SAMSUNG-ORACLE Insight Forum

https://ebbnflow.tistory.com/119

[인공지능] ANN, DNN, CNN, RNN 개념과 차이

https://www.baslerweb.com/ko/vision-campus/markets-and-applications/what-is-deep-learning/

딥 러닝이란 무엇인가요?

https://www.youtube.com/watch?v=c7NURwHmM5k&t=425s

딥러닝 경사 하강법

https://www.zendesk.kr/blog/machine-learning-and-deep-learning/

딥 러닝과 머신 러닝의 비교: 차이점을 이해하는 간단한 방법