2020년에 인공지능이 제조업을 향상시키는 방법 : 다양한 제조업체와의 인터뷰

 

실시간 모니터링은 생산 병목 현상 해결, 불량률 추적, 고객 배송 날짜 충족 등 많은 이점을 제공한다. 머신 러닝은 실시간으로 사용할 수있는 상황에 맞는 훌륭한 데이터 소스를 제공한다. 기계 학습 알고리즘은 여러 생산 교대 근무의 실시간 데이터를 몇 초만에 해석하고 이전에 알려지지 않은 프로세스, 제품 및 워크 플로 패턴을 발견 할 수 있다. 다음은 캡제미나이(Capgemini)가 최근에 발표한 제조 운영 분야의 인공지능이 제조능력을 향상시키는 10가지 방법이다. 캡제미나이가 지난 4개월 동안 자동차, 전자, 전기 시스템, 식품 제조업체 등과 인터뷰한 내용이다.

 

제조에서 인공지능 구현의 29%는 기계 및 생산 자산을 유지하기 위한 것이다. 캡제미나이의 연구팀은 기계나 장비가 언제 고장 날지 예측하고, 유지 보수를 수행하기 위한 최적의 시간을 권장하는 것이 오늘날 제조에서 인공지능의 가장 보편적인 사용 사례라는 것을 발견했다. 제너럴 모터스(General Motors)는 어셈블리 로봇에 장착된 카메라의 이미지를 분석하여 공급 업체의 도움을 받아 고장난 로봇 구성 부품의 문제를 파악한다. 이 시스템의 파일럿 테스트에서 7천대 로봇에서 72개의 구성 요소 장애가 감지되어, 계획되지 않은 중단이 발생하기 전에 문제를 해결했다.

 

제너럴 모터스는 오토데스크(Autodesk)와 협력하여 기계 학습 기술을 사용하여 설계 제약 조건을 고려하고 최적화된 제품 설계를 제공하는 알고리즘을 구현했다. 캐드 설계 환경 내에서 최적화 로직을 사용하면 제너럴 모터스가 신속한 프로토 타이핑 목표를 달성하는 데 도움이 된다. 설계자는 기능 요구 사항, 재료, 제조 방법 및 기타 제약 조건을 입력한다. 2018년 5월, 제너럴 모터스는 적층 제조에 성공하도록 설계되는 부품에 필수적인 무게 및 기타 주요 제품을 최적화하기 위해 오토데스크 생성 설계 소프트웨어를 체택했다. 이 솔루션은 최근 안전 벨트 브래킷 부품의 프로토 타이핑을 진행했는데, 원래의 8개 부품 설계보다 40% 더 가볍고 20% 더 강한 일체형 설계를 만들어냈다.

 

 

노키아(Nokia)는 머신 러닝을 사용하여 생산 공정에 불일치가있는 경우 어셈블리 운영자에게 경고하는 비디오 어플리케이션을 도입했다. 먼저, 핀란드 오 울루에있는 공장 중 하나에서 조립 라인 프로세스를 모니터링하는 비디오 어플리케이션을 출시했다. 이 앱은 실시간으로 문제를 해결할 수 있도록 프로세스의 불일치를 운영자에게 알린다.

 

자동차 및 소비자 제품 산업에서 실시간으로 이미지를 분석하여 제품 품질 검사를 완료하면 제조업체는 엄격한 규제 요구 사항을 준수할 수 있다. 인공지능 기반 이미지 인식 소프트웨어 및 기술은 계속 향상되는 반면, 고해상도 카메라는 계속 가격이 하락한다. 이런 이유로 실시간 인라인 검사가 더 많이 적용되고 있다. 아우디(Audi)는 잉골 슈타 트(Ingolstadt) 프레스샵에서 딥 러닝 기반의 이미지 인식 시스템을 설치하여 이 기술을 사용하고 있는 선구자이다.

 

수요 예측 정확도 향상은 식품을 포함하여 여러 산업에서 확실한 결과를 보여준다. 다논(Danone)은 프랑스의 다국적 식품 제품 제조업체로서 머신 러닝을 사용하여 오늘날 수요 예측 정확도를 개선하고 있다. 마케팅, 영업, 계정 관리, 공급망 및 재무 전반을 개선하기 위해 머신 러닝을 사용하여보다 정확한 예측을 이끌어 낸다. 머신 러닝을 사용하여 제품 판촉의 수요를 충족시키고 채널 또는 상점 레벨 재고에 대한 목표 서비스 레벨을 달성한다. 이 시스템은 예측 오류 20% 감소, 판매 손실 30% 감소, 제품 노후화 30% 감소, 수요 계획자의 작업량 50% 감소로 이어졌다. 

 

광범위한 산업에 전자 시스템을 공급하는 업체인 탈레스(Thales)는 머신 러닝을 사용하여 유럽 전역의 고속 철도 노선에 대한 예방 유지 보수를 하고있다. 이 회사는 유럽 대륙 횡단 철도 시스템에서 수천 개의 센서, 기차 부품 및 서브 시스템의 현재와 과거 데이터를 수집한다. 이 데이터를 바탕으로 잠재적인 문제를 예측하고 특정 부품을 교체해야 하는 시기를 식별하여 프로세스에서 높은 수준의 신뢰성을 확보 할 수있는 인공지능 알고리즘을 개발했다. 

 

BMW는 인공지능을 사용하여 생산 라인의 구성품 이미지를 평가하여 품질 표준과의 편차를 실시간으로 파악한다.  BMW의 딩골핑(Dingolfing) 공장의 최종 검사 구역에서 인공지능 어플리케이션은 차량 주문 데이터에서 새로 생산된 자동차와 모델 이미지를 비교한다. 차량의 모델명 및 식별판과 일반적으로 승인된 모든 조합이 이미지 데이터베이스에 저장된다. 예를 들어, 지정이 누락된 경우와 같이 라이브 이미지와 주문 데이터가 일치하지 않으면 최종 검사 팀이 알림을 받는다. BMW 그룹은 또한 오픈 소스 플랫폼에서 생산에 사용되는 인공지능 알고리즘을 공유한다. 

 

슈나이더 일렉트릭(Schneider Electric)은 마이크로소프트 머신러닝 서비스를 기반으로 사물인터넷 분석 솔루션을 만들어 작업자 안전을 개선하고 비용을 줄이며 지속 가능성 목표를 달성했다. 데이터 과학자는 데이터를 사용하여 유지 보수가 필요한 시기와 장소를 예측하는 모델을 구축했다. 데이터 과학자들은 자동화된 기계 학습 기능을 사용하여 최적의 기계 학습 모델을 지능적으로 선택하고, 기계를 자동으로 조정하여 시간을 절약하고, 효율성을 향상시킨다. 회사가 머신러닝 기반 솔루션을 배포한 후, 운영자는 단 이틀 만에 효율성을 10-20% 향상시킬 수있었다. 

 

 

닛산(Nissan)은 차세대 모델 시리즈의 출시 기간을 단축하기 위해 인공지능을 사용하여 실시간으로 새로운 모델을 설계하고 있다. 닛산은 프로그램을 드라이브스파크(DriveSpark)라고 부르며, 4년째 사용중이다. 닛산의 디자이너는 시스템을 사용하여 최선 규정 및 규제 요구 사항을 준수하며 향상된 수명주기를 가진 완전히 새로운 모델을 만든다.

 

캐논(Canon)은 제조 센터에 새로운 수준의 품질 관리를 제공하는 고급 자산 결함 인식 시스템을 발명했다. 캐논은 기계 학습, 컴퓨터 비전 및 예측 모델링을 포함한 인간의 전문 지식, 통찰력 및 인공지능 기술을 결합하여 고정밀 기계 부품 테스트의 정확성과 효율성을 향상시킨다. 자동차 및 운송, 우주 항공 및 국방, 석유 및 가스, 건설과 같은 산업의 정밀 부품 제조업체는 엄격한 조립 후 검사 프로세스를 필요로 한다. 캐논의 제조 구성 요소는 산업용 방사선 촬영 및 이미지를 사용하여 각 부품과 내부 구조의 무결성을 확인하기 위해 면밀히 검사한다. 컴퓨터 결함 및 기계 학습을 통해 기술 시스템은 검사 된 부품의 이미지를 지능적으로 분석하고 잠재적 결함을 자동으로 식별한다.

 

참고문헌

[1] Columbus, L. (2020, May 18). 10 Ways AI Is Improving Manufacturing In 2020. Retrieved from https://www.forbes.com/sites/louiscolumbus/2020/05/18/10-ways-ai-is-improving-manufacturing-in-2020/#165e91c21e85