이상치 탐지(Anomaly Detection), AI를 활용한 사고 발생 예방 기술!

전략 테크
2023. 04. 19
조회수
2,848
이상치-탐지

공장이 사고로 가동 중단되었을 때, 손해액이 얼마인지 아시나요? 삼성전자는 평택 반도체 공장이 정전 사고로 30분 동안 가동 중단되었을 때, 매출 500억 손실을 입었습니다. 포스코 또한 포항제철소가 태풍 힌남노로 인해 가동 중단되었을 때, 발생한 손실액이 하루 500억에 이릅니다.

하루만 가동 중단되어도, 공장이 입는 손실은 어머어마합니다. 때문에 공장들은 위험 설비의 점검, 정비, 유지관리를 위해 안전 인력을 투입하며, 사고 예방에 최선을 다하고 있지만, 관측자의 실수(휴먼 에러), 측정장비의 오류 등의 사유로 사고 예방에 많은 공장들이 어려움을 겪고 있습니다.

이럴 때, 공장 설비가 제대로 작동하고 있는지 실시간으로 점검하며 데이터를 확보해 이상 유무를 확인한다면 어떻게 될까요? 사고 발생률을 낮춤과 더불어 안전 확인에 투입되는 인력도 줄어들어 공장 전체의 효율성이 더 높아질 텐데요. 

공장 설비들의 데이터를 실시간으로 감지하며, 이상 증후를 파악하고 사건 및 사고를 예방하는 기술이 있어 소개 드립니다. 바로 AI를 활용한 ‘이상치 탐지 (Anomaly Detection)’인데요. 

24년 동안 약 61,000 개의 프로젝트를 수주하며, IT 전문 프리랜서 매칭을 진행한 IT 전문 프리랜서 매칭 플랫폼 이랜서에서 ‘이상치 탐지 (Anomaly Detection)’에 대해 자세하게 알려드리겠습니다.

 

이상치 탐지(Anomaly Detection), 

AI를 활용한 사고 발생 예방 기술!

 

이 글을 끝까지 읽으시면
 

  • 이상 증후를 빠르게 확인하여 공장의 사건, 사고를 예방하는 방법을 알 수 있습니다. 
  • 제품의 불량 검출 정확도를 45% 개선하는 방법을 알 수 있습니다. 
  • 이상치 탐지 기술 도입을 위한 IT 전문가를 확보하는 방법을 알수 있습니다. 


 

이상치 탐지(Anomaly Detection)란 

만약에 반도체 공정에서 비정상적인 행동이 발생한다면 어떤 문제가 발생할까요? 당연한 말이지만 발생한 문제가 치명적인 경우, 생산량 감소와 반도체 품질 하락 등의 문제가 동반하게 되며, 결국 공장 운영 효율 감소로 매출이 급감하겠죠?

이를 방지하기 위해 이에 생산설비의 구성요소에 센서를 부착하여 수집된 센서 데이터와 품질 관리 시스템을 활용합니다. 

하지만 데이터를 생성하고 측정하는 단계에서 관측자의 실수(휴먼 에러), 측정장비의 오류 등으로 데이터가 오염되는 상황이 발생하며 일반적으로 수집된 데이터는 극심한 클래스 불균형을 가지게 됩니다.

이를 방지하기 위해 AI를 활용한 이상치 탐지(Anomaly Detection)란 기술을 활용하고 있는데요. 이상치 탐지는  어떤 데이터 집합 안에서 예상되거나 기대했던 관찰 값이 아닌 패턴을 가진 데이터를 탐지하는 데이터 분석 기법입니다. 

취합된 데이터에서 평균치에 맞는 정상적인 데이터가 아닌 특이한 데이터를 탐지하여, 사건 사고가 발생할 수 있는 확률을 예방하는 것이죠. 때문에 이상치 탐지는 제조시설 외에도 금융기관, 게임 업등에서 불법적인 행위를 예방하는데 사용되고 있습니다. 


 

AI 모델을 사용한 이상치 탐지 방법 

인공지능 기술이 발달하기 전 제조 공정에서는 제품의 이상치 분석을 품질 관리 시스템을 사용하여 확인했습니다.  

품질 관리 시스템이란 공정 단위별로 품질 관리사가 공정에서 발견된 불량 상품 혹은 불량 데이터를 검사하고, 검사 결과를 근거로 관련 공정에 피드백을 주어, 의견/불만에 대한 조치 결과 및 공정 반영 내용을 관리하며, 수집된 품질정보 분석기능을 통해 문제점 파악 및 개선 요소 제공을 용이하게 관리하는 방법입니다.

하지만 불량 판단을 사람이 하는 것이기 때문에 눈에 잘 보이지 않는 불량품은 판별하기 힘들고, 설비 데이터의 경우 사람의 눈으로는 어떤 데이터가 이상치 데이터인지, 정상 데이터인지 파악하기 힘든 단점이 있었는데요. 

이러한 단점을 해결하기 위해 공장에선 인공지능 기술을 적용하여 데이터를 탐지하고 있습니다. 인공지능 모델을 통해 각 단계에서 수집한 데이터를 공정 이상 탐지 및 최종 수율 예측 등 다양한 분석을 하는 것인데요. 수집된 데이터가 어떤 데이터인지 판별하기 위해 인공지능 기능 중 비지도 학습(Unsupervised Learning) 모델을 통한 이상치 탐지 모델의 개발이 활발히 진행되고 있습니다. 


 

비지도 학습(Unsupervised Learning)

머신-러닝

비지도 학습이란 인공지능 모델 중 정답 레이블이 없는 데이터의 종류를 판별하고, 이상치를 판별할 수 있는 모델입니다. 

예를 들자면 여러 사진에 여러 과일이 놓여 있는데, 사진 속의 과일이 어떤 과일인지 정답을 모르는 상황에서 과일의 색깔이 무엇인지, 모양이 어떠한지 등에 대한 특징을 토대로 바나나인지 사과인지를 분별하는 것이죠. 

공장 설비에서 나오는 데이터 또한 라벨링이 되어있지 않아 분류하기 어렵지만, 정상 데이터와 비정상 데이터는 각각의 특징을 가지고 있기 때문에 이를 분별하기 위해 비지도 학습을 활용하고 있는데요.

비지도 학습 모델을 사용함으로써 센서에서 이상치 데이터가 매우 적은 클래스 불균형 문제에 영향을 받지 않으며 레이블이 없어도 이상치 데이터를 판별할 수 있으며, 새로운 데이터로 새로운 이상치 탐지 모델을 빠르게 만들 수 있습니다.


 

비지도 학습의 대표모델 GAN

gan

공장에 데이터 판별을 위해 사용하는 비지도 학습의 대표적인 모델로는 GAN (Generative Adversarial Networks)가 있습니다.  GAN(Generative Adversarial Network)은 실제 데이터를 모방하는 가짜 데이터를 생성해 개선된 보안책을 만드는데 쓰이는 대표적인 생성 모델입니다.  

GAN은 두 개의 모델이 적대적(Adversarial)으로 경쟁하며 학습을 진행하고, 진짜 같은 가짜 데이터를 생성하는(Generative) 신경망 모델입니다.

쉽게 말해서 위조지폐를 만드는 지폐 위조 범과 실제 돈과 위조 지폐를 구분하는 경찰이라고 생각하면 됩니다. Generator는 지폐위조범으로 실제 지폐와 더욱 유사한 위조지폐를 만들려고 시도합니다. 경찰은 위조지폐 범죄를 방지하기 위해 위조 지폐와 실제 지폐를 더욱 정교하게 구분되고, 덕분에 경찰의 분별 능력이 더욱 향상되는 것이죠. 

GAN 또한 마찬가지인데요. 정상 데이터와 비슷한 비정상 데이터를 만들어 두 개의 모델이 적대적(Adversarial)으로 경쟁하며 학습을 진행하고,  실제 데이터의 특징을 매우 자세하게 기록하게 되며, 정상 데이터와 분포가 다른 비정상 데이터가 들어왔을 때 판별할 수 있게 됩니다. 

이를 통해 사람이 일일이 확인할 수 없는 이상치를 검출할 수 있으며, 이상치 검출의 정확도 또한 높아졌습니다. 또한 기계로 작동되기 때문에 이상치 검출에 사용되는 비용을 절감할 수 있으며, 사후 관리를 넘어서 사전 관리와 실시간 관리가 가능해졌습니다. 이 외에도 수집된 데이터의 불균형 문제와 라벨이 없는 문제도 해결할 수 있어, 딥러닝 분야에서 큰 혁신을 불러일으키고 있습니다.


 

이상치 탐지 적용사례 - 스마트 팩토리 

머신-러닝-종류

AI를 사용한 이상치 모델을 사용하고 있는 대표적인 예로 스마트 팩토리가 있습니다. 스마트 팩토리는 제조 현장에 AI 기술을 적용하여 제조 시스템에 부착된 다중 센서 데이터를 기반으로 장비의 고장 예측과 이상 발생 시점 예측을 할 수 있는 이상 탐지 모델 설계를 통하여 이상치를 검출하고 설비의 고장 여부를 진단하고 있는데요. 스마트 팩토리의 어느 부분에 쓰이는지 자세하게 알아보겠습니다.

 

  • 생산용 기계

생산용 기계의 경우는 보통 내부의 PLC(산업 현장에 자동제어 및 감시하기 위한 제어장치)에 의해 운용이 되고 있고, 이 설비에서 데이터 추출을 위해서는 장비의 PLC에 이더넷 등을 연결하고 프로토콜을 연동해 직접 수집합니다. 장비에 대한 설비 예지 보전을 위해서는 진동 센서나 환경 센서를 추가해 데이터를 수집하기도 하죠.

생산라인 상에서 품질 검사 및 생산량 집계를 위해서는 기존에는 사람이 수기로 진행해 왔지만, 근접 센서나 레이저 센서, 접점 스위치, 머신 비전 등을 이용해서, 품질 관리의 경우 로드 셀이나 광학 센서, 머신 비전 등의 다양한 센서와 기술을 이용하여 기계가 자동적으로 수집합니다. 보통 시간에 따른 데이터를 반환하기 때문에 생산용 설비에서는 주로 시계열 데이터가 수집됩니다.
 

 

  • 제조 공정 

제조 공정에서 사용되는 인공지능 이상치 탐지 모델은 설비에서 수집되는 데이터를 실시간으로 분석합니다. 

제어 장치에 저장된 데이터가 인공지능 모델로 바로 입력되게 프로그래밍 하거나, 제조 장치에 저장된 데이터를 컴퓨터와 통신할 수 있도록 하여 미리 만들어 놓은 정상 데이터의 특징을 기억하는 인공지능 모델의 입력으로 넣으면 인공지능 모델이 입력으로 들어온 데이터에 대한 분석을 시작합니다.

미리 만들어 놓은 인공지능 모델은 설비에서 나온 정상 데이터의 특징을 잘 기억하고 있겠죠? 인공지능 모델이 저장하고 있는 정상 데이터와 현재 인공지능 모델이 받은 데이터의 특징이 얼마나 다른지 실시간으로 감시하는 겁니다. 설비가 고장나거나, 평소와 다른 데이터를 반환한 것을 인공지능 모델이 감지하고 해당 상황을 작업자에게 알리거나, 불량품 혹은 불량 데이터, 발생시간 등에 대해 로그 기록을 남겨놓습니다.

 

  • 검수 과정 

이상치에 대한 처리를 기계에게 직접 프로그래밍 시켜 두고 처리할 수도 있습니다. 이를 통해 보다 정확한 이상치 검출이 이뤄지고 있으며 불량 제품의 확률을 낮추고 있습니다. 실제 반도체 제조 공정 데이터를 가지고 인공지능 모델을 사용하여 불량 검출의 약 45%의 정확도를 개선한 사례도 있습니다.

쌓인 데이터 기록을 통해서 이상치에 데이터에 대한 분석이 가능해지며 이를 통해 이상치가 어떤 특징을 가지고 있는지 분석할 수 있게 됩니다. 또한 생산현장에서 발생하는 현상, 문제들의 상관관계를 얻을 수 있고, 원인을 몰랐던 돌발 장애, 품질 불량 등의 원인도 알아낼 수 있습니다. 

스마트 팩토리는 이처럼 각 공장에서 수집된 수많은 데이터와 AI 모델을 사용하여 공정의 상황을 분석하고, 분석한 데이터를 기반으로 의사 결정하는 공장 운영 체계를 갖추고 있습니다.


 

이상치 탐지를 적용하려면

ai-학습

AI 모델을 활용하여 각 산업별 문제를 쉽게 해결할 수 있다는 점에서 관심이 집중되고 있으며, 이상치 모델을 활용하면 공장에서 발생할 수 있는 문제들의 데이터를 확보함으로써 앞으로 발생할 문제들에 대한 대비책을 세울 수 있습니다. 

이를 통해 불필요한 지출을 줄이고, 계획했던 주문량을 그대로 생산할 수 있어 공장 운영에 큰 도움을 얻을 수 있을 것입니다. 하지만 현장에 데이터는 모든 특성이 제각각 이기 때문에 인터넷에 널리 알려져 있는 인공지능 기술을 사용하더라도 좋은 효과가 나타나지 않을 수 있습니다. 그렇기 때문에 다양한 데이터를 사용하여 문제를 해결한 경험과 인공지능 모델의 문제점을 파악하고 개선할 수 있는 전문가가 필요합니다.

 

이상치 탐지 적용을 위해선 AI를 

제.대.로 다룰 전문가가 필요!

하지만 AI 업계는 현재 ‘IT 전문가 인력난’시대

 

AI 기술이 발달함에 따라 AI 기술을 도입하려는 기업이 많아졌습니다. 하지만 AI 전문가를 찾는 기업의 수에 비해 정교한 AI 기술을 모델링 할 수 있는 전문가의 공급이 매우 적어 많은 회사에서 AI 기술 도입에 어려움을 겪고 있습니다.
 

 

IT 전문가 인력난을 해결하려면?

 

IT 전문가 인력난을 해결하기 위해 IT 프리랜서 매칭 플랫폼을 사용하는 것이 대안으로 떠오르고 있습니다. 빠르게 변하는 기술 트렌드에 따라 필요한 기술에 따른 전문 프리랜서를 채용하여 활용 가능하며, 매니저를 통한 1:1 케어와 계약 사항도 확인할 수 있어, 기술 도용이나 유출로 인한 ‘지적 재산권’ 문제에서도 자유로울 수 있기 때문입니다.


 

이런 것을 모두 누릴 수 있는 플랫폼?

대한민국 최초, 최대 IT 프리랜서 매칭 플랫폼 이랜서

 

왜 이랜서를 사용해야 하는지 궁금하신 분들이 많은 것입니다. 이 질문에 대해서는 이랜서에서 역으로 여쭤보고 싶습니다.

 

프리랜서 플랫폼은 여러 군대가 있는데, 기업들은 왜 이랜서만 고집할까요?”
“왜 이랜서를 사용한 기업들의 프로젝트 재의뢰율은 98%나 될까요?”

 

감사하게도 이랜서를 사용한 기업들은 계속해서 이랜서만 찾고 있습니다. 기업들이 이랜서만 고집하는 이유. 다음과 같이 3가지로  말씀드릴 수 있습니다.


 다양한 분야의 IT 인력 풀

이상치 탐지를 위해서는 비지도 학습(Unsupervised Learning)에 대한 지식이 필요하며, 시계열 데이터를 많이 다뤄본 전문가가 필요합니다. 주 언어는 파이썬, C++이며, 파이토치 혹은 텐서플로우 딥러닝 프레임워크로 다양한 모델링을 해 본 경험을 가진 전문가가 있어야 하는데, 다 따로뽑으실껀가요?

이랜서는 대한민국 최대 IT 전문 프리랜서 매칭 플랫폼으로, 국내 IT 프리랜서 플랫폼에서 가장 많은, 약 40만 명의 IT 전문 프리랜서를 보유하고 있습니다. 또한 기업의 프리랜서 채용을 최대한 빠르게 돕기 위해, 프로젝트 등록 시 전담 매니저를 1:1로 매칭하여, 24시간 내 프리랜서 매칭 서비스를 제공하고 있습니다.

다양한 분야의 IT 인력 풀을  빠르게 활용할 수 있는 프리미엄 매칭 서비스. 대한민국에 최초, 최대 IT 프리랜서 플랫폼 이랜서에서 이상치 탐지를 위한 전문가를 채용하세요.


데이터로 검증된 프리랜서 매칭 서비스

공장에서 사고 한 번이면, 몇 백억의 손해를 입을 수 있는데, 확인되지 않은 리뷰만 보고 검증되지 않은 IT 전문가를 채용하실 건가요? 

이랜서는 기업이 찾는 최고의 IT 인재를 추천하기 위해, 약 350만 개의 프리랜서 평가 데이터와 1.5억 개의 서비스 데이터를 바탕으로 실력뿐만 아니라 인성까지 확인하여, 프로젝트에 제일 적합한 프리랜서를 매칭하고 있습니다.

이랜서는 대한민국 최초 IT 프리랜서 매칭 플랫폼으로 가장 많은 데이터를 보유하고 있습니다. 이상치 탐지를 위한 검증된 IT 전문가, 24년간 쌓은 노하우와 데이터로 검증된 프리랜서를 매칭하는 이랜서에서 채용하세요.
 

합리적인 수수료율 

이랜서는 지난 24년 동안 기업들에게 합리적인 수수료율을 제공하기 위해 고민하며, 약 61,000 건이 넘는 프로젝트의 데이터를 분석했습니다. 그 결과 업계 ‘최저 수수료율’을 제공하며 기업들의 프리랜서 채용을 돕고 있습니다. 최저 비용으로 누리는 최고의 아웃소싱 효과. 이랜서에 프로젝트를 등록하고, 체험해 보세요


 

DB와 인적 자원을 총동원한 검증된 프리랜서 매칭

1:1 전담 매니저를 통한 세세하고 친절한 케어

 체계적인 프로세스의 프리랜서 매칭 서비스

 

이랜서를 사용한 기업들의 프로젝트 재의뢰율 98%의 비결입니다.

 

IT-인력-보충-이랜서

 

 

이랜서를 사용한 기업들의 프로젝트 재의뢰율 98%

이랜서는 결과로 말합니다.
 

이랜서-재의뢰율-98%

 

 

이상치 탐지를 위한 전문가를 찾으시나요?

대한민국 최초, 최대 IT 프리랜서 이랜서에 프로젝트 등록하고

검증된 IT 전문 프리랜서를 채용하세요!

 

댓글0
이랜서에 로그인하고 댓글을 남겨보세요!
0
/200
이랜서에 로그인하고 댓글을 남겨보세요!
0
/200
실시간 인기 게시물
이랜서 PICK 추천 게시물