초록 열기/닫기 버튼
정보기술의 발전으로 인해 현대사회의 다양한 분야에서 ICT 기술과의 융합이 가속화되면서 제조업 분야에서도 인공지능과 자동화 기술을 활용한 스마트 공장이 등장하였다. 스마트 공장은 실시간으로 자료를 수집하고 이를 분석하여 최적의 의사결정을 진행함으로써 생산 과정의 문제점을 개선하고 생산성과 효율성을 향상시키는 것을 목표로 한다. 본 연구에서는 스마트 공장에서 수집된 자료에 기계학습과 딥러닝 모형을 적용하여 제조공정의 생산성과 효율성을 향상시킬 수 있는 프레임워크를 구축하고자 한다. 먼저 생산 과정에서 발생하는 온도와 압력에 관련된 공정 환경 자료를 기계학습 방법인 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스티드 트리, 지지벡터기계를 사용하여 불량을 1차적으로 탐지한다. 다음으로 용접을 마치고 난 후 촬영된 제품의 용접 이미지 자료에 딥러닝 기법을 적용하여 불량을 탐지한다. 이를 위해 AlexNet, VGG-16, ResNet과 같은 합성곱 신경망 기반 모형을 사용하였다. 이후 각 자료에 대해 정확도, 정밀도, 재현율 등의 성능평가지표를 사용하여 구현된 모형들의 성능을 비교하고, 각 자료에 대해 가장 우수한 성능을 보이는 모형을 최종 모형으로 선택하였다. 공정 환경 및 이미지 자료에서 선택된 최적의 모형은 높은 정확도로 불량을 탐지해 낼 수 있었으며 이를 실제 제조공정에 적용하여 자동화된 불량 탐지 시스템을 구축한다면 공정의 생산성과 효율성을 크게 향상시킬 수 있을 것이라 기대된다.
The rapid convergence of ICT (Information and Communication Technology) with various fields in modern society has led to the emergence of smart factories in the manufacturing industry. These factories leverage artificial intelligence and automation technology to enhance productivity and efficiency by collecting real-time data and making optimal decisions through analysis. In this study, we aimed to develop machine learning and deep learning models to improve manufacturing processes in smart factories. Firstly, we implemented a model using logistic regression, random forest, gradient boosted trees, and support vector machine to classify defects based on process environment data, including temperature and pressure. Next, we applied convolutional neural network models such as AlexNet, VGG-16, and ResNet to classify defective welding images captured after the welding process. We evaluated the performance of these models using metrics like accuracy, precision, and recall for each dataset and selected the top-performing model as the final choice.
키워드열기/닫기 버튼
Smart factory, Manufacturing data, Big data, Machine learning, Deep learning.
