딥러닝을 활용한 중소제조기업 프레스설비 전류파형 분석 및 특성 모델링에 관한 연구 = Deep Learning-based Analysis and Characteristic Modeling of Current Waveforms of Press Equipment in Small and Medium-sized Manufacturing Enterprises|RISS 상세보기

국문 초록 (Abstract)

최근 제조 산업은 지능형 시스템인 CPS(Cyber-Physical System)와 사물인터넷(IoT)의 융합을 통해 데이터 중심의 자동화와 지능화를 가 속화하고 있으며, 이는 가치사슬 전반을 재편하는 핵심 동인으로 작용 하고 있다. 특히 중소 금형 제조기업은 설비 효율 향상, 불량률 저감, 납기 대응력 강화라는 복합적인 경영 과제를 동시에 해결해야 하는 상 황이다. 그러나 기존의 설비와 생산 관리는 여전히 수작업이나 단순 PLC 신호에 의존하고 있어 정확성, 신뢰성, 실시간성 측면에서 구조적 한계에 직면해 있다. 또한 기존의 온도, 습도, 음향 센서는 생산 공정의 미세한 상태 변 화를 정확히 반영하는 데 어려움이 있으며, 외부 환경 요인에 대한 민 감도가 높아 정교한 생산관리 도구로 활용하는 데 한계를 지닌다. 더불 어, 비전(Vision) 기반 모니터링 시스템은 조명, 촬영 각도, 외관 편차 등 비정형적인 환경 변화에 취약하며, 높은 초기 도입 비용과 유지보수 비용으로 인해 중소 제조기업에 실질적인 적용이 어려운 문제점을 내 포하고 있다. 반면, 본 연구에서 활용하는 전류 센서 기반 방식은 비침습적 설치 가 가능하며, 설비의 기존 전원 라인만을 활용하여 설비 상태 변화와 제품 특성을 직접 반영하는 전류 파형을 안정적으로 취득할 수 있다는 장점을 가진다. 특히, 전류 파형은 설비의 모든 운전 상태를 즉각적으 로 반영하는 1차적인 신호(Primary Signal)이므로, 추가적인 설비 개조 나 고가의 장비 도입 없이도 생산 현황을 실시간으로 정밀하게 진단할 수 있다. 이러한 본질적인 특성은 전류 기반 분석이 중소 제조기업에게 비용 효율성과 현장 적용 가능성 측면에서 우수성을 보여주며, 본 연구 의 필요성과 차별성을 뒷받침하는 근거가 된다. 이러한 장점을 바탕으로 본 연구에서는 전류 파형을 활용한 데이터 기반 분석 절차를 다음과 같이 구성하였다. 본 연구에서는 프레스 금형 설비의 전류 파형을 비침습적 방식의 CT 센서를 활용하여 수집하고, 라즈베리파이(Raspberry Pi) 기반의 엣지 컴 퓨팅(Edge Computing) 환경에서 전처리 과정을 거쳐 표준화된 CSV 시 계열 데이터셋을 구축하였다. 상태 분석 단계에서는 DTW(Dynamic Time Warping)와 KMeans알고리즘을 적용하여 정지, 작업 준비, 생산 등 설비의 주요 가동 패턴을 군집화(Clustering)하였다. 아울러 파형 주 기의 RMS(Root Mean Square) 분석과 구간별 전류 샘플 데이터의 시각 화를 통해 제품 식별 인자 및 상태별 전류 변화 특성을 규명하였다. 분류 단계에서는 LSTM(Long Short-Term Memory)모델을 설계하 여 5가지 설비 상태 클래스를 학습시켰으며, 학습 과정에서 훈련과 검 증 손실(Loss)이 초기 에폭(Epoch)에서 급격히 감소한 후 안정적으로 수렴함을 확인하였다. 모델의 성능 평가는 정규화된 혼동행렬 (Normalized Confusion Matrix)과 F1-score 지표를 활용하여 정량적으 로 수행하였다. 본 연구의 가장 큰 의의는 전류 파형만을 활용하여 설비의 상태 분 류와 생산 제품 식별을 동시에 수행할 수 있는 통합 분석 모델을 제시 했다는 점이다. 또한 DTW-KMeans기반의 비지도 학습과 LSTM 기반의 지도 학습 을 결합한 이중 단계(Two-step) 분석을 제시함으로써, 중소 제조기업에 서도 적용 가능한 경량화된 AI 기반 스마트 팩토리 구현 가능성을 제시 하였다. 최종적으로 자동차 시트용 프레스 부품 제조업체를 테스트베드 (Test-bed)로 활용한 실증 연구를 성공적으로 수행하였다. 이 실증 분 석을 통해, 기존의 복잡하고 비용이 많이 드는 모니터링 방식의 한계를 극복하고 전류 신호 분석만으로도 프레스 설비의 운전 상태와 전류 파 형의 부하 특성 변화를 포착하여 생산된 제품의 종류까지 정확하게 식 별할 수 있음을 체계적으로 검증하였다. 본 연구를 통해 구축된 시스템은 설비 운영 측면에서 작업 상태 자 동 기록, 실적 자동 집계, 이상 조기 경보 기능을 수행할 수 있다. 이를 통해 정비, 작업 준비, 비가동 손실을 가시화하고, 병목 공정 식별, 사 이클 타임 변동 관리, 생산 안정화를 달성함으로써 스마트 팩토리 구현 을 위한 품질과 생산성 제고에 기여할 것으로 기대된다. 본 연구의 학술적, 실무적 의의는 다음과 같이 요약할 수 있다. 첫째, 중소 제조현장에 최적화된 IoT(Internet of Things) 기반 설비 모니터링 모델을 실증적으로 제시하여 저비용과 고효율의 디지털 전환 기술을 제안하였다. 둘째, 전류 파형 분석과 인공지능(AI) 모델링을 결합하여 기존의 수작업 방식과 신호 기반 관리 방식을 데이터 기반 의사결정 방식으로 전환할 수 있는 실질적 가능성을 입증하였다. 셋째, 본 연구에서 구축된 전류 파형 데이터셋과 인공지능 학습 모 델은 프레스 설비를 넘어 사출기, 다이캐스팅기 등 다양한 금형 설비로 확장 적용이 용이하며, 이는 산업 전반의 지능형 설비 관리 방식 구축 을 위한 핵심 기반 기술이 될 수 있음을 입증하였다. 넷째, 본 연구는 인공지능 학습 모델에 대한 기술적 검증을 수행함 과 동시에, 검증 결과를 통해 전류 파형만으로도 설비의 운전 상태와 제품 종류를 높은 정확도로 식별할 수 있음을 실증하였다. 이는 센서 추가 설치나 설비 개조 없이도 생산 현황을 실시간으로 모니터링하고 품질 이상 징후를 조기에 감지할 수 있는 효과를 제공함 으로써, 중소 제조기업의 생산성 향상 및 품질경영 고도화에 기여할 수 있는 데이터 중심의 스마트 팩토리 구현 방안을 제시하였다 본 연구는 중소 제조기업의 현실적 제약을 최우선으로 고려하여 IoT 기반 설비 모니터링 모델을 제안하였으며, 이는 단순 자동화 수준 을 넘어선 지능형 공정 관리 체계의 구현 가능성을 실증적으로 입증한 것이다. 특히 전류 파형과 같은 저비용과 고품질 센서 자원을 활용하여 설비 상태와 제품 특성을 정밀하게 추론하였고, 이는 기존의 수작업 과 리와 신호 기반 관리체계를 데이터 기반의 의사결정 체계로 전환하는 계기를 마련하였다. 또한 LSTM 기반의 시계열 모델링을 통해 설비 상태의 시간 의존 적 특성 학습을 실현하였으며, DTW-KMeans군집화를 활용하여 위상 불변 특성에 기반한 초기 라벨링을 가능하게 함으로써, 실시간 추론과 고정밀 분류를 동시에 충족시키는 연구 모델링을 구축하였다. 이러한 기술적 성과는 단순한 알고리즘 개발을 넘어서는 것으로, 중 소 제조기업의 생산성 향상과 품질경영 혁신을 위한 구체적인 대안을 제시하는 모델링 연구로서 중대한 학술적, 실무적 의의를 지닌다. 특히 본 연구에서 제안한 데이터 수집-정제-모델링-추론-시각화의 통합 프 레임워크는 프레스 설비를 넘어 다른 산업 설비로의 확장 가능성을 제 공하며, 제품 교체가 잦고 사이클 변동이 큰 환경에서도 탁월한 구조적 유연성을 확보하였다. 후속 연구에서는 다음과 같은 고도화 방향을 제시한다. 첫째, 비정상과 고장 데이터를 지속적으로 수집하여 예지보전 (Predictive Maintenance) 모델을 정교화. 또한 ERP(Enterprise Resource Planning) 및 MES(Manufacturing Execution System) 시스템과의 연계형 IoT 대시보드 시각화를 통해 현장 과 경영 간의 정보 흐름을 통합. 둘째, AI 모델의 경량화과 실시간 학습(Self-Learning) 기능을 내재 화하여 엣지 디바이스에서의 실시간 추론을 강화와 연합학습 (Federated Learning)을 통해 기업 간 데이터 협력 모델을 구축함으로 써 산업 생태계 전반의 디지털 역량 향상. 셋째, 예측 결과의 신뢰도를 높이기 위해, 불확실성 보정(uncertainty calibration), 앙상블 기법, 베이지안 추론 기반 분석 방법을 적용하여 신 뢰도 중심의 의사결정 체계를 구축. 넷째, 전류 기반 설비 모니터링 체계가 산업 표준 절차와 데이터 보 안 요건을 충족하도록 시스템 구조와 운영 규칙을 정교화하여, 표준 적 합성과 운영 안정성을 동시에 확보. 본 연구는 프레스 설비의 전류 파형을 활용하여 제품을 자동 식별 하는 인공지능 모델을 실증했다는 점에서 독창성을 가진다. 이는 중소 제조기업이 저비용, 비침습 방식으로 설비 상태 모니터링 과 제품 분류를 동시에 수행할 수 있는 실용적인 스마트 팩토리 모델 을 제시하여, 디지털 전환을 위한 기술적, 경영적, 경제적 통합 전략을 제공하고, 제조업이 데이터 중심 경영체계로 이행하는 기여를 수행할 것이다. 주제어 : 전류파형, 프레스 금형 설비, 중소 제조기업, 스마트 팩토리, 사물인터텟, CT센서, DTW, KMeans, LSTM, 설비 상태분류, 제품 식별

번역하기

최근 제조 산업은 지능형 시스템인 CPS(Cyber-Physical System)와 사물인터넷(IoT)의 융합을 통해 데이터 중심의 자동화와 지능화를 가 속화하고 있으며, 이는 가치사슬 전반을 재편하는 핵심 동인으...

목차 (Table of Contents)