Backhoff Korea 이명복 이사 (사진 무인화기술)
Q. 인공지능은 품질 관리에서 어떻게 작동하고, 산업 자동화 전반에 걸쳐 어떤 영향을 미치나?
A. 제품의 품질 보증은 제품과 서비스의 장기적인 성공을 위해 매우 중요하다. 품질 보증 시스템은 일반적으로 막대한 선행투자와 광범위한 테스트 및 최적화 과정이 필요하다. 특히 과거에 육안검사로 이루어지던 대부분의 품질 보증 과정들에 인공지능(머신러닝)이 결합된 비전시스템으로 발전되고 있다. 최신 인공지능의 알고리즘은 생산된 정밀 PCB 보드 및 고집적 회로 칩뿐만 아니라, 가공부품, 태양 전지 패널, 도장된 차체 또한 질감이 있는 금속 표면과 같은 다양한 제품의 품질을 보증하고 있다. 인공지능 기반 육안검사의 경우, 결함 감지 정확도가 향상되는 동시에 유연성이 향상되고 배포시간이 줄어든다. 딥러닝 기반 인공지능 시스템을 사용하면 작업자가 검사하는 것과 비교하여 결함 감지에서 최대 90% 개선이 가능하다.
Q. AI는 공급망 수요 계획 및 창고관리에 어떤 영향을 미칠 수 있나?
A. 최근 공급망 관리자들은 인공지능을 활용하여 예측 정확도를 높이고 수요 및 자재관리를 최적화하는 완전 자동화된 자체 조정 의사결정 시스템을 목표로, 원자재 공급 업체에서부터 최종 고객에 이르기까지 방대한 공급망 체인의 요소들을 연계시키고 있다. 여기에는 과거 판매 데이터와의 공급망 설정을 통합할 뿐만 아니라, 각 지역의 광고 및 가격, 지역 일기 예보와 같은 실시간 데이터를 모두 포함하고 있다. 이러한 접근은 최종 고객에 이르기까지의 모든 불확실성 요소를 고려하여 예상치 못한 사건으로 인한 제품 구성, 또는 유통 네트워크의 변화에 유연하게 적응할 수 있도록 하는 것이다. 이러한 접근 방식은 어느 보고서에 의하면, 예측 오류를 30~50% 줄일 수 있으며, 제품 재고 부족으로 인한 판매 손실을 최대 65%까지 줄일 수 있다.
Q. Beckhoff의 AI 기술 및 사업 방향에 대한 설명을 부탁한다.
A. 자동화 설비에서 측정 가능한 데이터를 활용하여 실시간으로 변화되는 데이터를 적용하는 방향으로, 이는 두 가지 방식으로 구성이 가능하다.
첫 번째는 Inference Engine을 통한 실시간 제어다. TF3800, TF3810(Machine Learning and Neural Network Inference Engine)를 통해, 학습된 모델을 자동화 시스템을 통해 실시간 제어가 가능하다. 이 점은 기존 제어시스템을 AI 제어시스템으로 구축함에 있어 추가적인 하드웨어 구축이 필요 없다는 것이 이점이다.
두 번째는 학습모델의 프레임워크에서 출력되는 출력값을 자동화 시스템을 통해 실시간에 가까운 제어가 가능하도록 하는 것이다. TF3820 | TwinCAT3 Machine Learning Server에서는 학습모델 프레임워크인 PyTorch, TensorFlow or MATLAB의 값을 원활하게 교환할 수 있다. 이러한 정보값을 통해 변화된 필드 상태를 업데이트해 자동화 시스템을 실시간에 가깝게 제어할 수 있다. 머신러닝 프레임워크는 강력한 GPU가 필요하기 때문에, 로컬 및 원격에서 데이터를 교환할 수 있는 방법을 제공해야 한다.
로컬시스템에서 GPU를 설치하고 운영할 수 있는 C6675 Control cabinet PC를 사용할 수 있으며, 원격 시스템에서는 MQTT, HTTP, OPC UA 인터페이스를 통해 모델을 업데이트할 수 있다.
데이터 교환은 표준화된 교환방식인 ONNX(Open Neural Network Exchange)를 이용한다. ONNX를 지원하는 툴은 다음 사이트에서 확인할 수 있다. ( http://onnx.ai/supported-tools.html )
C6670은 고성능의 CPU 메인보드에 엔디비아 등에서 제공하는 GPU 보드를 장착할 수 있으며, 고용량의 전력 공급이 가능하도록 설계됐다.
Q. 머신러닝(ML)이 통합된 TwinCAT 3는 어떤 기술적인 경쟁력을 가지나?
A. 모델 교환 방식의 표준화와 동적 로딩을 통한 실시간 제어, 이 두 가지로 요약할 수 있다.
TwinCAT3에서 머신러닝을 사용한다는 것은 하드웨어를 추가하거나 변경하지 않고 인터페이스를 구축할 수 있으며, 자동화 시스템에서의 완벽한 실시간 제어가 가능하다는 것이다. TwinCAT3 ML은 표준 교환 형식인 ONNX의 파일로 동적으로 로딩할 수 있기 때문에, 다양한 머신러닝 훈련 프레임워크를 사용해서 설비에 적합한 모델을 선정할 수 있으며, 이 모델은 1ms 미만의 실행 주기로 실시간으로 실행될 수 있다.
또 이런 식으로 추론(훈련된 ML 모델의 실행) 결과를 직접 처리하고 초고속 EtherCAT 통신을 통해 출력 장치로 전송하여 설비를 실시간으로 제어할 수 있다.
이외에도, 상위 프로그램 언어가 아닌 자동화 시스템에서 흔히 사용되는 PLC 언어를 사용할 수 있다는 점도 경쟁력이다.
TwinCAT3 Machine Learning Server에서는 학습모델 프레임워크인 PyTorch, TensorFlow or MATLAB의 값을 원활하게 교환할 수 있고, 이러한 정보값을 통해 변화된 필드 상태를 업데이트해 자동화 시스템을 실시간에 가깝게 제어할 수 있다.
Q. 머신러닝이 통합된 TwinCAT 3를 사용하고 있는 고객은 얼마나 되나? 주요 레퍼런스에 대한 설명을 부탁한다.
A. 국내에서는 아직 머신러닝을 적용한 사례가 없다. 그러나 국외에서는 라면 포장의 실시간 검사나 앵커 볼트 생산라인 최적화 등 여러 사례가 보고되고 있다.
국내에서는 현재 한 연구소에서 AI를 적용해 크레인 재진제어에 사용될 수 있는 제어 방식을 연구하고 있으며, 올해 전반기 이전에는 결과를 얻을 수 있을 것으로 보인다.
Q. AI와 같은 신기술을 완전히 활용하기 위해 제조업계가 고려해야 할 사항은 무엇인가?
A. AI 능력에 대한 현실적인 견해와 한계를 명확하게 알아야 할 필요가 있다. 또한 유연한 접근방식을 통해 AI의 최적화된 모델을 채택해야 한다. 그리고 고정관념을 바탕으로 이루어진 획일화된 프로세스 내에서는 AI를 통한 성능 개선은 만족할 만한 결과를 얻지 못한다.
이러한 고려사항은 결국 제조 생산 현장의 과정에서 자동화할 수 있는 요소를 파악하고 AI가 작동하는 방식과 기존의 기술 접근 방식이 어떻게 다른지, AI의 작동 모델을 사용함에 있어 필요한 준비사항에 대한 충분하고 높은 기술적 이해 수준이다. 이를 바탕으로 잠재적 사용 사례의 실용적인 우선순위를 지정해야 한다. 이 단계에서는 재무적인 판단 등 전반적인 영향 가능성이 주요 우선순위를 정하는 매개변수가 되어야 한다.
Q. 향후 국내 제조업계에 AI가 얼마나 확산이 될 것으로 예상하나?
A. AI는 제품 및 제품의 서비스, 제조 설비의 운영 및 공급망 관리를 비롯한 비즈니스 단계 등 다양한 산업 분야에서 활용되고 있다. 보고서에 따르면, AI 기반 서비스, 소프트웨어 및 하드웨어의 세계 시장은 연간 10~25%의 놀라운 속도로 성장하고, 2025년에는 1,300억 달러에 이를 것으로 예상된다고 한다. 이러한 성장 속도는 국내에서도 그대로 적용될 것으로 보이며, 자동화 가능성이 매우 높은 숙박 및 식품 서비스, 운송 및 창고 보관, 농업, 소매 무역 및 제조현장에서 활발히 검토되고 구현될 것으로 판단된다.
Beckhoff에서는 비전처리를 위한 다양한 알고리즘이 이미 TwinCAT 커널 수준에서 구현되어 다양한 어플리케이션에 적용되고 있다.
Q. Beckhoff의 AI 사업전략 또는 시장 확대 전략은 무엇인가?
A. BSP(Beckhoff Solution Provider)를 활용한 AI 어플리케이션 확대가 AI 시장확대 전략의 핵심이다.
Beckhoff는 다양한 제품 포트폴리오를 보유하고 있다. 그러나, AI와 같은 특수한 어플리케이션 분야에 대해 필요로 하는 노하우와 능력에 한계가 있기 때문에, BSP라는 프로그램을 통해 산업분야별 협력/파트너 고객을 모집하고 있다. Beckhoff는 산업 분야에 필요한 툴박스를 제공하고, BSP는 BSP의 노하우와 인적 네트워크를 통해 사업을 확장할 수 있다. 국내에서는 이러한 프로그램으로 시장을 확대하고자 한다.
Q. 머신러닝 및 AI와 관련한 Beckhoff의 향후 기술개발 계획은 무엇인가?
A. 머신러닝과 AI는 지능형 이미지처리 분야에서 급격한 성장을 이루고 있다. Beckhoff에서도 비전처리를 위한 다양한 알고리즘이 이미 TwinCAT 커널 수준에서 구현되어 다양한 어플리케이션에 적용되고 있기 때문에, 머신러닝과 결합된 제품이 준비될 것으로 보인다.
또한, Beckhoff 자체 솔루션에서도 다양하게 ML이 적용될 것으로 예상된다. 리니어 모터의 코깅 증상을 없애기 위해 데이터를 수집한 후 패턴을 분석해 코깅 증상을 없애는 것이 그러한 예 가운데 하나다.
