산업 자동화 기술은 지난 2년 간 혁신을 통해 큰 도약을 이루었다. 전문가들은 산업 자동화가 2027년까지 3,000억 달러가 넘는 매출을 올릴 것으로 전망하고, 이들 성장의 상당 부분은 미량 원소의 미량 검출과 같은 기술 발전에서 기인한다고 보았다. 자동차, 전자, 의료 및 가정용 제품과 같이 대부분 엄격한 안전 및 품질 규정을 적용받는 다양한 산업 전반에 걸쳐 생산이 크게 증가하고 있으며 로봇공학, 산업용 사물인터넷(IIoT), 인공지능(AI) 및 프로그래머블 로직 컨트롤러(PLC)의 통합은 이러한 거대한 도약을 가능하게 한다. 이 글에서는 산업 자동화 기술의 혁신이 다양한 제조 시나리오에서 어떻게 활용돼 사이클 주기를 단축하고 일관된 제품 품질을 제공하면서 작업자에 미치는 위험을 완화하는 데 기여하는지 살펴본다. 산업 자동화 유형 산업 자동화는 제조 환경에서 기계를 사용하여 반복 작업을 수행하는 것을 말한다. 여기에는 무거운 물건을 들어 올리거나 위험한 물질의 취급 또는 극한 온도에서의 작업 등 작업자에게 위험을 초래할 수 있는 업무가 포함될 수 있다. 작업을 완료하기 위해 공정이 자동화되면 결합된 산업 자동화 기술이 로직과 프로그래밍을 사용하여 거의
헬로티 이동재 기자 | 기계 학습(ML) 알고리즘은 한때 주로 고성능 데이터센터 컴퓨팅 플랫폼에서만 접할 수 있었지만 지금은 에지(edge)로 점차 확장되어 가는 추세다. 에지 디바이스에서 실행되는 ML 알고리즘이 발전하면서 전력, 성능과 면적에 최적화된 하드웨어 아키텍처가 크게 증가하게 됐다. ML을 에지(edge)로 옮기려면 전력과 성능 면에서 중요한 요구사항이 뒤따른다. 평범한 상용 솔루션을 사용하는 방안은 실용적이지 않다. CPU는 너무 느리고, GPU/TPU는 비싼 데다 전력 소모량이 너무 크며 심지어 일반적인 기계 학습 가속기조차 사양이 과도하고 전력에 최적화되어 있지 않다. 이번 리포트에서는 차세대 에지 기계 학습 하드웨어 수요에 부합하는 효율적인 하드웨어 아키텍처를 만드는 방법에 대해 다룬다.
헬로티 임근난 기자 | 세이지리서치는 2017년에 서울대학교 로봇자동화연구실 출신의 석·박사급 연구원들과 박종우 교수가 설립한 최고 수준의 팀을 갖춘 기술 기반 스타트업이다. 이 회사 CEO인 박종우 대표는 로봇 공학, 응용 수학, 기계 학습, 최적화 및 신호 처리 같은 다양한 분야에서 30년 이상의 연구 경험을 가진 공학자로서, 제조업에 특화된 알고리즘 개발에 주력하며 새로 개발된 비전 솔루션을 통해 혁신적인 제조 환경의 변화를 이끌고 있다. 올해 3월엔 중국 시장을 겨냥해 심천에 세이지리서치 해외 지사를 설립했다. 국내에도 자동화가 어려웠던 여러 분야에 자동화 솔루션을 제공하며 이미 작년 매출 수준을 달성했다. 박종우 대표는 “고객의 문제를 협업을 통해 함께 풀어나감으로써 스마트 팩토리 산업의 선두 업체가 되겠다”고 말했다. 다음은 박종우 대표와 일문일답이다. Q. 주력사업은. A. 세이지리서치는 딥러닝 기반 머신비전 외관검사 솔루션을 제공하는 업체로, 제조업에 특화된 알고리즘 개발에 주력하며 적은 데이터로 보다 빠르고 정확한 검사가 가능한 딥러닝 솔루션 ‘SaigeVision’을 출시했다. SaigeVision은 누구나 사용할 수 있는 간편한 학습용 G
헬로티 임근난 기자 | 한국생산기술연구원(이하 생기원)이 포항공과대학교와 함께 제조설비의 고장 징후를 딥러닝 기술로 포착하고 그 원인과 판단기준을 시각적으로 표현해줄 수 있는 ‘설명 가능 인공지능(AI) 기반의 설비 고장 진단 기술’을 공동 개발했다. 기존에 개발된 제조현장의 AI 고장 진단 기술은 설비가 현재 ‘정상 또는 고장’이라는 단순한 판정 정보만 제공할 뿐, 고장 발생이 어떤 이유로 예측되는지에 대한 설명과 근거를 제공해주지 못한다는 한계가 있었다. 이 같은 AI 동작 해석의 어려움으로 소위 ‘블랙박스’라고 불릴 만큼 진단 기술에 대한 신뢰성과 활용도가 낮았다. 또한, 고장 신호가 들어왔을 때 작업자가 그 원인을 파악하기 위해서는 다른 방법으로 다시 분석하거나 제조설비를 직접 살펴봐야해 번거로웠고 시간도 오래 걸렸다. 이러한 문제점을 극복하기 위하여, 생기원 첨단메카트로닉스연구그룹 AI응용제조설비연구센터 윤종필 박사와 포항공대 전자전기공학과 박부견 교수, 김민수 학생연구원(박사과정)이 이끄는 공동연구팀은 설비에 부착된 다양한 센서로부터 획득한 시계열 진동신호를 이용하여 설비상태를 실시간 진단해주는 딥러닝 모델을 고안해냈다. 대다수의 핵심 제조설비들은
[첨단 헬로티] 이번 글은 마지막으로 로봇에서 SW 플랫폼과 인공지능(특히 이 연재들에서는 기계 학습을 의미함) 간의 관계를 살펴보고, 향후 방향에 대해 논의하고자 한다. 첫 연재에서는 일반적으로 인공지능, 데이터, SW 플랫폼에 대한 내용을 설명하였고, 두 번째 연재에서는 SW 플랫폼에 대한 내용, 세 번째 연재에서는 기계 학습과 학습 구조 혹은 데이터와의 관계를 설명하였다. 데이터 학습이 로봇의 기능이다 인공지능과 SW 플랫폼 간의 관계를 이해하기 위해서는 대상 로봇의 기능을 명확하게 할 필요가 있다. 이전의 연재에서도 언급하였지만, 기계 학습 기술은 데이터에 기반을 두고 있다. 즉, 그림 1과 같이 해당 데이터(입력과 출력)의 학습이 로봇의 기능이다. 따라서 데이터를 통하여 학습되지 않은 입력들에 대해 대부분이 정확하게 동작하지 않는 경향이 있다. 이렇게 정확하게 동작하지 않는 경우에 사람이 개입할 경우 사람의 안전에 영향을 줄 수 있다는 것도 큰 문제이다. 즉, 학습되지 않은 것은 처리할 수 없다는 문제이다. 이 내용이 기계 학습의 큰 단점 중의 하나이다. 학습된 결과는 코어에서 수행되는 매개변수 값들로 그 수에 따라 CPU 혹은 GPU에서 수행될 수