주조 분야 인공지능 활용 사례

1. 서론

바야흐로 인공지능의 시대이다. 이에 따라 전통 제조업에서도 인공지능을 접목한 협업 연구들이 활발하게 진행 중이다. 제품설계, 공정, 품질 관리 및 설비 운용 등 제조 영역 전반에 인공지능 기술이 적용되고 있다 [1,2]. IoT (Internet of Things) 센서 통해 취득한 공정 변수를 기반으로 한 지능형 공정 개발, 설비의 실시간 고장진단 및 이상 탐지 기술 개발, 제품의 영상 데이터를 기반으로 한 품질 관리 알고리즘 등이 그 예이다. 산업분야별 특징에 따라 기술 개발 정도는 차이가 있으나, 최근에는 대체로 인공지능을 적용한 기초적인 연구 결과 보고를 넘어서 실증 연구 사례들이 보고되고 있다 [3-5]. 이러한 흐름 속에서 주조 산업에서도 인공지능 기술을 접목한 사례들이 다방면으로 제안되고 있다. 주조공정은 간략하게는 용해, 주입, 응고 순으로 이루어지나, 전·후처리 공정이 복잡하게 구성되어 있고 단계별 다양한 공정 변수에 따라 최종 주물의 품질이 영향을 받게 된다. 인공지능을 주조공정에 적용하는 것은 최종적으로 주물의 품질을 향상시키고 공정 중 발생하는 손실을 최소화하여 공정의 효율성을 확보하기 위함일 것이다. 본 고에서는 기계학습(machine learning), 딥러닝 (deep learning)에 대한 간략한 소개를 바탕으로 주조공정을 개선하기 위한 인공지능 활용 국내외 사례 및 최신 기술 동향을 소개하고자 한다.

2. 주조공정에 기계학습과 딥러닝 적용 사례

2.1 인공지능, 기계학습 그리고 딥러닝

인공지능은 최상위 개념이고 인공지능을 구현하는 하위 개념이 기계학습이다. 기계학습의 다양한 방법론 중 인간의 신경망과 유사한 방식으로 정보를 처리하는 구조의 알고리즘이 딥러닝이다. 다소 이견이 있을 수 있으나, 대부분의 경우 딥러닝⊂기계학습⊂인공지능으로 표현하기도 한다.

기계학습의 경우, 수학적 모델을 기반으로 분류 (classification), 회귀 (regression), 군집 (clustering) 등의 해를 구하는 알고리즘으로 볼 수 있다. 기계학습의 주요 특징은 학습을 시작하기 전 사람이 먼저 데이터 특징을 추출하여 학습에 제공하면 기계가 해당 데이터를 분석하고 학습한 후 패턴 및 규칙성을 찾게 된다 [6]. 기계학습에는 다양한 모델이 있으며, 각 모델에 따라 장단점이 있다. 동일한 데이터 세트라고 해도 기계학습 모델별로 예측 정확도가 차이가 날 수 있으며, 데이터 특성에 따라 더 나은 성능을 보여주는 모델이 있기도 하므로, 기계학습 모델 개발 연구에서는 여러 모델을 적용하고 모델별 비교를 통해 강건한 예측 정확도 및 낮은 계산 비용을 산출하는 모델을 구현하게 된다. 기계학습의 주요 모델별 장, 단점을 표 1에 나타냈다.

표 1. 머신러닝 알고리즘 종류 별 개요 및 장단점 [7-9].

딥러닝의 경우 기계학습과 달리 데이터 자체를 전달하여 학습시키는 구조이며, 신경망을 여러 층 쌓아서 만든 깊은(deep) 신경망을 기반으로 기계학습보다 더 복잡한 데이터 처리를 수행할 수 있다. 이 때문에 딥러닝은 영상처리 작업에 주로 적용한다. 딥러닝도 기계학습과 마찬가지로 다양한 모델이 있으며, 보통 기계학습에 비해 복잡한 구조 (architecture)를 가지기 때문에 학습해야 할 모델 내 파라미터의 수가 많아 전이학습을 통해 성능이 확보된 모델을 활용하여 새로운 모델을 개발하기도 한다 [10,11].

기계학습이나 딥러닝을 제조 공정에 활용하기 위해서는 일반적으로 그림 1과 같이 문제 정의→데이터 취득→데이터 전처리→모델 개발→적용 순으로 진행된다. 해결하려는 문제 특성에 따라 데이터 취득 방법, 전처리 기법, 적용 모델 등이 달라지며 고려해야 할 사항들이 복잡하게 존재한다. 다음 절에서 기계학습과 딥러닝 모델을 실제 주조공정에 적용한 사례들을 소개하고, 각 사례별로 그림 1에 제시한 워크플로우 내 각 단계를 어떻게 수행하였는지 살펴보고자 한다.

그림 1. 제조공정에 적용하기 위한 인공지능 모델 개발 워크플로우 (work flow).

2.2. 주조공정에 활용한 기계학습 사례

생산 설비에 센서를 설치하여 다양한 공정 변수를 실시간으로 수집하고, 제품의 특성이나 장비 이상 발생 등을 실시간으로 예측하는 기계학습 모델을 개발하는 것을 통해 효율적인 공정 관리를 유도할 수 있다. 예컨대 알루미늄 용탕 품질 특성 예측을 위한 기계학습 모델 개발은 센서를 통해 취득한 공정 데이터인 입력변수 (용탕 온도, 습도, 용탕 처리 변수 등)를 기반으로 출력변수 (용탕 내 수소 농도)를 높은 정확도로 예측하기 위해 가중치 (weight)와 편향 (bias)을 갱신하는 과정이다. 이때, 높은 정확도를 갖는 기계학습 모델을 개발하기 위해서는 양질의 빅데이터, 적절한 데이터 전처리, 모델의 선정 및 최적화가 함께 수반되어야 한다 [12]. 최근에는 공정 데이터 특성에 따라 성능이 높은 모델을 유도하기 위한 다양한 기법들이 활발히 보고되고 있다.

2.2.1. 주물사 특성 예측을 위한 기계학습 모델 개발

사형 주조에서는 주물사의 특성에 따라 주물의 건전성이 영향을 받으므로 주물사의 특성을 관리해야 한다. 기존에는 주물사의 압축강도, 전단강도 등의 특성을 예측하기 위해 실험 설계법이나 수학적 기법 등을 활용하였으나, 해당 기법들은 예측 정확도나 범용성 및 활용성 측면에서 한계가 있다. 이러한 한계를 극복하고자 기계학습 모델을 활용하여 생형의 압축강도, 충진도를 예측한 사례가 보고되었다 [13]. 해당 연구에서는 실제 작업 현장에서 취득한 데이터를 활용하여 총 906개의 데이터 세트를 활용하였다. 입력변수로 수분, 온도, 모래의 무게, 벤토나이트 함량, 석탄분, 신사의 양, 물의 양, 입자 크기 분포, 미세분말, 메틸렌 블루 지수 (Methylene blue index), 입도지수를 포함하며, 생형의 압축강도 및 충진도를 출력변수로 하여 각각의 출력변수를 예측하는 기계학습 모델을 개발하였다. 데이터 전처리는 결측치나 이상치를 제거하는 데이터 정리(box-plot, Z-score 방식), 계산 비용을 낮추기 위한 데이터 차원축소 (상관관계 분석) 및 데이터 편차 감소를 위한 데이터 변환 (최대-최소 스케일러) 등을 적용하였다. Levenberg–Marquardt, Bayesian regularization, Scaled conjugate gradient 알고리즘을 활용하였으며, 모델에 따라 전처리 기법에 따른 정확도 개선이 다른 경향을 보이는 것이 확인되었다. 생형 압축강도의 경우 데이터 전처리를 적용하지 않은 데이터를 활용하여 Bayesian regularization 모델을 활용하였을 때 정확도 약 94%로 가장 좋은 성능이 구현되는 것을 확인하였며, 충진도의 경우 Z-score 적용 시 정확도 약 91%로 가장 좋은 성능의 모델이 도출되었다 (그림 2). 이를 통해, 같은 입력변수를 가지고 있음에도 예측하려는 출력변수에 따라 효과적인 데이터 전처리 방법은 다를 수 있으며, 좋은 성능의 모델을 개발하기 위해서는 하이퍼파라미터 튜닝 (hyperparameter tuning) 뿐만 아니라 전처리 기법도 충분히 고려되어야 한다는 것을 확인할 수 있다.

그림 2. 데이터 전처리 기법 적용 유무에 따른 (a) 생형의 압축강도 및 (b) 충진도 예측 모델 정확도 비교 [13].

2.2.2. 주물의 양불 판정을 위한 기계학습 모델 개발

주조 공정 변수에 따른 주물의 기계적 특성을 높은 정확도로 예측할 수 있으면, 공정 중에 취득한 변수 데이터를 기반으로 생산 중에 선제적으로 주물의 품질 관리를 할 수 있다. 이는 로트 불량 발생을 사전에 방지하여 공정 효율성에 기여한다. Lin 등은 알루미늄 다이캐스팅 주조 시 취득한 공정 데이터를 바탕으로 주물의 품질 예측 모델을 개발하였다 (그림 3(a)) [14]. 해당 연구에서는 금형 내부에 센서를 설치하여 주물의 생산 주기 40초 동안 0.00004초 간격으로 금형 내부의 실제 압력을 수집하였으며, 조건별 기공률에 따른 양불 판정 결과를 매칭하여 총 100개의 데이터 세트를 확보하였다 (그림 3(b)). 이때, 시간-압력에 따른 데이터에는 많은 노이즈가 포함되므로 데이터 스무딩(Savitzky-Golay Filter, SGF), 지수 가중 이동 평균 (EWMA) 적용하여 데이터를 정제하였다. 이때, 시간-압력 데이터를 raw 상태 그대로 활용하지 않고, 불량 발생 시 압력 하강 속도가 양품에 비해 더 빠르다는 현장 지식을 적용하여 (그림 3(c)) 데이터 정렬을 통한 차원축소 및 주성분 분석 (PCA) 실시 유무에 따른 예측 모델 성능을 비교하였다. 기계학습 모델은 XGBoost 모델과 Random forests 모델을 활용하였으며, 딥러닝 모델도 적용하여 각 모델별 정확도 및 특징을 비교하였다. 세 가지 모델 모두 PCA 없이 SGF 스무딩을 사용한 전처리 방법이 가장 우수한 성능을 보여주었으며, 특히, XGBoost 모델은 그림 3(d)에서 보는 바와 같이 정확도 94%로 가장 우수한 성능을 보여주는 것이 확인되었다. 해당 연구에서는 딥러닝 모델에 비해 기계학습 모델이 더 우수한 성능을 보여주는 것을 볼 수 있으며, 이를 통해 구현하려 하는 데이터 특성에 따라 적절한 모델의 선정이 수행되어야 함을 알 수 있다.

그림 3. 알루미늄 다이캐스팅 금형 내압 데이터 기반 주물의 양불 판정 머신러닝 적용 사례: (a) 모델 개발 flow chart, (b) 데이터 구조 예시, (c) 양불 판정에 따른 시간-금형 내압 그래프 예시 및 (d) 모델 별 정확도 비교 [14].

2.3. 주조공정에 활용한 딥러닝 사례

제조 공정에서 검사 및 품질 관리는 기계적 물성 평가와 더불어 다양한 생산 단계에서 종합적인 육안 검사를 통해 수행된다. 육안 검사는 숙련된 전문가가 영상 데이터를 통해 결함의 유무 및 결함의 종류를 파악하는 과정이다. 사람에 의한 육안검사는 다양한 제품군에 대해 유연하게 결함을 검출하고 불량 유무를 판별할 수 있는 장점이 있지만, 높은 인건비, 낮은 효율성, 전문가 별 검출 편차, 많은 데이터 처리를 위한 검사자의 피로감 축적 등의 단점이 있다 [15]. 딥러닝 모델은 특히 영상 데이터와 같이 고차원 데이터의 분류 (classification), 검출(object detection), 분할 (segmentation)에 적합하여 (그림 4), 주조공정의 내외부 결함 판정에 적용된 사례들이 보고되고 있다.

그림 4. 주조 결함 (porosity 및 crack)을 예시로 한 분류 (classification), 위치식별 (localization), 객체탐지 (object detection), 분할 (instance segmentation) 개념.

2.3.1. 제품 외관 결함 판정을 위한 딥러닝 적용 사례

부품의 표면 결함의 경우 전통적으로는 숙련된 전문가가 생산된 제품을 직접 육안으로 감지하는 경우가 많았으나, 최근에는 비전 시스템의 기술력 향상과 더불어 카메라 센서가 촬영한 이미지를 영상 알고리즘 기반 혹은 전문가 판단을 통한 표면 결함 판별이 수행되고 있다. 특히, 딥러닝 모델의 발전과 더불어 카메라를 통해 취득한 제품 표면부 영상 데이터를 기존의 룰 (rule) 기반의 결함 검출이 아닌 딥러닝 모델을 적용한 사례들도 보고되고 있다. Bolla 등은 주조 업체로부터 공급받은 임펠러 주물의 정면 이미지 총 7,348장의 RGB 이미지를 활용하여 (그림 5(a), (b)), 효과적인 양불 판정 딥러닝 알고리즘을 개발하기 위해 사전 훈련된 딥러닝 모델과 직접 구성한 custom 모델을 비교하였다 [16]. 사전 훈련된 딥러닝 모델은 MobileNetV2, NasNet, Resnet50을 활용하였으며, 직접 구성한 custom 모델의 architecture는 그림 5(d)에 도시하였다. MobileNetV2, NasNet, Resnet50 모델은 사전 훈련된 파라미터들이 존재하지만, 여전히 custom 모델에 비해 모델크기 및 학습해야할 파라미터의 수가 현저히 많다. 데이터 증강을 위해 ZCA whitening, Flipping (수평 및 수직), 회전, 확대 등의 기술이 활용되었다 (그림 5(c)). 4가지 모델에 대한 성능 비교 결과, custom 모델에서 Accuracy, Recall, F1 score, Precision 네 가지 모두 가장 높은 성능을 보여주었으며, 추론시간 또한 기존의 사전 훈련된 딥러닝 모델 들에 비해 최소 2.3배에서 최대 10배 빠르며 전체 파라미터 개수 및 모델의 크기도 가장 경량인 것을 확인할 수 있다 (그림 5(e), (f)). 해당 연구는 적용하고자 하는 문제에 적합한 모델을 선정하여 계산 비용을 줄이면서 충분한 정확도를 가지는 딥러닝 모델을 개발하면 계산 성능이 다소 낮은 장치에서의 구현에 적합할 수 있음을 시사한다.

그림 5. 임펠라 주물의 표면 결함 양불 판정 딥러닝 적용 사례: (a) 실제 임펠라 외관 이미지 (RGB) 예시, (b) 양불 판정 이미지 예시 및 모델 training, validation, test 에 사용된 데이터 개수 , (c) 이미지 전처리 예시 ( 회전 , 축소 , 확대 ), (d) custum 모델 architecture. 딥러닝 모델 별 (e) 정확도 및 모델 크기 비교 및 (f) 추론 소요 시간 비교 [16].​​​​​​​

2.3.2. X-ray 영상 기반 내부결함 판정을 위한 딥러닝 적용 사례

내부결함 분석을 위해 부품 절단 등이 수행되는 기존의 방법은 부품의 손실 및 추가 비용이 발생한다. 한편, X-ray 이미징을 기반으로 한 computer tomography (CT) 기술이나 digital radiography (DR)을 활용하면 비파괴 검사를 통해 부품 손상 없이 짧은 시간에 검사를 수행할 수 있어 최종 제품의 검수 공정에 활발히 적용되고 있다 [17]. X-ray가 주물을 통과할 때 검출기에 수집된 X선 강도는 주물의 두께에 따라 gray scale 이미지로 저장된다. 이때, 주물 내에 기공이나 crack 등이 존재하면 해당 영역의 gray scale이 주변 영역과 확연히 차이가 나게되므로 결함을 판별할 수 있게 된다. 많은 주조 공장에서 내부결함 분석을 위해 CT 기술을 사용하지만, 여전히 숙련된 전문가가 측정된 2D 혹은 3D CT 이미지로 검사 공정을 진행하고 있다. 그러나 이 방법은 많은 수의 이미지를 검사하는 프로세스에서 시간적 효율성이 떨어지고, 결함이 다양한 형태와 모양으로 나타나고 종종 주변 영역대비 낮은 콘트라스트와 노이즈로 인해 결함 식별이 주관적인 경우가 발생할 수 있다 [18]. 따라서 전문가의 판단을 도와주고 판정 프로세스의 효율성을 높이기 위해 최근에는 딥러닝 기술을 활용하여 X-ray 이미지 내 결함 판정을 연구한 결과들이 다수 보고되고 있다.

İsmail Enes Parlak과 Erdal Emel은 알루미늄 다이캐스팅 부품의 내부결함을 판별하기 위한 딥러닝 모델을 개발하였다(그림 6(a), (b)) [19]. 해당 연구에서는 알루미늄 주조 검사에 대한 표준 ASTEM E155에 명시된 내부결함 기준을 토대로 shrinkage와 gas hole의 두 가지 유형의 결함을 정의하고 (그림 6(c)), 이에 대한 탐지 모델을 구성하였다. X-ray 이미지는 YXLON MU2000-D 장비를 활용하여 7개 부품에서 총 126개를 취득하였다. 126개의 이미지는 딥러닝 학습에 불충분하여 데이터 전처리 기술을 활용하여 총 이미지 수를 3,466개로 증가시켰다 (그림 6(d)). 이때 데이터 전처리 기술로는 회전(rotation), 샤프닝 (sharpening), 이동 (translation)이 활용되었다. 또한, gas hole 이미지 데이터의 수가 shrinkage에 비해 적기 때문에 타원체 형상을 활용한 이미지 합성 시뮬레이션을 통해 데이터 개수를 증가시켜 두 결함 간 데이터 개수를 비슷하게 맞추었다. 딥러닝 모델은 YOLOv3, YOLOv4, YOLOv5, YOLOR, RetinaNet 및 EfficientDet을 활용하여 python으로 구현하였으며, 각 모델별 정확도, 학습시간 등을 평가하여 모델의 성능을 비교하였다. 그 결과, YOLOv5m 모델에서 96%에 가까운 mAP 값을 보이며 탐지 정확도가 우수했으며, YOLOv5n 모델은 1시간 미만의 훈련 시간으로 95%에 달하는 정확도를 보였으며 YOLOv5m 모델에 비해 계산 속도가 2배 정도 빠른 것이 확인되었다 (그림 6(f)). 이를 통해 정확도가 확보된 딥러닝 모델을 활용하면 생산 공정에서 실시간으로 높은 정확도로 제품의 내부 결함을 감지할 수 있음을 보여준다.

그림 6. 알루미늄 다이캐스팅 부품의 내부 결함 판별 딥러닝 적용 사례 : (a) 모델 개발 flow chart, (b) YOLOv5 네트워크 architecture, (c) Shrinkage와 gas hole 결함 데이터 예시, (d) 이미지 전처리 예시 (회전, sharpening, translation, gas hole simulation). YOLOv5n과 YOLOv5m 모델의 결함 검출 (e) 성능 비교 예시 및 (f) 계산 속도 비교 [19].​​​​​​​

3. 결론

기계학습과 딥러닝은 다양한 산업 분야에서 강력한 도구로 많은 관심을 받고 있다. 본 고에서는 주조공정에 적용된 다양한 인공지능 사례들에 대해 살펴보았다. 기계학습 모델을 주조공정에 활용한 사례를 통해 실시간 공정 데이터 취득에 따른 온라인 품질 예측이 수행되면 전통적인 샘플링 검사 및 수동검사를 대체하여 시간과 비용을 단축하는데 기여할 수 있을 것으로 판단된다. 딥러닝 모델은 검수 공정에 적용하면 전통적인 육안 검사에 의한 방법대비 공정 효율성 및 비용 측면에서 많은 이점이 있을 것으로 예상되나, 양질의 영상 데이터 확보 및 결함 판정 레이블링 데이터 세트 확보의 어려움 등으로 인해 아직 타 분야 대비 많은 시도가 행해지진 않은 것으로 파악되었다. 그러나 최근 적은 데이터 수에도 불구하고 정확한 결함 검출 모델을 개발하기 위한 다양한 기법에 관한 연구들이 활발히 수행되고 있으므로 주조 분야의 인공지능 모델 개발 협업 연구에 적용해 볼 수 있을 것으로 사료된다. 본 고에서는 기계학습, 딥러닝에 대한 자세한 기술적 설명보다 인공지능을 접목한 최신 주조공정 사례 소개를 통해 인공지능 적용을 위한 고려 사항, 워크플로우, 적용 가능성 검토를 논의하였다. 이를 통해, 인공지능을 활용하고자 하는 주조공정 분야 연구자들에게 도움이 되길 기대한다.