엔지니어는 자동차 제조 중에 AI를 사용해 센서 데이터를 처리하고 에지 기기에서 패턴을 추출한다. 


다이하츠는 AI를 사용해 엔진의 노킹 사운드를 식별했다. 자동차 산업이 발전함에 따라 AI 기반 이상 탐지는 더 효율적인 제조 운영을 이끌고 있다. 엔지니어는 AI 모델을 활용해 에지 기기에서 센서 데이터를 처리하고 패턴을 추출함으로써 심각한 고장이 발생하기 전에 문제를 식별할 수 있다. 이런 접근법은 결함 감소, 장비 수명 연장, 운영 비용 절감에 기여한다. 

글 |  이영준 이사, 매스웍스 코리아 






자동차 제조 분야는 제품 품질과 운영 비용 사이에서 균형을 맞추는 데 어려움을 겪어 왔다. AI 기반 이상 탐지는 이상이 발생하기 전에 잠재적인 문제를 예측하기 위해 장비 데이터에서 불규칙한 패턴을 미리 식별해 공정 효율성을 높이고, 가동 중단 시간을 줄이며, 제품 품질을 개선하는 혁신적인 전략이다.

기존에는 엔지니어와 기술자들이 수작업 데이터 검사 또는 센서 값의 정의된 임계치 초과 시 발생하는 자동 알람에 의존했다. 그러나 수천 개의 센서를 동시에 분석할 수 없어 복잡한 패턴으로 발생하는 이상 현상을 놓치기 쉬웠다. AI 기반 이상 탐지를 통해 엔지니어는 잠재적 고장을 예측하고 유지보수 주기를 최적화해 신뢰성을 높이고, 운영 비용을 절감하며, 장비 수명을 연장할 수 있다. 강력하고 정확한 이상 탐지 시스템을 구축하려면 데이터 수집, 알고리즘 개발, 철저한 검증 및 테스트를 포함하는 잘 설계된 워크플로가 필요하다.



AI 기반 이상 탐지 솔루션 설계

AI 기반 이상 탐지 솔루션 설계는 계획 및 데이터 수집부터 배포 및 통합에 이르기까지 포괄적인 작업이다. AI를 처음 접하는 자동차 엔지니어는 잠재적 문제를 효과적으로 식별하는 솔루션을 개발하기 위해 알고리즘 개발과 운영 환경을 이해해야 한다.


계획 및 데이터 수집 
AI 기반 이상 탐지 시스템의 설계는 문제 정의와 사용가능한 센서 데이터, 컴포넌트, 공정 및 발생 가능한 이상 상태를 평가하는 단계로 시작된다. 엔지니어는 먼저 이상의 구성요소와 데이터가 이상으로 분류되는 조건을 결정해야 한다.
자동차 제조 분야에서는 센서를 통한 지속적인 모니터링과 수작업 검사로 데이터를 수집한다. 인라인 측정 시스템은 생산 중 방대한 데이터를 수집하며, 이는 차량 VIN과 연결되는 경우가 대다수다. 이런 운영 데이터는 예측 유지보수 및 품질 관리를 위한 이상 탐지 시스템 훈련에 활용된다. 다만, 대량의 데이터 처리는 비용과 시간이 많이 소요될 수 있으며, 이상 데이터 수집이 어려울 수 있다.

또한 엔지니어는 기계 및 운영 환경에 대한 상세한 시뮬레이션을 통해 합성 데이터를 생성할 수도 있다. 시스템 물리학에 대한 깊은 이해를 바탕으로, 실제 하드웨어에서 얻기 어렵거나 불가능한 이상 데이터를 시뮬레이션을 통해 생성할 수 있다. 합성 데이터는 실제 운영 데이터나 테스트 데이터가 부족하거나 확보가 어려운 경우, 또는 개인정보 보호 문제가 있을 때 특히 유용하다. 그러나 시뮬레이션이 실제 운영 시스템을 나타내고, 이상 상태를 정확히 모델링하는 것이 중요하며, 이 과정에는 엔지니어링 전문 지식이 필수적이다.


이상 탐지 알고리즘 설계  
이상 탐지 알고리즘 설계의 첫 단계는 분석에 적합하도록 데이터를 정리하고 전처리하는 작업이다. 여기에는 데이터 형식 변경과 재구성, 문제와 관련된 요소 추출, 누락값 처리, 이상값 제거 등이 포함된다. 다음으로, 엔지니어는 데이터 특징, 이상 특성, 가용 연산 리소스를 고려해 적합한 이상 감지 기법을 선택해야 한다.

특정 데이터셋에 가장 적합한 모델을 찾기 위해서는 다양한 훈련 접근법으로 실험해 보는 것이 매우 중요하다. AI 기법은 사용 가능한 데이터 유형에 따라 크게 지도 학습과 비지도 학습으로 나눌 수 있다.



다이하츠는 AI를 사용해 엔진의 노킹 사운드를 식별했다. 



지도 학습
지도 학습은 동력계 테스트와 같이 과거 데이터 청크를 정상 또는 이상으로 명확히 분류할 수 있을 때 사용된다. 엔지니어는 정비 기록과 과거 관측값을 바탕으로 데이터에 수작업으로 레이블을 지정하는 경우가 많다. 지도 학습 모델은 레이블이 지정된 데이터셋으로 훈련해 데이터 패턴과 레이블 간의 관계를 학습한다.

일본의 자동차 제조사 다이하츠(Daihatsu)는 숙련된 인력을 활용해 엔진 노킹 소리를 평가했던 이전과 달리, 최근에는 AI를 사용해 이 공정을 자동화했다. 다이하츠는 매트랩(MATLAB)의 머신러닝과 특징 추출 기능을 활용해 오디오 신호 기반 신속한 자동 검사를 하는 분류 모델을 개발했으며, 이를 통해 숙련된 인력과 동일한 정확도로 이상 엔진 노킹 소리를 식별할 수 있게 됐다.


비지도 학습
많은 조직은 지도 학습 접근법에 필요한 레이블이 지정된 이상 데이터를 보유하지 않을 수 있다. 이는 이상 데이터가 보관되지 않았거나, 대규모 훈련 데이터셋을 구성할 만큼 충분한 이상이 발생하지 않았기 때문일 수 있다. 대부분의 훈련 데이터가 정상인 경우 비지도 학습이 적합하다.

비지도 학습에서는 모델이 정상 데이터의 특성을 학습하고, 정의된 정상 범위를 벗어나는 새로운 데이터를 이상으로 표시한다. 비지도 모델은 센서 데이터를 분석해 과거에 해당 유형의 장애가 발생하거나 레이블이 지정된 적이 없더라도 문제를 나타내는 비정상적인 패턴을 식별할 수 있다.


특징 엔지니어링   
일부 AI 모델은 원시 센서 데이터로 훈련되지만, 모델 훈련 전에 데이터에서 유용한 특징을 추출하는 것이 더 효과적인 경우가 많다. 특징 엔지니어링은 원시 데이터에서 유의미한 값을 추출하는 공정으로, AI 모델이 기본 패턴을 더 효율적으로 학습하는 데 도움된다. 숙련된 엔지니어는 센서 데이터에서 추출할 중요 특징에 대한 지식을 갖고 있을 수 있다. 


검증 및 테스트 
AI 모델의 검증 및 테스트는 신뢰성과 견고성을 보장한다. 일반적으로 데이터를 훈련, 검증, 테스트 세트로 나눈다. 훈련 및 검증 데이터는 훈련 단계에서 모델 파라미터 조정에 사용되며, 테스트 데이터는 모델이 훈련 후 처음 접하는 데이터에 대한 모델 성능을 평가하는 데 사용된다. 엔지니어는 정밀도와 재현율 같은 성능 메트릭으로 모델을 평가하고, 미세 조정을 통해 특정 이상 탐지 문제의 요구 사항을 충족할 수 있다. 


배포 및 통합 
훈련과 테스트를 마친 AI 모델은 운영 환경에 배포되어 새로운 데이터에 대한 예측을 수행하면서 가치를 발휘한다. 엔지니어는 배포 환경 선택 시 계산 요구 사항, 지연 시간, 확장성을 고려한다. 배포 환경은 실시간 이상 감지를 위한 제조 공정 인근의 에지 기기부터 거의 무제한의 연산 능력을 제공하지만 지연 시간이 더 긴 클라우드 플랫폼까지 다양하다.
통합을 위해서는 모델의 예측에 액세스할 수 있는 API를 개발하고, 모델이 적절한 형식의 전처리된 입력을 받을 수 있도록 데이터 파이프라인을 구축해야 한다. 이를 통해 모델은 애플리케이션이나 시스템의 컴포넌트와 함께 작동해 완전한 가치를 제공할 수 있다.


결론 
자동차 산업이 발전함에 따라 AI 기반 이상 탐지는 더 효율적인 제조 운영을 이끌고 있다. 엔지니어는 AI 모델을 활용해 에지 기기에서 센서 데이터를 처리하고 패턴을 추출함으로써 심각한 고장이 발생하기 전에 문제를 식별할 수 있다. 이런 접근법은 결함 감소, 장비 수명 연장, 운영 비용 절감에 기여한다.