Challenge

• 집게 로봇이 배터리를 떨어뜨려 다운타임 발생
• ‘클래스 불균형’ 문제로 기존 머신러닝 솔루션 활용이 어려움
• 로봇이 잡아야 할 배터리가 없는 경우, 별도 정상 데이터로 취급해야 하는 어려움

Approach

• ‘이상탐지(Anomaly Detector)’ 알고리즘으로 정상 데이터만으로 모델 학습
• ‘객체탐지(Object Detector)’ 알고리즘으로 로봇이 잡아야 할 배터리가 아예 없는 경우를 먼저 정상으로 분류
• 그 뒤 로봇이 배터리를 제대로 붙잡지 못한 경우엔 이상탐지 알고리즘이 이상감지 알림

Full Story

100만 분의 1 확률로 일어나는 이상 상황을 학습시키고 추론할 툴 필요

스마트팩토리에는 다양한 자동 로봇들이 활용됩니다. 생산품을 다른 장소로 운반하거나 직접 용접을 하기도 합니다. 실제로 원통형 이차전지를 생산하는 공장에서는 로봇 집게가 원통형 배터리를 수십 개씩 들어 옮기고는 합니다. 공정 첫 단계부터 마지막 완제품 생산 단계까지 무사히 흐를 수 있도록 하는 거죠. 

그런데 간혹 로봇 집게가 거짓말을 하는 경우가 발생합니다. 분명 배터리를 100만 개 옮겼다고 기록되어 있는데, 실제 생산된 제품은 99만9999개인 거예요. 아마도 배터리의 끝 부분을 간당간당 집는 바람에 중간에 떨어뜨렸을 겁니다. 오리무중 사라진 배터리 한 개를 찾아내려면 어쩔 수 없이 생산을 중단해야 하고요. 

그렇다고 100만 분의 1 확률로 일어나는 특이 상황 때문에 3교대 감시반을 꾸릴 수도 없는 노릇입니다. AI 모델을 학습시켜 감시하게 하는 것도 쉽지는 않습니다. 모델을 편향 없이 제대로 학습시키려면 정상 데이터와 비정상 데이터가 골고루 있어야 하는데, 이런 경우는 정상 데이터만 엄청 많은 상황이거든요. 산업현장에 흔한 이런 문제를 *‘클래스 불균형’이라고 합니다. 

• 클래스 불균형 : ‘정상’ 또는 ‘비정상’ 같은 데이터의 범주를 클래스라고 하며, 정상 데이터와 비정상 데이터 개수의 차이가 큰 것을 클래스 불균형이라고 합니다. 지도학습(Supervised Learning) 모델에서는 비정상 데이터가 너무 적을 경우 모델을 제대로 학습시키기 어렵습니다. 이 때문에 정상 데이터만으로 모델을 학습시킬 수 있는 비지도학습(Unsupervised Learning) 모델 등의 방법론이 제안됐습니다. 

AI 모델 간 Pipeline 구성으로 검사 요구사항 모두 충족

아하랩스의 산업용AI 솔루션 LISA는 비디오 데이터로부터 이상탐지(Anomaly Detection)를 수행할 수 있습니다. 이상탐지란 정상 상태가 아닌 모든 상태, 즉 여집합을 감지하는 딥러닝 알고리즘을 뜻합니다. 말 그대로 특이상황을 잡아내는 것이죠. 정상 데이터만으로 학습시켜서 데이터 분포가 정상과 얼마나 떨어져 있는지 계산하기 때문에, 산업현장의 클래스 불균형 문제를 극복할 수 있습니다. 

전기자동차용 이차전지를 생산하는 D사의 페인 포인트를 해결하기 위해 로봇 집게가 이차전지를 들어 옮기는 비디오 영상을 LISA로 분석했습니다. 어떤 오류로 인하여 로봇 집게가 배터리를 평소대로 깊숙하게 잡지 못한 경우, 그 부분에 히트맵이 형성됩니다. 정상에서 얼마나 떨어진 특이사항이 발생했는지를 알려주는 것이죠. 

여기에 한 가지 요구사항이 더 있었습니다. 옮길 배터리가 아예 없는 건 정상 상황으로 인지해야 했습니다.  

배터리를 최대 한도로, 올바르게 잡은 상황을 정상 데이터로 학습하기 때문에, 이상탐지 알고리즘만 사용할 경우 군데군데 배터리가 없는 상황은 비정상으로 추론하게 됩니다. 혹은 배터리가 군데군데 빠진 모든 경우의 수를 정상 데이터로 라벨링해서 학습시켜야 하거나요.  

이를 해결하기 위해 객체 탐지(Object Detection) 알고리즘을 도입했습니다. 객체 탐지란, 여러 객체에 대해 각 개체의 위치를 경계 박스로 찾은 뒤 정상/비정상 클래스를 분류하는 딥러닝 방법론입니다. 로봇이 배터리를 평소와 다르게 집은 경우를 이상탐지하기 전에, 배터리가 애초에 있는지 없는지부터 파악할 수 있습니다.  

📌 이상탐지, 분류, 분할, 객체 탐지 등 딥러닝 알고리즘 더 자세히 알아보기

배터리 화재 및 다운타임 발생 가능성 차단

다양한 이상 상황에 대한 테스트에서 LISA는 100% 이상탐지를 해냈습니다. 도입 기대 효과는 분명합니다. 아주 적은 확률로 일어나는 일이지만, 일단 발생하면 손해가 막심하니까요. 생산을 멈춰야 할 뿐만 아니라 분실된 배터리를 찾기까지 얼마의 시간이 걸릴지 모릅니다. 제조 현장을 굴러다니던 배터리가 자칫 화재라도 일으키면 더 큰 피해를 야기할 수도 있습니다.

아하랩스는 앞으로도 고객사의 페인 포인트에 집중해 불가능의 영역에서 가능의 영역을 개척해 나가겠습니다.