3단계 품질검사 파이프라인으로 타이어 원단의 불량 유무&위치&유형을 자동 검사한 사례

Challenge

• 타이어 원단을 만드는 압연공정에 자동 품질검사 부재(육안 검사)
• 원단 자체 불량으로 인한 완성품 폐기 

Approach

• 3단계 품질검사 파이프라인 구축 

  1. Anomaly Detection: 실시간 이상 감지를 통해 불량 유무 판단

  2. Classification: 불량 유형 분류

  3. PLC 설비 데이터 수신: 불량 위치 계산

• 검사 결과에 따라 PLC 제어

• 검사 현황과 상세 이력을 조회할 수 있는 대시보드 구축

Full Story

모든 타이어는 고무 반죽부터 시작합니다. 잘 배합된 반죽을 얇은 망에 입힌 뒤 롤러 사이에 통과(압연 공정)시켜 판판한 고무 원단을 만들죠. 이 원단을 자르고, 롤 형태로 둘둘 말고, 공기를 불어넣고, 다양한 무늬를 성형해서 우리가 아는 최종 타이어의 형태로 완성합니다.

AI 검사로 원단 불량을 자동 감지하는 툴 필요

역사가 오랜 글로벌 타이어 브랜드 A사의 골칫거리는 원단 불량이었습니다. 압연과 재단 공정 사이에서 원단을 작업자들이 육안으로 검사하고 있었는데요. AI를 활용해 이를 자동화하여 검사 효율과 정확도를 높이고자 했습니다.

시스템 구축 목표는 AI 모델을 활용해 원단의 불량 유무, 위치, 유형을 자동으로 감지하고 대시보드에 표시하는 것이었습니다. 그렇게 하면 원단을 재단하는 후속 작업자가 불량 영역을 잘라내고 결함 없는 튼튼한 원단으로 타이어를 계속 성형할 수 있게 되는 거죠.

LISA+Data CAMP 3단계 품질검사 파이프라인 구축

아하랩스 팀은 먼저 원단 앞뒤로 카메라와 조명을 설치했습니다. 그리고는 촬영한 이미지 및 PLC가 보내온 설비 데이터를 산업용 AI 플랫폼 LISA 및 제조 빅데이터 통합관리 플랫폼 Data CAMP로 전송했습니다.

이들 데이터는 3단계 파이프라인을 통과하게 됩니다.

• 이상탐지(Anomaly Detection) 모델을 활용한 불량 유무 감지
• 분류(Classificaion) 모델을 활용한 불량 유형(오염, 스크래치, 구멍 등) 판단
• PLC가 보내온 설비 데이터를 활용한 불량 위치 계산

이후 Data CAMP는 앞서 계산한 정보를 PLC로 전송하고, 필요에 따라 PLC를 제어하였습니다. 또한, 보다 상세한 검사 데이터를 언제라도 조회할 수 있도록 현장 모니터링용 대시보드를 구성하였죠.외부망에 연결하면 언제라도 원격 모니터링도 가능합니다.

LISA와 Data CAMP를 연동하여 불량 감지, 위치 계산, 유형 분류, 모니터링 작업을 수행할 수 있습니다. Image Credit: AHHA Labs

작업자 육안 검사 → AI 자동 검사 시스템 구축

파일럿 프로젝트로 구축한 시스템으로 원단 불량을 99.9% 정확도로 촘촘히 감지해냈습니다. 육안으로 원단을 검사하는 시간과 비용을 절감함으로써 생산 효율을 훨씬 높일 수 있게 되었습니다.

또한, 불량 유형을 계속 모니터링함으로써 불량의 근본 원인을 찾을 수 있게 되었습니다. 향후 압연 이전 공정을 개선, 최적화하여 원단 불량률을 낮춰갈 예정입니다.

2024년 10월 현재, A사와 아하랩스 팀은 글로벌 공장 양산 라인에 이 시스템을 확대 적용하는 방안을 검토하고 있습니다.

타이어 제조 현장에서 아하랩스 팀이 어떤 일들을 더 할 수 있는지 자세히 알아보세요.

파일럿 프로젝트 → 양산 도입률이 65%에 달하는 아하랩스의 전문가들과 함께 하세요! 

✓ 진동 센서 데이터로 설비 이상탐지(모터 예지보전)를 수행한 사례

✓ AI 모델 간 Pipeline 구성으로 로봇 파지의 이상작동 감지에 성공한 사례