에 의해서 webmaster | 12월 9, 2024 | 예지보전, 이차전지, 품질관리
육안 검사부터 AI 자율제조까지 – Data CAMP가 함께한 이차전지 제조사의 DX 여정을 소개합니다 Chloe Woo | Content Strategist Toggle 1단계: 데이터 수집/시각화/저장 자동화(1) 웹 기술을 활용한 솔루션(2) 노코드 기반 레시피로 데이터/기능 확장2단계: 데이터 연계 → 생산이력추적3단계: 데이터 분석/AI 연동 → 데이터 기반 의사결정 → 제어4단계: 계측 데이터 수집 → 예측(1) 계측 데이터는 무엇을 말해줄까?(2)...
에 의해서 webmaster | 10월 17, 2024 | 이차전지, 예지보전
원격 시스템 구축으로 배터리 조립 설비의 관제 효율을 300% 높인 사례 Challenge 전기차용 배터리 조립 설비는 규모가 매우 크고 구성이 복잡해, 설비 상태를 모니터링하고 알람에 대처하는 인원이 다수 근무해야 함 그러나 경고 알람의 상당수는 간단한 초기화 동작만으로 해결되는 경알람으로, 사람이 직접 이동해서 대처하는 비효율을 제거할 필요가 있음 목표: 원격 모니터링 및 제어 시스템 구성을 통한 성인화(省人化; 낭비를 제거해 필요 인원을 줄임)...
에 의해서 Chloe Woo | Content Strategist | 5월 29, 2024 | 예지보전
진동 센서 데이터로 설비 이상탐지(모터 예지보전)를 수행한 사례 Challenge 기존에는 발전 설비 모터에 진동 센서를 부착해놓고 룰 기반으로 검사를 진행함 진동의 등락 외에는 각 진동 요소가 결과적으로 모터 고장에 미치는 영향을 알 수 없으므로, 진동의 양이 일정 수준 이상으로 높아지면 무조건 설비를 멈추고 점검하느라 발전 효율이 떨어짐 SPC(통계적 공정 관리) 방법도 있지만, 설비 데이터가 종종 정규분포를 따르지 않을 때 정확도가 떨어진다는 한계가 있음...
에 의해서 Chloe Woo | Content Strategist | 5월 20, 2024 | 이차전지, 예지보전
생산 자재 변경으로 인한 검사 ‘데이터 드리프트’를 잡아낸 사례(DQI 모델) Challenge 항상 일정한 광학 이미지가 촬영돼야 모델을 제대로 학습시키고 양/불량 판정 정확도를 높일 수 있음. 그러나 제조 현장의 다양한 요인 변화로 인해 ‘데이터 드리프트’가 발생하면서 생산품에 결함이 없음에도 NG가 발생하는 경우가 잦아 품질 검사 효율이 낮아짐 비용 및 관리 복잡도를 높이지 않으면서 검사 이미지가 제대로 촬영되고 있는지 실시간으로 알 수 있는 방안 필요...
에 의해서 Chloe Woo | Content Strategist | 12월 28, 2023 | 이차전지, 예지보전
‘1종 오류’ 찾아내는 딥러닝 모델로 ‘과검’ 발생률 감소 이상탐지(Anomaly Detection) 딥러닝 모델을 활용해 검사 이미지 전체 영역을 학습합니다. 실제 생산품의 결함이 아닌, 그 밖의 다른 문제로 인한 과검(1종 오류) 사례일 확률을 추론합니다. Challenge ‘미검’ 0%를 달성하기 위해 검사 기준을 너무 민감하게 설정한 경우, ‘과검(1종 오류)’이 많아짐 과검을 적발하기 위한 무작위 샘플링...
에 의해서 Chloe Woo | Content Strategist | 12월 22, 2023 | 이차전지, 예지보전
데이터 품질 지표(DQI) 딥러닝 모델로 ‘데이터 드리프트’ 모니터링 및 예지보전 수행 아하랩스의 Data CAMP 솔루션과 검사 이미지의 퀄리티를 분석하는 딥러닝 모델을 활용하면, 카메라와 노후 조명 문제로 이미지를 잘못 촬영해 품질 검사에 실패하는 경우를 미연에 방지할 수 있습니다. Challenge 항상 일정한 광학 이미지가 촬영돼야 모델을 제대로 학습시키고 양/불량 판정 정확도를 높일 수 있음 그러나 카메라 각도가 바뀌거나 조명이...
