Manufacturing AI

제조 인공지능은 제조 현장에서 발생하는 대규모 데이터를 학습하여 공정의 이상을 탐지하고 품질과 에너지를 예측하는 제조 특화 AI 기술이다. 본 연구실은 와이어 아크 적층제조(WAAM) 등 실제 공정에서 수집한 이미지·전압·센서 데이터를 대상으로 비지도 학습, 앙상블 학습, 거대 비전-언어 모델(LVLM), 지속 학습 등 최신 AI 기법을 연구한다. 레이블링 비용을 제거하는 자동 레이블링, 전기 센서 없이 이미지만으로 공정 에너지를 추정하는 약지도 학습, 데이터 드리프트 환경에서도 성능을 유지하는 지속 학습형 이상 감지 등 산업 현장의 제약을 극복하는 실용적 AI 알고리즘을 개발한다.

1. 적층 제조 공정의 비지도 및 연계 앙상블 학습 기반 자동 레이블링 및 이상 탐지 알고리즘 개발

(Developing Auto Labeling and Anomaly Detection Algorithm using Unsupervised and Concatenated Ensemble Learning in Wire Arc Additive Manufacturing)

• WAAM(Wire Arc Additive Manufacturing) 공정에서의 근실시간 불량 탐지를 위한 자동 레이블링 및 연계 앙상블 학습 기반 이상 탐지 알고리즘 및 시제품 개발
• 기존 레이블링 작업이 필요 없는 비지도 학습을 통한 정상·비정상에 대한 자동 레이블링 알고리즘을 개발하고 전압·이미지 데이터 세트를 사용한 연계 앙상블 학습을 통해 높은 정확도의 이상탐지 알고리즘을 개발함

2. 거대 비전-언어 모델을 이용한 와이어 아크 적층제조 비드 이미지 기반 입열량 예측 기술 개발

(Heat Input Prediction using Bead Image Data via Large Vision-Language Models in Wire Arc Additive Manufacturing)

• 전기 센서 측정 없이 비드 이미지와 공정 파라미터 텍스트만으로 WAAM 공정의 입열량(heat input)을 추정하는 거대 비전-언어 모델(LVLM) 기반 예측 프레임워크 개발
• 공정 파라미터 조합으로부터 물리적으로 타당한 입열량 범위를 도출하고, 광학 흐름(optical flow) 기반 모션 점수를 경험적 누적분포함수로 정규화하여 대리 회귀 목표를 생성하는 도메인 유도 약지도 학습 전략을 제안함. LoRA로 미세조정한 LVLM이 비드 이미지와 공정 조건 텍스트를 결합 학습하여, 28개 공정 조건의 인코넬 WAAM 데이터셋에서 R² 0.87의 입열량 예측 성능을 달성함

3. 트랜스포머 기반 데이터 복원을 활용한 지속 학습형 이상 감지 모델 개발

(Transformer-Based Continual Anomaly Detection via Data Replay)

• 설비 노후화·운영 조건 변화 등 데이터 드리프트 환경에서 전체 재학습 없이 신규 데이터만으로 성능을 유지하는 지속 학습형 시계열 이상 감지 모델(ReTrans) 개발
• Anomaly Transformer를 오토인코더 구조로 확장하여 정상 데이터를 잠재 공간에 압축 저장하고, 디코더로 복원한 과거 데이터를 신규 데이터와 함께 학습하여 치명적 망각을 방지함. 변화점 감지로 분포 변화 시에만 모델을 갱신하고 Wasserstein 거리 기반으로 신규·과거 데이터의 학습 비율을 동적으로 조정하여, 6개 데이터셋 실험에서 배치 학습 대비 평균 –0.18%p 이내의 동등 성능을 평균 3.3배 짧은 학습 시간으로 달성하고 점진적 학습 대비 F1 score를 평균 3.7%p 향상함

4. SigLIP 기반 프롬프트 엔지니어링 및 앙상블 기법을 활용한 철강 결함 분류 모델

(Zero-Shot Steel Surface Defect Classification Using SigLIP with Prompt Engineering and Ensemble Methods)

• 라벨링 데이터와 별도 미세조정 없이 철강 표면 결함 이미지를 분류하기 위해 사전학습 비전-언어 모델 SigLIP과 결함 클래스별 텍스트 프롬프트를 활용하는 제로샷(Zero-Shot) 결함 분류 파이프라인 개발
• NEU-DET의 6개 결함 클래스(Patches, Crazing, Pitted_Surface, Rolled-In Scale, Scratches, Inclusion)를 대상으로 사전적 표현·LLM 생성·전문가 기술문·국제 표준서(ISO 7788)·혼합형 등 5종 프롬프트를 구성하고, 빔서치(Beam Search)로 상위 프롬프트 조합을 탐색한 뒤 Hard Voting 앙상블로 최종 결함을 분류함. 테스트셋에서 평균 정확도 89.17%, 평균 신뢰도 79.12%를 달성했으며 Patches, Scratches, Crazing 클래스에서 95% 이상의 정확도를 확인함

5. 산업용 이미지 이상탐지 파이프라인의 자율 구성을 위한 Multi-Agent LLM 및 Visual Feedback Verification 기반 자동화 기술

(Multi-Agent LLM-Based Automated Industrial Anomaly Detection with Visual Feedback Verification)

• 멀티 에이전트 LLM은 산업용 이미지 이상 탐지 자동화를 위해 요구사항 분석, 데이터 프로파일링, 지식 검색, 계획 수립 및 실행을 전문 에이전트가 협업하여 수행하고, Agent Manager가 워크플로우를 관리하며 복수의 이상 탐지 후보 모델을 실행·비교하여 최종 모델을 자동 선정하는 LLM 기반 멀티에이전트 시스템 개발
• Visual Feedback Verification(VFV)을 통해 이상 히트맵을 공간적 일관성, 배경 억제, 경계 정밀도 관점에서 평가하고, 검증 실패 시 피드백을 반영하여 관련 단계를 재수행함으로써 이상 탐지 결과를 반복적으로 개선하는 검증 및 자동화 기술을 개발함