KAIST, 공정 바뀌어도 재학습 없는 불량 탐지 AI 개발

[산업일보]
최근 제조 현장에서 AI 센서 데이터를 활용한 불량 탐지 시스템 도입이 확산하고 있지만, 기계 교체나 온도·압력·속도 등 공정 환경이 바뀌면 기존 모델 성능이 급격히 떨어지는 한계가 있었다.

카이스트(KAIST) 전산학부 이재길 교수 연구팀은 최근 이러한 문제를 해결하기 위해 추가적인 불량 데이터 레이블링이나 재훈련 없이도 기존 AI 모델을 안정적으로 활용할 수 있는 ‘시계열 도메인 적응’ 기술을 개발했다고 밝혔다.


이 기술은 온도·진동·전력·신호 등 시간에 따라 변하는 센서 데이터를 다루는 AI 모델이 훈련 환경과 실제 적용 환경이 상이해도 성능 저하를 최소화하도록 돕는다.

연구팀은 성능 저하의 핵심 원인이 단순한 데이터 분포 차이뿐 아니라 불량 발생 패턴(레이블 분포) 자체가 변하는 데 있다는 점에 주목했다. 예컨대 반도체 웨이퍼 공정에서 설비 변경으로 환형 불량과 스크래치 불량의 비율이 달라질 수 있다는 것이다.

이를 해결하기 위해 연구팀은 새 공정의 센서 데이터를 추세·비추세·주파수 등 세 가지 성분으로 분해해 특성을 분석하는 방식을 고안했다. 마치 사람이 소리의 높낮이, 진동 패턴, 주기적 변화를 종합적으로 감지하듯, AI도 데이터를 다각도로 해석해 이상 징후를 파악하도록 설계한 것이다.

연구팀은 기존 모델이 예측한 결과를 새로운 공정의 데이터 군집 정보와 비교해 자동으로 예측값을 보정하는 ‘TA4LS(Time-series domain Adaptation for mitigating Label Shifts)’ 기술을 개발했다. 이를 통해 기존 공정의 불량 패턴에 치우친 예측을 새로운 환경에 맞춰 정확하게 조정할 수 있게 됐다.

이 기술은 기존 AI에 쉽게 결합 가능한 플러그인 모듈 형태로 구현돼 실용성을 높였다. 별도의 복잡한 개발 과정 없이 현재 사용 중인 AI 시스템에 간단한 절차만 거치면 적용할 수 있다.

연구팀은 4종의 시계열 벤치마크 데이터셋 실험에서 기존 방법 대비 최대 9.42%의 정확도 향상을 확인했다. 특히 공정 변경으로 불량 발생 패턴 차이가 큰 경우에도 AI가 이를 자동 보정해 판별하는 성능 개선 효과가 두드러졌다.

이재길 교수는 “이번 성과는 제조업에서 AI 도입의 가장 큰 걸림돌이던 공정 변경 시 재훈련 문제를 해결한 기술”이라며 “실용화되면 유지 비용 절감과 불량 탐지율 향상을 통해 스마트팩토리뿐 아니라 헬스케어, 스마트시티 등 다양한 분야에 기여할 것”이라고 말했다.