협동 로봇 예지보전을 위한 모션 결함 검출
Motion-Fault Detection for Predictive Maintenance of Collaborative Robot
초록/요약
스마트팩토리는 기기 이상에 의한 생산라인 중단과 품질 리콜과 같은 치명적인 상황에 사전 대응할 수 있어야 한다. 과거에는 설비 기기의 운전 허용치를 분석하여 최대-최소 제어 기준치를 설정하고, 그 기준에 따라 기기의 이상을 탐지하였다. 그러나 스마트팩토리 설비 기기, 즉 스마트 기기는 다양한 센서로부터 신호가 감지되는 다변량(Multivariate) 시스템이며, 다양한 작업 환경에 따라 발생할 수 있는 수많은 결함 상황이 존재한다. 이로 인해, 최근에는 인공지능 기술을 접목하여, 다양한 운용 환경에서 생성되는 데이터를 수집하고, 획득한 데이터를 기반으로 설비 기기의 결함 예측, 고장 진단을 수행하는 예지보전(Predictive Maintenance) 기술이 중요해지고 있다. 예지보전은 RCM(Reliability Centered Maintenance) 전략의 가장 최신화된 기술로써, 고장이나 결함의 원인을 예측하고 제거함으로써 기기의 효율적인 유지보수를 수행하기 위한 기술이다. 구체적으로 RCM 기술은 사후정비(RM, Reactive Maintenance), 예방정비(PM, Preventive Maintenance), 예측정비(PdM, Predictive Maintenance) 형태로 진화되었으며, 빅데이터 수집이 어려웠던 과거에는 고장이나 결함의 진단율이 낮아 사후정비나 예방정비를 수행할 수밖에 없었으나, 최근에는 인공지능 기술의 접목으로 높은 성능의 결함 예측이나 고장 진단과 같은 예측정비가 가능해졌으며, 스마트팩토리의 핵심 기술로 급부상하고 있다. 스마트팩토리에서는 전 생산과정을 무인화하기 위한 공장 자동화와 달리, 반드시 인간이 제조과정에 참여해야 하는 섬세하고 반복적인 작업에 협동 로봇(Collaborative Robot)을 투입한다. 인간과 협업하는 협동 로봇은 미리 정해진 고정적인 작업이 아닌, 운용 상황에 따라 작업자에 의해 설계된 프로그래머블 모션을 실행한다. 이때, 결함 진단에 있어 주목해야 하는 부분은 베어링 마모(Bearing Wearness), 볼트 풀림 결함(Bolt Looseness)과 같은 무수히 많은 기기 결함이 프로그래머블 모션 상황에서 발생한다는 것이다. 동적으로 변화되는 프로그램과 모션 상황에서 기기에 결함이 발생한다면, 작업자가 명령한 모션이 올바르게 동작하지 못하는 모션 결함 상황으로 이어진다. 혹은 물리적인 기기 결함이 없더라도, 외부 조건에 의해 모션 결함이 발생하여 고장이나 결함으로 이어지는 전조 증상이 발생할 수 있다. 하지만 현재 산업 설비 기기의 고장 진단 방식은 고정적인 기능을 수행하는 환경에서 부품 중심의 결함 진단을 수행하기 때문에, 정의된 모델에 의해 모든 조합을 사전에 테스트할 수 없어 결함에 대한 정확한 예측이 어렵다. 따라서 본 논문에서는 이와 같은 문제점을 다음과 같이 해결하고자 한다. 첫째, 프로그래머블 로봇을 위한 체계적인 데이터 수집 방법을 개발한다. 즉, 협동 로봇의 센서 데이터와 모션, 프로그램 정보 간의 관계를 계층적으로 분석할 수 있는 데이터 수집 체계를 구축하기 위해, 데이터 블랙박스를 설계한다. 둘째, 모션 이상성이 발생한 원인(예: 프로그램, 모션 등)의 추적성을 확보한다. 센서 데이터로부터 이상성이 발생한 시점에 원인을 제공한 모션과 프로그램을 추적할 수 있도록 프로그래머블 모션 인덱스 체계 및 통계 기반의 표준 패턴을 정립한다. 셋째, 모션 결함을 검출할 수 있는 학습모델을 제안한다. 특히, 모션 결함을 검출하면서 적용성 및 확장성을 고려하기 위해, 통계적으로 정의된 표준 패턴을 학습하여 모션 결함 검출 학습 네트워크를 설계한다. 제안한 모션 표준 패턴 기반의 결함 검출 방법을 개발한 블랙박스를 탑재한 6축 협력 로봇 Niryo에 적용하여 과부하에 따른 작업 결함을 평가한 결과, 최대 93.7%의 높은 검출률을 보였다. 또한, 프로그래머블 모션 식별(P-net, M-net) 기반의 결함 검출 네트워크(D-net)를 4축 협력 로봇 Dobot의 모션 결함 주입 실험에 적용한 결과, 약 98% 이상의 높은 결함 검출률을 보였다. 결론적으로, 개발된 데이터 블랙박스, 모션 검출을 위한 통계모델 및 학습 네트워크 모델의 기여점을 요약하면 다음과 같다. 첫째, 협동 로봇의 센싱 값과 시스템 로그를 체계적으로 수집하는 데이터 블랙박스는 데이터 스키마 기반의 표준 형식을 제공함으로써, 다른 산업용 로봇 혹은 전자 시스템에도 범용적으로 적용할 수 있다. 즉, 분석의 대상이 되는 프로그램, 모션, 센서, 주기, 타이밍, 오류 수준 등의 데이터를 선택적으로 수집할 수 있으며, 데이터 간의 관계(Relationship)를 유지하면서 데이터베이스화할 수 있다. 둘째, 프로그래머블 모션 인덱스 기반의 통계적 결함 검출 방법은 고정된 테스팅 환경에서만 적용되던 기존의 진단 방식의 한계를 극복하여, 센싱 값에 대한 의미적인 해석, 결함 발생 시점의 원인이 되는 모션의 분석을 지원한다. 즉, 고정된 테스트 프로그램을 통해서만 분석될 수 있었던 이상성을 사용자가 설계한 작업 프로그램에 대해서도 분석할 수 있도록 하며, 협동 로봇의 고장 진단 범위를 확장한다. 셋째, 학습 기반의 프로그래머블 모션 결함 검출 네트워크는 사용자에 의해 동적으로 실행되는 작업에 따라 인덱스를 생성, 관리하고, 통계적인 표준 패턴 정의를 수행하면서, 발생하는 오버헤드 문제를 해결할 수 있다. 특히, 프로그래머블 모션 식별 과정을 개별 네트워크에서 학습하고 최종적으로 결함 상황까지 검출하여, 시계열 데이터에 대한 순차적인 인지 학습을 통해 98% 이상의 높은 검출률을 보였다. 또한, 예측된 모션 결함은 통계적으로 정의하기 어려운 임계치를 학습을 통해 자동화할 수 있어, 효과적인 예지보전을 가능하게 한다.
more목차
1. 서론 1
1.1. 연구 배경 1
1.2. 문제 분석 4
1.3. 연구 목적 및 방법 6
2. 관련 연구 8
2.1. 고장 예측(Failure Prediction) 10
2.2. 결함 검출(Fault Detection) 11
2.3. 이상치 검출(Anomaly Detection) 13
3. 협동 로봇 데이터 블랙박스 설계 16
3.1. 데이터 모델링 17
3.2. 데이터 인터페이스 설계 23
3.3. 결함 데이터 저장 메커니즘 26
3.4. 구현 및 실험 27
4. 프로그래머블 모션 이상성 분석 방법 36
4.1. 데이터 인덱스 계층 구조 36
4.2. 프로그래머블 모션 정보 파싱 40
4.3. 프로그래머블 모션 표준 패턴 기반 이상성 분석 45
4.4. 구현 및 실험 55
5. 프로그래머블 모션 결함 검출 방법 71
5.1. 인코딩 네트워크(Encoding Network) 73
5.2. 결함 검출 네트워크(Detection Network) 77
5.3. 구현 및 실험 80
6. 결론 98
