최근 제조업 현장에 설비 센서의 데이터를 실시간 분석해 가동 이상이나 불량품을 조기에 발견하는 인공지능(AI) 기반 불량탐지시스템 도입이 크게 증가하고 있다.
그러나 이들 시스템은 제조현장의 생산라인 변경, 설비 교체, 신제품 적용 때 AI 성능이 급격히 떨어지는 문제가 있다.
예를 들어 반도체 웨이퍼공정 A라인에서 학습한 AI 모델을 B라인에 적용하면 센서값 특성이 달라져 불량 탐지 정확도가 크게 떨어지고, 두 라인의 불량유형 비율까지 다르게 발생한다.
이에 기존 연구는 센서 데이터 분포 차이로 해결하는 방식으로, 불량 탐지율 성능저하에 따른 새 공정 추가 레이블의 번거로움과 비용 부담이 컸다.
바뀐 제조공정에서도 불량 잡아내는 AI 개발
KAIST 전산학부 이재길 교수팀이 제조공정이나 설비가 바뀌어도 기존 AI 모델에 불량 레이블링 추가 없이 활용할 수 있는 ‘시계열 도메인 적응기술’을 개발했다.
이 기술은 온도, 기계진동, 전력, 센서값 등 시간에 따라 변하는 데이터를 다루는 AI 모델이 훈련받은 도메인 환경과 실제 환경이 달라져도 추가 학습 없이 안정적으로 성능을 유지한다.
연구팀은 도메인 환경변화에 혼란을 일으키는 AI 모델의 핵심 문제가 단순 데이터 분포차이뿐 아니라 불량 발생 레이블 분포 자체가 바뀌는 현상에 있는 것에 주목했다.
실제 현장에서는 반도체 웨이퍼 공정에서 환형 불량과 스크래치 불량의 비율이 설비 변경때문에 바뀔 수 있다.
연구팀은 새로운 공정의 센서 데이터를 추세, 비추세, 주파수 등 세 가지 성분으로 분해하고 각 특성을 파악하는 방법을 개발했다.
이는 마치 사람이 기계 소리의 높낮이, 진동 패턴, 주기적 변화를 종합해 이상 징후를 감지하는 것처럼 AI가 다각도로 데이터를 분석하는 방식이다.
이를 통해 연구팀은 기존 모델이 예측한 결과를 새로운 공정의 데이터 군집 정보와 비교해 자동으로 예측값을 보정하는 방식을 적용한 ‘TA4LS(Time-series domain Adaptation for mitigating Label Shifts)’ 기술을 개발했다.
이 적용하면 기존 공정의 불량 발생패턴에 편향된 예측을 새로운 공정에 맞게 정확히 조정할 수 있다.
특히 이 기술은 별도 복잡한 개발 없이 기존 AI에 끼워 넣는 추가 부품처럼 쉽게 결합할 수 있어 실용성이 높아 사용 중인 AI 기술에 구애받지 않고 간단한 추가만으로 즉시 적용 가능하다.
연구팀은 변화가 발생한 4종류의 센서 데이터를 사용한 실험결과 기존 방법 대비 정확도를 최대 9.42% 향상시켰다.
특히 공정이 바뀌어 불량 발생 패턴 차이가 큰 경우에서도 AI가 이를 스스로 보정해 판별하는 성능개선 효과가 나타났다.
이는 스마트팩토리의 주요 장점인 다품종 소량생산 환경에 더욱 효과적이다.
이 교수는 “이 기술은 제조업뿐 아니라 센서 기반 모니터링이 필요한 모든 분야에 적용할 수 있을 것”이라며 “헬스케어 분야는 착용기기 종류가 바뀌어도 정확한 건강 모니터링이 가능하고, 스마트시티에서는 센서 교체나 환경 변화 시에도 안정적인 서비스를 제공할 것으로 기대된다”고 설명했다.
한편, 이번 연구는 KAIST 전산학부 나지혜 박사과정이 제1저자, 남영은 박사과정과 LG AI연구원 강준혁 연구원이 공동저자로 참여했고. 연구결과는 이달 국제학술지 ‘지식발견및데이터마이닝학회(KDD, ACM SIGKDD Conference on Knowledge Discovery and Data Mining) 2025’에 발표됐다.
(논문명: Mitigating Source Label Dependency in Time-Series Domain Adaptation under Label Shifts ※DOI: https://doi.org/10.1145/3711896.3737050)
