제조 설비 시계열 데이터 기반 설명 가능한 실시간 이상탐지 및 조기경보 시스템
Explainable Real-Time Anomaly Detection and Early Warning System for Manufacturing Equipment Time-Series Data
1. 프로젝트 개요
프로젝트 요약
제조업 현장은 PLC·센서·MES를 통한 데이터 수집(DX)은 상당 부분 마쳤지만, 이를 실제 의사결정과 이상 대응에 활용하는 AI 전환(AX) 단계로 넘어간 곳은 많지 않다. 본 프로젝트는 새로운 대규모 인프라 없이, 이미 데이터를 보유한 현장에 가볍게(Lightweight) 얹어 쓸 수 있는 설명 가능한 실시간 이상탐지·조기경보 AI를 목표로 한다. 온도·압력·전류·진동·Cycle Time 등 다변량 시계열 데이터를 분석해 이상징후를 조기 탐지하고 판정 근거(주요 센서·시점)를 함께 제시하며, 최종적으로 센서 입력 → AI 판단 → 물리적 경보(경광등)·메시지 알림까지 이어지는 실물 하드웨어 기반의 인지-판단-구동 폐루프 데모로 구현한다.
핵심 키워드
2. 프로젝트 목표 및 내용
배경 및 필요성
스마트팩토리 환경에서는 PLC, 센서, 설비 제어기 등을 통해 온도, 압력, 전류, 진동, 속도, Cycle Time 등 다양한 공정 데이터가 실시간으로 수집되고 있습니다. 그러나 실제 제조현장에서는 이러한 데이터가 대부분 이력 조회나 사후 분석 용도로 활용되고 있으며, 설비의 이상징후를 조기에 탐지하거나 이상 원인을 자동으로 분석하는 데까지 활용되는 경우는 제한적입니다. 즉 데이터는 이미 모이고 있지만, 그것을 실제 판단과 대응에 쓰는 단계로는 아직 넘어가지 못한 상태입니다. 특히 제조 설비의 이상은 특정 센서 값 하나가 임계치를 초과하는 형태로만 발생하지 않습니다. 여러 센서 값의 조합 변화, 정상 패턴의 미세한 붕괴, 특정 생산 Cycle에서의 반복적 편차 등 복합적인 형태로 나타나는 경우가 많아 단순 임계치 기반 모니터링만으로는 조기 탐지가 어렵습니다. 또한 실제 제조현장에서는 정상 데이터는 대량으로 축적되는 반면, 명확하게 라벨링된 이상·불량 데이터는 상대적으로 부족합니다. 따라서 소량의 라벨 또는 정상 중심의 데이터만으로 설비의 정상 패턴을 학습하고 이상을 탐지할 수 있는 비지도·준지도 기반 AI 기술이 필요합니다.
프로젝트 목표
본 프로젝트의 최종 목표는 제조 설비에서 발생하는 다변량 시계열 데이터를 실시간 분석하여 이상징후를 조기에 탐지하고, 이상 발생에 영향을 준 주요 설비 변수를 함께 제공하는 설명 가능한 AI 기반 이상탐지 및 조기경보 시스템을, 실물 하드웨어 폐루프 데모로 구현하는 것입니다.
정성 목표
- 온도, 압력, 전류, 진동, Cycle Time 등 다변량 제조 시계열 데이터 처리 파이프라인 구현
- 정상 데이터 중심의 비지도 또는 준지도 이상탐지 모델 구현
- 다중 센서 간 상관관계를 고려한 이상점수 산출
- 이상 발생 시 주요 영향 센서 및 이상 발생 시점 분석
- 실시간 데이터 스트리밍 기반 이상상태 모니터링
- 정상 / 주의 / 이상 상태를 구분하는 조기경보 로직 구현
- AI 분석 결과와 실제 센서 데이터를 함께 확인할 수 있는 사용자 인터페이스 구현
- AI 판정 결과를 물리적 경보장치(경광등)와 연동한 인지 → 판단 → 구동 폐루프 구현
- 향후 MES, Edge Device, 실제 제조설비와 연계 가능한 구조로 설계
정량 목표
| 평가 항목 | 목표 |
|---|---|
| 이상탐지 F1-Score | 0.85 이상 |
| 이상탐지 AUROC | 0.90 이상 |
| 실시간 추론 응답시간 | 1초 이내 |
| 실시간 데이터 처리 | 1초 이상 주기의 연속 센서 데이터 처리 |
| 이상 원인 변수 제시 | 영향도가 높은 센서 Top 3 제공 |
| Baseline 비교 | 3개 이상 알고리즘 비교 (Isolation Forest / Autoencoder / LSTM 계열) + 제안모델(LA-LSTM) |
| 무개입 연속 동작 검증 | D2(중간발표, 8주차) 3분 이상 / D3(최종, 16주차) 10분 이상 — 강의계획 공식 게이트 기준 |
주요 개발 내용
- 제조 설비 시계열 데이터 수집 및 전처리
- 생산 Cycle 또는 Time Window 단위 데이터 구성
- Isolation Forest, Autoencoder, LSTM 기반 모델 등 Baseline 구현
- 다변량 시계열 기반 이상탐지 모델 설계 및 비교 (제안모델 LA-LSTM 포함)
- Anomaly Score 산출 및 정상/주의/이상 상태 판정
- 센서별 영향도 및 이상구간 분석
- 실시간 추론 API 및 데이터 스트리밍 처리
- Web Dashboard 및 실물 경보장치(경광등) 연계
- 모델별 성능 비교 및 Ablation 실험
- 논문 작성 및 특허 아이디어 구체화 — 가점 트랙(선택, 최대 10점), 정규 데모·문서 완성 이후 여력 시 진행
최종 결과물 형태
프로토타입(실물 하드웨어 폐루프 데모) · 알고리즘/모델 · 데모 시스템 · 분석 보고서
3. 시연 계획
이 프로젝트는 최종 발표에서 실물 또는 조작 가능한 형태의 라이브 시연을 수행합니다. 화면 출력만으로 끝나는 결과물이 아니라, 실제로 만들어 동작시키는 것을 목표로 하는 팀을 모집합니다.
실물 시연 형태
최종 시연 시나리오
소형 모터·팬·히터·진동원으로 구성한 미니 설비에 온도(DS18B20)·진동(MPU6050)·전류(ACS712) 센서를 부착하고, Raspberry Pi 4가 실시간으로 데이터를 수집해 Jetson Orin Nano 기반 AI 모델(LA-LSTM 등)로 전송합니다. 노트북 제어 패널에서 "정상 운전 / 온도 상승 / 진동 증가 / 전류 이상 / 복합 이상" 시나리오를 선택하면, 실제 모터·히터·진동원을 물리적으로 조작해 해당 이상을 유발합니다. AI 이상탐지 시스템은 입력되는 데이터를 실시간으로 분석하여 Anomaly Score와 정상·주의·이상 상태를 판단합니다. 이상이 탐지되면 이상 발생 시점과 주요 영향 변수 Top 3를 Dashboard에 표시하고, 경광등을 정상(녹색) → 주의(황색) → 이상(적색)으로 전환합니다. 이상 상태가 일정 시간 이상 지속되거나 위험 수준을 초과하는 경우에는 카카오톡 알림 등 외부 메시징 채널을 통해 담당자에게 이상 발생 정보를 전달합니다. 최종 시연(D3, 16주차)에서는 심사위원 또는 사용자가 직접 제어 패널에서 정상 및 이상 시나리오를 선택해 설비 데이터 발생 → 실시간 전송 → AI 분석 → 이상 탐지 → 원인 변수 분석 → Dashboard 경보 → 경광등 구동 → 담당자 메시지 알림까지 전체 과정이 무개입 10분 이상 실시간으로 동작하는 것을 확인할 수 있도록 구성합니다. 이 과정에서 외부위원이 즉석으로 지정하는 이상 시나리오 대응과, 의도적 실패 상황(센서 순간 단선 등)에 대한 복구 시연도 함께 수행합니다.
시연 장소 / 필요 장비·재료
• 미니 설비: DC 모터 + 팬, 소형 발열체(PTC 히터), 진동원(편심 추 부착 가능) • 센서: 온도(DS18B20) · 진동(MPU6050) · 전류(ACS712), ADS1115 ADC 모듈 • 엣지: Raspberry Pi 4(수집·제어) + Jetson Orin Nano Super Dev Kit(경량 AI 추론, D3부터 본격 활용) • 구동/알림: 경광등(RGB 시그널타워, 정상=녹색/주의=황색/이상=적색) + 릴레이 모듈, 비상정지 스위치, Web Dashboard(상시), 카카오톡 알림(이상 지속·고위험 시) • 제어 패널: 노트북 또는 PC — 시나리오 선택 UI 및 Dashboard 표시 (상세 규격·수량·단가는 하드웨어 BOM 별도 문서 참고)
중간 점검 시연 시점
8~9주차 중간발표(D2 게이트)에서 미니 설비 → Raspberry Pi 실시간 데이터 전송 → Baseline AI 모델 추론 → Anomaly Score 및 정상/주의/이상 상태 판정 → 경광등 연동까지 무개입 3분 이상 연속 동작하고, 정상 케이스를 2회 이상 반복 재현하는 1차 End-to-End 시스템을 시연합니다.
4. 학부생 팀원 모집 공고
모집 분야/역할
Edge 개발자 - Raspberry Pi/Jetson 기반 센서 데이터 수집·전처리, 실시간 스트리밍, 엣지 추론 배포, 경광등 등 실물 구동부 제어·배선, 통신 인터페이스 Web 개발자 - Web Dashboard 설계·구현, 카카오톡 알림 연동, API 연계, UI/UX AI 개발자 - 이상탐지 모델 구현(Baseline 3종 + 제안모델 LA-LSTM), Anomaly Score 산출, 설명가능성(Top3 원인센서) 분석, 성능평가·Ablation 실험 연구 개발자 - 논문 작성·특허 아이디어 구체화(가점 트랙 주도), 선행연구 조사, 회의록 작성·배포, 예산·구매(BOM 발주) 관리, 문서 취합·버전관리, 멘토링 일정 조율 지원
필요 역량/선수과목
우대 사항
Python, ML 기초 — Edge 개발자는 임베디드·통신 인터페이스, Web 개발자는 Web 프레임워크·API, AI 개발자는 PyTorch·시계열 데이터 분석, 연구 개발자는 문헌조사·기술문서 작성 역량을 각자 담당 영역에서 추가로 활용합니다.
참여 시 혜택
• 실제 제조현장과 유사한 데이터 흐름을 기반으로 한 스마트팩토리 AI 시스템 개발 경험 • AI 모델 개발부터 센서 수집, API, Dashboard, 실물 폐루프 Demo까지 End-to-End 프로젝트 경험 • 프로젝트 결과를 활용한 개인 포트폴리오 구축 • AI/데이터/스마트팩토리 분야 대학원 진학 및 취업 시 활용 가능한 연구 경험 • 우수 결과물의 후속 연구 및 디엠테크솔루션 실제 제조현장 적용 검토
지원 방법/문의
본 플랫폼 지원, 이메일, 문자
5. 학기별 추진 계획
| 기간 | 단계 | 주요 활동 |
|---|---|---|
| 1~2주 | 팀 빌딩 & 주제 구체화 | 팀 빌딩 & 주제 구체화 팀원 역할 분담(R&R 확정), GitHub 저장소 개설, 연계기업 멘토 상견례, 혼합형 하드웨어 후보 3안 정리·사양 가확정 |
| 3~5주 | 문헌조사 & 데이터 준비 | 문헌조사 & 데이터·하드웨어 준비 제조 시계열 이상탐지 최신 연구 조사, 소형 실물 키트 부품 발주, 기업 수요 정의서·정량지표·BOM 확정 제출(착수보고), 센서 배선·캘리브레이션, Isolation Forest/Autoencoder Baseline 착수 |
| 6~9주 | 설계 및 1차 구현 (중간발표) | 설계 및 1차 구현 다변량 시계열 이상탐지 모델 구현, 실시간 추론 파이프라인 개발, Anomaly Score 및 Dashboard 구현. D1: 센서→AI→화면 end-to-end 1회 관통. D2: 무개입 3분 이상 연속 동작, 반복 재현 2회 이상, 정량지표 초기값 제시 |
| 10~13주 | 개선 및 실험/검증 | 개선 및 실험/검증 센서 간 상관관계 반영, 주요 영향 센서 분석, 이상구간 설명 기능 구현, Baseline 및 제안 방법(LA-LSTM) 비교, Edge/센서/AI/Dashboard 통합, 경광등·비상정지 인터록 연동, 디엠테크솔루션 현장 1차 실증, 반복 실험, 성능 및 추론속도 측정 |
| 14~16주 | 결과 정리 & 발표 (최종발표) | 결과 정리 & 발표 A1 판넬·최종 보고서 초안, 최종 리허설, 특허 명세 아이디어 정리(가점, 희망자). D3: 무개입 10분 이상 연속 동작, 즉석 시나리오 대응, 의도적 실패 상황 복구 시연 |
정기 미팅 계획
주 1회 정기 온/오프라인 미팅을 진행하며, 개발 단계에서는 Git 기반 Issue 및 작업 현황을 관리합니다.
역할 분담 방식
팀원의 관심 분야와 보유 역량을 고려하여 역할을 조율한 후 진행합니다. 프로젝트는 크게 Edge(센서·엣지 추론), Web(대시보드·알림), AI(모델·성능평가), 연구(문헌조사·문서·가점 트랙) 4개 영역으로 구분하며, 각 팀원이 하나의 영역을 주도적으로 담당하고 팀장이 전체 통합과 최종 품질을 총괄합니다
6. 기대 효과 및 활용 계획
학습 효과
본 프로젝트를 통해 참여 학생들은 단순 AI 모델 학습을 넘어 실제 스마트팩토리 시스템이 어떻게 구성되는지를 경험할 수 있습니다. 센서 데이터 수집, 시계열 전처리, AI 모델 구현, 성능평가, 실시간 추론, API, Dashboard, Edge Device 및 물리적 경보장치까지 하나의 폐루프 시스템으로 직접 구현하면서 AI + IoT + 제조 시스템을 연계하는 실무형 개발 경험을 확보할 수 있습니다. 또한 선행연구 조사 → 문제 정의 → Baseline 구현 → 제안 방법 설계 → 실험 및 비교 → 논문 작성(가점 트랙)의 연구 전 과정을 수행하면서 연구개발 방법론을 학습할 수 있습니다.
향후 활용 계획
• 향후 MES, Edge Device, 실제 제조설비와 연계 가능한 구조로 설계하여 확장성 확보 • 디엠테크솔루션의 실 공정 데이터·인프라(LIVE:EDGE)를 활용한 현장 적용 가능성 검증 • 우수 결과물은 후속 연구 및 실제 제조현장 적용을 디엠테크솔루션과 협의하여 검토 • 가점 트랙(논문 작성·특허 출원)을 통한 연구 성과 확산 (선택, 여력 시 진행)