[붙임] 연구결과 개요

1.연구배경

대규모 로봇 기반 조립 공정에서는 수많은 부품들이 연속적으로 용접 및 결합 되며, 이 과정에서 발생하는 미세한 치수 편차가 누적되면 제품의 정렬 불량, 잔류 응력, 부품 간 간섭 등의 문제로 이어질 수 있다. 기존 품질검사는 수작업이나 샘플링 방식에 의존하고 있어 검사 시간의 한계, 검사 정확도의 편차, 실시간 대응의 어려움 등으로 인해 대량 생산 라인에 적합하지 않다. 특히 생산 속도와 정밀도를 동시에 요구하는 산업 현장에서는 전체 제품에 대한 신속하고 정밀한 전수검사가 기술적으로 어려웠다. 이에 따라 생산 흐름을 방해하지 않으면서도 마이크로미터 수준의 정밀도와 실시간 분석 능력을 갖춘 품질검사 기술의 개발이 절실히 요구된다.

2.연구내용

본 연구에서는 3D 프린팅 기반의 센서 캡과 딥러닝 기반 이상 탐지 모델을 융합한 스마트 지그 품질검사 시스템을 설계·구현하였다. 본 시스템은 로봇 조립 설비에 직접 설치 가능한 구조로, 지그에 클램핑 시 발생하는 미세한 변형을 다채널 센서를 통해 시계열로 수집하고 이를 실시간으로 분석한다.

연구진은 자체 개발한 스트레인 게이지 센서1)를 융합한 TPU 소재2)의 유연한 센서 캡을 다양한 형상의 지그에 적용할 수 있도록 3D 프린팅 기술로 제작하고, 수 마이크로미터 수준의 치수 변화에 따른 변형 특성을 유한요소 해석3)을 통해 검증하였다. 이후, 수집된 멀티 센서 시계열 데이터를 기반으로 트랜스포머 기반의 알고리즘4)을 개발해, 라벨 없이도 이상치 데이터를 정확히 분류하는 비지도 학습 기반 품질분석을 수행하였다.

본 시스템은 실험실 환경과 실제 로봇 조립 설비에서 검증되었으며, 2.79초 이내에 단일 부품의 품질 판별이 가능하고, F1 스코어5) 0.9862를 기록하며 기존 대표적인 이상 탐지 모델 대비 우수한 성능을 입증했다.

3.기대효과

이번 연구로 개발된 스마트 지그 품질검사 시스템은 수백 마이크로미터 수준의 치수 결함을 실시간으로 탐지할 수 있어 기존 수작업 검사의 한계를 극복하고, 대규모 연속 생산 환경에서도 전수검사를 가능하게 하는 기술적 기반을 마련했다.

또한, 센서 위치 기반의 결함 시각화 히트맵 제공 기능을 통해 작업자의 현장 대응 시간을 획기적으로 단축할 수 있으며, 센서 및 알고리즘은 현장 조건에 맞춰 쉽게 재학습 및 보정을 할 수 있도록 설계되어 높은 적용 유연성을 제공한다.

본 시스템이 산업 현장에 전면 도입될 경우, 품질 불량 탐지율 향상과 검사 자동화에 따른 검사 비용 20% 이상 절감, 불량품 유입 방지에 따른 연간 수십억 원 수준의 생산 손실 감소 효과가 기대된다. 나아가 공정 내 AI 기반 실시간 품질 진단 체계로 확장 가능하여, 스마트 제조·스마트 팩토리 전환의 핵심 기술로 활용될 수 있다.

[붙임] 용어설명

1. 스트레인 게이지 센서
스트레인 게이지 센서는 물체에 가해진 미세한 변형을 전기 저항의 변화로 감지하는 정밀 센서이다. 대상 물체에 부착된 상태에서 변형이 발생하면 그에 따른 저항 변화가 측정된다. 구조물의 응력분석, 하중 측정, 치수 정밀도 감지 등 다양한 기계-전자 계측 분야에 활용되며, 변형률을 고감도로 정량화할 수 있다는 점에서 정밀 계측과 품질검사에 필수적인 요소로 평가된다.

2. TPU 소재
TPU(Thermoplastic Polyurethane)는 열가소성 폴리우레탄의 일종으로, 높은 신축성과 내마모성, 그리고 우수한 유연성과 탄성 회복력을 동시에 갖춘 고분자 소재이다. 구조적 안정성과 동시에 유연한 변형이 가능하여, 웨어러블 센서, 자동차 부품, 3D 프린팅 등 다양한 산업 분야에서 사용된다. 특히 반복적인 압력이나 충격에도 파손되지 않는 특성 덕분에, 센서 하우징이나 캡과 같은 부품에 적합하며, 정밀 환경에서 안정적인 성능을 제공한다.

3. 유한요소해석
유한요소해석(Finite Element Analysis, FEA)은 구조물, 부품, 소재 등에 작용하는 하중, 열, 진동, 변형 등의 물리적 거동을 수치상으로 예측하는 해석 기법이다. 복잡한 형상이나 재료 특성을 가진 구조물을 수많은 요소로 나눈 뒤, 각 요소의 응답을 수치상으로 계산해 전체 시스템의 거동을 정밀하게 분석한다. 제조, 건축, 항공 등 다양한 산업 분야에서 설계 최적화와 결함 예측에 활용되며, 제품 개발 초기 계에서 성능을 사전 검증할 수 있는 시뮬레이션 도구이다.

4. 트랜스포머 기반 알고리즘
멀티 센서 시계열 데이터의 이상 탐지를 위해 설계된 알고리즘으로 입력데이터의 복잡한 시간적 상관관계와 변수 간 상호작용을 학습하여, 정상 패턴과 벗어나는 이상징후를 효과적으로 구분할 수 있다. 라벨링이 어려운 환경에서 소수의 이상 데이터만으로도 정확한 예측이 가능해, 스마트 제조, 설비 모니터링 등 다양한 분야에서 활용할 수 있다.

5. F1 스코어
F1 스코어는 모델의 정밀도와 재현율을 동시에 고려하여 계산되는 이상 탐지-분류 성능 평가 지표이다. 정밀도는 모델이 정상/불량 중 불량이라고 판단한 것 중 실제로 불량인 비율을 의미하고, 재현율은 실제 불량 중 모델이 정확히 탐지한 비율을 의미한다. F1 스코어는 이 둘의 조화평균으로 계산되며, 값이 1에 가까울수록 성능이 우수하다. 특히 불균형 데이터에서 모델의 전반적인 분류 성능을 종합적으로 판단하는 데 적합하며, 산업용 이상 탐지 시스템에서 핵심 성능 지표로 활용된다.

[붙임] 그림설명

그림 1. 센서 캡을 사용해 부품 결함을 탐지하는 진단 기술의 작동 원리와 유한요소해석 시뮬레이션 결과 개략도 a. 로봇 기반 제조 공정에서 3D 프린팅으로 제작된 센서캡이 생산품을 클램핑하는 과정 예시 b.TPU 소재로 제작된 센서 캡이 결함이 있는 생산품을 고정할 때 변형이 되는 메커니즘 예시 c. 정상 및 불량 생산품을 클램핑 했을 경우 측정되는 시계열 데이터의 경향성 및 유한요소해석 시뮬레이션 차이 예시

그림 2. 부품 품질에 따른 센서 위치별 다변량 시계열 데이터의 다양한 경향성 예시 a.생산품 클램핑 전 시계열 데이터 경향성 b.정상 품질 생산품 클램핑 시 시계열 데이터 경향성 c. 불량 품질 생산품 클램핑 시 시계열 데이터 경향성

그림 3. 다변량 시계열 데이터에서 실시간 이상치 탐지 알고리즘의 개요 a. 트랜스포머 기반 알고리즘 및 실시간 시계열 데이터 학습 워크플로 b. 이상치 판단 테스트 결과