중국의 한 대형 식품 회사는 TwinCAT Machine Learning을 활용해 인스턴트 라면 포장 분야에서 최고 수준의 품질을 달성했다. ©ThamKC - stock.adobe.com
중국 대다수의 식료품점에서 인스턴트 라면이 판매되고 있다. 포장 불량인 제품과 이로 인한 고객 불만을 줄이기 위해 중국의 한 대형 인스턴트 라면 생산업체는 TwinCAT Machine Learning(트윈캣머신러닝)을 포함한 Beckhoff 제어 기술을 사용하기로 했다. 이를 통해 인공지능 기술을 기반으로 신뢰할만한 포장 품질 실시간 검사가 가능해졌다.
산업자동화 전문 시스템 통합업체, Tianjin FengYuLingKong the Electrical and Mechanical Equipment Co., Ltd.는 중국 최대 패스트푸드 및 음료 생산업체 중 한 곳과 최첨단 포장검사 시스템 공급 관련 계약을 체결했다. 식품 제조업체에 따르면 이 회사는 세계 최대의 인스턴트 라면 생산라인을 보유하고 있으며, 라인 당 평균 처리량은 분당 약 500 팩, 연간 최대 48억 팩이다.
불량 없는 포장을 통한 높은 고객 만족도
포장과 밀봉은 인스턴트 라면 제조에서 필수적인 작업이다. 라면 포장에는 일반적으로 미리 조리된 면 블록과 스프가 들어있는 작은 봉지(스프 가루, 소스, 건조 야채)가 들어 있다. 생산라인에서 이러한 봉지들은 고속으로 이동하는 컨베이어 벨트에 배열되어, 하나의 면 블록에 배치된 후 크로스 컷팅 밀봉 및 포장 기계로 전달된다.
생산 공정 중 여러 요인들로 인해 두 개의 면 블록 사이에 스프 봉지가 빠져 절단기에 의해 개봉되거나, 각각 따로 포장될 수 있다. 이러한 불량품은 소비자 불만을 초래하고 회사의 명성을 훼손할 수 있으므로, 소비자에게 가지 않도록 최선을 다해야 한다. Tinjin FengYu가 업그레이드한 기계군은 이미 이전부터 생산 불량률이 낮았기 때문에, 불량품을 확실하게 분류해낼 수 있는 또 다른 차원의 품질 관리가 요구되었다.
밀봉 및 포장 기계 내부의 프로세스를 볼 수 없고 이후의 광학 검사 중에는 포장 결함이 외부에서 보이지 않는 경우가 많기 때문에, 위에서 언급한 정확한 불량 원인을 찾는 것은 매우 어렵다. 따라서 원칙적으로 불량품을 아예 만들어내지 않는 것은 사실상 불가능하다. 그럼에도 불구하고, 불량품을 줄이기 위해 라면 제조업체들은 지연시간을 최소화한 고도로 자동화된 품질 검사 장치를 사용한다.
Tianjin FengYu는 이 프로젝트에서 고성능 품질 관리 시스템을 빠르게 구현하며 엔드유저를 지원했다. 먼저, 기계의 기계 부품과 전기 부품을 검사했다. Tianjin FengYu는 이 과정에서 필요한 분석 데이터 획득에 있어서, Beckhoff의 개방적이고 유연한 PC 기반 제어 기술이 가장 적합하다는 사실을 알았다. 시스템 통합업체는 기계 내부에 여러 센서를 설치했으며, TwinCAT Scope View를 통해 프로토타입 분석을 위한 첫 번째 데이터 세트를 빠르고 쉽게 획득할 수 있었다. 후속 데이터 분석에서는 기계가 스프 봉지를 잘못 절단했을 때 발생한 측정값에 대한 특정 민감도가 나타났다. 그러나, 전통적인 공학적 방법으로는 신뢰할 수 있는 수준으로 이런 제품 결함을 찾아낼 수 없었다. 포장 재료의 변화나 전달 속도, 컷팅 장력뿐만 아니라 기계 진동과 같은 데이터에 영향을 미칠 수 있는 몇 가지 불확실성 요인이 있기 때문이었다. 이러한 까다로운 분석 어플리케이션을 위한 솔루션을 찾기 위해, Tianjin FengYu는 머신러닝(ML)으로 데이터 기반 엔지니어링을 구현할 수 있는 TwinCAT Machine Learning을 사용하기로 했다.
Lu Peng(왼쪽), Tianjin FengYu 프로젝트 매니저, Wan Pinlei(가운데), Beckhoff China 시스템 어플리케이션 엔지니어 – TwinCAT Machine Learning 솔루션의 하드웨어 코어로 CX51xx 임베디드 PC 사용 – Xie Shaowei(오른쪽), Beckhoff China 기술 지원 엔지니어 © Beckhoff
산업 어플리케이션에서의 머신러닝
제품 검사의 기초는 결함이 없는 제품과 결함이 있는 제품을 구별할 수 있는 분류기이다. ML 기반 분류기를 사용해야 하는 경우, 수학 모델은 명시적 프로그래밍 없이 올바른 결정을 내릴 수 있도록 표본 데이터를 기반으로 트레이닝된다.
Beckhoff는 데이터 수집, 모델 트레이닝을 비롯해 제어 시스템 내에서 학습된 모델의 배치에 이르기까지 전체적인 엔지니어링 주기를 지원하기 위한 다양한 도구와 개방형 인터페이스를 제공한다.
•데이터 수집: 데이터의 양과 품질은 ML 어플리케이션에 중요한 영향을 미친다. Beckhoff의 광범위한 I/O 및 소프트웨어 제품을 통해 거의 모든 데이터를 수집할 수 있다. Scope View, Database Server, Data Agent, Analytics Logger와 같은 TwinCAT 소프트웨어의 다양한 기능을 통해 데이터를 산업용 PC, 로컬이나 원격 데이터베이스, 클라우드에 저장할 수 있다.
•모델 트레이닝: 수집된 데이터는 데이터와 원하는 결과 간의 상관관계를 찾거나 상관관계를 강화하기 위해 초기에 사전 처리되어야 한다. 이후 적절한 ML 알고리즘이 식별되고 모델 트레이닝을 위해 파라미터화된다. 이를 위해 Beckhoff는 PyTorch, Keras, Scikit-learn과 같은 기존의 개방형 ML 프레임워크를 사용할 것을 권고하고 있다. 마지막으로, 트레이닝된 모델을 표준 교환 형식 ONNX(Open Neural Network Exchange) 파일로 저장할 수 있다. ONNX 파일은 트레이닝된 모델의 연산과 파라미터를 설명한 다음 TwinCAT의 직렬화에 더 적합한 바이너리 형식(BML)으로 변환할 수 있다.
•모델 배포: 머신러닝을 위한 TwinCAT 런타임 환경(TF3800 및 TF3810)은 트레이닝된 모델 파일(BML 형식)을 컨트롤러에 동적으로 로드할 수 있으며, 여기서 모델은 1ms 미만의 주기로 실시간 실행될 수 있다. 이러한 방식으로 추론 결과(트레이닝된 ML 모델의 실행)를 직접 처리할 수 있으며, 초고속 EtherCAT 통신을 통해 출력 디바이스로 전송되어 기계를 실시간으로 제어할 수 있다.
생산 라인의 불량품 감지는 위에서 설명한 3단계 방법에 따라 정확히 시행되었다. 먼저 센서 데이터는 EL1xxx/EL3xxxx EtherCAT 디지털/아날로그 입력 터미널과 TwinCAT Scope View를 통해 수집되었다. 이후, ML 모델은 개방형 소스 프레임워크 Scikit-learn을 통해 트레이닝 되었고, 모델 설명 파일이 생성되었다. 센서 데이터에 필요한 전처리는 제어 시스템에서 TwinCAT Condition Monitoring을 통해 구현되었다. 그런 다음 해당 BML 파일이 CX51xx 임베디드 PC에 배포되었다. 여기서 TwinCAT Machine Learning 런타임의 도움으로 모델을 실시간 실행하고 EL2xxxx EtherCAT 디지털 출력 터미널을 통해 불량품을 식별하기 위한 추론 결과를 출력했다. Tianjin FengYu에 따르면, 시스템 개방성은 Beckhoff 제어 기술의 가장 큰 장점이며, 많은 투자 없이 기존의 타사 생산라인 메인 컨트롤러와 통합될 수 있다는 점에서 상당한 이득이 있었다고 한다.
개방형 플랫폼으로 알고리즘 개발 가속화
ML 알고리즘의 검증에는 여러 테스트가 요구되고, 이를 위해 엔드유저 쪽을 자주 확인해야 하기 때문에 시간이 많이 소요되는 까다로운 프로세스이다. 그러나 TwinCAT 개방형 소프트웨어 플랫폼을 사용하면 기계에 직접 액세스하지 않고도 알고리즘을 효율적으로 검증할 수 있다. 생산 기계에 기록된 데이터는 모델 교육을 시작하기 전에 트레이닝 데이터와 검증 데이터로 구분된다. 그런 다음 트레이닝 데이터 세트만 ML 알고리즘을 트레이닝하는 데 사용된다. 검증 데이터 세트는 처음에 학습된 알고리즘이 알 수 없는 데이터에서 얼마나 잘 수행되는지 테스트하기 위한 트레이닝 환경에서 사용될 수 있다.
데이터 전처리를 성공적으로 포팅하고 ML 알고리즘을 TwinCAT에 통합한 후, 생산 코드를 기반으로 유효성 검사를 수행할 수 있다. 코드는 테스트 시스템(또는 실제로 사용되는 임베디드PC, 산업용 PC)에서 실행되며 검증 데이터 세트는 TwinCAT Database Server 기능을 통해 가상 데이터 소스로 사용하기 위해서 TwinCAT 실시간 환경으로 스트리밍된다. 현장 센서와 동일한 샘플링 주파수가 채택되므로, 엔드유저 현장의 시나리오를 최적으로 시뮬레이션 할 수 있다. 마찬가지로, 생산 기계에 수집된 새로운 데이터세트를 테스트 환경에서 사용해 다양한 상황을 탐색할 수 있다. 궁극적으로 테스트 데이터는 임베디드 PC에서 전체 ML 어플리케이션의 유효성을 검사 및 평가하고 안전한 작동을 보장하는 역할을 한다.
개방형 TwinCAT 플랫폼을 사용한 개발, 검증, 타당성은 공장에서 ML 알고리즘을 테스트할 필요가 없으며 구현 단계를 대폭 가속화한다. Tianjin FengYu에 따르면, 개방형 TwinCAT 플랫폼 덕분에 이 식품회사의 사업분야 프로젝트 진행에서 있어서 코로나 팬데믹의 영향을 거의 받지 않았다고 전했다.
ML 워크플로우(위)와 TwinCAT Scope View(아래, 빨간색으로 표시)에서 감지 및 표시되는 이상 징후. © Beckhoff
실시간으로 ML을 보호하는 멀티태스킹 및 멀티 코어 기능
ML 알고리즘은 CX51xx에서 세 단계로 실행된다.
•센서 데이터 수집
•데이터 전처리
•불량품 감지를 위한 ML 모델 실행
한편, 제품 검사는 전체 컷팅 공정에서 센서 데이터를 수집하기 위해 높은 샘플링 주파수가 필요하다는 점을 유의해야 한다. 반면에 획득한 데이터를 처리하고 ML 모델을 실행하기 위해서는 낮은 실행 주파수가 필요하다. 그러나 하나의 PLC task에 두 개의 실시간 시퀀스가 존재하는 이러한 명백한 모순은 TwinCAT의 멀티태스킹 및 멀티 코어 기능을 통해 잘 해결될 수 있다. 이는 서로 다른 프로세서 코어에 대한 여러 task의 안정적인 실행과 여러 PLC task 간의 오류 없는 데이터 교환을 모두 보장하기 때문이다. 또 다른 장점은 이러한 기능들이 간단한 구성과 이미 주어진 PLC 펑션블록을 통해 약간의 투자만으로 구현될 수 있다는 것이다. 라면 생산을 위해 설명한 프로젝트에서는 2개의 PLC task와 2개의 프로세서 코어를 사용해 2단계의 ML 알고리즘이 안정적으로 실행되었다.
머신러닝 및 PC 기반 제어로 투자 최소화
머신러닝의 접근 방식과 데이터 마이닝을 통해 생산 문제를 더 빠르고 효율적으로 해결할 수 있어 R&D 비용을 절감할 수 있다. Tianjin FengYu가 면 생산라인에서 경험한 바에 따르면 TwinCAT Machine Learning의 이상 징후를 감지하는 성능이 기존 엔지니어링 방식보다 우수하다. 또한 개방형 TwinCAT 플랫폼을 통해 데이터 수집, 교육, ML 추론을 위한 전체 워크플로우를 자동화할 수 있었다. 2020년 말, 새로운 품질 검사 시스템은 이미 약 4개월 동안 몇몇 엔드유저의 생산 라인에서 완전 자동으로 실행되고 있다. 개방형 Beckhoff 솔루션 덕분에 고객들은 기존 메인 제어 시스템을 수정하지 않고도 검사 시스템을 구현할 수 있었으며 불량품이 신속, 정확하게 감지되어 고객 불만을 줄일 수 있었다.
시스템 통합업체 Tianjin FengYu는 Beckhoff의 CX51xx, EtherCAT I/O, TwinCAT을 통해 기계 사용이 훨씬 간편해지고 유연해졌다고 강조한다. 현장 생산 라인의 복잡한 메커니즘에도 불구하고, Beckhoff 엔지니어들의 적극적인 지원 덕분에 시운전 및 유지보수도 매우 간단했다. 게다가, 개방형 PC 기반 제어 기술은 포장의 품질 검사 문제를 해결했으며, 또한 ML 방법을 사용해 브랜드에 관계없이 기존 기계로부터 데이터를 수집했다. Tianjin FengYu는 머지 않아 점점 더 많은 엔드유저가 TwinCAT Machine Learning의 혜택을 받을 것이라고 확신한다.
링크
www.tjfylk.com
www.beckhoff.com/machine-learning
연락처
Beckhoff Automation Co., Ltd.
www.beckhoff.com/kr
info-kr@beckhoff.com