기계공학에서의 인공지능 적용 사례

공학시스템 고장예지 및 건전성 관리를 위한 딥러닝의 활용

인공지능을 이용한 공학시스템 상태진단 및 예지

자율주행 자동차의 인공지능

기계공학 전문가시스템과 인지(Cognitive) 컴퓨팅

THEME 01

THEME 02

THEME 03

THEME 04

THEME 05

● 담당위원 : 박종원 책임연구원(KIMM)

기계공학에서의 인공지능 적용 방안 및 사례

30 ● 기계저널

박승태 울산과학기술원 제어설계공학과 석사과정 ㅣ e-mail : swash21@unist.ac.kr

정해동 울산과학기술원 제어설계공학과 박사과정 ㅣ e-mail : hdhd13@unist.ac.kr

이승철 울산과학기술원 제어설계공학과 조교수 ㅣ e-mail : seunglee@unist.ac.kr

기계공학에서의 인공지능 적용 사례01THEM

E

인공지능과 기계

인공지능의 시대가 왔다. 인공지능이 최근 주목 받

는 이유는 다양한 분야에서 과거에는 할 수 없었고,

기대하지 못했던 성능을 보이기 때문일 것이다. 인공

지능은 복잡하고 어려운 수식들이 얽혀 있을 것이라

고 많은 사람들이 생각한다. 하지만 본질은 간단하다.

기계를 인간답게 하는 것이다. 인간다운 기계라는 표

현이 생소할 수도 있다. 인공지능의 기반이 되는 인공

신경망을 생각해보자. 인공신경망은 인간의 뇌구조

를 모티브로 만들어진 수학적 모델이다. 인간을 모사

한 기계가 인간보다 깊은 사고를 하지 못할 것이라고

생각하면 큰 오산이다. 알파고는 이세돌을 이겼다.

인공지능은 다양한 도로 상황을 학습하여 운전자

의 조작 없이 스스로 주행할 수 있는 자율주행자동차

를 가능케 한다. 하지만 기계는 여전히 인간보다는 단

순하다. 두 자릿수 사칙연산을 배운 인공지능은 세 자

릿수 사칙연산을 보는 순간 엉뚱한 답을 내어놓는다.

이처럼 기계는 우리보다 뛰어나기도 하며, 우리보다

단순하기도 하다. 그렇다면 인간의 사고방식과 기계

의 사고방식은 어떤 면에서 차이가 있을까?

기계의 귀납적 학습 방식(기계학습과 딥러닝)

귀납적 사고란 수많은 사례들을 일반화하여 패턴

또는 모델을 추출하는 것이다. 대부분의 인공지능 알

고리즘은 귀납적 학습을 통해 빅데이터 속에 숨어 있

는 원리를 추론한다. 빅데이터 수집이 가능해진 요즘,

인공지능이 주목받는 것은 우연이 아니다.

① 기계학습

▷ 비지도·지도 학습

기계학습은 학습 데이터의 종류에 따라서 일반적

으로 두 가지로 나뉜다(Krizhevsky et al., 2012). 비

지도 학습은 출력 정보가 없는 데이터에서 특정 패턴

을 찾는 것이다. 비지도 학습을 통하여 주로 데이터

이면에 존재하는 은닉 변수와 구조(hidden variables

and structure)를 찾거나 클러스터링을 통하여 대표

성(representation)을 부여한다(Lee, 1998). 지도학

습은 입력과 출력이 주어진 데이터들을 기반으로 새

로운 입력에 대한 출력을 결정할 수 있는 패턴을 추출

한다.

이 글에서는 기계공학분야에서 인공지능의 귀납적 모델과 연역적 모델의 다양한 적용 사례를 살펴보고 두 모델의

차이를 소개하고자 한다.

2017. 3., Vol. 57, No. 3 ● 31

▷ 비지도 학습 예시 - 로봇 이상 감시(Anomaly

Detection)

정상 상태 데이터의 분포와 새로 취득된 데이터 사

이의 통계적 거리를 계산하여 기계시스템의 상태를

판단할 수 있다. 그림 1은 산업용 로봇에 비지도 학습

이 적용된 사례를 보여준다. 로봇의 축 관절을 구동하

는 서보 모터의 입력 신호와 인코더 신호의 차이를 학

습한다면, 서보 모터에 결함이 발생하거나, 과하중이

걸려 이상이 발생했을 때 스스로 감지할 수 있는 지능

로봇을 구현할 수 있다.

▷ 지도 학습 예시 - 회전체 상태진단

기계설비의 결함 데이터의 취득이 가능하다면, 지

도 학습 알고리즘을 통해 정상상태와 고장상태를 분

류할 수 있다. 이것은 인공지능을 통해 스스로 상태를

진단할 수 있는 기계시스템을

의미한다(그림 2). 인공지능이

내장된 스마트센서를 통해 기

계시스템의 정보가, 최근 각광

을 받고 있는 사물인터넷 플랫

폼 상에서 서로 연결되고 공유

된다면 기존의 기계시스템에

혁신을 가지고 올 수 있다. 예를

들어 GE는 제조용 사물인터넷

플랫폼 프리딕스(Predix)를 통

해 지능형 디지털 제조 시장을

선도해 나아가고 있다.

② 딥러닝

▷ 기계와 영상 이미지

‘백문이 불여일견’이라는 말이

있다. 이처럼 이미지는 많은 시

각적인 정보를 담고 있기 때문

에, 이미지에서 필요한 정보를

추출하고자 하는 노력은 오래

전부터 계속되어 왔다. 특히 영상처리 분야에서는 물

체를 대표할 수 있는 꼭짓점, 윤곽선과 같은 특성인자

추출을 통한 접근을 시도해왔다. 하지만 최근 딥러닝

중 합성곱 신경망(CNN: Convolutional Neural

Network)의 등장은 이미지 인식의 패러다임을 바꾸

어 놓았다. 이는 1,000개의 카테고리로 나눠진 10만

개의 영상에서 물체를 5% 미만의 오류로, 인간과 비슷

한 수준의 분류에 성공하였다.(Krizhevsky et al.,

2012)

그림 3은 회전체 기계시스템에 합성곱 신경망이 적

용된 사례를 보여준다. 기계시스템의 주요 구성요소

인 회전체는 고장 시 경제적 손실이 크며 특히 안전과

관련하여 그 상태를 진단하고 미리 예방하는 기술은

필수이다. 회전체의 상태를 진단하기 위해 스펙트럼

또는 궤도 분석이 주로 사용된다. 특히 궤도는 회전체

THEME 01

그림 2 기계시스템에서의 지도 학습

그림 1 비지도 학습을 이용한 로봇 진단

32 ● 기계저널

역학과 연계되어 시스템의 상태

를 시각적으로 표현한다(Lee,

1998). 하지만 시스템마다 궤도

의 형상이 조금씩 다를 수 있기

때문에 아직도 현장에서는 궤도

형태를 작업자가 직접 모니터링

하고 있다. 궤도 형상을 영상 이

미지로 변환하여 이미지 패턴

인식 문제로 접근한다면 합성곱

신경망을 통해 궤도 형상 분류

문제를 쉽게 학습시키고 적용할

수 있다.(Jeong et al., 2016)

▷ 기계와 시계열 데이터

순차신경망(RNN: Recurrent

Neural Network)은 인공신경

망의 형태 중 하나로, 시계열 데

이터에 내제되어 있는 동적 패

턴과 특성 파악에 유용하다. 이

는 구조적으로 메모리에 해당하

는 은닉상태(hidden state)를

통해 과거 정보가 다음 단계로

전달이 가능해졌기 때문이다.

이러한 구조적 특징 때문에, 순

차신경망은 최근 자연어 처리에

뛰어난 성능을 보인다.

센서에서 측정되는 대부분의 계측 데이터(진동, 소

음 등) 또한 자연어와 같은 시계열 형태를 가진다. 따

라서 순차신경망은 제어계측 분야에도 적용 가능성

이 높다. 그림 4와 같이 모니터링 시스템을 통해 측정

된 시계열 데이터에 순차신경망을 적용해서 제품 또

는 설비의 정상/불량을 판단하는 진단 방법들이 최근

연구되고 있다.

인간의 연역적 학습 방식

앞의 기계공학에서 인공지능의 다양한 성공 사례

에도 불구하고, 귀납적 사고는 그 한계가 분명하다.

많은 관찰 데이터가 없다면 그 결과를 신뢰할 수 없

다. 하지만 인간은 관찰의 수가 적어도, 또는 관찰 없

이도 다른 새로운 것 들을 추론해낼 수 있다. 예를 들

어, 수학에서는 기존의 이론을 바탕으로 새로운 정리

를 만들고, 증명도 할 수 있다. 베이지안 학습은 사전

지식 분포(prior)와 관찰에 의한 확률 분포인 가능도

THEME 01 기계공학에서의 인공지능 적용 사례

그림 3 기계 분야에 적용된 딥러닝의 예시

그림 4 Recurrent Neural Networks Architecture

2017. 3., Vol. 57, No. 3 ● 33

(likelihood)를 이용하여 둘 사이의 적절한 합의점으

로 사후확률 분포(posterior)를 찾는 것이다. 우리가

알고 있던 지식이 일어난 현상과 다르면 그 지식을 적

절히 수정할 필요가 있다.

기계분야에서는 베이지안 학습 중에서도 칼만 필

터가 유명하다. 센서 융합과 궤도 추정뿐만 아니라,

자율주행차의 위치를 추론하는 것에도 사용되어 왔

다. 뿐만 아니라, 그림 5처럼 복잡 시스템의 고장진단

에 전문가 지식과 관찰된 복합 결함 증상을 재귀 베이

지안 추정을 통해, 가능성이 가장 높은 고장원인을 추

론하기도 한다.

지능형 기계시스템

앞에서 데이터 기반에 인공지능 기법이 적용된 지

능형 기계시스템의 사례를 살펴보았다. 모터의 입력

신호, 회전체의 진동신호, 궤도의 영상 이미지, 전문

가 지식 같은 다양한 형태의 데이터가 존재하며, 이에

따른 적절한 인공지능 모델을 통한 성공적인 결과들

도 보았다.

딥러닝의 경우에는 모델과 그 연산이 복잡하기 때

문에 비록 좋은 결과를 낸

다고 해도, 내부적으로 어

떠한 동작 원리로 작동하

는지 해석하기가 쉽지 않

다. 반면에 베이지안 접근

방식은 사전지식에 기반

하기 때문에 인공신경망

에 비해 적은 데이터가 필

요하지만, 복잡한 구조를

설명하기에는 부족하다.

서로의 단점을 극복하기 위해, 귀납법과 연역법적인

사고를 동시에 사용해야 한다. 기계시스템에 적절한

데이터와 모델을 통한 인공지능은 기계·제조산업의

혁신을 앞당길 수 있는 핵심요소가 될 것이다. 기계시

스템의 지능의 향상을 위해서 기계공학 분야에서도

인공지능의 연구가 활발하기를 기대한다.

참고문헌

Krizhevsky, A., Sutskever, I., and Hinton, G.

E., 2012, “ImageNet Classification with Deep

Convolutional Neural Networks,” In Advances in

Neural Information Processing Systems, pp.

1097-1105.

Lee, B. J., 1998, “Vibration and Maintenance

Handbook,” KEPCO.

Jeong, H., Park, S., Woo, S., and Lee, S., 2016,

“Rotating Machinery Diagnostics Using Deep

Learning on Orbit Plot Images,” Procedia

Manufacturing, 5, pp. 1107-1118.

THEME 01

그림 5 Recursive Bayesian Estimation

34 ● 기계저널

오현석 광주과학기술원 기계공학부 조교수 ㅣe-mail : hsoh@gist.ac.kr

윤병동 서울대학교 기계항공공학부 부교수 ㅣe-mail : bdyoun@snu.ac.kr

이 글은 공학시스템 고장예지 및 건전성 관리 기술을 소개하고, 최근 주목받고 있는 인공지능기술인 딥러닝과

접목한 연구 사례를 제시한다.

고장예지 및 건전성 관리의 필요성

공학시스템 고장예지 및 건전성 관리(PHM:

Prognostics and Health Management)가 왜 필요

할 수 있는 지 다음 두 가지 대표적인 사례를 통해 알

아보고자 한다. 첫 번째 사례이다. 2016년 10월 11

일, 삼성전자는 스마트폰 신제품 “갤럭시노트7”의 판

매 중단을 선언하였다. 공식 출시 후 보름 만에 첫 번

째 리콜을 발표하여 일부 제품을 교환하였으나, 기존

문제가 재발, 안타깝게도 출시 한 달 반 만에 영구적

판매 중단을 선언하게 되었다. 기존 구매자 보상을 위

해 3조 6,000억 원, 미래 판매 기회상실로 인한 손해

3조 원, 총 7조 원 가량의 손실을 삼성전자가 떠안은

것으로 추정된다.

두 번째 사례이다. 2009년 11월 2일 토요타자동차

는 차량 420만 대의 가속페달 바닥매트 교체를 위한

대규모 리콜을 발표했다. 하지만, 문제가 재발하여

410만 대 차량에 대한 추가 리콜을 발표하였다. 지금

까지 토요타자동차 급발진 문제로 약 400명의 소중

한 목숨이 희생된 것으로 추정된다. 토요타자동차는

리콜 비용 20억 달러, 피해자에게 12억 달러 합의금,

미국사법부 12억 달러 벌금 등을 지불하였다. 앞의

두 건의 사례는 예상하지 못한 공학시스템의 이상, 고

장 또는 사고가 발생했을 때, 얼마나 막대한 인적 물

적 손실이 발생할 수 있을지 보여주고 있다. 이 외에

도 2010년 Nvidia GPU 오작동, 2012년 보잉 787 배

터리 발화 등 문제 원인을 파악하기 힘든 사건들이 최

근 늘어나는 추세이다.

더 가볍고, 더 높은 성능을 가진 제품을 개발하는

것은 차세대 제품 성공을 위해 거부하기 힘든 법칙이

다. 이를 위해 제품 설계, 생산에서 지속적인 혁신이

이루어지고 있다. 경쟁사와 제품 차별화를 위해 신제

품을 좀더 빨리 출시하려 한다. 이는 주요 부품, 모듈,

시스템의 시험 및 검증 시간 단축으로 이어지게 된다.

결국, 삼성전자, 토요타자동차의 사례와 같이 예상치

못한 사건이 발생할 가능성을 높인다.

차세대 제품에서 발생하는 고장들의 특징은 간헐

적(intermittent)이고 불확실(uncertain)하다라는 것

이다. 전자제품의 약 40~85%의 고장들은 “고장 찾지

못함”(NFF: No Fault Found)이라고 보고되고 있다.

NFF는 제품 고장 발생 시, 수리센터에 가져가서 점검

을 하면 정상적으로 작동하는 증상이다. 동일하게 제

작되었다고 믿어지는 제품의 성능은 모두 편차를 가

진다. 이러한 사실은 현재 출시된 차세대 제품 신뢰성

에 대해 근본적인 의문을 제기하고 있다. 과연 차세대

제품들이 실제 작동 조건에서, 원하는 사용기간 동안,

공학시스템 고장예지 및 건전성 관리를 위한 딥러닝의 활용02TH

EME

2017. 3., Vol. 57, No. 3 ● 35

THEME 02

주어진 성능을 발휘할 수 있을 것인가? 이러한 질문

에 어쩌면 PHM기술이 답을 할 수 있을지도 모른다.

현재 국내외 여러 기관에서 PHM기술이 활발히 연구

되고 있다.

고장예지 및 건전성 관리

PHM기술은 기계저널 테마기획(2013년 7월호,

2016년 11월호)을 통해 이미 소개된 바가 있다. 흔히

공학시스템의 PHM기술을 설명하기 위해 사람에 대

한 의료기술에 빗대기도 한다(그림 1 참조). 사람이

나이를 먹으면 필연적으로 노화를 경험하게 된다. 이

때 적절한 의료 기술을 이용하여, 현재 건강상태를 관

찰, 진단하고 나아가 미래 상태를 예측하고 선제적으

로 조치해 줌으로써, 건강을 유지하며 더 오래 살 수

있게 된다. 이러한 개념은 사람뿐 아니라 공학시스템

에 유사하게 적용할 수 있을 것으로 기대한다. PHM

기술은 공학시스템의 실사용 상황에서 센서를 이용

하여 관찰(in-situ Monitoring)하고, 이상상태를 진

단(Diagnostics)하며, 언제 고장 수준에 도달할지 미

리 예지(Prognostics)하여, 필요한 경우 조치하는 관

리(Management)하는 것으로 정의할 수 있다.

PHM기술의 구성 요소인 “실사용 상황에서 관찰”

은 기존의 설계 또는 생산 단계에서 고려하지 못한 상

황이 발생하였을 때, 그 상황에 대한 증거를 수집한다

는 측면에서 매우 중요하다. NFF 문제를 풀 실마리를

제공하는 중요한 단서를 제공할 수 있다. 최근 “사물

인터넷”이란 구호하에 많은 작동, 환경 인자들이 측

정되고 있다. 저비용 고신뢰성 센서 개발, 클라우드

컴퓨팅으로 인해 빅데이터의 활용은 점차 늘어나고

있다. 따라서 실사용 상황에서의 공학시스템을 관찰

하는데 더욱 우호적인 환경이 조성되고 있다.

PHM 진단 및 예지기술 개발에 인공지능을 활용할

수 있다. 앞서 언급하였듯이, 공학시스템에서 많은 데

이터 수집이 가능해짐에 따라 전통적으로 인간 진단

전문가가 하던 진단 및 예지작업을 인공지능이 보완

할 수 있는 상황으로 변하고 있다. 현재 산업현장에서

는 오랜 경험과 도메인 지식을 가진 인간 진단 전문가

에 의해 공학시스템의 진단과 예지가 이루어지고 있

는 것이 사실이다. 이 경우, 인간 전문가 개인의 경험

과 지식이 서로 다르기 때문에, 같은 상황에서 다른

판단을 내릴 가능성이 존재한다. 또한 인간 전문가가

축적할 수 있는 경험과 지식의 양이 제한되어 있어 다

양한 상황이 고려되지 않을 수 있다. 인간 전문가의

판단을 도와주기 위한 도구로써 인공지능(AI:

Artificial Intelligence)에 기반한 PHM기술 활용을

고려해 볼 수 있을 것이다.

인공지능은 문자 그대로 기계가 인간과 동일하게

행동하게 만드는 것이다. 강인공지능(Strong AI)과

약인공지능(Weak AI)으로 구분된다. 강인공지능은

대부분의 문제에 인간과 유사하게 사고하고 판단을

내릴 수 있는 것으로, 현재 가능한 시스템은 없다. 이

그림 1 고장예지 및 건전성 관리의 개념: 인간과 공학시스템의

유사성

36 ● 기계저널

THEME 02 공학시스템 고장예지 및 건전성 관리를 위한 딥러닝의 활용

에 반해 약인공지능은 특정한

문제에 대해서만 인간과 유사

하게 행동할 수 있는 제한적

인 능력을 가지는 시스템이

다. 구글 딥마인드 사의 알파

고가 좋은 예이다. 약인공지

능을 활용한 연구는 지금까지

몇 번의 도약기와 암흑기를

거쳐 왔다. 현재 PHM 분야에

서 인공신경망, 서포트 벡터

머신, k-평균 군집화 등 기계

학습법을 활용한 전문가시스

템이 개발되어 고장진단예지

에 활용되고 있다. 2006년 이

후, 인공지능기술은 딥러닝

(Deep Learning) 구현을 위

한 새로운 기법 개발을 통해

음성 및 이미지 인식, 언어 번

역, 문서작성 등의 분야에서

또 한 번의 도약을 하게 된다.

이러한 딥러닝 기술은 공학시

스템의 고장예지 및 건전성관

리에도 충분히 활용될 수 있

으며, 아래 한 가지 연구 사례

를 소개한다.

연구 사례: 딥러닝 활용 발전소 증기터빈 저

널베어링 이상진단

발전소의 증기터빈을 효율적으로 유지, 관리하기

위해서 PHM기술이 이용되고 있다. 일반적으로 증기

터빈 저널베어링시스템과 같은 현장에서 실제 시스

템의 고장 데이터를 얻는 것은 극히 어렵다. 현장 고

장(또는 이상) 데이터의 부족을 극복하기 위해, 기존

접근법은 실제 시스템의 정상 및 결함 조건을 모방하

는 테스트베드에서 수집된 데이터를 사용한다. 그럼

에도 불구하고 테스트베드에서 수집한 데이터로 개

발된 방법은 실제 시스템을 진단하는 데 적절하지 않

을 수 있다. 본 사례연구에서는 테스트베드 및 실제

현장에서 수집한 저널 베어링 근접센서 이종 데이터

를 통합하여 진동 신호의 이미지 변환을 통해 딥러닝

기반 이상상태 진단법을 개발하였다.(그림 2 참조)

Restricted Boltzmann Machine을 세 번 적층하

여 Deep Belief Network를 만든 딥러닝 아키텍쳐

그림 3 저널 베어링 이상상태 진단에 사용된 딥러닝 아키텍쳐 (Restricted Boltzmann Machine을

활용한 Deep Belief Network)

그림 2 이미지 및 딥러닝 이용 증기터빈 저널베어링 이상상태 진단의 개요

2017. 3., Vol. 57, No. 3 ● 37

THEME 02를 구성하였다(그림 3 참조). 진동 영상 및 딥러닝 기

반 이상상태 진단법을 사용하면 출처가 다른 이종 데

이터를 통합할 수 있다. 본 사례연구는 현장의 저널베

어링시스템의 다양한 불확실성을 포착할 수 있음을

시사하였다. 알고 있는 클러스터의 이미지 확인을 통

해 알려진 결함들이 식별되며, 나머지 클러스터는 알

려지지 않은 결함 또는 알려진 결함의 조합일 수 있

다. 이러한 클러스터는 인간 진단 전문가가 조사하고

추가로 레이블을 지정할 수 있음을 보여주었다.

맺음말

타 분야에서 인공지능이 뛰어난 성능을 발휘하였

다고 해서 PHM분야에서 인공지능이 뛰어난 성능을

보일 것이라고 판단하는 성급한 오류는 피해야 할 것

이다. 인공지능 기술개발의 선행 요소는 양질의 충분

한 데이터 확보이다. 지금까지 딥러닝을 활용한 성공

사례 중, 이미지 및 음성 인식 등의 분야에서는 딥러

닝 알고리즘 훈련을 위해 엄청난 양의 데이터를 활용

하였다. 이론적으로는 충분한 데이터가 확보된다면,

정답을 예측할 수 있다. 하지만, 안타깝게도 PHM분

야에서의 현실은 그렇지 않다. 충분한 양의 정상, 고

장 데이터 확보는 거의 불가능하다. 그럼에도 불구하

고, Industry 4.0의 구호하에 많은 데이터가 축적되

고 PHM기술 개발에 우호적인 환경이 조성되고 있다.

앞으로 어떻게 이러한 어려움들을 극복하느냐가 앞

으로의 도약을 좌우할 것이라 판단한다.

38 ● 기계저널

인공지능을 이용한 공학시스템 상태진단 및 예지03TH

EME

윤병동 서울대학교 기계항공공학부 부교수 ㅣe-mail : bdyoun@snu.ac.kr

황태완 서울대학교 기계항공공학부 박사과정 ㅣe-mail : michel4546@snu.ac.kr

조수호 서울대학교 기계항공공학부 석사과정 ㅣe-mail : jsh1201@snu.ac.kr

이동기 서울대학교 기계항공공학부 석사과정 ㅣe-mail : kidesper1@naver.com

나규민 서울대학교 기계항공공학부 석사과정 ㅣe-mail : jeonryu@naver.com

이 글에서는 인공지능을 이용한 공학시스템 고장진단 및 예지기술(PHM: Prognost ics and Health

Management)의 개념을 소개하고, 실제 적용 사례를 제시한다.

산업현장의 설비들은 수많은 물리적 구성품이 복합

적으로 묶여져 있는 하나의 시스템이다. 따라서 한 부

품의 불시 고장은 전체적인 시스템의 성능 저하 및 엄

청난 인적, 물적, 사회적 손실을 초래할 수 있다. 향후

산업설비의 용량 및 복잡도가 증가할 것을 고려하면

신뢰성 있는 시스템 관리는 중요한 문제이다. 이에 대

한 대안으로, 센서를 이용해 산업설비의 상태를 모니

터링하여 고장을 진단하고 잔여유효수명을 예측하는

시스템 고장진단 및 예지기술(Prognostic and Health

Management, 이하 PHM)이 주목을 받고 있다.

PHM기술은 그림 1과 같이 ① 데이터 취득

(Sensing), ② 전처리 및 특징인자 추출(Reasoning),

③ 고장 진단(D i a g no s t i c s) , ④ 수명 예측

(Prognostics)으로 진행된다.

① 데이터 취득 단계에서는 실제 산업설비의 특성을

분석하고 이상 상태를 감지하기 위한 최적의 센서 종

류, 위치, 수량을 결정하고 데이터 취득 시스템을 구축

한다. ② 전처리 및 특징인자 추출 단계에서는 계측, 수

집된 원신호에서 고장과 관련 있는 통계적, 물리적 건

전성 특징인자를 추출한다. ③ 고장 진단 단계에서는

추출한 건전성 특징인자를 바탕으로 정상/이상을 판단

하고 고장 모드를 추정한다. ④ 수명 예측 단계에서는

실제로 시스템이 정지에 이르기까지 남은 잔여 유효수

명을 예측한다. 하지만 특정 시스템에 PHM기술을 적

용하기 위해서는 시스템에 대한 물리적 지식, 다차원

특징인자 분석, 수많은 고장 데이터가 요구된다.

최근에는 인공지능(Artificial Intelligence) 기술을

활용하여 이러한 문제점을 극복하려는 연구가 활발히

진행되고 있다. 인공지능이란 ‘인간의 학습능력과 추

론능력, 지각능력 등을 컴퓨터 프로그램으로 실현한

기술’을 의미하며 특히 기계학습(machine learning)

기술을 활용하여 현실화되고 있다. 기계학습기술을

활용하면 다차원의 방대한 데이터를 학습하여 새로운

데이터의 속성을 분류하고 예측할 수 있다. 기계학습

기술을 PHM에 접목하면, 다차원의 건전성 특성인자

를 바탕으로 자동화된 고장 분류 수행 및 고장 기준 선

정 및 열화 모델 구축을 수행할 수 있다. 또한 딥러닝

(deep learning) 기술을 활용하여 시스템에 대한 적은

물리적 이해를 바탕으로도 건전성 특징인자를 추출하

는 연구도 진행되고 있다. 이러한 기계학습을 구현하

2017. 3., Vol. 57, No. 3 ● 39

THEME 03

기 위해서 인공신경망(Artificial neural network),

kNN(k Nearest Neighbor), 서포트 벡터 머신

(Support vector machine), 의사결정 트리(Decision

tree) 등이 활용된다. 아래 각 섹션에는 인공지능을 활

용한 PHM 사례를 소개하고 인공지능을 활용하기 위

한 주의 점을 정리하고자 한다. 자세한 연구사례는

http://shrm.snu.ac.kr에서 확인할 수 있다.

사례1. 딥러닝을 활용한 저널베어링 고장진단

딥러닝이란 신경망 기반의 비선형 변환 기법을 활용

하여 다차원의 데이터를 추상화하고 이 과정에서 핵심

적인 정보를 추출하는 기계학습의 한 기법이다. 기존

에는 사람이 정의한 특징인자를 데이터로부터 추출하

여 분류 및 예측 문제를 해결하였

다. 하지만 딥러닝을 활용하면 학

습 데이터로부터 자율적으로 특징

인자를 추출하고, 이를 바탕으로

분류 및 예측 문제를 해결할 수 있

다. PHM에 딥러닝을 적용한다면

특징인자 추출 단계를 고도화할

수 있다.

Oh(2016)는 딥러닝 기술을 활

용하여 저널베어링 고장진단에

사용되는 특징인자를 추출하고

고장진단을 수행하였다. 그림 2처

럼 진동 데이터를 딥러닝에 입력

하 기 위 해 O D R ( O m n i

Directional Regeneration) 기법

을 활용하여 진동 신호를 이미지

화 하였으며, HoG(Histogram of

Gradient) 기법으로 전처리를 수

행하였다. 그 후 특징인자를 추출

하기 위해 다층의 제한된 볼츠만

머신(Restricted Boltzmann

Machine)을 활용하여 깊은 신경

망(Deep Belief Network)을 구현하고 건전성 특징

인자를 추출하였다. 최종적으로 특징인자를 바탕으로

다층 퍼셉트론(Multi Layer Perceptron)에 학습하여

다양한 고장모드를 학습하고 평가하였다. 그 결과 딥

러닝을 통해 추출된 건전성 특징인자의 고장진단 정

확도가 전문가 지식에 기반해 추출한 건전성 특징인

자에 비해 높음이 확인되었다.

사례 2. 상호학습을 활용한 베어링 수명예측

상호학습(Co-training)기법은 고장 발생 전의 열

화 데이터인 중지 데이터(suspension data)를 활용

하여 잔여 유효수명 예측의 정확성을 높이는 방법이

다. 기계학습 기반의 PHM을 수행하기 위해서는 고장

그림 2 딥러닝을 활용한 자율 특징인자 추출 방법

그림 1 기존 PHM기술(흰색 배경)과 인공지능을 활용한 PHM기술(파란색 배경) 흐름도

40 ● 기계저널

까지의 열화 데이터가

필요하지만 실제 공학

시스템에서는 고장 데

이터를 확보하기가 어

렵다. 상호학습기법은

이러한 어려움을 효과

적으로 해결하면서 예

측의 강건성도 확보할

수 있는 장점이 있다.

상호 학습 개념은 그림

3 과 같 다 . 라 벨 링

(labeling)이 된 학습 데

이터를 활용하여 각각

의 기계학습 알고리즘

에 적용을 한 뒤, 중지

데이터를 라벨링시킨

다. 그 후, 라벨링된 중

지 데이터를 활용하여

다른 기계학습 알고리

즘을 학습하여 학습량

을 늘린다.

Chao Hu(2015)는

상호학습(Co-training)기법을 활용해 팬 베어링의

잔여수명을 예측하였다. 팬 베어링에 불평형 질량을

인가하여 불균형상태로 만든 뒤 가속수명시험을 수

행하였고, 이 과정에서 진동 신호를 획득하였다. 획득

한 32개 베어링의 열화 신호를 10개의 고장 데이터,

10개의 중지 데이터, 12개의 검증 데이터로 분류하였

다. 알고리즘은 신경망 기반의 기계학습 기법인

FFNN(Feedfor ward neura l net work)과

RBN(Radial basis Network)을 활용하였다. 단일 알

고리즘을 활용하는 경우 10개의 고장 데이터만을 학

습하는 반면, 상호학습 기법을 활용한 경우 10개의

고장 데이터와 10개의 중지 데이터를 모두 활용하여

학습할 수 있다. 결과적으로 상호학습 기법을 활용하

면 단일 알고리즘에 비해 잔여수명 예측 오차가 감소

하는 것을 확인할 수 있다.

사례3. 앙상블기법을 활용한 제트엔진 수명 예측

앙상블(ensemble)기법은 다양한 예지 알고리즘을

종합적으로 고려하여 잔여수명을 예측하는 기법이

다. 일반적으로 기계학습 알고리즘을 활용할 때 가장

좋은 성능을 가지는 알고리즘을 선택하게 되고 선택

되지 않은 알고리즘을 구성하는 비용이 낭비된다. 앙

상블기법은 이러한 낭비를 줄일 수 있을 뿐만 아니라

더 높은 예지 정확성을 얻을 수 있는 장점이 있다. 앙

상블기법의 개념은 그림 4와 같다. 학습 데이터

(training data)를 이용하여 다양한 예지 알고리즘들

THEME 03 인공지능을 이용한 공학시스템 상태진단 및 예지

그림 3 상호학습 잔여수명 예측 기법

그림 4 앙상블(Ensemble) 잔여수명 예측 기법

2017. 3., Vol. 57, No. 3 ● 41

THEME 03의 가중치를 결정하고 평가 데이터(test data)를 대입

해 각 알고리즘의 잔여수명 예측치를 구한다. 최종적

으로 각각의 잔여수명에 가중치 평균을 통해 잔여수

명을 예측한다.

Chao Hu(2012)는 앙상블기법을 활용해 2008년

IEEE Data Challenge의 제트엔진 수명 예측 문제를

연구하였다. 제트엔진 시뮬레이션을 6가지 다른 운행

조건에서 수행하여 21종의 센서에서 열화 데이터를

얻었다. 앙상블예지기법을 사용했을 때 개별 알고리

즘보다 수명 예측의 정확도가 높음을 확인할 수 있다.

또한 앙상블 알고리즘을 활용하면 새로 개발될 예지

알고리즘을 통합할 수 있는 장점이 있다.

맺음말

이 글에서는 기존의 전문가 지식 기반 PHM기술의

한계점에서 벗어나 인공지능에 기반한 PHM기술을 딥

러닝, 상호학습, 앙상블과 같은 사례를 통해 확인하였

다. 해가 거듭될수록 기계시스템은 더욱이 복잡해지고

기술 분야 또한 세분화되고 있으며, IoT(Internet of

Things) 기술의 확산으로 방대한 데이터를 취득하고

있기 때문에 인공지능에 기반한 PHM기술은 현대 공

학시스템 관리 분야에서 핵심적인 요소로 대두될 것이

다. 실제로 산업인터넷 플랫폼계의 선두주자인

GE(General Electric)는 Predix라는 제품의 핵심 역

량을 확보하기 위해 인공지능 기반의 스타트업들을 다

수 인수한 것으로 보도되었다. 인공지능기술을 활용하

여 PHM기술을 개발하는 경우 특징인자를 자동적으로

추출할 수 있고, 다차원 데이터를 분석할 수 있다는 장

점이 있다. 하지만 물리적 지식 없이 고장 진단 및 예

측 모델을 만들기 위해서는 수많은 데이터가 필요하

고, 데이터를 처리하는 데 많은 시간이 걸린다는 문제

가 있다. 따라서 향후에는 기계공학적 전문가 지식과

인공지능을 결합한 PHM기술을 개발함으로써 그 효용

성을 증가시킬 것으로 기대된다.

참고문헌

Oh, Hyunseok, et al. “Smart diagnosis of journal

bearing rotor systems: Unsupervised feature

extraction scheme by deep learning.” (2016).

Jeon, Byung Chul, et al. “Datum unit

optimization for robustness of a journal bearing

diagnosis system.” International Journal of

Precision Engineering and Manufacturing16.11

(2015): 2411-2425.

Jung, Joon Ha, et al. “Omnidirectional

regeneration (ODR) of proximity sensor signals

for robust diagnosis of journal bearing systems.”

Mechanical Systems and Signal Processing90

(2017): 189-207.

Hu, Chao, et al. “A co-training-based

approach for prediction of remaining useful life

utilizing both failure and suspension data.”

Mechanical Systems and Signal Processing62

(2015): 75-90.

Hu, Chao, et al. “Ensemble of data-driven

prognostic algorithms for robust prediction of

remaining useful life.” Reliability Engineering &

System Safety103 (2012): 120-135.

Wang, Pingfeng, Byeng D. Youn, and Chao

Hu. "A generic probabilistic framework for

structural health prognostics and uncertainty

management."Mechanical Systems and Signal

Processing28 (2012): 622-637.

윤병동. “에너지산업 분야에의 고장진단 및 예지기

술 적용 사례.” 기계저널, 53.7 (2013): 44-52.

이수학, and 윤병동. “Industry 4.0 과 고장예지 및 건

전성관리 기술 (PHM) 의 방향.” 소음·진동 25.1 (2015)

오현석, and 윤병동. “데이터 특성인자 추출을 위

한 PHM기술 연구 동향.” 기계저널56.11 (2016):

32-36.

42 ● 기계저널

정석우 한국과학기술원 항공우주공학과 석사과정 ㅣe-mail : swjung92@kaist.ac.kr

심현철 한국과학기술원 항공우주공학과 부교수 ㅣe-mail : hcshim@kaist.ac.kr

자율주행 자동차는 기본적으로 ‘인지-판단-제어’

의 3단계를 거치면서 작동하게 된다. 인지단계에서는

카메라·라이더(LiDAR)·레이더(RADAR) 등의 센서

로 주변 환경을 인지한다. 판단단계에서는 인지된 환

경 정보를 해석하여 안전하고 원활한 주행이 가능한

주행 경로를 생성한다. 마지막 제어단계에서는 판단

단계에서 나온 경로를 추종하도록 하는 가·감속 조향

제어를 수행한다. 각 단계에서 풀어야 할 문제들은 상

당히 복잡한데, 이를 해결하기 위해서 적용된 인공지

능기술을 소개한다.

심층 컨볼루션 신경망을 이용한

주행 환경 정보 인지

카메라는 사람의 눈과 가장 유사한 환경정보

를 취득할 수 있기 때문에 테슬라, 메르세데

스-벤츠 등 많은 자동차 회사들이 주력 센서로

사용하고 있다. 카메라는 기본적으로 색상정보

뿐만 아니라 여러 카메라를 사용하여 다중 시

점(Multi-view)을 구현하면 주변 환경의 3D

정보 또한 추출할 수 있는데, 정보가 풍부한 만

큼 이를 분석하기 위해서는 고도의 알고리즘과

고성능 컴퓨터가 필요하다. 최근에는 딥러닝의 일종

으로 인간의 시신경 작동 원리를 모방한 컨볼루션 레

이어(Convolutional neural network)를 여러 층으

로 중첩하여 사용하는 인공신경망기술이 영상인식분

야에서 높은 정확도를 보이고 있다. 기존의 고전적인

영상처리에서는 영상 내에서 ‘특징점(Feature point)’

을 추출한 뒤 분류하는 연산을 수행하였기 때문에, 환

경을 인지하기 위해 주의 깊게 봐야 할 특징 점들을

선별하는 것에 큰 어려움이 있었다. 컨볼루션 신경망

은 학습을 거듭함으로써 영상 내에서 주의 깊게 봐야

하는 점들을 추출한 특징 맵(feature map)을 적절하

게 생성한다. 그림 1은 차량이 포함된 영상이 컨볼루

이 글에서는 사람이 직접 운전하지 않아도 주행이 가능하도록 하는 자율주행기술에 적용된 인공지능기술들에

대해 소개하고자 한다. 최근에는 사람 수준 또는 그 이상의 인공지능기술이 발달함으로써 자동차업계뿐만 아니라

많은 IT업계 또한 활발한 연구를 진행하고 있다.

자율주행 자동차의 인공지능04THEM

E

그림 1 컨볼루션 신경망에 의한 영상 내 물체 분류(Stanford University, CS231n)

2017. 3., Vol. 57, No. 3 ● 43

THEME 04

션 레이어(그림 내 CONV로 표시)

를 통과함에 따라 생성되는 특징

맵을 보여준다. 여러 층의 특징 맵

변환 과정을 통해 결과적으로 영상

내 물체가 어떤 물체인지 성공적으

로 분류할 수 있다.

컨볼루션 레이어 기반의 네트워

크를 설계하는 방법에 따라 다양한

인지 결과를 얻을 수 있는데, 일반적으로 영상 내에

많 은 부 분 을 차 지 하 는 물 체 의 종 류 를 분 류

(Classification)하는 데 많이 사용되고, 이 분류 알고

리즘을 확장하여 영상 내에 특정 물체의 위치까지 탐

지(Detection)하는 것도 가능하다. 그림 2는 심층 컨

볼루션 신경망을 이용하여 전방 주행 영상에서 표지

판을 탐지하는 알고리즘의 결과를 나타낸다. 또 다른

예로 그림 3과 같이 입력

영상 내 모든 픽셀을 의

미 있는 클래스로 분류

하 는 영 상 분 할 기 법

(Segmentation)이 있

다. 영상 내의 모든 영역

을 분류함으로써 동시에

여러 물체를 인지하고,

차선 및 주행 가능 영역

을 판단할 수 있다. 2차

원 영상 내에서 분류된

물체들은 라이다나 레이

더 등 다른 센서와 융합

하여 사용됨으로써 장애

물들과의 거리 및 주변

환경의 3D 정보 또한 얻

을 수 있다.

하지만, 심층 컨볼루

션 신경망을 학습하기 위

해서는 많은 데이터를 필요로 하기

때문에 자율주행 자동차를 개발하

는 회사들은 많은 시간 주행 데이

터를 취득하면서 학습을 거듭하여

인식 정확도를 높이는 작업에 매진

한다. 또한, 고화질의 카메라 영상

을 이용한 실시간 인지를 수행하기

위해서는 고성능 병렬 컴퓨팅이 가

능한 장치를 필요로 한다. 그래픽 카드로 유명한 엔비

디아 사는 올해 Drive PX2라는 자율주행차량용 수퍼

컴퓨터를 발표하였는데, 도시락 크기의 이 장치는 자

그마치 맥북 프로 150개의 연산 능력을 가지고 있어

여러 센서로부터 데이터를 동시에 받고 복잡한 딥러

닝 계산도 실시간으로 수행할 수 있다.

딥러닝 기반의 인지 기술은

다양한 환경에서의 많은 데

이터를 확보하는 것과 고성

능 병렬 컴퓨팅이 가능한

GPU를 활용하는 것을 필요

로 한다.

그림 2 심층 컨볼루션 신경망을 이용한 표지판 탐지

그림 3 SegNet을 이용한 주행 환경 영상 분할(Badrinarayanan, “SegNet: A Deep Convolutional

Encoder-Decoder Architecture for Image Segmentation”)

44 ● 기계저널

SLAM을 이용한 차량 정밀

측위 기법

자율주행차가 정해진 목적지

까지 안정적으로 가기 위해서는

현재 차량의 위치가 정확히 어디

에 위치하고 있는지 알아야 한

다. 미국의 포드 사는 3D 라이

다 여러 개를 차량에 장착하여

주행함으로써 GPS 값, 차량 주

행거리 정보, 레이저 점군 데이

터를 융합하여 현재 차량 주변환

경의 3D 지도를 만들면서 동시

에 현재 차량이 어디에 있는 지

를 계 산 한 다 . 이 기 술 은

S L A M ( S i m u l t a n e o u s

localization and mapping)이

라고 부르는데, 부정확한 센서

값 및 환경의 변화들에 대응하

여 정확한 위치를 추정하기 위해

서는 인공지능의 일종인 기계학

습 알고리즘이 요구된다. 이때

사용되는 알고리즘은 가우시안 혼합 모델(Gaussian

mixture model)인데, 이 알고리즘을 사용함으로써

차량 주변 환경의 레이저 점군 데이터의 분포 특성을

파악하여 현재 차량의 위치를 비교적 정확하게 계산

할 수 있다. 포드는 눈 오는 날이나 비 오는 날 등 날

씨에 상관없이 자신들이 개발한 차량이 정밀하게 위

치를 추정할 수 있고, 이를 기반으로 자율주행을 수행

하였다는 것을 보여주었다.

인지-판단-제어를 한 번에 수행하는 End-

to-End 딥러닝 기반 자율 주행

앞서 설명한 기술들의 경우에는 인식시스템과 경

로 설계 및 제어 알고리즘을 각각 개별적으로 설계해

야 한다. 또한, 주변에 대한 정보 및 경로 계획을 정확

하게 계산해야 자율주행을 안정적으로 수행할 수 있

다. 하지만, 사람의 경우에는 눈으로 들어오는 정보만

을 이용하여 주변 정보를 정확하게 알지 못해도 안정

적으로 운전을 한다. 자율주행 자동차 또한 이와 같은

방식으로 자율적인 운전을 해야 진정한 의미로 ‘인간

과 유사한’ 인공지능이라 할 수 있을 것이다. 엔비디

아 사는 주행 상황에서 전방 카메라 영상과 그 순간의

핸들 조향각도를 짝지어 데이터 셋으로 제작하고 딥

러닝을 이용한 학습을 진행하였다. 즉, 자율주행차가

‘이 장면에서는 핸들을 이만큼 돌려야 한다’라는 것을

알 수 있도록 사람이 가르쳐주는 것이다. 학습된 딥러

THEME 04 자율주행 자동차의 인공지능

그림 5 심층 컨볼루션 신경망을 이용한 영상 입력에 대한 핸들 조향각 학습(엔비디아)

그림 4 가우시안 혼합 모델을 이용한 차량 정밀 측위(포드,GTC 2016)

2017. 3., Vol. 57, No. 3 ● 45

THEME 04

닝 네트워크는 전방 영상 데이터가 입력으로 들어오

면 올바르게 주행하기 위한 핸들 조향 각도를 출력 값

으로 내보내기 때문에, 차량은 MDPS나 별도의 모터

를 이용하여 핸들을 이 각도에 도달할 때까지 돌리기

만 하면 된다. 이와 같이 인지부터 제어 명령까지 전

체 시스템의 학습 가능한 변수를 동시에 학습할 수 있

는 구조를 End-to-End 러닝시스템이라 부른다. 엔

비디아 연구진에 따르면, 인식시스템과 판단 및 제어

시스템이 따로 나눠져 있는 것보다 End-to-End 러

닝시스템으로 동시에 학습을 진행하는 것이 효율적

이고 성능도 더 좋다고 한다.

엔비디아 연구진은 이 연구를 진행하면서, 또 다른

흥미로운 결과를 얻을 수 있었다. 학습을 진행함으로

써 자율주행 자동차가 전방 영상에서 주의 깊게 봐야

할 부분을 스스로 인지하게 되는 것이다. 전방 영상이

컨볼루션 레이어를 통과하여 나오는 특징 맵을 본 결

과, 도로 경계면이 강조되게 생성됨을 알 수 있었다

(그림 6). 즉, 자율주행 자동차는 핸들 조향과 관련해

서 전방 영상에서 도로 경계를 주의 깊게 봐야 된다는

것을 알게 된 것이다. 영상에 대

한 라벨링은 진행하지 않고 단지

사람의 운전 데이터와 전방 영상

을 짝지어 학습시켰을 뿐인데,

영상 내에서 중요하게 봐야 할

요소들에 대한 학습도 내부적으

로 진행된 것이다.

엔비디아는 72시간에 해당하

는 수동 운전 데이터를 End-to-

End 딥러닝을 이용하여 학습시

켜 Garden State Parkway에서

10마일에 해당하는 고속도로를

운전자의 개입 없이 성공적으로

자율주행하였다.

결론 및 향후 전망

미국자동차공학회(SAE)가 제시하는 자율주행 단

계는 0단계부터 5단계까지 있는데, 현재 판매 중인

차량에 탑재된 자율주행기술은 3단계가 최고 기술이

다. 이는 일정 구간이 자율주행이 가능하고, 운전자가

주변상황을 주시해 돌방상황에 대비해야 하는 첨단

운전자보조시스템(ADAS)에 불과하다. 하지만, 구글

은 이미 일부 구간에 대해서 레벨 5의 자율주행이 가

능하고, 테슬라는 지난 해 10월 24일 레벨 5에 해당

하는 자율주행기술을 모든 차종에 탑재할 것이라고

언급했다. 현재 각 업체들이 자율주행에 이용하는 기

술들은 모두 크게 다르지 않다. 많은 데이터와 딥러닝

을 이용한 학습이 기반이 되어 있기 때문에, 자율주행

에 필요한 하드웨어를 탑재한 차량이 많이 보급될수

록 자율주행 자동차의 지능은 눈부시게 발전할 것이

라 기대된다.

그림 6 컨볼루션 레이어에 의해 생성된 특징 맵(엔비디아) 도로 경계가 강조된 모습을 볼 수 있다.

46 ● 기계저널

박종원 한국기계연구원 신뢰성평가센터 책임연구원 ㅣe-mail : jwpark@kimm.re.kr

최병오 한국기계연구원 신뢰성평가센터 책임연구원 ㅣe-mail : bochoi@kimm.re.kr

이 글은 전문가시스템의 개요와 사례를 살펴보고, 인지컴퓨팅을 활용하여 다양한 분야에 인공지능을 적용하고

있는 Watson의 사례를 제시하여 향후 기계공학 전문가시스템의 개발방향을 탐색한다.

전문가시스템(ES: Expert System)은 일반적으로

교육에 의한 전문지식과 숙련된 경험을 가진 인간의

지적 능력을 요구하는 복잡하고 어려운 문제를 풀 수

있는 지능적인 컴퓨터 프로그램을 의미한다. 예를 들

어, 여러 가지 증상을 기반으로 인간의 질병 및 기계

시스템의 고장을 진단하는 진단전문가시스템이나,

산업공학과 생산제조공학 분야에서 수백 개의 변수

를 갖는 대형 프로젝트의 일정관리 및 최적화 과제를

수행하는 전문가시스템 등이 있다. 전문가시스템은

인간의 지식과 경험을 데이터베이스로 구축하고, 지

식기반과 추론과정을 이용하여, 어려운 문제들을 해

결하게 되는데, 그림 1은 이러한 전문가시스템의 기

본적인 구조를 보여준다.

전문가시스템의 최종 목표는 전

문가의 지적 능력을 프로그램으로

구현하는 것이다. 이를 위해 필요

한 전 문 지 식 은 휴 리 스 틱

(heuristic) 방법을 이용하여 체계

화되고, 사실, 데이터, 정의, 가정

등으로 분류되어 데이터베이스화

된다. 지식기반시스템의 추론부는

일반적으로 if-then 형태의 조건

과 결과문의 논리 베이스로 구성되

며, 특정 문제를 해결하기 위해 여러 가지 법칙을 적

용하는 메커니즘을 추론엔진(Inference engine)이라

부른다. 최근 인터넷의 발달로 전문가시스템은 각 전

문분야별 서버로 구축되어 다룰 수 있는 분야의 영역

이 확대되고, 문제해결 능력도 계속 발전하고 있다.

그러나 현재로서는 고도의 판단, 발견능력, 발명, 상

상력 등의 능력은 인간만이 가질 수 있고, 전문가시스

템은 단지 인간에게 풍부한 지식을 데이터베이스로

하여, 빠른 시간 내에 결정이나 문제해결에 필요한 모

든 가능성을 계산하여 주는 보조자의 역할을 수행하

고 있다.

기계공학과 연관하여서는 제조업분야에서 여러 가

기계공학 전문가시스템과 인지(Cognitive) 컴퓨팅05TH

EME

그림 1 전문가시스템의 기본구조(James G. Keramas, “Robot Technology Fundamentals.",

1999)

2017. 3., Vol. 57, No. 3 ● 47

THEME 05지 제품을 설계하는 데, 전문가시스템이 이용되고 있

다. 제품설계에는 많은 양의 지식과 계산이 요구되는

데 설계분야에 많은 경력을 가진 설계 전문가조차 점

점 복잡해지고 다양한 기능을 갖춘 제품을 단기간 내

에 설계하거나, 한 번 설계한 모델을 베이스로 하여

변형 설계하는 데 많은 시간을 필요로 한다. 또한 설

계 전문가가 팀을 이루어 작업할 때 많은 의사결정과

정보교환이 필요하다. 이러한 설계 문제를 해결하기

위해서 제품에 대한 지식정보시스템, 모델링, 설계자

동화 등을 포함하는 전문가시스템이 사용된다.

전문가시스템은 대부분 실시간 기반하에 작동되기

때문에 짧은 응답시간은 문제의 신속한 해결에 필수

적이다. 따라서 C++와 같은 일반적인 프로그램 언어

로 작성되기도 하지만, LISP나 PROLOG와 같은 전문

가시스템용 프로그래밍 언어가 주로 사용되며, 최근

프레임워크(framework)시스템이라 불리는 전문가

시스템용 통합 프로그래밍 환경이 소개된 바 있다. 이

러한 소프트웨어 패키지는 개발하고자 하는 전문가

시스템에 대한 요구사항들을 수용하며, 보다 효율적

으로 전문가시스템을 개발할 수 있는 환경을 제공하

지만, 전문가시스템의 개발은 상당한 시간과 많은 경

험을 요구한다. 전문가시스템이 기존의 프로그램 개

발과 구분되는 특성들을 열거하면 다음과 같다.

1) 인간과 같이 추론하고 불분명한 데이터를 다룬다.

2) 특정한 문제가 어떻게 풀리는가를 체계화한다.

3) 특정한 결론에 도달하는 과정을 설명한다.

4) 경험으로부터 추출된 지식을 적용하고 배운다.

전문가시스템이 도입된 1960년 이래 현재까지 실

용화된 전문가시스템은 소수에 불과하다. 이 시스템

들은 사용목적과 그 응용분야에 따라 다양한 용량의

컴퓨터를 사용하였으며, 이러한 예를 살펴보면 아래

의 표와 같다.

인지컴퓨팅은 1950년 튜링테스트를 시작으로 꾸준

히 발전해 왔는데, 1997년 IBM에서 개발한 Deep

Blue는 체스 세계 챔피언을 이기며, 최초로 사람을

이긴 컴퓨터로 이름을 알렸다. 이후에도 IBM은 관련

연구를 지속하여, 드디어 2011년 Watson이

Jeopardy 퀴즈쇼에 출연하여 우승을 하며 본격적인

개발 연대 전문가시스템 활용분야 및 특징

1960년대

GPS（General-purpose Problem Solver)

범용 프로그램으로 완성되지는 못했으나 PROLOG나 LISP같은 AI언어에 큰 영향

DENDRAL 간단한 화합물들의 구조추정(Stanford Univ.)

MACSYMA 대수식 변환계산, 기호 통합 및 등식 풀이(M.I.T.)

1970년대

XCON 컴퓨터시스템 구성 조언(CMU, Digital Equipment사)

PROSPECTOR지질학 전문가시스템, 1980년대 몰리브덴 광맥위치 정확히 탐사 (Stanford Univ.)

MYCIN 혈액 감염증진단과 항생물질이용 치료조언(Stanford Univ.)

1980년대

ACE 전화선로 유지보수 자료검토 및 고장진단(Bell 연구소)

DELTA 디젤기관차 고장진단(GE)

BETSY / GEAREX 베어링 선정, 기어박스 선정 지원

MIND / CDDES / EDISON 기계설계, 창조적 메커니즘 구성

CIMS/CUTTECH/EXCAP-Y 공정계획, 유연생산시스템

1990년대 DESEX컴퓨터 기반 통신수단(전화, 인터넷, 이메일) 활용 신속하고 안전한 군사용 정보 전달경로 탐색, 음성인식/보안기술(ALMC, Gale Group)

2000년대 Semantic Web지식경영시스템, 자동완성형 웹서비스(맛집 추천) 등에 활용, 웹 온톨로지 언어 OWL, sparQL 등 사용

48 ● 기계저널

인지(Cognitive) 비즈니스

시대를 열었다. Watson이

우승하기까지에는 약 30명

의 연구자로 구성된 핵심팀

에 의한 4년 여의 집중적인

연구개발 기간이 있었고, 이

팀은 3년간 평균 5,500회의

독립적인 실험을 수행하여

평균 약 2,000 CPU 시간과

10GB 이상의 오류 분석 데

이터를 생성했다. DeepQA

라는 대규모 병렬 아키텍처

와 전용 고성능 컴퓨팅 인프

라가 없었다면 이러한 실험

의 수행은 생각조차 하지 못

했을 것이며, IT 전문가들은

Watson의 승리를 인공지능

개발사에 큰 획을 그은 역사

적 사건으로 평가하고 있다.

이후로부터 IBM에서는

A I 라 는 용 어 대 신

Cognitive Computing과

Congnitive Business라는 용어를

주로 사용하고 있으며, 개발된

DeepQA가 포괄적인 알고리즘 기

술을 결합, 배치, 평가 및 발전시켜

질문 응답(QA)분야를 빠르게 발전

시킬 수 있는 효과적이고 확장 가

능한 아키텍처임을 확신하고 대량

의 비정형 콘텐츠에 대한 의사 결

정 지원을 제공하는 교육, 헬스케

어, 신약개발, 금융투자, 보험, 유

통, 서비스로봇 등의 시장공략뿐만

아니라 3rd party 개발들을 위한

API와 개발 플랫폼을 제공함으로

써 새로운 eco-system 구축에 본

격적으로 나서고 있다.

국내에서도 Watson과 유사한

기능의 인공지능시스템을 엑소브

레인(ExoBrain)이라는 이름으로

한국전자통신연구원(ETRI)과 다

수의 대학 및 기업이 컨소시엄을

이루어 개발하고 있다. 엑소브레인

과제는 총 3단계에 걸쳐 10년간 수

행되는 과제로 사용자와 의사소통

을 하고 스마트기기 간 자율협업을

통한 지식공유 및 지능진화가 가능

한 소프트웨어 기술개발을 목표로

THEME 05 기계공학 전문가시스템과 인지(Cognitive) 컴퓨팅

그림 3 IBM의 인지컴퓨팅 로드맵(좌측)과 Watson의 수퍼컴퓨터 시스템(우측)(h t tp://

www.waytoliah.com/1163)

그림 2 EU의 X-Act Project: 인간 작업자와 전문가시스템이 적용된 로봇이 안전하게 협조하면서 조립,

분해, 재조립의 공정을 효과적으로 수행하게 하는 것이 목표임.(KEIT PD Issue Report VOL.

16-12, 2016)

전문가시스템은 자연어 처

리기술(Natural Laguage

Processing)이 핵심적인

HMI(Human Machine

Interface)기술이다. 자연어

처리는 문법과 언어적 습관

에 대한 데이터베이스를 기

반으로 하며, 이미 IBM

Wantson 및 E xo Brain 등

의 SW로 우리에게 시현되

고 있다.

2017. 3., Vol. 57, No. 3 ● 49

THEME 05

사람처럼 인간의 언어로 대화하고 스스로 공부해 지

식을 쌓고 진화해나아갈 수 있는 컴퓨터를 만든다는

계획이다.

세부과제를 담당하는 솔트룩스 사의 인공지능 지식

엔진 아담(ADAM)

은 인터넷과 빅데

이터로부터 스스

로 정보를 수집하

고 글을 읽어 그 의

미를 이해하고 지

식을 축적하며, 복

잡한 추론을 수행

해 난해한 질문에

답변이 가능하다.

현재까지 300만 명

의 사람, 1,100만

개의 장소, 80만

개 의 조 직 등

2,300만 가지 주제

에 대해 2억 개의

단위지식을 보유

하고 있는데 이는

도서 50만 권 분량

의 지식이며, 한 사

람이 책을 읽어 학

습하려면 2,000년

이 걸리는 지식을

아담은 3일이면 해

낸다고 한다.

엑 소 브 레 인 은

2016년 1단계 개

발을 완료하고 장

학퀴즈에서 퀴즈

왕 4명과 대결하여

우승하는 성과를

거두었다. 현재까지는 한국어에 대한 자연어 질의응

답기술이 구현된 것으로 3단계 과제가 종료되는

2023년에는 영어로 된 전문지식에 대한 질의응답도

가능하게 개발될 예정이며, 변호사, 변리사, 의사 등

그림 4 IBM의 Watson 개발팀 구성도(좌측)와 Watson과 협력 개발된 일본 소프트뱅크의 로봇페퍼(우측)

그림 5 엑소브레인 연구배경(좌측) 및 IBM Watson과의 비교자료(우측)

그림 6 퀴즈쇼 Jeopardy에 출연한 IBM Watson(좌측)과 장학퀴즈에 출연한 엑소브레인(우측)

50 ● 기계저널

전문직종에 대한 의사결정 지원시스템으로서 활용이

가능할 것으로 기대된다. 물론, 기계공학분야의 전문

지식에 대해서도 질의응답과 설계 및 공정 최적화와

같은 의사결정지원 전문가시스템으로 응용 가능하리

라 사료된다.

결론 및 향후 전망

본문에서 기술한 바와 같이 전문가시스템은 화학,

지질학, 수학 및 의학의 원래 응용분야에서 공학분야

로 자연스럽게 이전 활용되고 있다. 특히, 기계 및 제

조 엔지니어링분야에서는 부품 및 공구 선택, 장비 상

태 모니터링, 고장 진단, 실시간 제어, 부품 설계, 공

구 설계, 공정 계획, 생산 관리 등과 같은 다양한 범위

의 작업에 사용되고 있다. 따라서 전문가시스템은 여

전히 성숙해야 할 과제를 안고 있지만, 지식을 표현하

고 획득하고 사용하는 더 나은 수단으로써 Watson

또는 엑소브레인의 자연어 처리 질의응답시스템과

융합되어 진화한다면 엔지니어의 능력을 강화하기

위해 인간의 고급명령을 이해하는 능력을 시나브로

갖추게 될 것이며, 기계공학분야에서 정보처리 및 의

사 결정을 위한 강력한 도구로써 잠재력을 충분히 발

휘하리라 기대된다.

전문가시스템의 발달과 4차 산업혁명의 물결을 따

라 숙련된 기술을 요하지 않고 단지 노동력만을 요구

하는 기존의 산업은 점차 쇠퇴할 것이며, 숙련 노동

자, 전문지식을 갖춘 엔지니어가 주류가 되는 산업이

그 자리를 대신할 것이다. 또한, 무인화 공장이 보편

화될 것이며 공장이 완전 자동화되면 해고에 대한 우

려로 인해 사회적 반발을 불러일으킬 수 있으나, 지금

까지 기술적 진보는 더 많은 새로운 고용 창출의 기회

를 가져왔고 전체적으로 유지하는 수준은 되었을지

언정 직업의 수를 감소시켰다는 증거는 찾아볼 수 없

다. 따라서 근시일 내에 많은 제조산업 환경이 겪게

될 변화는 불가피하며, 선택이 아니라 한 기업이 생존

하는 조건이 될 것이다. 앞으로 급변하는 시장에서 경

쟁력을 갖추려면 이러한 새로운 기술의 신속한 확보

와 대응만이 생존을 위한 유일한 방책이 될 것이다.

THEME 05 기계공학 전문가시스템과 인지(Cognitive) 컴퓨팅

그림 7 엑소브레인의 자연어 질의 파악 알고리즘(좌측)과 솔트룩스 인공두뇌 아담의 개념도(우측)(http://news.joins.com/article/19503156, http://

m.inews24.com/view.php?g_serial=942001&g_menu=020599)

2017. 3., Vol. 57, No. 3 ● 51

참고문헌

James G. Keramas, “Robot Technology

Fundamentals.”, Thomson Learning(1999): 301-

320

김경훈 외, “차세대 제조로봇 기술동향과 산업전망”

KEIT PD Issue Report November VOL

16-12(2016)

손종수, “전문가시스템의 발전 과정과 미래”

http://onto.tistory.com/entry/전문가-시스템의-

발전-과정과-미래(2008)

D.T.Pham, et a l. “Expert Systems in

Mechanical and Manufacturing Engineering.”

International Journal of Advanced Manufcturing,

3(3)(1988): 3-21.

David Ferrucci, et al. “Building Watson: An

Overview of the DeepQA Project.” Association

f o r t h e A d v a n ce m e n t o f A r t i f i c i a l

Intelligence(2010): 59-79.

Eric Brown, et al. “Tools and Methods for

Building Watson.” IBM Research Report

February 15(2013).

“IBM Wa t son 따라잡기” h t tp://w w w.

waytoliah.com/1163

h t t p s : / / w w w . i b m . c o m / w a t s o n /

developercloud/

박상규, “SW 그랜드 챌린지 : 엑소브레인 SW 개발”

엑소브레인 인공지능 워크샵(2015)

박상규 외, “엑소브레인 SW : 지능진화형 빅데이

터 지식처리 인공지능 개발” 정보과학회지, 33(1)

(2015): 48-50

이효상, “국내 개발 AI 엑소브레인, 특집 장학퀴즈서

‘장원’” 사람과 사람, 경향신문 2016.11.20. 보도내용

THEME 05