로봇 조립 라인 이상 조기감지
과제 체결 불량·
해결 시계열 이상탐지 + LLM 질의응답
성과 후공정 유출 전 조기 검출 — 재작업 흐름 차단
제조 AI — 이상을 후공정 전에 잡습니다. 설비 신호의 미세한 변화를 학습해 불량과 고장의 전조를 조기에 포착하고, 숙련자의 판단 기준을 데이터로 표준화해 공정 조건을 권고합니다.
설비 신호의 미세한 변화에서 불량과 고장의 전조를 읽습니다.
숙련자의 판단 기준을 데이터로 표준화해 공정 조건을 권고합니다.
설비 신호와 공정 데이터로 이상을 조기에 감지하고, 최적 공정 조건을 AI가 권고합니다 — 대기업·
진단 → 권고 → 지속 학습, 제조 AI의 세 축을 제품 기능으로 제공합니다.
설비 신호의 미세한 변화를 학습해 불량과 고장의 전조를 조기에 포착하고, 잔존수명(RUL)을 추정합니다. 임계 알람이 놓치는 복합 패턴을 잡습니다.
세 가지 지능화 자세히 →
이상치 탐지 분석 — 프로토타입 예시 화면
숙련자의 판단 기준을 데이터로 표준화해 열처리·조립 같은 공정의 조건을 권고합니다. 사람의 경험이 개인에 머물지 않고 조직의 기준이 됩니다.
왜 임계 알람으로 부족한지 →
공정 최적화 대시보드 — 예시 화면
드리프트를 감시하고 재학습 파이프라인을 돌려 배포 후에도 정확도를 유지합니다. 공정이 바뀌면 모델도 함께 따라가는 운영 체계입니다.
ModelOps 자세히 →
모델 레지스트리 — 프로토타입 예시 화면
설비·
| 기능 축 | 대상 설비· | 핵심 기법 | 산출물 |
|---|---|---|---|
| 이상 조기감지 | 회전기· | 시계열 이상탐지(정상 패턴 학습) + LLM 원인 질의응답 | 이탈 알람 · 근거 · 조치 가이드 |
| 공정 최적화 | 열처리· | 상태진단 · 프로파일 권고(숙련자 경험 표준화) | 최적 공정 조건 · 품질 편차 리포트 |
| 예지보전 | 설비 부하· | 잔존수명(RUL) 예측 · 정비 시점 산정 | RUL · 정비 권고 · 비계획 정지 예방 |
수집 프로토콜·
정상 패턴 학습 후 미세 이탈 조기 감지 — 근거와 함께
공정 조건·
설비 잔존수명 예측·
QFactory는 QData가 표준화한 데이터를 입력받아 판단하고, Cubeon 운영 계층에서 관제·
설비 신호가 표준화·
OPC-UA·
QData 공통 스키마·
시계열 피처 추출, 정상 패턴 학습으로 이상탐지 기준선 수립
미세 이탈 조기 검출 + 잔존수명 예측, 엣지·
LLM 질의응답으로 원인·
현장 피드백·
이기종 설비·
예지보전·
현장은 계속 변합니다. 학습 → 배포 → 감시 → 재학습(CT) 순환으로 정확도를 유지하도록 구성합니다.
Cubeon ModelOps 모듈과 연동해 운영합니다. MLOps 표준 관행(CI/CD/CT·
고정 임계 감시로는 잡지 못하는 미세 이탈과 원인·
| 관점 | 규칙 기반 임계 감시 | QFactory 제조 AI |
|---|---|---|
| 이상 감지 | 고정 임계 초과 시 알람(사후) | 정상 패턴 학습 후 미세 이탈 조기 감지 |
| 원인 파악 | 사람이 로그를 수동 추적 | LLM 질의응답으로 원인· |
| 공정 조건 | 고정 레시피 유지 | 상태 기반 프로파일 권고(숙련자 경험 표준화) |
| 정비 | 주기· | RUL 예측 기반 예지보전 |
| 운영 | 수동 튜닝· | 드리프트 감시· |
규칙 기반 감시를 대체하는 것이 아니라 보완합니다 — 기존 임계 알람 위에 AI 판단 레이어를 얹는 전환 경로를 권장합니다.
과제 체결 불량·
해결 시계열 이상탐지 + LLM 질의응답
성과 후공정 유출 전 조기 검출 — 재작업 흐름 차단
과제 고온 열처리 품질이 숙련자 경험 의존
해결 상태진단·
성과 숙련자 경험을 데이터로 표준화 — 품질 편차 관리
과제 에너지 과투입·
해결 예지보전·
성과 다운타임·
데이터 반출이 어려운 제조 현장까지 — 동일 제품을 세 형태로 배포하도록 설계합니다.
상용 LLM API·
사내 서버 sLLM·
망분리 대응. 반출 불가 데이터도 현장 내에서 추론
상용 LLM API와 온프레미스 sLLM을 현장 보안·
