即使智能工厂的制造工艺发生变化，也能毫无障碍地找出不良品的人工智能（AI）技术已经被开发出来。
近期，在智能工厂制造现场，利用AI传感器数据的不良品检测系统导入十分活跃。但现有AI模型在机器更换或温度、压力、速度等制造工艺发生变化时，无法理解新的条件，暴露出难以发挥原有性能的问题。
与此不同，新型AI模型即使在制造工艺改变的情况下，也无需重新训练就能准确检测不良品，性能最多可提升9.42%，有望为工业界降低运营成本并扩大利用性作出贡献.
KAIST表示，计算机系 Lee Jaegil 教授研究团队开发出了“时序领域自适应（Time-series Domain Adaptation）”技术，即使制造工艺或设备发生变化，也能在无需额外不良品标注的情况下继续利用既有AI模型。相关消息于26日公布。
“时序领域自适应”技术可帮助处理随时间变化的数据（如温度变化、机械振动、电力使用量、传感器信号等）的AI模型，即便既有训练环境（领域）与实际应用环境发生差异，也能在无需额外训练的情况下稳定维持性能。
在技术开发之前，研究团队注意到：AI模型在环境变化中所遭遇的混乱，不仅仅局限于数据分布差异，也会出现在不良品发生模式（标签分布）发生变化的情况下。
为此，研究团队开发了将新工艺的传感器数据分解为趋势、非趋势和频率等3种成分，并分别把握其特征的方法。就像人类会综合判断机器声音的高低、振动模式和周期性变化来感知异常征兆一样，该方法使AI能够从多个角度分析数据。
此外，研究团队还开发了“TA4LS（Time-series domain Adaptation for mitigating Label Shifts）”技术，通过将既有模型的预测结果与新工艺的数据聚类信息进行比较，自动修正预测值，从而使偏向既有工艺不良品发生模式的预测结果能够根据新工艺进行调整。
该技术可以像插入既有AI中的附加组件（插件模块）一样轻松结合，实用性很高。其优势在于，不受当前所使用AI技术类型的限制，仅需增加少量步骤即可简单、即时地应用。
研究团队利用4个时序领域自适应基准数据集（发生变化的4种传感器数据）进行实验，确认与既有方法相比，准确度最多提升了9.42%。
尤其是在实验过程中，即使工艺发生变化导致不良品发生模式等标签分布差异显著增大，AI也能自行修正并判别差异，性能改善效果尤为突出。这一结果证明，在智能工厂的主要优势之一——多品种小批量生产环境中，可以在不产生不良品的前提下，更加高效地生产产品。
Lee Jaegil 教授表示：“在制造业导入人工智能时，最大的障碍在于‘工艺变更时必须重新训练’。本研究团队开发的技术解决了这一问题，为降低现场维护成本、提升不良品检测率奠定了基础。”
另一方面，本次研究中，KAIST计算机系博士课程学生 Na Ji-hye 担任第一作者，博士课程研究生 Nam Young-eun 与 LG AI研究院研究员 Kang Junhyeok 作为共同作者参与。研究成果近日在人工智能和数据领域的“知识发现与数据挖掘学会 2025”上发表。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
