Edge AI LMR: 렌즈 열성형 공정 지능화
이상탐지 AUROC 99.99% 달성. Field→Cloud 4계층 아키텍처 위에 1D-CNN→LSTM→DQN 3-Stage AI 체인 구축, Cycle_ID Golden Key로 전 계층 단일 키 조인·이상 구간 즉시 재현 루프 확보. Docker 엣지 배포+k3s 전환, React+TS 실시간 HMI 운영.
DTK 렌즈 열성형 공정에서 PLC가 10ms 주기로 온도·압력·전력 센서 데이터를 생성하지만, 이를 실시간으로 분석·처방하는 지능형 시스템이 전혀 없었습니다. 이상 발생 시 숙련 작업자 경험에만 의존해 대응이 지연됐고, 다축 센서 데이터는 타임스탬프만으로 시공간 연결이 불가능해 이상탐지·품질예측·처방제어 세 가지가 모두 구조적으로 차단돼 있었습니다.
단순 이상탐지를 넘어 처방적 제어 루프(M1→M2→M3)까지 완성하는 것을 목표로 설정했습니다. Field/Control/Edge/Cloud 4계층을 독립 배포 단위로 분리하고, Cycle_ID를 Golden Key로 삼아 전 계층 시공간 데이터를 단일 키로 조인. 통신은 데이터 온도별 3티어(MQTT Binary HOT · gRPC Streaming WARM · Parquet COLD)로 분리해 처리량·지연·비용을 동시에 최적화했습니다.
M1 — 이상탐지
1D-CNN Autoencoder 재구성 오차 기반 Anomaly Score(Anomalib PatchCore)로 AUROC 99.99%. Score를 M2 입력 피처로 전달해 체인을 연결.
M2 — 품질예측
LSTM(시계열 장기 패턴)+XGBoost(비선형 피처) 앙상블. M1 Score를 공동 입력해 예측 정확도를 높이고 예측값을 M3 State로 전달.
M3 — 처방제어
Deep Q-Network으로 최적 온도·압력 Set-point를 Action으로 계산해 PLC에 피드백하는 폐루프 제어. 현재 시뮬레이션 검증 단계.
데이터 통신 3-Tier
HOT: MQTT QoS0 Binary(10ms 무손실 버퍼) · WARM: gRPC 양방향 스트리밍(Protobuf) · COLD: Parquet 배치 오프로드로 드리프트 재학습.
이상탐지 AUROC 99.99% 달성. React18+TS HMI 대시보드(Process·Quality·Anomaly·Energy 4뷰)를 Zod 공유 스키마로 FE↔BE API 계약을 컴파일 타임에 강제해 타입 불일치를 제거했습니다. 다음 단계: M3 DQN 실 PLC 투입 전 Fail-safe·SIL 안전 검증, VLM 기반 자연어 이상 해설 레이어 추가.