AI 기반 음료 규격 및 색상 예측과 제조 공정도 자동화 모델 개발

상세 설명

- 배경 • 이화학 규격 및 색상 예측의 한계: 음료의 최종 색상 및 핵심 이화학 규격(pH, Brix, 산도, 비중)은 원료 배합비와 공정 조건에 따라 복합적으로 달라져 실제 제조 전에는 정확한 예측이 어려움. • 제조 공정도 작성 및 공정 조건 수립시 숙련도 차이에 따른 작업 오차 방지 : 신제품 개발 시 제품 표준서 작성과 Pilot Test용 제조 공정도 및 공정 조건 수립을 담당하고 있으나, 현행 방식은 작성자의 숙련도에 따른 설정 오차가 발생하는 문제가 있다. 이를 해결하기 위해 딥러닝 기반 문서 지능(Document AI) 파이프라인을 도입하여 축적된 레거시 제품 표준서 데이터를 파싱하고, 신규 제품 특성에 최적화된 표준 공정도 및 설비 파라미터를 자동 추출·추천함으로써 담당자의 숙련도와 관계없이 정확하고 표준화된 제조 조건 수립 체계를 구축하고자 함. • 통합 AI 자동화 시스템 구축 목표: 회사가 보유한 원료별 성분/색상 데이터, 배합비, 공정 조건, 완제품 이화학 규격 및 색상 데이터를 AI에 학습시켜 신규 처방의 예상 규격/색상을 제조 전에 사전 예측하고, 비구조화된 제품 표준서 문서를 딥러닝으로 파싱하여 제조 공정도 및 설비 제어 조건을 자동 추출·설정하는 통합 시스템을 구축하고자 한다. - 모델 처리 흐름 1. 학습 데이터 • 원료 배합 및 성분 데이터: 원료별 배합비 및 성분표 데이터 • 원료 색상 데이터: 원료별 색상값 (L*, a*, b*) • 이화학 규격 데이터: 완제품 이화학 규격 측정 데이터 (pH, Brix, 산도, 비중) • 공정 조건 데이터: 제품 유형, 주요 제조 공정 조건 (살균 온도/시간 등) • 문서 자산 데이터: 기존 제품 표준서 문서 데이터 2. AI 모델 구조 • 규격 & 색상 예측 파트: 다층 퍼셉트론(MLP) 및 TabNet 기반 Multi-Task Neural Networks 적용 (입력 변수 간 비선형 관계를 학습하여 pH, Brix, 산도, 비중, L*, a*, b* 동시 예측 / 필요 시 Gradient Boosting, CatBoost 등 앙상블 모델과 비교 검증) • 표준서 딥러닝 & 공정도 파트: LayoutLMv3 + LLM 기반 NER/RE (개체명 및 관계 추출) 모델을 활용하여 문서 파싱 후, DAG(Directed Acyclic Graph) 구조 기반 공정도 시각화 및 설비 파라미터 자동 매핑 3. 출력 결과 (Prediction & Automation Output) • 이화학 규격 예측: 예상 완제품 이화학 규격치 (pH, Brix, 산도 %, 비중) & 목표값 대비 오차 분석 • 색상 예측 및 시각화: 예상 완제품 색상 (L*, a*, b*) 및 시각화된 색상 Rendering, 목표 색상 대비 색차 (ΔE) • 신뢰도 및 기여도 분석: 예측 신뢰도 (Confidence Score) 및 SHAP 기반 원료 기여도 분석 • 자동 공정도 및 파라미터: 자동화된 표준 제조 공정도 (Process Flow Diagram) 및 라인별 설비 설정 파라미터 (JSON/가이드) ● 모델 학습 및 개선 방향 • 성능 평가 기준 확립: 모델 학습은 과거 개발 데이터 및 기존 제품 표준서를 기반으로 Train / Validation / Test 데이터셋 분리를 통해 수행하며, 예측값과 실제 측정값 간의 오차(규격 대비 오차율 및 색차 ΔE)를 기준으로 성능을 평가한다. • 지속적 재학습 및 피드백 루프: 신규 개발 제품의 실측 데이터 및 신규 양산 표준서를 지속적으로 축적하여 주기적 모델 재학습함으로써 예측 정확도와 공정도 추출 정밀도를 점진적으로 향상시키는 구조를 적용한다.

Q&A · 댓글 0