본 연구는 플랜트별 지식을 기반으로 고장 감지 결과를 제약 조건을 고려한 복구 조치로 전환하는 능동형 내고장 제어(FTC)를 위한 에이전트 기반 대규모 언어 모델(LLM) 프레임워크를 제안한다. 이 프레임워크는 모니터링, 계획, 조치 합성, 시뮬레이션, 검증, 재프롬프팅 등 운영자 역할을 분해하는 다중 에이전트 워크플로우를 포함한다.
또한, 플랜트 데이터, 모델 및 사전 실행 테스트를 위한 시뮬레이션 서비스를 제공하는 디지털 공정 플랜트 트윈(DPPT)과 CPSMod 온톨로지를 기반으로 플랜트 지식을 그래프로 구성하는 그래프 검색 증강 생성(Graph RAG) 계층을 결합한다. 이를 통해 에이전트는 관계 인식 다중 홉 검색을 통해 플랜트 구조, 기능, 동역학, 제어 컨텍스트 및 고장 의미론을 활용할 수 있다.
교정 조치는 최소 위험 상태 머신 복구 경로와 이산 명령 또는 연속 설정값 조정으로 생성되며, 작동 전에 인터록, 엔벨로프 및 동적 타당성에 대해 결정론적으로 검증된다. 허용 가능한 계획이 제한된 시간 내에 발견되지 않으면 제어권은 결정론적 대체 정책으로 전환된다. 이 프레임워크는 이산 배치 혼합 모듈과 연속 교반 탱크 반응기(CSTR)라는 두 가지 대표적인 벤치마크 시뮬레이션에서 평가되었다.
경량 LLM(GPT-4o-mini 및 GPT-4.1-mini)을 사용한 결과, 의미론적으로 기반을 둔 에이전트가 해당 공정 동역학과 호환되는 지연 시간 예산 내에서 구성된 검증 기준을 충족하는 복구 결정을 도출할 수 있음을 보여주었다. 이는 자율형 내고장 제어 시스템 개발의 실현 가능성을 입증한다.
본 리뷰는 밀링 공구 마모 모니터링의 디지털 전환을 재평가하기 위해 인지, 엣지 처리, 클라우드 기반 의사결정의 3계층 아키텍처를 제시한다. 주요 마모 메커니즘(측면, 크레이터, 엣지 마모)과 초경합금 기판 및 PVD/CVD 코팅의 역할을 분석하고, 전통적인 오프라인 측정에서 통합 디지털 시스템으로의 진화를 다룬다.
직접 측정 방식(광학 현미경, SEM, 프로파일로메트리)과 절삭력, 진동, 음향 방출, 온도, 컴퓨터 비전을 활용하는 간접 센서 기반 접근 방식을 비교한다. 특히 데이터 획득(인지), 로컬 처리(엣지 컴퓨팅), 클라우드 기반 의사결정을 포함하는 디지털 모니터링 아키텍처에 중점을 둔다. 또한 CNN, LSTM, 디지털 트윈 등 AI 및 머신러닝 알고리즘이 실시간 마모 예측 및 분류에 적용되는 사례를 평가한다.
최첨단 분석 결과, 정확도는 향상되었으나 실시간 견고성, 일반화 능력, 불확실성 정량화는 여전히 주요 연구 과제로 남아있음을 확인했다. 디지털화, 인더스트리 4.0 및 5.0의 가속화, 신속한 산업 의사결정 요구 증가는 마모 식별 및 정량화 속도를 핵심 과제로 부각시키며, 마모 모니터링의 목표를 거의 실시간 응답성으로 재정의하고 있다.
이에 따라 본 리뷰는 물리 정보 기반 하이브리드 모델링, 개방형 벤치마크 데이터셋 및 검증 프로토콜, 엣지-클라우드 아키텍처, 설명 가능한 AI를 우선시하는 미래 지향적 방향을 제시한다. 이는 실험실 검증을 넘어 현대 스마트 제조 생태계의 요구사항에 부합하는 신뢰성 높고 고속의 산업 배포를 위한 길을 열 것이다.
통합 바이오공정(CBP)은 효소 생산, 리그노셀룰로스 분해, 당 방출, 발효가 동시에 발생하며, 측정 부족, 원료 변동성, 모델 불일치로 인해 모니터링이 어렵습니다. 본 연구는 디지털 트윈 기반 CBP 모니터링을 위한 센서 세트 설계 프레임워크를 제안합니다.
활성 바이오매스, 셀룰로스 분해 효소 활성, 잔류 불용성 기질, 가용성 당, 에탄올의 5가지 상태를 포함하는 가상 플랜트를 활용하여 16가지 에탄올 필수 측정 패키지를 평가했습니다. 유한 차분 출력 민감도, Fisher 정보 기반 상태 관측성 및 매개변수 식별성 분석, 고유값 및 매개변수 상관관계 진단, Monte Carlo unscented Kalman 필터 기반 소프트 센싱 재구성을 통해 후보 센서 세트를 평가했습니다.
에탄올 단독 센싱은 상태 인식 CBP 디지털 트윈 재구성에 가장 취약한 성능을 보였습니다. 6시간 샘플링 간격에서 상태 관측성 로그 유사행렬식은 에탄올 단독 센싱 시 4.18에서 가용성 당 추가 시 8.56으로, 전체 프록시 모니터링 시 16.42로 증가했습니다. 에탄올-당-바이오매스-기질 패키지는 6, 12, 24시간에서 각각 15.12, 13.76, 12.51의 로그 유사행렬식을 기록하며 강력한 성능을 보였습니다. 바이오매스와 효소 프록시는 매개변수 학습에 크게 기여했으며, 에탄올-당-바이오매스-효소 패키지는 6, 12, 24시간에서 각각 10.82, 9.06, 6.67의 로그 유사행렬식을 기록하며 가장 강력한 매개변수 식별성 성능을 보였습니다.
소프트 센싱 분석에서는 전체 프록시 모니터링이 평균 잠재 상태 RMSE를 1.1899에서 0.3756으로 감소시켰습니다. 이러한 결과는 CBP 공정의 효율적인 모니터링 및 제어를 위한 최적의 센서 구성 전략을 제시합니다.
