연구진은 고속 액체 포장라인의 이상 작동 구간을 감지하고 에너지 사용을 최적화하는 다중 모달 AI 시스템을 Tech-Long 생산 제어기에 탑재했습니다. 엣지 컴퓨팅 자원 제약과 모니터링·에너지 제어의 분리로 이상을 제때 감지하기 어려운 환경입니다. 시스템은 병 성형, 충전, 포장 구역에서 진동·음향·열 신호를 수집한 뒤 동기화하고, 특징을 정렬해 계층적으로 결합함으로써 구역별 이상을 파악했습니다.

연구진은 자원이 제한된 ARM 엣지 제어기에 맞춰 Feather 합성곱 신경망(FeatherCNN)을 조정했습니다. 커널 융합, 채널 압축, 4비트 정수 양자화를 적용한 결과 이상 구간 인식 정확도는 0.931로, 기존 기계학습 모델과 딥러닝 기준 모델, 단일 모달 구조보다 높았습니다. 경량화된 처리 방식은 부동소수점 연산량을 3.42×10⁹에서 0.58×10⁹으로 줄여 약 83% 감소시켰고, ARM 제어기의 추론 지연시간은 18.63밀리초에서 7.41밀리초로 낮아졌습니다.

이중 제어 시스템은 지속적인 기본 에너지 절감과 이상 위험도에 따른 보정을 결합했습니다. 이상 점수는 동적 가중치와 조정 계수를 거쳐 온도 구역, 밸브 개방량, 열 밀봉 매개변수의 변경에 반영됐습니다. 생산라인 속도와 자재 규격, 통계 구간을 고정한 시험에서 이 제어 시스템은 라인 전체 에너지 사용량을 26% 줄였습니다. 연구진은 이상 감지, 모델 압축, 에너지 절감 조정을 하나의 엣지 의사결정 과정에서 수행할 수 있음을 보여줬으며, 유사한 고속 액체 포장라인에 적용할 공학적 참고자료라고 밝혔습니다.

연구진은 고속 액체 포장라인의 이상 작동 구간을 감지하고 에너지 사용을 최적화하는 다중 모달 AI 시스템을 Tech-Long 생산 제어기에 탑재했습니다. 엣지 컴퓨팅 자원 제약과 모니터링·에너지 제어의 분리로 이상을 제때 감지하기 어려운 환경입니다. 시스템은 병 성형, 충전, 포장 구역에서 진동·음향·열 신호를 수집한 뒤 동기화하고, 특징을 정렬해 계층적으로 결합함으로써 구역별 이상을 파악했습니다.

연구진은 자원이 제한된 ARM 엣지 제어기에 맞춰 Feather 합성곱 신경망(FeatherCNN)을 조정했습니다. 커널 융합, 채널 압축, 4비트 정수 양자화를 적용한 결과 이상 구간 인식 정확도는 0.931로, 기존 기계학습 모델과 딥러닝 기준 모델, 단일 모달 구조보다 높았습니다. 경량화된 처리 방식은 부동소수점 연산량을 3.42×10⁹에서 0.58×10⁹으로 줄여 약 83% 감소시켰고, ARM 제어기의 추론 지연시간은 18.63밀리초에서 7.41밀리초로 낮아졌습니다.

이중 제어 시스템은 지속적인 기본 에너지 절감과 이상 위험도에 따른 보정을 결합했습니다. 이상 점수는 동적 가중치와 조정 계수를 거쳐 온도 구역, 밸브 개방량, 열 밀봉 매개변수의 변경에 반영됐습니다. 생산라인 속도와 자재 규격, 통계 구간을 고정한 시험에서 이 제어 시스템은 라인 전체 에너지 사용량을 26% 줄였습니다. 연구진은 이상 감지, 모델 압축, 에너지 절감 조정을 하나의 엣지 의사결정 과정에서 수행할 수 있음을 보여줬으며, 유사한 고속 액체 포장라인에 적용할 공학적 참고자료라고 밝혔습니다.