저자
박경국 이사 / 스퀘어네트(주)
최운창 부장 / 스퀘어네트(주)
임도형 부장 / (주)엑 셈
이민철 박사 / 포항공과대학교 산학협력단
이광기 PD / KEIT 산업융합 PD실
자료
산업기술평가관리원 www.keit.re..kr
최근 국내외 제조업체들이 빅데이터 처리와 관련해 인공지능 기반을 다지고 있다. 공정이 고도화됨에 따라 생산 공정에서 산출되는 데이터양이 증대됐으며, 이를 활용한 데이터 처리 기술이 각광받고 있다. 제조업체들은 제조 공정에 인공지능 기능을 적용, IoT를 통해 데이터를 수집·분석함으로써 제조 설비 상태를 실시간 진단하고 문제점을 신속히 파악, 생산 효율을 극대화하고 있다. 하지만 국내 업계는 해외에 비해 빅데이터 처리 기술이 보편화되지 않았으며, 일부 대기업 위주로 추진되는 양상이다. 이에 국내 중소기업의 환경을 고려한 다양한 제조 데이터 케이스를 수집하고 시스템에 적용함으로써 효율적인 운용 방안을 제공할 수 있는 클라우드 활성화 정책 도입이 시급하다.
6. 관련 제품 및 활용사례
1) 제품
- 삼성 SDS ‘NexPlant Analytics’
삼성 SDS는 제조 공정에 인공지능 기능을 적용, 사물인터넷(IoT)를 통한 설비의 센서 데이터를 수집·분석해 제조 설비 상태를 실시간으로 진단하고 문제점을 신속히 파악·해결함으로써 생산 효율을 높일 수 있는 스마트 공장 솔루션 ‘NextPlant’를 발표했다.
해당 솔루션은 인공지능(AI)기능이 탑재돼 있어 불량을 일으키는 요인을 자동으로 파악해주고 해결 우선순위를 추천해줌으로써 엔지니어의 작업 수행에 도움을 준다.
삼성 Brightics AI 플랫폼 아키텍쳐(그림. 삼성SDS 기자간담회 발표자료)
- GE ‘Brilliant Factory’
GE는 빅데이터, 소프트웨어, 센서 적층식 제조 분야의 발전을 기반으로 물리적인 것과 디지털적인 것, 즉 인간(물리적)과 장비(디지털)를 통합한 완전히 새로운 제조 플랜트를 창조했다. 사람-데이터-기계를 연결하는 IIoT를 실현하고자 산업용 플랫폼인 프레딕스(Predix)를 구축했다.
프레딕스는 다양한 장소에서 전송되는 빅데이터를 한 번에 처리하고 안전하게 저장할 수 있으며, 플랫폼의 잠재력 발현을 위해 모든 사용자에게 개방하는 오픈 플랫폼으로 사용자가 IIoT에 최적화된 애플리케이션을 개발하고 운영할 수 있다.
Predix IIoT 아키텍쳐(그림. ansys 홈페이지)
2) 국내 제조사 인공지능 활용사례
- 동양피스톤
동양피스톤은 동차용 피스톤 제조 공정에 인공지능을 활용한 스마트공장 구축으로 생산량 25% 증가에 따라 매출이 50% 상승했으며, 불량률은 10배 이상 감소했다.
경기 안산 반월시화공단의 동양피스톤 공장 내부(사진. 조선Biz)
- LS산전 청주공장
LS산전은 청주공장에 인공지능 및 빅데이터를 적용, 불량 발생이나 장비 고장을 예측해 저압차단기(MCCB)의 경우, 불량률을 100만 개 중 426개에서 10개로 줄였으며, 전자개폐기(MS)의 경우, 불량률을 100만 개 중 368개에서 6개로 줄였다.
- 포스코 광양제철소
포스코와 포스코ICT가 함께 개발한 AI 기반 스마트 인더스트리 플랫폼 ‘포스프레임’을 통해 고급후판의 첫 공정 불량률을 18%에서 12%로 줄였다.
- 한국항공우주산업(KAI) 사천공장
무게 3t짜리 알루미늄 리튬 합금 덩어리를 깎아 비행기 날개 안에 들어가는 갈비뼈 모양 구조물(윙립)을 제조하는 공정으로 공정에서 발생하는 모든 경우의 수를 0과 1의 디지털 언어로 변환했다. 또한 AI 소프트웨어가 절삭기별 작업 수행량을 산출, 다른 기기에 비해 소화한 작업 물량이 적은 절삭기에 원자재를 전달해 생산 효율을 제고한다.
에어버스 A350 날개에 들어가는 윙립(사진. MK)
3) 해외 제조사 인공지능 활용사례
- GE 인도네시아 멀티모달공장
GE 인도네시아 멀티모달공장은 제트엔진에서 기관차의 부품에 이르는 다양한 제품을 생산 및 가공하고 GE의 사업영역인 항공, 파워, 오일&가스, 운송 비지니스에 필요한 제품들이 하나의 공장에서 생산되는 최초의 공장이다. 다양한 조립라인, 부품제조, 그리고 기계가공 등 제조기술의 다양한 모드를 전부 사용한다.
멀티모달공장의 풍력터빈 허브 조립시설 및 제품 유형(사진. GE)
- RioTinto 호주 Brisbane 광산산업
세계 최초로 빅데이터 센터(PEC, Processing Excellence Centre)를 운영했으며, 이 센터에서는 고정 및 모바일 광산 운영 장비에 부착된 센서를 통해 수집 및 저장된 방대한 양의 데이터(30?/일, 5TB 저장소 활용) 평가와 엔진 고장의 예측 및 방지를 통해 생산성 향상과 안전성 강화에 주력하고 있다.
7. 핵심 현안
데이터 수집 및 활용이 원활한 국내 대기업 또는 해외 솔루션 사례에 비해 데이터 수집 및 활용이 미미한 중소 및 뿌리 산업 기업에서 발생하는 데이터를 원활히 확보하고 활용하기 위한 방안 확보가 필요하다.
1) 데이터 확보 방안
데이터를 수집할 설비 및 시스템이 갖추어져 있지 않은 기업보다는 여러 생산 공정이 존재하고 어느 정도 데이터 수집이 가능한 자동차 중견 기업 등을 주요 타깃으로 적용함으로써 다양한 제조 데이터를 확보해야 한다.
자동차 부품 관련 중견기업의 경우 단일 부품을 생산하는 것보다 다양한 생산 공정(조립, 가공, 열처리 등)이 존재하며, 제조를 위한 기본적인 관리 시스템(ERP, MES, SCM, POP 등)에서 제공하는 온·오프라인 데이터 및 기존 설비 운영의 노하우 확보가 용이하다.
2) 데이터 활용 방안
자동차 부품 관련 중견 기업의 경우 다양한 협력사를 보유하고 있고 협력사에서 설비를 납품받아 생산 라인을 구축할 수 있다. 또한 설비 제품이 동일하거나 유사한 사례가 많으므로 해당 분석 데이터를 기반으로 도출된 결과를 재활용할 수 있다.
3) 중소·견기업에 적합한 제조 데이터 처리 및 관리를 위한 기술 확보
제조 데이터 수집·분석·처리 및 진단·예측을 위한 기반 기술 확보해야 한다. 관련 기술로는 ▲설비 및 센서에서 올라오는 데이터를 수집 및 연동하기 위한 미들웨어 기술 ▲제조 및 환경데이터 특성을 고려한 데이터 수집/처리 기술 ▲수집된 설비 및 센서 데이터에 대한 상태 및 건전성 모니터링 기술 ▲AI 강화 학습을 통한 제조 상황 진단 및 예측 기술 등을 꼽을 수 있다.
이 밖에 중소·견기업의 비용과 인력을 고려한 시스템 구축 및 실증이 필요하다. 최소한의 데이터를 분석에 사용하기 위해 데이터 중복저장을 제거해 시스템 비용을 절감하고, 사용자 편의성을 고려한 UI를 제공해 관리 효율을 높여야 한다.
8. 주요 기술
1) 미들웨어 기술
미들웨어 기술은 설비 및 센서에서 올라오는 데이터를 수집하기 위한 수집 정보 분석 및 수집데이터를 빅데이터 플랫폼으로 전송하는 기술로서 ▲설비 수집정보를 위한 표준화 정보 디바이스 영역 및 센서 정보 디바이스 영역 ▲공정별 표준화 정보 수집을 위해 디바이스 R메모리 영역 ▲설비별 센서 데이터 수집을 위해서는 디바이스의 X, Y 메모리 영역 등을 사용한다.
2) 빅데이터 플랫폼 기술
제조 빅데이터를 다루기 위한 제조 데이터 특성 및 기술적 고려사항이 적용된 빅데이터 플랫폼 기술로서 ▲제조 관련 수집되는 데이터에 대한 인자 분석 및 데이터 구조 정규화 ▲설비 데이터 구조 분석 및 공통 인자 도출을 통한 공정단위 센싱인자 정의 ▲품질 및 생산성 관련 등 수집 목적에 따른 센싱인자 정의 등을 처리할 수 있다.
3) 제조 멀티 센싱 데이터 수집 및 처리 기술
제조 관련 설비 및 설치된 센서 등을 통해 올라오는 수많은 데이터를 수집하기 위해 분산형 스트리밍 플랫폼인 Apache Kafka가 적용된 하둡 에코시스템을 구축할 수 있다. 또한 최신 기초 분석 데이터 생성을 위한 Batch 프로세스와 RDBMS를 융합해 구축할 수 있다.
<제조데이터> 제조데이터 수집을 위한 빅데이터 플랫폼 구축
4) 수집 데이터 건전성 모니터링 기술
설비 및 센서에서 수집되는 데이터에 대한 상태 및 적합성을 관리함으로써 수집데이터의 신뢰성을 확보할 수 있으며, ▲Apache Ambari 프레임웍을 적용해, 하둡에코시스템을 모니터링 ▲하둡 클러스터 서비스 정보/구성 및 노드건전성, 동작 상태 정보 모니터링 제공 ▲센서 동작 상태 및 센서 디바이스 통신 유지 상태 모니터링 ▲데이터 수집 불량 이상 센서 확인 및 데이터 수집률 모니터링 제공 ▲데이터 수집 적시성 및 이상 데이터 발생 여부, 센서 데이터 시각 동기화 제공 등의 작업을 수행할 수 있다.
설비 및 센서 수집 데이터 기반 조립공정 생산 현황 모니터링 대시보드
5) 복합 상황 인지 및 추론 기술
복합 상황 인지 및 추론 기술을 통해 온·오프라인에서 수집한 데이터를 기반으로 강화 학습을 통한 진단 및 예측 모델 프레임워크 및 알고리즘을 개발할 수 있다.
복합 상황 인지·추론 모델 프레임워크는 모델 개발을 위한 오프라인 모드와 모델 사용을 위한 온라인 모드로 구성돼 있으며 ▲공장 내에서 수집된 다양한 데이터를 인공지능으로 학습, 복합 상황 인지·추론 모델 개발 ▲실시간으로 수집되는 데이터를 개발된 복합 상황 인지·추론 모델에 입력, 현재의 복합 상황을 실시간으로 인지·추론 ▲설비 순간 정지 감소를 위한 인공지능 기반 복합 상황 대응형 제조 상황 진단·예측 알고리즘 개발 등을 처리할 수 있다.
설비 순간 정지 예측을 위한 인공지능 기반 학습 알고리즘 개념도
해당 알고리즘 기술을 제조·생산 공정에 적용, 순간 정지를 예측·방지래 생산성을 향상시킬 수 있으며, 추출된 순간 정지 데이터를 활용해 PLC와 추가 센서데이터를 입력함으로써 순간 정지를 출력으로 DNN을 학습, 순간 정지 발생에 직접적인 원인이 되는 요소를 파악할 수 있다.
9. 시사점 및 정책 제언
1) 국내의 경우 대기업 위주로 추진 중
해외는 데이터 수집을 위한 소프트웨어 및 하드웨어 분야의 개발이 활성화돼 있고, 클라우드 적용을 통해 솔루션 운용 및 데이터 관리의 효율성을 증대하고 있다.
국내는 대기업을 중심으로 ICT를 적용해 제조현장을 혁신하고자 하는 시도가 일부 진행되고 있으나 외산 솔루션에 대한 의존도가 높고, 국내에서 스마트공장에 대한 민간투자는 아직 초기 단계이며, 하드웨어 디바이스 요소 전문기업의 경우 대부분 영세하다.
2) 빅데이터 솔루션의 효율적 사용
현재 중소기업 및 뿌리 산업의 경우 기본적인 시스템 미비 및 데이터 관리에 대한 기본 계획 수집 진행도 어려운 상황이다.
클라우드를 통한 데이터 수집이 기업의 고유 데이터가 유출되는 것이 아닌, 빅데이터 솔루션을 효율적으로 사용하기 위한 새로운 트렌드라는 인식이 필요하다.
기존 설비의 연동 미지원 및 과거 수행했던 히스토리에 대한 인수인계 등이 미미함에 따라 데이터 수집에 어려움을 겪고 있으며, 솔루션 도입 비용의 부담, 데이터의 의미 파악 및 솔루션의 운용에 대한 전문 인력 부족, 중요성의 인식 부족 등으로 도입률이 낮다.
3) 효율적인 운용 방안 제공을 통한 시장 활성화 도모
클라우드를 유도, 시스템 운용에 대한 부담감을 줄여줌으로써 해당하는 시스템을 활성화시켜야 한다.
로컬 설치 운용의 경우 수집되는 데이터의 양에 증가에 따른 시스템 구성에 대한 부담감을 줄이기 위해 데이터 분석 후 수집되는 데이터양의 중복 및 불필요한 데이터를 전처리를 통해 최소화함으로써 시스템 구축 비용을 최소화해야 한다.
제조업의 생산 운영 측면에서 가장 풀기 어려운 과제는 순간 정지이며, 이를 해결함으로써 설비 가동률을 높이면 생산성 또한 높아진다. 또한 중소기업 및 뿌리 산업 관련 기업이 분석 시스템을 도입하기 위해서는 많은 비용 및 운영 인력이 필요하다. 이에 로컬에서만 데이터를 관리하는 기존 데이터 관리 방법에서 벗어나 클라우드를 적극 활용할 수 있게 기업에 인센티브 또는 자금지원을 제공함으로써 시장 활성화의 기틀을 마련해야 한다.
더불어 클라우드를 통해 수집된 제조 분야별 데이터의 활용을 통해 제조 분야별 예측모델로 확대하고 정확도를 높여 뿌리 산업에 적용해야 한다. 빅데이터 분석을 위해서는 설비 이상을 일으키는 원인 데이터를 최대한 많이 수집해 예측 정확도를 높여야 하며, 이를 위한 시간 및 지원이 요구된다.
