[특집-디지털전환 방향2] 소비재 산업의 스마트 팩토리 적용 방향성과 사례 소개 - 스페셜리포트

(사진. 로크웰 오토메이션 코리아)

데이터를 가지고 스마트 팩토리나 디지털 트랜스포메이션을 할 때 과거에는 어떤 시스템을 하나 도입하면 된다고 생각을 했다. 그러나 지금은 요소기술들을 어디에 접목을 하고, 우리 공장의 인프라는 어떻게 구성이 되었으며, 이빨이 빠진 구석은 어디인가를 알아야 된다. 로크웰이 경험했던 고객들의 디지털 트랜스포메이션 내지는 스마트 공장을 구축하는 과정에서는 보통 이렇게 봤다.

<그림1> 스마트 팩토리 실현을 위한 단계(사진. 로크웰 오토메이션 코리아)

<그림1>의 왼쪽에는 ‘21세기의 쌀’인 데이터가 있다. 데이터를 가지고 얼마나 이걸 잘 쓰는가 내지는 우리 공장에 있는 인력이 어떻게 작업을 하는가로 보여진다. 가운데 붉은색으로 된 화살표는 시스템이 하는 역할이고, 오른쪽에 있는 회색은 시스템이 못 하니까 사람이 메꾸는 영역이다. 그리고 오른쪽 의사결정과 액션이라는 것은 우리가 활용하는 것이다. 이 시스템이 하는 역할을 점점 더 늘리고, 사람이 하는 역할은 점점 더 줄이려고 한다. 그러나 이게 무인화를 의미하지는 않는다. 왜냐면 디지털 트랜스포메이션은 적어도 무인화가 아니라, 사람의 작업패턴을 바꾸는 것이기 때문이다.

단순하게 상황을 묘사하는 것이다.

첫 번째는 어떤 일이 있었나? (Descriptive : 상황기술). 두 번째, 이게 조금 더 진보되면 분석을 한다. 이게 왜 일어났는가? (Diagnostic : 분석) 세 번째는 데이터 사이의 컨텍스트(Context)라고 불리는 맥락이 만들어지고 예측이라는 걸 한다. 앞으로 어떤 일이 발생할까? (Predictive : 예측) 이력데이터를 가지고 앞으로 일어날 일을 유추를 하는 것이다. 이렇게 해서 마지막으로 하는 것은 지금 어떤 행동을 취해야 하는가? (Prescription : 처방 및 이행)이다.

스마트 팩토리 실현을 위한 단계-단일 기기에서 플랜트로의 분석 확장

이렇게 가는 과정을 몇 가지 단계로 나눠야 한다.

과거에 상황기술, 분석, 예측, 처방까지 이렇게 나눴다고 보면, 제조업 공장에서는 3개의 시스템 레벨이 있다.

단일 설비가 있을 수도 있고, 하나의 시스템이 있을 수 있고, 큰 범주에서는 회사 전체 서플라이체인을 포함한 엔터프라이즈 시스템의 등급들이 있다. 이것들을 각각 보면 12가지 정도의 질문들이 나온다.

이걸 잘 이해서 잘 분석하고, 이 시스템을 도입할 분들에게 설명을 하고, 어디가 부족합니까, 어디가 급합니까라고 질문을 해야 한다.

<그림2> 스마트 팩토리 실현을 위한 단계(사진. 로크웰 오토메이션 코리아)

우리의 실제 사례로 설명해 보겠다. 도전과제와 이를 어떻게 구축했는지의 형식으로 설명을 하고자 한다.

상황을 기술하고, 근본원인을 유추하는 분석영역이다.

이 고객의 도전과제는 생산공정의 다운타임을 최소화하는 것이다. 공장은 서면 돈이다. 서는 동안 생산을 못하니까. 그래서 어떻게 해서든지 서 있는 시간을 줄이려고 하는데, 안 되는 이유는 뭡니까라고 물어보면, 응급상황이 발생했을 때 보전담당자는 현장에 없고, 생산작업자가 현장에 있다. 그래서 뭘 해야 될 지를 모른다는 것이다.

두 번째는 생산담당자가 있더라도 누구나 다 팀장은 아니다. 신입사원도 있다. 이 사람들의 기술편차를 최소화하고자 하는 게 일반적인 심리다.

세 번째는 표준작업절차다. 누구든 우리 내부직원이든, 외부 협력업체든 기술편차가 있든 없든, 같은 시퀀스 내지는 절차로 작업하라는 것이다.

우리가 현장에 어떤 일이 있는가를 보는 가장 대표적인 예는 HMI 내지는 오퍼레이터 워크스테이션이라는 PC다. 제어시스템에서 센싱값이 나오면 사람이 보는 모니터가 나온다. 이게 많이 바뀔 거라고 생각한다.

우리나라의 어떤 제철소다. MCC와 인버터, 전기패널들이 쭉 열반되어 있는 룸이 있다. 사람이 여기에 상주하지 않는다. 이 사람들의 작업패턴을 어떻게 바꿔야 하는가? 룸에서 운전을 하는 PC화면을 보다가 어떤 MCC 판넬에 문제가 있으면 이 사람들이 차를 타고 MCC 전기실에 간다. 그러면 열변계의 판넬이 쭉 열변되어있는데, 가는 동안 “어떤 판넬이 문제지?”라고 잊어버린다. 두 번째로는 무선을 통해서 확인이 되더라도, 조치를 바로 취할 수 없기 때문에 바인더를 들고 간다. 그래서 아, 이 판넬이구나 다시 찾아가서 전개배선도를 보고, 문제를 인지한다. 그걸 현장에서 가지고 있는 스마트폰이나 태블릿으로 증강현실 기반으로 컨텐츠를 만들어보면 첫 번째는 현장에 PC가 있을 필요가 없다.

두 번째는 실시간 데이터들이다. 어차피 거기에 디바이스가 있고 내 모바일 디바이스가 OT 컨트롤 네트워크에 묶여있는 거니까. 그리고 세 번째는 C-16CC 옆에 있는 아이콘을 클릭하면 그 전기판넬 배선도와 작업조치 세팅 매뉴얼이 열람이 된다. 기존의 HMI가 못했던 모든 개소개소마다 했었던 영역을 바꾸는 것이다.

그러면 작업절차는 어떻게 할 것인가? 작업절차마저도 단계마다 AR로 만들 수 있다. 역시 마찬가지로 현장에 터치판넬이 필요 없고, 두 번째는 어느 위치에 알람이 떴는지를 바로 확인할 수가 있고, 세 번째는 내가 지금 어떤 작업을 해야 되는 지를 보게 된다.

다음은 분석이다.

이 회사는 고무를 발효하는 회사다. 그리고 이 제품이 만들어지면 GM이나 포드에 엔진마운트 등을 공급을 하는데 고민이 있었다.

제품을 다 만들면 이걸 시험성적기에 넣는다 그러면 품질체크가 된다. 하루에 만개를 만들면 몇 퍼센트는 꼭 불량이 난다. 그래서 첫 번째는 왜 불량이 나는지 알고 싶었다. 두 번째는 그래서 이걸 어떻게 해야 되나? 이 고객사에는 20년씩 된 분들이 있어서 공정마다 경험치에 근거해서 세팅값을 계속 바꿨다. 그리고 세 번째는 원인을 파악하기 위해서 한 달이 걸린다거나 시스템 간의 분리된 데이터들을 취합하는 게 고민이었다.

맥락 데이터는 이미 공장에 굉장히 많다. 시계열 데이터인 RTDB, MES에서 나오는 트랜젝션 데이터들, 혹은 누가 수기기록을 하는 비정형 데이터들. 이 많은 데이터들을 어떻게 맥락으로 묶을 것인가?

간단하다. 찢어진 데이터를 연결해서 그걸 하나의 매시업이라는 구조로, 같은 교집합끼리 객체를 만들고, 그 사이에서 내가 원하는 KPI 어프 값이 있으면, 인풋변수가 여러 개 있을 것이다. 그걸 선택했을 때 기여도나 상관성이 있는 상관계수도를 구하면 근본원인이 대충 나온다.

다음은 예측을 하는 단계다.

예측도 시스템 레벨을 보면 하나의 단위설비가 있고, 혹은 어떤 사이트 내지는 라인이 있을 것이다. 이 고객사의 도전과제는 대형 모터의 이상 및 수명 예측이다.

먼저 단위설비를 보면 이 회사의 경우는 진동분석 시스템을 적용했으나 이상발생을 예측하기가 이미 어려웠고, 진동이랑 생산량을 연계한 한 Machine Leaning 예측 모델 개발 및 이를 통한 이상 발생 감지를 하고 싶었다. 그래서 이걸 어떻게 할 수 있을까 고민하다가, 엣지컴퓨팅이라는 중요한 콘셉트를 적용했다.

예측모델을 만들기 위해서 혹은 이상방지를 위해서 서버가 반드시 필요한가? 아니라고 믿는다. 로크웰은 제조업의 제어시스템을 하는 회사이기 때문에 인프라가 있다. 인풋아웃풋 카드나 컨트롤러가 있다. 그쪽에 하나의 엣지컴퓨팅 역할을 하는 모듈을 꽂아서 간소화해서 이상방지를 한 사례다. 복잡한 형태의 예측 모델 개발이 아닌 임베디드 시스템(PLC)을 통한 간단한 형태의 머신러닝 분석 솔루션를 개발했다.

패턴은 간단하다. 과거에 이렇게 정상적으로 흘러가던 것을 보다가 골든 사이클이나 정상패턴을 벗어나려고 할 때, 사전 알람을 알려줌으로써 이상감지를 한다거나, 아니면 데이터와 데이터를 미리 연산을 해서 버추얼 센서를 만드는 형태로 운영이 되는 사례다.

<그림3> 엣지컴퓨팅을 적용한 대형 모터의 이상 및 수명 예측 사례(사진. 로크웰 오토메이션 코리아)

마지막 사례는 설비를 넘어서서 시스템 간에 예측을 할 수 있는 사례다.

국내 고무성형공정 고객사의 사례로, 마찬가지로 품질불량의 원인 파악에 어려움이 있었고, 주요 원인 파악을 위해 엑셀로 약 1개월의 수작업 통계분석을 했다. 이때 달랐었던 이유가 뭔지 모두 수작업으로 필터링을 한다. 불량발생 전에 원자재에 대한 공정최적값 지침을 내려주고 싶은 게 이 회사가 하고 싶은 거였다. 그래서 사전인증과 공정최적값이라는 골덴패턴을 공장에 적용을 한 사례다.

누군가가 데이터를 분석하고 예측모델을 해서 스마트 팩토리나 모델링을 하겠다고 하면 데이터사이언스라는 것을 벗어나서 생각할 수 없다.

하는 역할이 이렇다. 데이터를 먼저 수집해야 된다. 그리고 이걸 가지고 통합해야 한다. 우리나라는 이것이 되어있는 회사가 예상보다 많다. 데이터를 수집하고 통합한 다음에 데이터를 클리닝(랭글링) 즉 전처리 가공을 해야 된다. 그 다음에 데이터를 분석을 해야 된다. 통계적이든 AI든 필요한 알고리즘 내지는 모델링 기법들을 한 다음에, 마지막으로 데이터를 유추하고 시각화해서 패턴을 보여주는 과정으로 간다. <그림4>의 파란색 부분은 도입처에서 도와줘야 되는 부분이다.

<그림4> 공정 최적화 데이터 분석의 배경 및 접근방법(사진. 로크웰 오토메이션 코리아)

두 번째는 데이터를 취합 통합한 다음에 그걸 전처리 가공하고 모델링의 원료로 만드는 과정으로, 비교적 시간이 많이 걸리는 단계다. 이건 뻔하지만 아주 중요하다.

이 고객사의 데이터 분석 프로젝트의 목적은 1단계 분석 프로젝트에서 시험성적 결과의 주요 결정인자인 ‘KPI’를 검증하고, 2차 고도화 단계에서 개발한 데이터를 예측하는 것이었다. 모델을 통해 공정 과정에서 KPI값을 예측하고, 최적의 KPI 값을 유지함으로써, 공정을 최적화할 수있는 ‘ 파라미터 세트’ 변수를 확인하고 싶어 했다. 로크웰은 이 비즈니스 과제를 해결하기 위해 데이터 사이언스 접근법과 로크웰의 솔루션을 활용했다.

세 번째는 실제로 분석을 하는 범위다.

다행히 이 고객사의 CIO가 의지가 있었다. 데이터를 취합하고 취합하는 과정에 SAP의 ERP 데이터와 원자재를 공급하는 업체들의 엑셀 CSV로 되어있는 성적서 데이터, 인하우스에서 창고에 입고될 때 검수하는 데이터들이 있었다. 이 세 가지 데이터(원자재/성형공정/시험성적)를 취합을 했다. 그리고 마지막에 공정이 끝나고 시험성적기를 돌릴 때 나오는 SQL 데이터가 있었다. 찢어져 있는 데이터를 취합을 한 거다. 그런 다음에 첫 번째로 데이터를 전처리하고 가공하고 관계있는 데이터들을 가지치기 하는 영역이다. 이런 과정을 거쳤다.

<그림5> 원자재/성형기/시험성적 설비의 연관성 분석을 위한 데이터 준비(사진. 로크웰 오토메이션 코리아)

<그림5>의 왼쪽에 엑셀이나 SQL이나 CSV 등 찢어져 있는 데이터를 로크웰의 팩토리토크 애널리틱스 데이터뷰(FactoryTalk Analytics DataView)라는 프로그램을 돌려서 취합을 한다. 컨텍스트를 만드는 것이다. 이렇게 해서 만들어지면 제일 먼저 하는 것은 일반적으로는 상관계수도를 분석하는 것이다.

데이터 전처리하는 과정은 지난한 과정이다. 지저분한 데이터를 빼고 관련 있는 데이터들로 컨텍스트를 만든 다음, 필요한 객체형태로 만들어서 그야말로 데이터를 분석하게 된다. 그리고 씽웍스 애널리틱스(ThingWorx Analytics)를 돌려서 <그림6>과 같은 형태로 모델이 나온다.

<그림6> 원자재 데이터와 시험성적 데이터의 상관관계 도표(사진. 로크웰 오토메이션 코리아)

현재 프레딕티드 모델이 만들어져서 최적값을 찾는 프로젝트를 하고 있다. 뻔한 이야기지만 해봤냐 안 해봤냐 하는 것은 결과에 있어서 천지차이다.

디지털 트랜스포메이션이나 스마트 팩토리는 너무 먼 미래의 이야기가 아니다.

더 이상 우리에게 스마트 팩토리라는 주제로 20, 30억씩 프로젝트를 주는 고객은 없다. 이미 많이 성숙되어 있기 때문에. 내 공장에 부족한 부분이 뭔지, 필요한 요소기술은 뭔지, 그걸 보고 엔드투엔드 여정을 맞추기 위해서 필요한 모듈을 가지고 오라고 한다.

디지털 트랜스포메이션이나 스마트 팩토리는 작게 시작해서 조금씩 확장을 한다. 스마트 공장을 지을 때 현업에 의견을 내라고 하면 아무도 안 낸다. 그런데 작게 파일럿으로 요소기술을 도입을 하고 한 사이트를 돌려보면, 불만들이 나온다. 이 불만을 반영 시켜서 확장을 해야 커스터마이즈된 프로젝트가 된다.

스마트팩토리라고 하면 실제 구현 가능한 기술인가라는 질문들을 하는데, 로크웰에서는 데이터를 기반으로 해서 실제로 구현한 사례를 설명했다.