스마트 팩토리를 구현하기 위해 가장 중요한 것은 IoT 기능을 사용해 공장 생산 활동을 ‘가시화'(눈에 보이도록 하는 것) 하는 것 입니다. 공장에서는 다양한 기계작업과 수작업의 조합으로 운영되며, 제조 공정에 있어 생산 활동을 정량화 하기 어렵습니다. 이러한 문제를 IoT를 통해 수치화 하며, 관리자가 한 곳에서 모두 확인하고 통제할 수 있도록 하는 방법을 구현하는 것이 중요합니다.
스마트 팩토리의 ‘가시화’ 요구
오늘날 IT 관련 기술의 진보에 의해 다시 공장의 생산 활동을 ‘가시화’ 하는 것이 주목받고 있습니다.
일반적으로 공장의 생산 활동은 다양한 기계장비와 수작업의 조합으로 이루어지지만, 활동의 양과 질은 쉽게 눈으로 확인할 수 없습니다. 공장의 ‘가시화’는 눈으로 볼 수 없는 공장의 생산 활동 정보를 IT 기술과 센싱 기술을 활용해 수치로 시각화하는 것을 의미합니다.
기존 프로세스를 수치로 제어해서 제품을 만드는 화학 공장 등이 대상 프로세스의 데이터 표시 방법을 ‘가시화’해 왔습니다. 현재는 여타 업종에 해당하는 공장에서도 재료의 움직임을 포함한 생산 활동 전체의 ‘가시화’가 요구되고 있습니다.
‘가시화’의 과제
IT 기술의 발전만으로는 해결되지 않는 ‘가시화’ 의 과제도 있습니다. 그러한 과제 중 하나는 오래된 생산 시설을 ‘가시화’ 하는 것입니다. 제조업 현장에는 현재까지 수십 년 동안 가동하는 시설도 있습니다. 이러한 오래된 시설에서 정보를 수집하는 것은 쉬운 일이 아닙니다. 이를 위해 각 시설의 특성에 맞게 상태 정보를 수집할 수 있는 카메라나 진동 센서 등 다양한 추가 센싱 기술을 사용해 정보를 디지털화해야 합니다.
또한, 개별 공장 및 시설 상황에 따라 데이터를 수집하는 방법을 조정할 필요가 있어 한 번에 대규모 투자를 실행하는 것보다는 소규모로 도입 효과를 검증하고 대규모로 배포하는 것이 좋은 결과를 기대할 수 있습니다. 이런 검증 활동을 ‘PoC'(Proof of Concept)라고 합니다.
다양한 생산 공정에 적용할 검증에서 운영과 시스템 사양, 그리고 무결성 확인은 중요합니다. 예를 들어 작업 진척도처럼 작업자 활동이 데이터 측정 대상이라면 실시간이라 해도 실제 상황이 일어난 시점에서 몇 초 또는 몇 분의 시간 지연이 발생합니다. 이러한 운용 프로세스에 적합하도록 시스템을 설계하는 것이 투자 최소화를 달성하는 방법입니다.
‘가시화’를 진행하기 위해서는 생산 시스템에 적합하게 어떻게 무리없이 시스템 데이터를 측정하고 수집하고 저장할지를 검토하는 것이 중요하며 사전에 충분한 업무 분석과 검토가 필수적입니다. 이러한 검토를 통해 기존 설비나 수작업을 포함한 생산 활동 전체를 ‘가시화’하고 파악할 수 있습니다.
‘가시화’한 정보의 제공 방법
다양한 생산 활동을 데이터화해 ‘가시화’한 후 생산 현장에 정보를 제공해야 합니다. 정보를 제공하는 방법에는 다음과 같은 것이 있습니다.
- 생산 현장에서 이상 상황이 발생했을 때 신속하게 대응하기 위해 직원의 스마트폰에 시설 경고 정보를 실시간으로 표시.
- 작업자의 배치를 최적화하기 위해 계획과 실적을 쉽게 비교하기 위해 정보를 한눈에 알 수 있도록 표시.
- 장비 상태 정보를 실시간으로 수집해 사람이 판단하고 제품 불량을 자동으로 감지해 표시.
그러나 이러한 경우들은 현장에서 수집한 ‘가시화’ 정보를 화면에 표시할 뿐이라 실제로 개선 효과로 이어지려면 작업자와 생산 설비 운용 등의 생산 활동 자체가 바뀌어야 합니다. 즉, 효과를 창출하기 위해서는 ‘가시화’된 정보를 사용해 생산 활동을 최적으로 제어하는 업무 운용, 피드백 메커니즘이 필요합니다. 이를 위해서는 시스템의 목적을 명확히 한 후에 보여주는 정보 뿐만 아니라 정보를 이용한 운용 프로세스의 설계가 함께 수행돼야 합니다.
‘가시화’ 정보 시스템 활성화
생산 정보도 정화하고 운용 프로세스가 명확한데도 운용 설계가 나쁘기 때문에 ‘가시화’ 시스템이 제대로 작동하지 않는 경우가 있습니다. 예를 들어, 정보를 입력하는 부서가 정보를 제대로 작성하지 않아 정보의 정확성이 떨어지고 결과적으로 모두가 그 정보를 사용하지 않게 되는 경우입니다. 이 상황은 ‘가시화’ 하기 위해 정보를 입력하는 부서와 혜택을 누리는 부서가 달라 입력하는 부서에 혜택이 없는 경우에 발생하기 쉽습니다. 정보를 입력하는 현장에 직접적인 혜택이 없는 작업에는 단 1초라도 공들이고 싶지 않는 것이 작업자의 생리이기 때문에 IT 관련 기술의 활용 및 장비 운용으로 최대한 쉽게 정보를 입력할 수 있는 설계가 필요합니다.
생산 정보의 수집이 생산 현장에 집중되는 경우도 피드백이 생산 현장이나 제조 공정 계획 등에만 제한적으로 사용됩니다. 더 큰 효과를 얻기 위해서는 제조와 설계 사이에서 제조상의 문제점들을 공유하고 조달 부품의 요구 기한을 최적화하는 등 설계 부서와 구매 부서에 피드백의 적용 범위를 확대하는 것이 중요합니다.
시스템 입력은 수단이지 목적이 아니지만, 정착할 때까지는 관련 시스템에서 수집 활동 적용률 등을 모니터링하고 정착을 촉진할 필요가 있습니다.
‘가시화’ 정보는 문제도 ‘가시화’ 한다
공장의 ‘가시화’로 얻을 수 있는 생산활동 정보는 생산에 관련된 현재의 과제를 해결하기 위한 감시나 컨트롤을 위해 사용됩니다. 그러나 최신 기술을 적용하는 것만으로 현재 명확하게 정의되지 않은 과제의 추출이나 장래 예측 정도의 향상을 기대할 수는 없습니다.
IT 관련 기술의 진보로 과거에는 수집하기 어려웠던 다양한 장치 상태를 나타내는 데이터나 작업 환경 정보, 제품 상태, 품질, 리드 타임 등의 정보를 제품이나 사람, 장치나 재료에 연결해 쉽게 수집할 수 있게 됐습니다.
이러한 기술적 배경에는 딥러닝(Deep Learning)으로 대표되는 AI(Artificial Intelligence, 인공지능) 기술의 발전에 따라 과거에 규칙화나 해석의 어려움으로 사람들이 담당해온 판단 업무를 자동화할 수 있게 됐다는 점이 있습니다. 이러한 기술에는 다음과 같은 적용 사례가 있습니다.
- 샘플 공정 정보를 대량으로 학습시키고 샘플 공정을 설정한 공정과 동일한 공정을 자동으로 설정합니다.
- 불량률이나 가동률 개선 목표에 대해 관련 여부가 명확하지 않은 대량의 데이터를 모아 어느 데이터를 컨트롤하면 목적을 달성할 수 있는지 분석합니다.
이러한 적용에 따라 지금까지 숙련된 작업자들이 해오던 판단 업무를 자동화해 사람이 인식하지 못했던 새로운 룰을 발견할 수 있게 됐습니다.
시뮬레이션으로 예측 정보를 얻는 방법
미래를 예측하는 수단으로 시뮬레이터를 사용하는 방법도 있습니다. 일반 시뮬레이터는 한번 설정된 전제 조건에서 시뮬레이션하는 경우가 많지만, 제조 현장에서는 이 전제 조건을 벗어나는 상황이 종종 일어나기 때문에 기대하는 예측 목표를 얻을 수 없는 경우가 종종 있습니다.
아울러 처음에는 정확도가 높더라도 시간이 지나면서 함께 전제 조건이 변화해 시뮬레이터가 산출하는 예상 정확도가 떨어지는 경향이 있습니다. 지금까지는 시뮬레이터에 실제 생산현장 상태를 실시간으로 반영하는 것이 어려웠지만, 현재의 기술 수준을 활용하면 실제 현장의 최신 데이터를 시뮬레이터 조건으로 피드백하여 예측 생성을 실제 상황에 맞게 향상시킬 수 있습니다.
모든 물건을 만들기에 적합한 만능 AI나 시뮬레이션 장치는 존재하지 않지만, 일정한 조건에서 적용할 수 있는 AI 기술 등을 활용한 사례는 서서히 증가하고 있습니다.