지난 시간에는 공장 내 물리적 개체들인 기계들의 상호 작용에 대해 살펴보았습니다.

● ‘나’와 다른 ‘너’와의 상호 작용을 위한 IT의 역할 (8편): http://blog.lgcns.com/709

이어서 오늘 이 시간에는 상호 작용을 통해 교환된 정보를 바탕으로 각 개체들이 어떻게 더욱 지능적으로 생산 활동에 참여할 수 있는지 알아보겠습니다.

조금 더 지능적인 생산 환경을 위하여

단순히 별일 없이 시스템이 잘 돌아가게 만드는 단계에서 효율성, 생산성 등을 더 고려한다면 추가 설비나 분석이 필요할지도 모릅니다. 그렇다면 고려해야 할 정보들은 더욱 많아지는 것이죠. 쉽게 말해, ‘나 이거 깎는 거 끝났으니 네가 가져가’ / ‘그래 알았어’라는 단순한 CNC와 로봇의 일차원적인 상호 작용에서 ‘지금 가져가는 게 더 나을까?’하고 로봇이나 상위 레벨의 의사 결정 시스템에서 한번 더 생각하는 식으로 변화하는 것입니다.

지난 시간 글의 맨 처음 부분에 제시했던 그림을 다시 한번 떠올려 보시죠. 실제로 시뮬레이션을 해 본 것은 아니지만, 현재 시스템에서는 소위 말해 ‘기계 2’가 전체 생산성에 가장 큰 영향을 미친다고 볼 수 있습니다. ‘애로 자원(Bottleneck Resource)’인 셈이죠. 즉 기계 2는 쉴새 없이 가동되는데, 흐름상 다른 자원들은 놀고 있을 가능성이 높다는 것입니다. 그만큼 기계 2가 처리할 일이 상대적으로 많은 듯합니다. 그도 그럴 것이 ‘작업 7’을 가만히 살펴보면, 각각 다른 7개 판(가공 프로그램, 픽스쳐 셋업이 조금씩 다른)을 기계 하나에서 가공해야 하는 상황입니다. 물론 물건이 조금 더 팔리면 기계 하나쯤 더 놓아도 되겠죠. 그러나 그것은 그때 생각할 문제이고, 현재는 있는 것을 가지고 일단 최선을 다해야 합니다.

그래서 이런 가정을 해 봅니다. 일정 관리(스케줄링)의 문제는 NP-Hard(최적의 답을 도출하기 어려운)의 전형적인 경우에 해당합니다. 사람의 감에 의존하거나, 휴리스틱(Heurisitic) 등을 통해 초기에 정해진 계획대로 어느 한 셋의 생산이 이루어지고, 시프트에 의해 다음 생산 단위에서 변경된 제품이나 자원을 고려해 일정을 조정하는 경우가 대부분이기 때문이죠. 그래서 현재 시스템에서는 작업 7에서 7개 종류의 부품을 어떤 순서로, 한 번에 얼마나 많이 가공해야 하는지에 대한 세부 스케줄링이 기본적으로 필요한 것 같습니다.

조금 더 나아가면 7개 판이 기계 2에서 다 가공되기 전 어느 시점에 로봇이 놀고 있을 때, 원재료를 역시 놀고 있는 기계 1에 갖다 놓고 미리 일을 시킬지 등의 추가 스케줄링이 필요한 정도입니다. 그러나 그러한 초기 일정에 얽매이는 것이 아니라, 조금 더 능동적으로 우리 기계들이 자신의 상황을 알려 주고, 그것을 바탕으로 실시간으로 일정을 조정했으면 좋겠습니다. 그럼 스케줄 만드는 쪽은 더욱 바빠지겠지만, 이것은 사람이 만드는 것은 아니니까요. 계속 발전하고 있는 여러 인공 지능 기법, 알고리즘을 쓰면 됩니다. 그리고 요즘은 그러한 목적을 위한 APS(Advanced Planning and Scheduling) 시스템 같은 것도 잘 되어 있습니다.

또한 각각의 자원들이 동적으로 계속 변하는 상황(실제 놀고 있는지, 아니면 언제쯤 놀게 될지, 혹은 정상으로 작동하는지)이나 공정의 상태를 실시간 확인 또는 예측할 수 있다면, 조금 더 나은 의사 결정을 내릴 수 있을 것 같습니다. 자원, 공정의 상태뿐만 아니라 조립 시 부품 불량 등의 상황도 실시간으로 파악하고, 스케줄링을 동적으로 조정하여 그 불량이 발생한 부품의 생산을 우선 순위로 변경하는 등의 유연함을 발휘할 수 있는 것이죠. 이것이 바로 생산 현장의 지능화(상황 인지-분석에 의한 대응-혹은 미리 대응)의 한 예입니다.

방금 전, 이야기한 것을 가능하게 하려면 우선 공장 안의 모든 개체들이 자신의 상황을 알아야 합니다. 또한 이 상황이 사건 기반(Event-based) 혹은 시간 단위 기반(Time Step-based)으로 서로에게(적어도 자신을 제어하는 관리자에게) 실시간으로 다 알려져야 하죠. 그리고 난 후, AI 기법들이 추가 된 인터페이스나 상위 레벨의 의사 결정자를 이용하여 ‘분석-의사 결정’을 내리는 것입니다. 원래 초기에 나온 일정은 ‘1-2-3-4-5-6-7-8-9-10’인데요. 이것은 별일 없을 때 이야기이고, 갑자기 상황이 바뀌면 위에서 시키는 대로 하는 것이 아니라 ‘1-2-3-5-6-4-7-1-2-8-9-10’ 이렇게도 갈 수 있어야 한다는 것입니다. 왜냐하면 비싼 돈을 들여 도입했는데 노는 기계가 없도록 하면서 얼마나 빨리, 잘 만드느냐에 그 목적이 있기 때문입니다.

처음 제시했던 예를 살펴보면, 제품의 종류가 여러 개일 때는 로봇의 역할이 더 커질 듯한데요. 앞서도 언급했지만 다양한 제품이 존재하는 더 복잡한 환경에서는 결국 생산 속도에 직결되는 제품 등의 흐름은 로봇이나 컨베이어 벨트 등에 의해 좌우됩니다.

로봇의 경우, 다양한 제품 생산에 적합한 Job Shop에서 그 흐름의 중간자 역할을 하기 때문인데요. 시켜서 하기보다는 노는 즉시 일을 찾는 능동성이 필수적일 것 같습니다. 따라서 요즘 화두가 되고 있는 ‘Collaborative Robot’이란 것이 조금 더 지능적인 자동화에서는 정말 필요해 보입니다.

물리-가상 시스템 전반으로 확장되는 지능화

앞서도 언급했듯이, 어떤 새로운 기술로 진화하더라도 결국 제조 활동의 기본 목적은 다음의 두 가지를 이루기 위한 것이라 할 수 있습니다. 즉, 최소의 비용을 통한 효율적인 생산과 생산된 제품을 사용할 고객들을 만족시킬 비즈니스가 바로 그것이죠. 그러기 위해서는 일단 물건을 잘 만들어야 하고, 시장 변화에 잘 대응해야 합니다.

복잡 다양한 사람들의 기대치를 충족하기 위해, 투입한 설비의 부가 가치를 높이기 위해 아래 그림에서처럼 다양한 지능화가 이루어지고 있는데요. 이제 생산의 대상인 제품부터, 생산을 직접 담당하는 자원, 그리고 그것들을 가상화하여 포괄하는 비즈니스 시스템으로까지, 물리-가상 제조 시스템 전반이 더 스마트해지고 있습니다. 바로 연결과 각각의 개체별로 분산-적용된 지능화의 덕분으로 말이죠.

1)현장의 스마트 개체들을 통하여

기계들의 실시간 정보뿐만 아니라, 심지어 제조 대상인 제품과 관련한 개체들도 더 스마트해지고 있습니다. 예를 들면, 재료나 부품 자체가 표준화된 생산 관련 파라미터 정보를 RFID 칩 등에 담을 수 있게 되었습니다. 이런 정보를 바탕으로 이제 제품 개체도 자신을 가공/변형할 기계 자원에게, 마치 미용실에서 고객이 미용사에게 머리를 자를 때처럼, ‘내가 누구고, 어떤 식으로 가공되어야 한다’는 정보를 이야기해 줄 수 있게 됩니다.

만약 어떤 한 기계에서 가공되어야 할 제품/부품의 종류가 여러 가지일 때(앞서 예제에서 작업 번호 7번의 경우와 같이), 기계는 상위에서 주어지던 일정 및 작업 지시에 의해서 생산 대상을 식별해 왔었습니다. 그러나 제품과의 직접적 상호 작용을 통해 기계는 보다 능동적으로 다양한 제품 종류에 맞춰 주체적 생산을 진행/변경할 수 있게 됩니다.

즉, 같은 생산 라인에서, 어떤 주문 및 주문 수량이 주어지더라도, 기계는 결국 Lot 사이즈 1에 해당하는 보다 세밀한 맞춤형 생산이 가능해지는 것이죠. 또한 완제품으로 완성되어 재고란 덩어리 속에 속하게 되더라도 결국 각각의 제품은 ‘내가 누구며 어디 있는지’ 등에 대한 자기 식별을 잃지 않게 됩니다. 이는 역시 비즈니스 시스템의 제품 추적 등을 더 용이하게 도와주고 있습니다.

또한 컴퓨팅 기술의 발전으로 개별 기계 컨트롤러까지 공정에 관한 단기 데이터 로그를 위한 저장소 및 분석 엔진, 다양한 프로토콜 내장, 웹 서버까지 갖추어 비로소 학습을 통한 지능화 및 필터링된 정보의 전달이 가능해지고 있는 추세입니다. 전사적으로 이루어지던 분석이 점점 말단(Edge)으로 내려가면서, 실시간 데이터를 사용하여 부분적이지만 보다 현실적인 의사 결정을 내릴 수 있게 되어 효과적인 제어가 가능해지고 있습니다.

2)공장 운영이나 비즈니스 레벨의 통합된 분석을 통하여

소위 빅데이터를 이용한 비즈니스 분석은 최근에 여러 기업들을 통해 활발히 이용되고 있지만, 꽤 오래 전부터 학계 등에서 연구되어 오던 분야이기도 합니다. 분산된 개체들에서 발생하는 대용량의 데이터를 수집, 처리할 수 있는 Hardoop과 같은 기술들이 기존의 데이터 웨어 하우스 등과의 연동을 더 용이하게 해 주고 있기 때문인데요.

결국 관건은 버릴 것은 버리고, 마이닝, 인덱싱 및 데이터 지도를 이용해 유효한 것들만 잘 추려서, 기업의 지식/지혜로 활용하는 것이라 할 수 있겠습니다. 어떤 질문에 대해서 대답을 해 준다는 관점에서는 마치 어머니가 살아온 경험, 증거, 시행착오 등을 통해 자식에게 ‘그럴 때는 이렇게 하는 거야’라고 노하우를 들려 주는 것과 일맥상통한다고도 볼 수 있습니다.

빅데이터와 관련한 비즈니스 인텔리전스를 요약하자면, 비즈니스 레벨에서 이용이 가능한 데이터는 크게 Transaction 데이터, Analytic 데이터, 그리고 잘 변하지 않는 개체들에 대한 Master 데이터로 분류가 가능합니다. 그리고 최근 마케팅과 밀접한 관계를 가지는 다양한 Social 데이터 등이 추가가 되겠죠.

Transaction 데이터는 거래 주문/생산 주문/계획/배송 등과 같은 전사적 제조 시스템 입장의 비즈니스 사건들에 해당하고, Analytic 데이터는 제조 시스템 내의 여러 하위 시스템들과 현장의 개체에서 발생하는 ‘자원의 동향 데이터’, ‘재고 추적 데이터’, ‘유지/보수/품질 관리 기록들(Log)’ , ‘성능/실적 기록들’을 통한 보다 자잘한 사건들의 기록 및 ‘과거의 축적된 히스토리데이터’에 해당합니다. 더 구체적으로는 머신툴의 진동 데이터, KPI, 생산 단위의 사이클 타임 변동 추이, 자원의 사용 상황 변동 추이 등이 그 예가 되겠죠.

결국 이 Analytic 빅데이터의 로그들을 통하여, 그 압도적인 ‘양’에 대한 분석은 주로 마이닝 기법을 이용한 패턴의 가시화와 생산량/수율에 영향을 미치는 잠재적인 요소(인자)들에 대한 상관 관계/유의성 검증 등의 통계적인 방법을 이용해 그 사이즈를 줄여 나갑니다.

한편, 데이터 ‘질’에 대한 분석은 앞서 추려진 요소들을 이용한 신경망 이론 등을 통해 더 정제하고 간소화하여 생산 과정에서 참조값으로 쓰여질 수 있는 유용한 ‘정보/지식/지혜’로(생산 시스템 성능 평가에 쓰이는 KPI의 적정 범위 등에 이용 가능) 계속 거듭나게 되는 것이죠.

이렇게 거듭난 정보는 앞서 소개한 실시간 스케줄링 등의 중단기적 생산 계획 알고리즘 등에 변수값들로 바로 적용될 수도 있을 것입니다.

또한, Transaction 데이터나 Social 데이터에 대한 경우도 흡사한 방법으로 수집(Invoice나 클릭 동향 등을 통해), 분석되어 제품과 잠재적 소비자들의 관련 클러스터, 만족도 등의 상관 관계를 분석하여 수요 예측, 생산 전략 등의 보다 장기적인 계획에 쓰이겠죠..

따라서, 비즈니스 입장에서는 과거 히스토리 데이터에만 주로 의존해 왔는데요. 최근에는 현장과의 보다 긴밀한 상호 작용을 바탕으로 갱신된 최신 현장의 데이터를 이용하려는 추세입니다. 이를 통해 좀 더 현실적인 통찰력을 제시해 주기 위한 노력들을 기울이고 있습니다.

지능화된 생산 환경 속에서의 사람

그러면 이렇듯 기계들이 생산을 대신하고 있는 상황에서 이전 글에 등장했던 개집을 만들었던 사람이나 부엌에 계시던 어머니는 무엇을 하고 있을까요? 모든 것을 자동화된 기계들에 맡겨 놓으니 마음이 썩 편하지만은 않겠죠.

위의 그림에서와 같이 교통 관제 센터 같은 곳에서 편안하게 앉아서 작업이 잘 되고 있는지, 전체 공정들을 살펴보고 있을 것입니다. 이로 인해, 작업자와 기술자들은 원격 접속을 활용해 현장 안팎에서 진단을 위한 인터페이스를 사용함으로써 문제 해결에 필요한 시간과 비용을 줄일 수 있게 되었습니다.

그림을 조금 더 살펴볼까요? 첫 번째는 프로세스 제조에서 주로 많이 사용하는 ‘SCADA-HMI’의 전체 공장 레벨에서의 모니터링을 보여 주고 있습니다. 이는 현장의 각 지점에서 쓰인 실제 화학 물질 양의 계산, 재고 관리 등에 사용되며 그 활용도가 점점 더 커지고 있습니다. 아래의 이산형 제조에서도 영상을 진단 도구로 사용하여 조립 라인 중 일부에서 일어나는 문제를 해결할 수 있는데요. 오류가 발생하거나 제조 공정에서 자동화 제어가 어려울 때, 비전 시스템이 녹화를 시작해 관리자에게 실시간으로 전송해 주는 것이죠.

이러한 방법으로 문제를 조기에 파악하고 수정할 수 있습니다. 그리고 조금 더 콤팩트한 인터페이스인 스마트 기기를 이용해, 작업자가 현장에서 보다 가깝게 자동화 시스템에 개입해, 기계의 파라미터를 직접 조정하거나 테스트해 볼 수도 있습니다. 또한 스케줄 확인과 조정도 가능합니다. 혹시 불량률이 높아지거나 기계의 문제 발생, 어떤 기계 가동률이나 효율이 너무 나빠지는 상황 등을 애니메이션, 분석 결과나 기타 알림 등을 통해 알게 되는 것이죠.

그렇다면, 이런 정보는 어디에서 올까요? 앞서 이야기했던 현장의 기기들과 센서들, 기계의 컨트롤러들에서 전달됩니다. 전달된 정보는 이러한 HMI를 통해 사용자에게 가시화된 정보로 나타나게 되죠. 결국 이런 정보의 흐름은 물리 개체에 대해 연결된 가상 시스템들의 3C(Communication – Computation – Control)의 무한 반복으로 이루어집니다.

자동화된 흐름에서 큰 문제가 발생했을 때, 사람이 개입하여 사이드 브레이크를 당기듯이 여차 하면 빨간 버튼을 누르게 되겠죠. 이렇듯 자동화-지능화된 제조 시스템 내에서, 사람은 단순 조립의 작업자의 역할에서 보다 진화된 개입자-의사 결정자로서의 역할을 수행하게 됩니다.

공장은 대부분 지역적으로 크게 분포되어 있고, 그 안에서 많은 기계들을 운영하고 있습니다. 따라서 사람이 하나하나 붙어서 모니터/제어를 하기는 거의 불가능합니다. 그래서 공장이 제대로 돌아가기 위해서는 공장 내의 모든 가상-물리 시스템들이 어떤 형태로든 연결되어 있어야 합니다.

연재를 시작하면서 처음 제시한 그림에서 설명했듯이, 가장 윗단의 가상 시스템에서 내려오는 제품에 대한 주문을 받고, 그 주문이 다시 쪼개져서 각 제품을 만들기 위한 큰 공정 절차들로 바뀝니다. 그 절차는 다시 머신들의 그룹이나 세부 기계 자원들에게 ‘작업’이란 작은 일로 더 쪼개져 할당되게 됩니다. 기계들이 결국 이 ‘작업’을 나눠서 담당하게 되고, 작업의 결과를 위로 다시 통보하는 것들이 반복되는 것이죠.

또한 처음에는 단순히 작업의 결과만 알려 주었다면, 이제는 스스로 진단할 수 있는 능력이 생겼습니다. 사람이 보고하던 이상 증후 같은 것도 알아서 보고할 정도로 말입니다. 이와 같은 상황이 되려면 기계와 기계의 상호 작용이 가장 우선시되어야 하는데요. 이를 바탕으로 두 가지 자동화를 기대할 수 있습니다.

‘공장의 자동화’와 ‘사무실 의사 결정 자동화’가 바로 그것입니다. 그리고 이 두 가지를 합쳐 ‘자동화 제조’라고 이야기할 수 있을 것 같습니다. 이것이 이루어진다면 공장에서는 제품을 더욱 빠르게 효율적으로 잘 만들 수 있을 것이고, 공장/제품과 관련된 사람들에게는 더 나은 서비스를 제공할 수 있습니다. 실시간으로 전달되고 수집된 제품/자원/공정에 대한 데이터를 통해서 말이죠.

지금까지 공장의 물리적 개체들인 기계들이 어떤 식으로 상호 작용하는지 살펴보았습니다. 이어서 다음 시간에는 자동화 단계의 여러 종류와 각각의 종적인 단계 속에서의 IT의 역할을 알아보겠습니다.

l 글 이승엽 연구원