지난 글에서 ISA-95 기준으로 스마트팩토리에 대해 설명을 드렸습니다. 이번에는 그 중에서 가장 하위 부분에 대해서 설명드리려고 합니다. 일반적으로 Level 0는 실제 생산 공정이 진행되는 물리적인 설비라고 생각하시면 될 거 같습니다. 어쩌면 설비의 세부 구성요소라고도 볼 수 있는 센서와 액추에이터 중심으로 설명드리겠습니다.
산업분야의 디지털화가 가속화함에 따라서 생산라인에서부터 원자재를 공급하는 공급 채널 전반에 걸쳐서 각종 센서의 사용이 급증하고 있습니다. 센서는 측정하고자 하는 파라미터에 따라 적합한 것을 사용해야 합니다. 산업공정에서는 온도와 압력을 측정하는 것에서부터 장비로 진동을 모니터링하고 주요 자산들에 대해서 위치를 추적하는 것에 이르기까지 다양할 수 있습니다. 또한 코일 내부에 설치된 센서를 통해 모터의 상태를 확인하고, 광 센서를 사용해서 절단 블레이드 휨이나 로봇 팔의 방향과 같은 것을 정확하게 측정할 수 있습니다. 이미지 센서를 사용해서 광학적 검사를 할 수 있으며, 이미지 인식 소프트웨어를 사용해서 로봇을 유도할 수도 있습니다.
센서의 경우는 전력 문제가 중요합니다. 센서 하드웨어를 구축할 때는 전력 소모를 매우 중요하게 고려해야 합니다. 공장 이곳저곳으로 추가적인 전선을 설치하는 것은 실용적이지 않고 비용적으로 경제적이지 않습니다. 매년 수십만개의 배터리를 교체한다는 것도 마찬가지입니다. 센서와 그에 딸린 통신 트랜시버의 전력 소모를 낮춤으로서 공장의 전반적인 가동 비용을 낮추는데 기여할 수 있습니다. 그래서 현재 배터리를 대체하기 위한 연구개발이 활발하게 연구되고 있으며, 그 중 주변 환경으로 부터 에너지를 수집해서 센서를 구동하는 방법도 있습니다. 에너지 수집은 온도 차이, 진동, 전파 등을 사용할 수 있습니다.
자동제어를 실질적으로 구현하기 위해서는 물리적 동작을 가능하게 하는 액추에이터(Actuator)가 반드시 필요합니다. 예를 들어 집 안 가스 배관에서 가스가 누출된 상황을 가정하면 센서가 가스 누출을 감지해서 신호를 보내는 것만으로는 가스 누출을 막을 수 없습니다.. 신호를 보냄과 동시에 가스 밸브를 잠글 수 있는 액추에이터가 필요한 것입니다. 그리고 제동 제어를 위해서는 이런 액추에이터의 정확하고 효율적인 제어가 절대적으로 요구됩니다.
액추에이터는 센서로부터 수집된 정보를 Micro-Controller를 통해 만들어진 전기 신호를 동작, 빛, 열 등 물리적 움직임으로 변환시킵니다. 액추에이터는 일반적으로 유압식, 공압식, 전기식, 기계식 4가지로 분류됩니다.
1) 유압식: 물이나 기름과 같은 액체의 힘으로 실린더나 유체 모터를 구동해 기계를 작동 ( 유압 실린더, 유압 모터)
스마트팩토리의 Level 별로 실제로 직업들이 분화되어 있고, 실질적으로 전체적인 부분을 경험하는 것이 쉽지 않습니다.. 실제 위에 설명한 센서, 액추에이터 등은 설비엔지니어들은 잘 알고 있을 수 있으나 시스템을 하는 사람들은 잘 알지 못하는 경우가 많이 존재합니다. 하지만 상위 시스템에서 분석하는 데이터의 근본 Source가 어디인지, 설비에 명령을 내려 제어를 할 때 실질적으로 어떻게 물리적으로 동작하는지 알게 된다면 광의적인 관점에서 스마트팩토리에 접근하는데 도움이 될 것이라 생각합니다.
스마트팩토리는 Value Chain 관점의 수평적 구조와, OT와 IT 구조가 연계되는 수직적 구조로 나뉘어집니다.
수평적 구조의 스마트팩토리는 광의의 관점이며 일반적으로는 수직적 구조를 통해 스마트팩토리에 대해 설명합니다.
수직적 구조를 이해하기 위해서는 ANSI/ISA-95 모델에 대한 이해가 필요합니다.
제조업은 복잡성이 증가됨에 따라 제조 조직 내 다양한 시스템 간에 표준화된 커뮤니케이션이 필요했으며, 비즈니스 관련 활동을 관리하는 ERP시스템과 실제 생산 프로세스를 관리하는 제조 실행 시스템(MES) 및 기타 제어 시스템 간의 통합에 어려움은 업무 비효율성과 데이터 불일치로 이어졌습니다.
이에 자동화 표준 설정에 있어 선도적인 글로벌 비영리 기구인 국제 자동화 협회(International Society of Automation) 주도로 ANSI/ISA-95 모델이 개발되었으며, 이 표준은 제조 산업에서 운영 효율성, 데이터 일관성 및 의사결정 프로세스를 향상시키는 데 중요한 기여를 하고 있습니다.
ANSI/ISA-95 모델은 위의 그림과 같이 Level 0에서 Level 4 까지 4단계로 이루어져 있습니다.
우리가 흔히 OT(Operation Technology)라고 부르는 영역은 Level 0 ~ Level 2 까지이며, IT(Information Technology)라고 부르는 영역이 Level 3 ~ Level 4입니다. OT와 IT 연계는 주로 MES 시스템을 통해서 이루어집니다.
실제 산업계에도 OT와 IT 영역의 Engineer들은 서로 상이하며, 관련 기업들도 서로 다릅니다. 그래서 스마트팩토리의 OT 영역과 IT 영역을 폭넓게 이해하고 있는 경우가 많지 않습니다. 하지만 스마트팩토리의 전체적인 그림을 그리기 위해서는 이 두 가지 영역의 연계와 이해는 필수적이라고 할 수 있습니다. 시스템을 하는 사람들은 설비/기구 영역 쪽으로는 쉽지 않습니다. 반대로 설비/기구를 만지는 사람들은 시스템의 영역으로 들어가면 역시 이해하기 힘듭니다.
그래서 다음의 목표는 Level 0 부터 Level 4까지 각각의 단계별로 자세히 공부해볼 생각입니다.
Level 0 - 어떤 센서가 있는지, Actuator가 어떻게 동작하는지, 모터, 실린더 등 실질적인 물리적인 부분에 대한 이해
Level 1 - PLC가 어떻게 동작하는지, PLC Address Map이 무엇인지, PLC와 DCS의 차이가 무엇인지, PLC I/O가 무엇인지
Level 2 - SCADA 들어는 봤으니 이제는 이해해보자, HMI와 PLC의 연계 등
Level 3 - 어떤 시스템들이 있고, 어떤 모듈들이 있는지, 어떤 기능들을 하는지
Level 4 - ERP의 세부 모듈에 대한 이해, ERP-PLM-SCM-MES와의 관계성 이해
제 머릿 속에 메타버스 팩토리를 지어 보기로 했었습니다. 우선 기본적인 구조는 ISA-95 입니다.
그리고 여기서 각각의 레벨 별로 확장해 가겠습니다. 그리고 각각의 레벨별로 접근할 때도 이런 식으로 표준을 찾아보고 아니면 저만의 기준을 만들어서 정리해보려고 합니다.
스마트팩토리는 Horizontal 관점과 Vertical 관점으로 구분하여 이해할 수 있다.
Horizontal 관점은 기업의 Value Chain인 영업/마케팅~R&D~구매~생산/품질~물류~서비스 전체를 대상으로 광의의 영역이며, Vertical 관점은 설비/센서 등의 영역인 OT관점과 시스템으로 연계되는 IT관점으로 이루어지는 부분을 말한다.
나는 앞으로 몇 년 간 이 모든 영역에 대한 그림을 내 머릿 속에 그려보려고 한다. 실제로 공장에서 물건이 만들어지려면 어떤 프로세스를 지나야 하는지, 작업자 없이 설비가 자동으로 어떻게 작업을 하는지 이해하려고 한다. 그리고 스마트팩토리에서 흔히 말하는 정보화/자동화/지능화 좀 더 나아가 자율화 관점이 실질적으로 무엇을 말하는 것인지. 어떻게 하나하나의 데이터가 올라가서 경영자가 의사결정할 수 있도록 만들어지는지에 대해서 고민해보려고 한다.
그렇다면 어떤 관점으로 풀어나가야 할까? 우선 브레인스토밍으로 이것 저것 적어보자.
- 제조업의 특징은 무엇일까? (산업별 / 제품별 등에 따른 공통점과 차이점)
- 제조시스템이라는 것은 무엇일까?
ㄴ CRM, SCM, PLM, ERP, MES, QMS 등 전체적인 시스템에 대해 살펴보려고 한다.
ㄴ 개별 시스템별 상세 모듈 검토 : MES (MOS, MSS, ADS, R2R, SPC, FDC, VM, TC 등)
- 제조업무프로세스는 어떻게 구성되는가?
ㄴ 생산계획-생산준비-생산실행 등. ㄴ 신제품개발 프로세스 - 양산 이관 프로세스 - Ramp Up 프로세스 등
ㄴ 개발품질/자재품질/생산품질/서비스품질 등
- OT 영역은 어떻게 구성되는가?
ㄴ PLC, CIM, HMI 간의 연계 관계 및 상위 시스템과의 I/F 활용 등
지금 생각나는 부분은 이 정도 뿐이다. 혼자 내 머릿속에서 메타버스 팩토리를 완성해보고 싶은 생각이다. 실제로 설비에서 데이터가 어떻게 올라와서 데이터가 DB에 어떤 방식으로 적재되고, 그 데이터가 어떤 방식으로 분석되어서 경영진이 참고할 수 있는 KPI로 만들어져서 가시화되는지 그려보고 싶다. 어떻게 영업에서 수주를 받아서 고객과 협상을 하고 그 요구사항을 토대로 설계를 하고 생산을 하는지 머릿속에 그려보고 싶다.
QCD 관점에서 스마트팩토리를 바라보기도 하고, PLC 단의 세부 단위까지도 이해하고 싶다. 그렇게 전체를 아우르는 스마트팩토리 전문가를 꿈꾸고 있다. 어디 한 번 잘 구조화해서 풀어나가보도록 하자. 내 머릿속에 정리된 책장과 서랍 속에 스마트팩토리의 지식을 차곡 차곡 쌓아서 제대로 된 공장을 지어 보겠다. ^^
1) 기업 활동의 효율성과 성과를 높이고, 혁신적인 비즈니스 모델을 도입하기 위해 품질경영에 4차산업혁명 기술을 맞추어 적용하는 것 (Jacob, 2017)
2) 4차 산업혁명의 결과로서 기존의 품질특성이나 공정변수를 관리하기 위한 관리도가 실시간 품질 모니터링으로 변화한 것으로서, 생산 오류를 방지하고 제품, 프로세스와 시스템을 검증하기 위하여 품질 규격과 품질과 관련된 데이터를 정의, 수집, 분석 및 활용하는 것 (Ngo and Schmitt, 2016)
3) 디지털화, 인공지능 등 4차산업혁명 기술을 품질에 적용하는 것 (Bowers and Pickerel, 2019)
4) 4차 산업혁명에 나타난 디지털 기술을 품질경영에 적용한 것 (Kupper, 2019)
5) 4차 산업혁명 맥락에서 품질과 조직의 우수성을 나타내는 용어 (ASQ 2020)
2. 품질 4.0의 핵심 요소
1) Data acquisition and analytics (데이터 획득 및 분석)
- 품질4.0을 도입하려는 기업은 데이터가 기업의 전체 업무 프로세스 개선에 도움이 되도록 하려면 우선 어떤 목적으로 데이터를 수집하여야 하는지에 대한 고민을 한 후에 투자 계획을 수립해야 한다.
가) Collection - 데이터를 활용하는 주목적은 외부의 물리적 환경에 대한 중요한 정보를 감지하고 내부 시스템의 신호를 샘플링하며 의사결정에 유용한 정보를 획득하는 것이다.
a) 정형데이터: 구조화되어 있으며, 수치로 표현되는 데이터
(c.f. 계측기와 센서에서 나오는 수치화된 데이터 및 고객 구매, 주문, 제품 생산 데이터 등)
b) 비정형데이터: 특정한 저장 형식이 정해지지 않은 데이터 (c.f. 커뮤니티 피드백 및 장비에서 생성되는 이벤트 로그 데이터와 카메라에서 얻는 이미지 데이터 등)
나) Preprocessing
- 데이터 정제(Data Cleansing)를 위한 데이터 전처리 방법은 다음과 같다.
a) 잡음 처리: 잡음이 포함된 센서 데이터에는 환경적인 요인이나 장비 오작동으로 발생한 의도하지 않은 신호가 반영되어 있어서 장비의 신뢰성과 정확성을 감소시킨다. 이를 처리하는 대표적인 것으로는 신호를 표현하고 추정함으로써 잡음을 해결할 수 있는 웨이블릿 변환 방법이 있다.
b) 결측 데이터 처리: 결측 또는 불완전한 데이터가 있으면, 데이터 분석은 부정확하거나 신뢰할 수 없는 결과를 생성할 수 있다. 이를 해결하기 위해서는 센서 데이터의 결측치를 추정해야 함
i) 결측 데이터 원인을 찾기: 네트워크의 연결성 미흡, 센서 네트워크의 결함, 환경적 요인 및 동기화 문제
ii) 결측 데이터의 패턴 파악: 규칙이 있는 결측 패턴(monotonous missing patterns), 무작위 결측 패턴(randon m. p.)
iii) 결측 데이터에 대한 값 근사화: 단일 대체 알고리즘, 다변량 대체 알고리즘
c) 데이터 정규화 또는 표준화: 공정데이터는 스케일이 큰 변수에 의해 많은 영향을 받기 때문에, 데이터 알고리듬에 활용하기 전에 정규화나 표준화를 통해 동일한 척도로 변환하면 학습 속도 및 정확도를 높일 수 있음
d) 고차원 데이터를 위한 전처리: 고차원 데이터에는 주어진 분석목적과는 관련 없는 변수들이 많이 포함될 가능성이 크다. 따라서 최대한 목적에 맞는 적절한 변수들로 데이터를 구성해야 한다. 이렇게 모델링에 유용한 변수를 찾는 과정을 특징공학이라고 한다. 특징 공학은 특징 선택과 특징 추출의 두 가지로 나누어짐
i) 특징 선택: 주어진 특징(변수) 중에서 모델링을 위해 유용한 특징들만 선택하는 과정
ii) 특징 추출: 기존의 특징들을 결합하여 더 유용한 변수를 생성하는 것
e) 대표성이 없는 데이터를 처리하는 방법: 대표성이 없는 데이터로 모델링을 수행하게 되면 생성된 모델이 일반화되지 못해서 신규 데이터를 예측할 때 매우 부정확한 예측을 수행하게 됨
다) Analytics
- 데이터는 그 자체로는 가치가 없고, 축적된 데이터를 결합한 후 분석하여 중요한 정보를 파악할 때 가치가 발생한다.
a) 데이터 분석 기술: 고차원 관측 데이터를 분석하기 위해서는 전통적 방법, 데이터마이닝, 비모수적 방법을 결합한 새로운 방법을 모색해야 한다. 더군다나 획득하는 데이터가 다변량, 자기상관, 프로파일, 시공간, 전산실험 등 다양한 형태로 나타나기 때문에 다변량분석, 시계열분석, 기능데이터분석, 공간통계학, 비모수통계, 크리깅 등의
고급 분석 기법이 필요함
b) 데이터 분석 기술의 용도
i) 데이터 분석 기반 새로운 통찰력 확보: 머신러닝, 인공지능 등 분석기법으로 발견한 패턴을 기반으로 상관관계를
파악하여 기존 분석 방법으로는 발견하기 힘든 성능을 저하할 수 있는 잠재요소를 확인 가능
ii) 실시간 품질 관리 수행: 데이터 분석을 통한 이미지 처리 알고리즘을 활용한 불량 여부 실시간 검증, 예를 들어 센서와 카메라를 통해 물체를 식별하고 검사하는 비전시스템으로 불량 여부를 판정하고, 딥러닝 기법으로 불량현상을 분류한 후 학습을 통해 새로운 불량 패턴을 도출하며, 이를 이용하여 불량 알고리즘 개선 가능
iii) 품질보증화 활용 가능: 생산 현장의 주요 지점에 카메라를 설치하여 실시간으로 고정의 문제점을 파악하여 신속하게 수정함으로써 최종 제품의 불량 발생을 예방할 수 있음
iv) 데이터 시각화를 향상: 여러 소스의 컨텐츠를 인터페이스로 결합하여 보여줌, 인터페이스를 활용하여 데이터를
정렬, 필터링, 재바열하거나, 고급통계, 시계열 분석, 상관성 분석 등 다양한 분석 기법을 통하여 원하는 정보를 쉽게
시각화함
v) 데이터 기반 의사결정 수행: 공정의 전산화 및 디지털화를 통하여 기업 활동 전반에 걸쳐 실시간으로 데이터를
집계하고 관리할 수 있어서 데이터 기반 의사결정이 가능함
c) 데이터 분석 통한 의미있는 정보 추출 위한 주의 사항
i) 상관관계와 인과관계를 구분: 데이터마이닝 혹은 머신러닝을 통해 얻어지는 결과는 변수들의 상관관계를 보여줄 뿐이지 인과관계를 설명하지 못한다. 인과관계는 관련 전문가들에 의해 철저한 실험이나 검증을 통해 이루어져야 함
ii) 분석모형을 적절히 설계하고 그에 맞는 데이터를 수집: 연구 설계를 적합하게 수립하는 것이 최우선이 되고, 꼭 빅데이터가 아니더라도 분석모형 설계에 맞는 데이터가 확보되어야 함
iii) 모집단의 편향 주의: 수집된 데이터가 대표하는 모집단을 벗어나는 경우까지 일반화하여 결론을 내리지 않도록 주의해야 한다.
iv) 특정 분석 알고리즘이 가장 적절하다고 예단하면 안됨: 모든 데이터에 가장 좋은 성능을 보여주는 분석 알고리즘은 존재하지 않음, 주어진 데이터에 대해서 직접 분석을 수행하여 해당 데이터에 가장 적합한 알고리즘을 찾아야 함
v) 데이터 이상치를 제거해야 함: 공정 내에서 측정기의 고장이나 부적합으로 인한 오류, 데이터 입력 및 처리 과정 에서의 오류 등으로 이상치가 발생할 수 있음, 데이터 이상치는 신뢰할 수 없는 분석 결과로 이어질 수 있으므로 데이터를 분석하여 의사결정을 수행하기 전 상관분석에 기반을 둔 분류, 주성분 분석 등으로 이상치를 식별하여 품질 데이터의 정확성을 향상해야 함
2) Connectivity and intergration (연결과 통합)
- 품질4.0을 효과적으로 추진하기 위해서는 정보기술(IT)과 운영기술(OT)을 연결하여 신속한 의사결정과 미래 예측을 할 수 있어야함
a) IT(정보기술): 하드 드라이브 등 저장할 수 있는 모든 전자 장치, 데이터를 전송할 수 있는 통신망, 데이터를 분석하여 유용한 정보를 낼 수 있는 응용 소프트웨어를 말함
b) OT(운영기술): 물리적 장치의 성능을 모니터링하고 제어할 수 있는 하드웨어와 소프트웨어를 결합한 것으로서, 산업통제시스템(Industrial Control System:ICS)이 대표적이다. ICS는 프로세스를 운영하고 자동화하는 데 사용되는 장치, 시스템, 네트워크 및 제어를 포함하는 다양한 유형의 제어 및 계측 시스템이다.
i) SCADA(Supervisory Control and Data Acquisition): 기업 현장 전체를 전반적으로 감시하고 제어하는 집중화된 시스템으로서 중앙처리센터, 지역 제어시스템, 통신시스템 등 3개의 구성요소로 이루어짐
ii) DCS(Distributed Control System): 각 현장의 생산시스템을 관리하는 데 쓰이는 것으로서, 센서, 컨트롤러, 구동기 를 연결하는 프로세스 제어시스템으로서 중앙의 감시나 제어는 이루어지지 않음
- 제조 환경의 미래는 사업 고유의 가치사슬 프로세스에서 다양한 사물과 개체가 인터넷을 통해 연결되고 자동화된 정보 전달과 적시 판단을 할 수 있는 모습으로 나타남
- 4차산업혁명 시대에는 기업 활동을 구성하는 계획 - 설계 - 생산 -마케팅의 모든 단계가 빅데이터,인공지능,사물인터넷 플랫폼을 통해 연결되어 있음
- 독일의 지멘스는 제조 혁신을 위해 제품개발 가치사슬의 수평통합, 공장 생산설비의 수직통합을 진행하였다.
i) 수직적 통합은 제조 현장의 생산설비인 센서, 구동기 등을 포함한 모든 기기에서 얻어진 데이터를 기업 업무 시스템 의 기능적 계측인 MES, ERP 등과 실시간 연계하는 것인데, 공정 최적화와 생산성 향상을 지원함
ii) 수평적 통합은 사내 기능적 부서뿐만 아니라 공급망에 있는 여러 업체를 네트워크로 연결하여 제품개발, 제조, 물류, 사후 관리 등의 프로세스를 지원하기 위한 정보를 실시간 연결하는 것으로서, 데이터 분석 결과에 기반한 실시간 소통 및 의사결정을 지원함
3) Leadership and culture (리더십과 조직문화)
- 4차 산업혁명 시대에도 품질부서는 다른 기능부서들과 유기적으로 연결되어 품질4.0이 기업 전반에 스며들 수 있도록 조직문화 구축에 주도적인 임무를 수행해야 함
- 품질4.0의 성공적 도입을 위한 요건
i) 변화를 수용할 수 있는 문화: 품질4.0은 많은 데이터를 분석하여 기업 전반의 품질 수준을 향상하려고 하므로 투명성, 연결성, 협업이 중요한 이슈임, 따라서 기업 전반에 이러한 변화를 수용할 수 있는 개방적이고 수용적인 문화가 필요 함. 이를 위하여 전략적으로 인적자원관리를 개선하여 변화를 수용하는 조직문화를 조성해야 함
ii) 품질4.0을 위한 고급 기술 교육 및 훈련 통한 인력 고급화: 교육은 최고경영자, 경영진, IT 인력, 일반 기능부서에 맞게 진행되어야 함. 체계적으로 데이터 분석기술을 가르치기 위해서는 전문인력을 영입하거나, 외부 교육 기관, 컨설팅 기관의 도움을 받아 일정 기간 사내 인력을 교육하거나, 사내 실무 인력이 외부에서 교육을 받아서 실력을 키워야함
iii) 최고경영자의 전략적 리더십: 조직원이 변화된 문화를 수용하고 품질4.0에 필요한 IT를 습득하도록 하여 조직 전반 에 품질4.0에 맞는 문화가 정착하기 위해서 다양한 스타일 조합의 리더십이 필요함
