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
- 김인아, "스마트팩토리 구축을 위한 Digital Transformation 시스템 연구", 한양대학교 공학대학원 전기공학, 2021
2.2. IoT 및 산업용 IIoT
2.2.2. 기능 및 구현 사물인터넷은 세 가지의 주요 기술로 구현된다. 첫 번째로 센싱 기술이다. 센싱 기술은 사물과 주위 환경에서 데이터를 추출할 수 있는 기술이다. 예를 들자면, 온도 및 습도, 열, 진동, 가스, 초음파, 위치, 영상, 레이더 등 사물과 주변 환경에서 반응하여 데이터를 추출할 수 있는 것들이 센싱 기술이 접목될 수 있는 분야이다.
두 번째로 유무선 통신과 네트워크 인프라 기술이다. 이는 인간과 사물 및 서비스를 연결하는 유무선 네트워크 기술이다. 사물 간 정보를 교환할 수 있도록 연결 및 소통의 역할을 한다. 네트워크 장치로는 WiFi, LTE, 블루투스, 이더넷, PLC 등 인간과 사물 및 서비스를 연결하는 모든 유무선 통신 및 네트워크 기술을 의미한다.
세 번째로는 서비스 인터페이스 기술이다. 서비스 인터페이스 기술은 소통을 통해 교환된 정보를 바탕으로 해석하고 새로운 가치를 제공하는 기술이라고 볼 수 있다. 사물인터넷의 요소인 인간, 사물 및 서비스의 특정 부분의 기능을 수행하는 응용 서비스와 연동된다. 각 서비스를 제공하기 위하 저장, 처리, 변환의 인터페이스 역할을 수행하게 된다.
2.5 빅데이터 분석
2.5.2. 기능 및 구현 빅데이터 분석을 구현하기 위해서는 크게 2가지 단계로 나눠진다. 첫 번째로 생산데이터 확보이다. 생산현장에서 사용되는 데이터는 4M 데이터로, Man, Machine, Material, Method로 정의된다.
Man은 작업자로 볼 수 있으며 작업자에 의해 발생되는 데이터는 원자재, 설비의 가공조건, 측정값, 정비내역, 일상점검 등이 있다.
Machine은 설비 정보로 자동 수집 방법과 반자동 수집 방법이 존재하는데 생산설비의 제어기기가 외부 시스템과 연결된 경우에 가능하며 TCP/IP, OPC 등 실시간 통신 프로토콜 프로그램을 통하여 생산설비의 운전상태 정보 수집이 가능하다. 이와 반대로 생산현장의 설비가 직접 통신할 수 없는 형태일 경우, 반재동 수집방법을 사용할 수 있는데 디지털/아날로그 신호 정보의 인터페이스, 직렬데이터의 입/출력 포트 및 병렬데이터의 입/출력 포트에 의한 방법이 있다. 예를 들어 CNC 가공 설비는 주로 PLC에서 제공하는 논리프로그램을 그 접점 출력에 연결하고 다시 정보수집시스템과 통신을 하면 접점의 출력 신호가 설비의 상태정보가 된다.
Material 및 Method의 경우, 이러한 작업자나 설비로부터 얻을 수 있는 정보가 아니므로 제공되지 않는 정보를 수집하기 위해서는 센서를 통한 데이터 수집을 선택해야 한다. 제조현장에 추가적인 센서를 설치해서 외부 환경이나 설비에 관련된 설비 가동 시 발생하는 온도, 전압, 진동, 열, 습도 등을 측정하여 설비 및 환경 정보를 습득할 수 있다. 다양한 센싱 데이터를 통해 기존의 작업자 및 설비로부터 알 수 없는 정보를 추출하여 빅데이터에 활용하기에 용이하다.
3.1 인터페이스
3.1.1. 설비 인터페이스 설비 인터페이스는 생산공장에 존재하는 수 많은 설비의 데이터를 DAS(현장 설비 데이터 수집) 시스템으로 통합 인터페이스 하여, 데이터 수집 및 DataBase로 저장, 원격 모니터링, 데이터분석, 빅데이터, 머신러닝, AI 분석, CPS 등 상위 시스템에서 디지털 정보로 활용하기 위해 필수로 선행되는 작업이다. 설비 인터페이스의 시작은 생산현장에 Ethernet 기반의 유/무선 Network 망을 구축하여 설비의 정보를 Digital 형태로 제공할 수 있는 인터페이스 대상과 연결하는 것이다.
설비 인터페이스의 대상은 생산현장에서 대표적인 제어장비로 사용되고 있는 설비인 PLC(Programmable Logic Controller)와 Embedded 기반의 검사 설비가 주를 이룬다. PLC는 제조사별로 Siemens, Mitsubishi, Rockwell Automation등 글로벌 기업과 국내기업인 LS산전, CIMON에서 개발 및 제조되어 생산현장에서 상요되고 있으며 IIoT 기반 통신 Protocol을 제공하고 있다. Embedded 기반의 설비는 OPC DA(UA) 또는 Modbus TCP 와 같은 범용 Protocol을 옵션으로 제공하여 인터페이스 할 수 있지만, 그렇지 않은 경우 Protocol 문서를 제공받아 상위 시스템(PC 또는 IoT Device)에서 전용 Protocol을 개발하여 인터페이스 할 수 있다.
그 외 HMI, 계측장비, 바코드 리더기 등에서도 Modbus RTU 및 .csv 파일출력 형태로 인터페이스를 제공하고 있으며 센서류는 대부분 PLC를 통해 연결되어 있지만, 별도 연결이 필요한 경우 PLC나 I/O Converter를 추가 설치하여 인터페이스 할 수 있다.
스마트팩토리 시스템의 인터페이스는 IoT 기반 즉, Ethernet 통신으로 연결된다. PLC는 통신모듈 증설이 가능하며 이에 따른 베이스증설 및 추가공사가 필요할 수 있다. 구형이나 소형 설비 등 Ethernet 통신 Port가 존재하지 않은 경우 통신 컨버터(Serial to Ethernet 등)를 사용하여 Ethernet 통신 포트를 개방한다.
3.1.2. 시스템 인터페이스 설비와 인터페이스를 완료한 DAS 시스템은 상위 시스템으로 데이터를 전송하기 위해 인터페이스 연동이 필요하다. 대표적인 상위시스템은 SCADA(Supervisory Control And Data Acquisition : 원격모니터링 및 제어 시스템), MES(Manufacturing Execution System : 제조 통합 실행 시스템) 등이 있으며 OPC UA (Open Platform Communication Unified Architecture)으로 연결 된다. OPC UA 프로토콜은 기존 프로토콜의 단점을 보완하여 개발된 IEC 62541 산업용 표준 프로토콜으로 보안, 데이터 손실에 최적화되어 스마트 팩토리 시스템 융합을 위한 표준 인터페이스 수단으로 활용되고 있다.
3.2 데이터 수집
3.2.1. 데이터 선정 인터페이스를 통해 설비의 데이터를 취합 할 수 있다. 설비는 무수히 많은 데이터를 보유하고 있는데 이 중, 사용하는 데이터는 전체가 아닌 일부이다. 사용하지 않는 데이터까지 수집하게 되면 그에 따른 개발기간도 길어질 뿐만 아니라 개발비용, 인프라 구축비용, 유지보수의 비용이 높아지는데 직접적으로 영향을 준다. 그러므로 반드시 양질의 데이터만 수집하여 관리 할 수 있도록 데이터 선정 작업이 필요하다. 데이터 선정 시에는 생산, 품질, 보전 관점 등 다방면에서 고려된 데이터를 선정할 필요가 있다.
궁금했던 부분: ERP의 MPS-MRP로 이루어지는 생산계획과 SCM의 MP-FP로 이루어지는 생산계획간의 차이는 무엇인가?
현재 많은 기업에서 기간시스템으로 활용하고 있는 전사적자원관리(ERP) 시스템이 SCM활동을 충분히 지원하고 있는지 혹은 추가적으로 새로운 시스템이 더 필요한지에 대해서 경영진들은 어떤 생각을 하고 있을까? 적지 않은 경영진들이 ERP가 이러한 부분들을 대부분 지원한다고 생각해, 추가적인 솔루션 도입이 필요 없다고 생각한다. ERP의 영업관리, 생산관리, 구매관리, 재고관리 등의 기능들만으로도 충분히 지원되는 것으로 이해하고, 추가적인 솔루션에 대한 요구를 하는 경우는 드물다.
하지만, ERP의 대부분 기능들은 트랜잭션 처리 위주로 설계가 된 관계로, SCM에서 필요로 하는 의사결정을 내리기 위한 정보를 제공해주는 데는 기능적 한계가 있다. 예를 들면, 생산기지를 전세계에 10개를 가지고 있는 제조회사가 있다고 하자. 동일한 제품을 제조원가, 고객납기 등의 여러 가지 제약에 맞춰 빠른 시간에 시뮬레이션을 해서 경영진이 생산지 결정을 해야 한다고 할 때, 기존 ERP의 생산계획기능은 이러한 기능을 수행하는 데 있어 알고리즘 부재, 빠른 연산 기능 부족 등 분명한 한계를 지니고 있다.
ERP와 SCM의 역할을 나누어 따져 보면, ERP는 SCM의 기반 정보로 트랜잭션 데이터(SO, PO, 재고 등)를 제공하고, SCM의 공급망계획(SCP)은 ERP에서 제공된 정보를 기초로 하여 여러 제약조건을 감안한 계획정보(생산, 구매계획 등)를 생성한 후에 ERP로 넘겨 주어 실행을 하게 해준다. 즉, 실행과 계획의 역할 구분이 ERP와 SCM을 나누는 기준으로 볼 수 있다.
계획(생산, 배송계획 등)이 유의미한 숫자가 되기 위해서는 ERP에서 이루어지는 데일리 오퍼레이션의 결과값들이 정보와 실물의 흐름 속에서 정물 일치가 이루어져야 한다. SCM은 이러한 데일리 오퍼레이션이 정상적으로 이루어진다는 전제 하에서 밸류 체인간 최적화를 통해 의미있는 결과를 만들어 내는 시스템이다.
예를 들어 물동관리의 수준이 월 단위의 결산에 머물고 있다면, 공급망계획(SCP)을 주간 단위로 할 수가 없게 된다. 정확한 재고, 생산실적, 구매정보를 적어도 주간 단위로 얻지 못하기 때문이다. 이렇듯 대부분의 SCM의 기능들이 기간시스템인 ERP에 정확한 데이터를 만들어 주지 못하면 작동이 안 되는 구조를 가지고 있다. 그래서 SCM의 도입을 논의할 때, 그 회사의 기간시스템(ERP포함)에 대한 준비성을 충분히 검토한 후 SCM의 도입 여부를 결정하는 것이 현명한 방법이다.
ERP 시스템은 MRP(Material Requirement Planning)를 수행한 후, CRP (Capacity Requirement Planning)을 수행한다. 이 때, Material Constraint와 Capacity Constraint가 동시에 고려되지 않는 무한 계획(Infinite Scheduling)을 수행한다. ERP에서는 Material에 대한 계획을 세운 후, Capacity에 대한 계획을 통하여 앞서 세워진 Material에 대한 계획의 타당성을 검증하는 방법을 사용한다. 따라서, MRP와 CRP의 반복 작업을 통하여 현실적인 Scheduling을 모색하게 된다.
이에 비하여 SCM 시스템의 Material Constraint와 Capacity Constraint를 동시에 고려하여 한번에 문제를 푸는 유한 계획(Finite Scheduling)을 수행한다. 이와 같은 연유로 SCM 시스템을 ERP 보다 진보된 개념의 Advanced Planning & Scheduling 시스템이라고 부르는 것이다. ERP 시스템의 경우에는 MRP의 개념만이 포함되어 있지만, 공급망을 최적화하려는 SCM 시스템에서는 MRP 개념이외에 배송이나 물류와 관련된 DRP(Distribution Resource Plan)의 개념이 동시에 포함되어 있다
(출처: (논문)주문 생산 방식 하에서 SCM과 ERP의 효과적인 통합시스템 구현에 관한 연구, 고은주)
MES는 제조현장에서 발생하고 있는 정보를 실시간으로 수집, 분석하여 관련자 또는 관련 시스템에 신속하고 정확한 정보를 제공한다. 그리고 MES에서 수집된 정보를 바탕으로 의사 결정하여 최적화된 생산관리가 가능하게 된다. 또한, 품질 관리, 인적 생산성 관리, 설비 가동률관리, 설비보전관리 등의 기능을 제공하여 생산의 효율화를 기할 뿐만 아니라 각종 개선과제를 도출하여 품질, 비용, 인도 기간 등을 향상하고 현금흐름을 개선한다.
ERP 생산실행 프로세스의 경우, 제조산업의 다양성, 공정관리의 특수성과 복잡성 때문에 ERP에서 제공되는 생산관리 기능으로 관리하고 통제하는데 기능상의 한계점을 가지고 있다. 따라서 일반적으로 ERP 시스템을 구축한 다수의 제조업의 경우, 마치 바늘과 실처럼, ERP를 Main System으로, MES를 Sub System으로 사용한다. 즉 MES를 통하여 세부 공정관리를 수행하고, 공정현장 데이터에 기반한 의사결정이 실시간으로 이행될 수 있도록 한다.
MES는 시스템 간의 정보 정합성 유지를 위하여 표준화 기반의 양방향 통신 체계가 필요하며, 제어 가능한 양방향 인터페이스를 위한 표준 통신 절차가 필요하다. 이 기능은 스마트공장 구현에 있어서 중요한 요소이며, 다양한 기술적 방법이 사용되거나 생성되고 있다. ICT 기술의 발전은 설비, 공정, 센서 데이터를 통합하여 실시간으로 공장 상황을 파악할 수 있게 하는 스마트공장의 플랫폼을 제공한다.
스마트공장의 핵심 기술인 시뮬레이션 기반의 CPS 구현을 위해서는 제조현장의 실시간 제약 사항, 요구사항 등을 반영해야 한다. 공장에서는 다양한 공정 정보가 MES, ERP 등의 시스템과 상호 연계되어 관리된다. 그리고 CPS에서는 제조 빅데이터 관리와 분석을 통한 사이버 모델을 구성하고 가시화를 수행하며, 이를 바탕으로 최적화된 스마트공장이 구현된다. 이 과정에서 MES의 정확한 공정 실적 데이터가 중요하며, 생산 스케줄링 및 공정 물량과 생산성을 고려한 설비/공정별 작업지시의 최적화를 실현할 수 있다.
그러나 연속생산 공정이나 프로세스 산업을 제외한 일부 제조업의 경우, ERP 시스템과 MES와의 실적 인터페이스 과정에서 정보의 비 동기화 문제가 수작업 공정 혹은 이산 공정(Discrete Operation)에서 발견되고 있다. ICT 기술이 적용되지 못하는 수작업 공정의 한계점도 있지만, ERP에서는 공정특성이 같은 그룹 단위의 대공정 코드로 관리를 하고 있으며, MES에서는 공정관리를 위하여 세부공정 코드로 구현이 되어 사용하고 있어서 상호 두 개의 시스템의 관리 목적상 차이점이 존재하기 때문이다.
MES와 ERP 간의 생산공정 관계
따라서 각각 공정 정보의 관리 범위가 서로 달라 물리적인 생산정보를 제대로 전달하지 못하는 현상이 발생 된다. 이 경우 ERP와 MES 구축을 고려한 기준정보 설계가 선행되어야 하며, MES는 목표 생산라인의 특성을 제대로 반영해야 한다. 또한 공정 실적에 대한 집계 Point를 정의할 필요가 있다.
1. 사람: 직접 노무비 + 간접 노무비 1) 직접노무비: 생산 제품에 직접 투입되는 생산 공정의 노무비 2) 간접노무비: 여러 공정에 공통으로 투입되거나 간접적으로 관련되는 R&D, 생산관리, 생산 기술, 품질관리, 공무 등의 노무비
2. 재료: 직접 재료비 + 간접 재료비 1) 직접재료비 - 직접재료: 제품 생산에 직접 소비되며 주요한 구성 요소가 되는 재료 - 부분품비(반제품): 물품 자체가 완제품의 성격을 지니는 동시에 추가적인 가공을 하지 않고 그대로 조립되거나 사 용되어 직접 생산에 사용할 수 있는 재료 2) 간접재료비 - 보조재료: 부재료로 제품 생산에 직,간접적으로 소비되지만 중요성의 정도가 낮아 가격 구성의 중요 요소가 되지 않는 경우로 원가 산출의 난이도와 중요도에 따라 제조경비로 처리하기도 한다.
3. 지원: 직접경비 + 간접경비 1) 직접경비 - 외주가공비: 외부 협력업체에 재료를 공급하며 가공을 의뢰하여 발생하는 가공비 2) 간접경비 - 감가상각비: 제품 생산과 관련하여 사용되는 건물, 기계 장치, 구축물, 공구 등의 유형 고정자산이 사용 가능 연수 에 따라 가치가 떨어지며 발생하는 비용 - 복리후생비: 생산과 관련한 종업원의 복리후생에 지출하는 경비로 종업원의 의료, 위생, 보건, 오락, 급식비, 교육 등과 관련하여 발생하는 비용 - 전력비: 제조부문과 관련하여 소비하는 전력비용 - 수도광열비: 제조부문에서 발생한 수도료, 연료비, 유류대 등 - 수선비: 제조부문과 관련한 건물, 기계 장치, 공구, 구축물, 차량 등의 수선과 유지에 투입되는 비용 - 소모품비: 작업현장에서 발생하는 문구류, 청소용품 등의 소모품 비용 - 소모공구비: 제품 생산에 소모되는 공구비 - 지급임차료: 공장 용도의 토지, 건물, 구축물 등을 임차한 경우에 지급하는 임차료와 사용료 - 제세공과금: 제조부문에서 발생하는 인지세, 재산세, 자동차세 등의 세금과 공공단체에 내는 공과금등 - 차량유지비: 화물차, 지게차, 버스 등 차량 유지와 관련하여 발생하는 비용 - 그 외: 제조부문에서 발생하는 교육 훈련비, 보험료, 통신비, 지급수수료, 도서 인쇄비, 접대비 등
■ 판매 및 관리비 - 노무비: 영업, 마케팅, 인사, 총무, 구매, 회계 부문의 인건비 - 광고선전비: 상품과 제품의 판매 촉진을 목적으로 불특정한 여러 사람에게 광고하고 선전하는 데 쓰이는 비용 - 판매촉진비: 판매를 촉진하려는 특별한 이벤트, 전시회 등에 참여하며 발생한 비용
통합모델은 사업계획, 제조운영관리, 생산제어 등을 수직적 계층(Control Hierarchy)으로 구분하여 레벨0에서 레벨4까지를 다루고 있다. 레벨0의 실제 프로세스 계층에서부터 레벨4의 전사(Enterprise)계층까지 단계적으로 정의하고 있다.
레벨0: 설비와 장비의 운영으로 공정이 진행되는 최하위 계층 레벨1: 센서나 기기가 구동하여 공정을 직접적으로 감지하거나 조정하는 계층 레벨2: 레벨1에서 정의한 구동제어를 감독하고 관리하는 Supervisory Control 계층 레벨3: 생산에 관련된 운영관리나 작업계획과 분배 및 제품정보를 제공하며 분/시간 단위의 스케줄을 관리하는 계층 레벨4: 주간,월간 생산계획과 같이 공장별 생산계획이나 영업 목표를 관리하는 계층
레벨1,2에 해당하는 PLC, DCS 등 공정 라인과 설비제어 부분을 생산제어로 통칭하고, 레벨3에 해당하는 생산관리 계층을 제조운영관리 MOM(Manufacturing Operations Management)으로 정의하고 있으며, 레벨1에서 레벨3까지를 광의의 MES 영역으로, 또는 레벨3만을 협의의 MES로 설명하고 있다.
