https://live.lge.co.kr/2304-techconference-3/

 

[LG TECH CONFERENCE 2023]#3 4차 산업혁명의 핵심 '스마트팩토리', 디지털 제조 여정 살펴보기 | | LiVE LG -

제품 개발부터 물류까지, LG 스마트팩토리의 여정에 대해 설명합니다.

live.lge.co.kr

[LG TECH CONFERENCE 2023]
4차 산업혁명의 핵심 ‘스마트팩토리’, 디지털 제조 여정 살펴보기

 

반응형

1. AI 서비스 기획 단계
  - 해당 서비스를 도입함으로써 가치를 창출하거나 비용을 줄일 수 있는가?
  - 사람이 할 수 있는 일인가? → 사람이 할 수 있는 일이면 AI로 할 수 있음

  - 위 조건을 만족한다면, 전통적인 프로그래밍으로 할 수 없는 일인가? → 사람의 주관이나 경험에 의존하는 일 등

 

2. AI 데이터 수집 단계

  - 이미 AI 학습에 충분한 Labeled Data를 보유하고 있는가?

  - 위 조건이 아니라면, Raw Data를 Labeling해서 충분한 양의 Labeled Data를 만들 수 있는가?

  - 위 조건이 아니라면, 향후 Labeling할 충분한 양의 Raw Data를 만들 수 있는가?

 

3. AI 알고리즘 선정 단계

  - AI 서비스에서 다룰 데이터가 정형 데이터인가, 비정형 데이터인가? (전통적인 머신러닝 or 딥러닝)

  - 필요한 AI가 인지 모델(Recognition)인가? → 인식, 분류, 예측 머신러닝/딥러닝

  - 필요한 AI가 생성 모델(Generation)인가? → 딥너링(AutoEncoder, GAN 등)

  - 필요한 AI가 목적함수가 있는 의사결정 모델(Decision Making)인가? → 강화 학습

 

4. AI 엔진 서빙 단계

  - AI 서비스가 돌아갈 환경  → 클라우드 ,On-premise Server, Edge Device 등

  - 실시간성이 필요한가?

  - 애플리케이션 인터페이스 환경  → API, 라이브러리, SDK 등

 

(출처: Book) 혁명의 미래 / (정인성, 최홍섭 지음) 이레미디어

반응형

1. 분석 과정 기획, 실행 모니터
- 문제해결과 예측에 가까울수록 기획의 복잡도, 이종 데이터 양, 가공 오류가능성이 증가하여 자연스럽게 관리 포인트도 증가하게됨

 

2. 데이터 인쿼리 프로세스 수행

- 문제해결과 예측에 가까울수록 필요한 데이터 양이 증가하여 논리적이고 구체적인 데이터 인쿼리 수행 능력이 상대적으로 중요해짐

 

3. 데이터 이해 및 적용방안 파악

- 잘 이해해야 잘 기술할 수 있고, 나아가 이해에서 나온 인사이트는 상황 진단의 주요 소재가 됨

 

4. 비판적 사고

- 비판 역량이 있어야 자신의 기술과 진단에 대한 비판을 최소화할 수 있고, 문제해결 시 전략 대안을 실효성 있게 구성하고 우선순위를 나열할 수 있음

 

5. 데이터 기반 문화

- '데이터로 말하라'라는 문화가 없으면 굳이 많은 노력이 들어가는 예측 및 문제해결 분석을 할 이유를 찾지 못함

 

6. 데이터 윤리(보안, 개인정보보호 등)

- 데이터를 통해 인간성을 훼손하지 않고, 원천 데이터의 활용 시 법/제도 테두리를 벗어나지 않는 것은 모든 분석에서 두루 중요함

 

7. 분석 도구 활용

- 문제해결과 예측에 가까울수록 분석에 필요한 데이터의 양과 복잡도가 증가하여 분석 도구 숙련도에 따라 정확도, 신속성에 큰 역량 차이를 초래함

 

8. 데이터 발견(데이터를 발견하고 접근하는 역량)

- 단순한 데이터 기술을 넘어 문제해결에 가까울 수록, 각자가 처한 문제해결 상황의 특징이 잘 담긴 내부 데이터에 대한 접근 역량이 중요함

 

9. 데이터 수집

- 단순한 데이터 기술을 넘어 문제 해결에 가까울수록, 각자가 처한 문제해결 상황을 객관적으로 판단할 수 있게 하는 외부 데이터에 대한 수집 능력이 중요해짐

 

10. 데이터 관리 및 조직화

- 데이터가 기획, 생성, (재)활용, 폐기되는 모든 과정이 원활해야 기초데이터의 신뢰성이 확보되고 활발한 분석활동들이 생겨나게됨

 

11. 데이터 조정

- 특히, 예측 분석은 정량적 민감도 분석과정을 거치게 되는데, 이때 기초 데이터를 어떻게 조정하느냐에 따라 결과치 민감도에 큰 영향을 주게 됨

 

12. 데이터 품질과 출처의 평가 및 확보

- 분석자가 데이터 자체의 유효성까지 검증하게 되면 지나치게 많은 부담을 느끼게 되어 기본적인 데이터 클렌징을 통한 품질은 확보해줘야 함

 

13. 데이터 레퍼런스 구성 및 운영

- 데이터 원천소스, 생성시기, 집계목적, 집계주체, 용어설명, 연관 데이터 소개 등이 충실할 수록 데이터 활용도가 높아지고 분석 결과의 신뢰도 또한 높아짐

 

14. 데이터 기초 분석

- 예측, 문제해결보다 기술, 진단 분석이 상대적으로 기초적인 분석 역량으로 가능

 

15. 데이터 시각화

- 특정 목적과 관계없이 근간이나, 분석의 양이 많고, 복잡도가 높을수록 시각화가 가진 힘이 상대적으로 중요해짐

 

16. 데이터 구두 제시

- 데이터의 특징과 메시지를 구두 설명을 통해 명확히 전달하는 역량은 데이터 분석의 목적 및 난이도와 관련 없잉 전 영역에 결쳐 중요한 역량임

 

17. 데이터 해석

- 기본적으로 모든 목적에 중요하나, 오류 없이 해석하는 역량은 명확한 인지력이 중요한 기술분석에서 상대적으로 중요성이 높음

 

18. 데이터 기반 문제 정의

- 데이터로 문제를 착안하는 것은 고도의 상황파악 능력을 요구하며, 어떻게 정의하느냐에 따라 이후 모든 문제해결 과정에 영향을 줌

 

19. 데이터 기반 의사결정

- 의사결정 맥락, 맥락에 따른 문제정의 ,문제정의에 따른 제약조건, 제약조건에 따른 (불)필요데이터 판단, 필요데이터 간 우선순위, 우선순위에 따른 분석 어프로치 설계, 어프로치에 따른 가공 오류 방지, 분석 중간 결론에 따른 어프로치 진화 등을 수행할 수 있어야 효과적인 데이터 의사결정이 가능함

 

20. 데이터 기반 의사결정 검증

- 다른 사람이 도출한 의사결정 결과를 데이터 유효성, 분석기법 적절성, 분석 결과 메시지화 관점에서 효과적으로 비판 할 수 있어야 자신의 의사결정 역량도 증가함

 

21. 메타데이터의 생성 및 활용

- 데이터의 특징을 나타내어 '데이터의 데이터'라 불리는 메타데이터는 데이터 활용 범위에 해당하는 개념으로 목적과는 무관하게 중요함

 

22. 데이터 지속성 및 재활용

- 원래 작성/수집 의도된 것 이외의 분석 목적으로 데이터를 사용하는 개념으로 데이터 활용 범위에 해당하는 개념으로 목적과는 무관함

 

23. 데이터 공유

- 데이터가 3자에게 오류 없이 사용되게 할 수 있게 하는 투명성과 일관성을 갖춘 관리체계 및 정책을 의미하므로 특정 데이터 분석 목적과는 무관함

 

24. 데이터 보존

- 데이터 저장 분류, 메타데이터 업데이트 등의 활동으로 최대한 많이 활용될 수 있도록 '접근환경'을 유지하는 데이터 보존은 특정 데이터분석 목적과는 무관함

 

25. 포맷 간 데이터 전환

- 데이터가 가진 맥락과 정보를 충분히 이해한 상태에서 다른 포맷의 데이터로 전환하여 데이터 활용도를 높이는 역량이므로 특정 데이터 분석 목적과는 무관함

 

26. 가설 전개

- 진단과 문제해결 분석은 분석 가설을 수립하는 것이 효율적 분석 어프로치 설계에 매우 중요하며, 분석 중간 결론으로 가설을 진화하는 것을 포함함

 

27. 대용량 데이터 활용

- 데이터의 양은 분석 목적과 무관함

 

(출처: book) 데이터 리터러시, 강양석 지음/이콘

반응형
1. 스마트공장설계 1.1. 스마트설비설계 1.1.1. 스마트설비 설계기획
    1.1.2. 스마트설비 매커니즘 설계
    1.1.3. 스마트설비 기구 설계
    1.1.4. 스마트 전기 시스템 설계
    1.1.5. 스마트 설비 제어 설계
    1.1.6. 스마트 센서 활용 설계
    1.1.7. 로봇 협업 설계
    1.1.8. 감시제어시스템 설계
    1.1.9. 스마트설비 최적화 검토
    1.1.10. 스마트설비 안전 설계
2. 스마트공장설치 2.1. 스마트공장 시스템설치 2.1.1. 시스템 설치 계획 수립
    2.1.2. 통신 네트워크 설치
    2.1.3. 데이터 수집 장치 설치
    2.1.4. 데이터 인터페이스 설치
    2.1.5. 경영 정보 시스템 설치
    2.1.6. 제조 정보 시스템 설치
    2.1.7. 감시 제어 시스템 설치
    2.1.8. 로봇 인터페이스 시스템 설치
    2.1.9. 보안 시스템 설치
    2.1.10. 시스템 검증
3. 스마트공장운영관리 3.1. 스마트공장시스템관리 3.1.1. 스마트공장시스템 관리계획 수립
    3.1.2. 스마트공장시스템 장치관리
    3.1.3. 스마트공장 에너지 운영시스템 관리
    3.1.4. 스마트공장 설비 감시시스템 관리
    3.1.5. 스마트공장 시스템 안전관리
    3.1.6. 스마트공장 시스템 보안관리
    3.1.7. 스마트공장 시스템 데이터관리
    3.1.8. 스마트공장 시스템 성과관리
    3.1.9. 스마트공장 시스템 개선점관리
  3.2. 스마트공장 기계설비유지관리 3.2.1. 스마트설비 유지관리 계획 수립
    3.2.2. 통신 네트워크 유지관리
    3.2.3. 데이터 수집장치 유지관리
    3.2.4. 데이터 인터페이스 유지관리
    3.2.5. 로봇 시스템 유지관리
    3.2.6. 스마트설비 제어 유지 관리
    3.2.7. 스마트설비 기구 유지 관리

    

반응형

선정 기업/공장 포스코(POSCO) 포항 공장

 

 

 

 주요 내용

USE CASE #1. 스마트 고로
  - 경험/직관에서 Human + AI 협업에 의한 조업 (Digitalization & Smartization)
    . IoT: 스마트 센서 기반 정형화된 데이터 생산 (비정형 데이터의 정형화)
    . Big Data: 유용한 데이터 탐색
    . AI: 자동 제어 시스템 개발, 노열 Autonomous Operation 등
  - (효과) 생산량 1.04% 증대 및 원가 0.015% 절감: 연간 약50억원 효과

USE CASE #2. Smart Safety Ball
  - 밀폐된 공간의 유해 가스 존재 여부 사전 감지
  - 작업/정비 전 해당 공간에 던져 위험 여부 확인
  - 작업자 휴대폰 알람, 관리자 문자 통한 위험 경고

USE CASE #3. 3D CAD/VCS/VTS
  - 물리적 공장과 동기화된 가상공장 구축 및 활용
  - Layout 설계 및 설비 개선
  - Off-Line 제어 로직 개발/사전 시험 (Virtual Commissioning System)
  - 신규 설비에 대한 운전 Skill 교육 (Virtual Training System)

USE CASE #4. 스마트 드론
  - 광범위 공간정보 측량 및 인프라구조물 진단
  - 드론 활용 측량: 제철소 환경 특화 사양 도출 및 최적 비행 설계
  - 영상처리 자동화를 통한 재고분석시스템 개발
  - 대형 고소설비 원격진단 (고로, 스택, 송전탑)
  - 광범위 인프라구조물 진단 (해안선, 풍수해/지진 점검)

USE CASE #5. 스마트 CGL
  - CGL(용융아연도금공장) 도금량 자동 제어 기술
  - AI 기반 모델 개발 및 학습을 통한 정밀 도금 제어
  - (효과) 도금량 편차 60% 감소 및 아영ㄴ 15% 절감 (공장단 10~20억원 절감)

반응형

선정 기업/공장 LS Electric 청주 공장

 

 

 

 주요 내용

 

USE CASE #1. IoT-based Mixed Model Production
   - 모양/크기/정격 등 다양한 타입의 6만여 제품 생산
   - 실시간 양방향 통신 기반의 RPMS 시스템을 활용한 원격제어

 

USE CASE #2. Autonomous Mobile Robot(AMR)
   - 자율주행 모바일 로봇(AMR) 적용된 자재 자동 공급 시스템
   - 조립라인 설비와 양방향 통신으로 연계된 중앙관제 시스템을 통해 자동으로 생성된 Misson을 AMR에 할당하여 각 공정에 부품이 적기에 자동 공급되도록 함
   - 주행 경로상에 장애물이 나타나면 스스로 주행경로 변경 주행 가능, 목적지까지 최적 경로를 찾아가는 지능형 주행 로봇
   (구축 효과) 자재 운반의 무인화, 자재 공급 정합성 확보, 선입선출, 자재 분배 시간 감소, 실시간 정보 통합 기반 물류 작업 환경 변화 대응


USE CASE #3. Advanced Deep Learning Vision Inspection
   - 딥러닝 기반 비전 검사 시스템
   - 제품 이미지를 학습한 알고리즘은 기존 규칙 기반 검사의 한계를 넘어 정형/비정형 결함 검출 가능
   - 수집된 데이터는 클라우드 환경을 통해서 수집되고 엔지니어를 통해 분석됨
    (구축 효과) 고객 크레임률 18ppm에서 10ppm으로 감소, 검사성능은 불량률 1%이하로 우수한 성능

 

USE CASE #4. Machine Learning Based Vibration Inspection
   - Machine Learning 기술을 적용한 소음 검사 시스템
   - IoT 센서 기반 수집 데이터를 통해 빅데이터 분석 및 머신러닝 판정시스템 활용
   - 클라우드를 통해 전달되는 진동 데이터 기반 지속적인 판정 모델 업데이트 수행
    (구축 효과) 80% 향상된 검사 정확도

 

USE CASE #5. Machine to Machine Parameter Control by Data Analysis
   - Gap 조정공정은 부품과 부품 사이의 최적 간극을 계산하여 자동으로 용접을 하는 공정
   - 실시간 과전류 시험 결과값의 트렌드 분석하여 Gap 용접 공정으로 결과를 피드백하는 RFB System 개발
   - Gap 용접 공정의 PLC는 해당 값을 피드백 받아 자동으로 최적의 파라미터로 변경하여 생산에 반영
    (구축 효과)  불량률 0.55% 수준으로 개선

반응형

글로벌 등대공장 선정 현황(2021년 기준)

 

글로벌 등대공장 세부 현황

 

 

등대공장의 핵심성과지표 개선효과

 

출처: 스마트생산 열린혁신랩 운영 및 연구사업 (STEPI 과학기술정책연구원)

반응형

선정 기업/공장  LG전자 창원 공장

 

 

주요 내용 

1. LG스마트파크
- LG스마트파크1 (7만8000평): 냉장고, 오븐, 식기세척기, 정수기
- LG스마트파크2 (12만7000평): 에어컨, 세탁기, 컴프레서, 모터

 

2. 스마트 공장 선정 선정 이유
  1) 공장물류 자동화
    - 5G물류로봇(AGV): 지상형, 컨베이어형, 중량물형 등 총 50개 로봇
    - AGV는 공장 바닥에 부착된 QR코드를 인식하여 주행
    - 공중을 활용한 입체 물류 시스템
  2) 디지털 트윈
    - 현장보다 10분 먼저 시뮬레이션하여 작업 공정 이상 사전 대비
    - (효과) 제품 불량 원인 분석시간 50%, 현장 불량률 30% 감소
  3) 예지보전
    - 빅데이터, 인공지능 기반 설비 고장 사전 예방
  4) AI 플랫폼 검사
    - 로봇팔에 카메라 설치, 3D 비전 알고리즘 개발하여 자동 계측 수행
  5) 지능형 생산 자동화
    - 가동 중 생산 라인, 부품 이동, 재고 상황, 설비 이상 유무, 제품 생산 실적 가시화
    - 데이터 기반 딥러닝 로봇 용접 수행
    - 최대 58종 모델 혼류 생산 지원
   

구축 효과

1. 생산성 20% 향상
2. 라인 개발 및 구축 기간 30% 단축
3. 에너지저장장치(ESS), 건물에너지관리솔루션 통한 ESG 대응
4. 에너지 효율 30%개선

 

반응형
반응형