계장기술(PROCON)

특별기고 (스마트 팩토리 기술칼럼(1))스마트 팩토리, 인공지능 활용의 악마는 디테일에 있다

페이지 정보

작성자 최고관리자 댓글 0건 조회 172회 작성일 19-07-12 12:28

본문

4차 산업혁명, 새로운 제조업의 시대’, 글로벌 시장에서 우리가 만든 제품이 낮은 원가로, 고품질 제품을 생산, 판매하여 이익을 극대화하는 스마트 팩토리를 추진하고 있다.


인공지능의 추진 목적은?
자동화된 장치산업에서 사람이 모니터링하고, 분석/판단하는 것을 인공지능 두뇌를 만들어 사람의 역할을 대체하거나 보조하는 것이다. 또한, 인공지능 두뇌가 분석/판단한 결과를 시각화하여 사람이 모니터링하여 최종 의사결정을 하고 신속하게 조치를 하는 것이다.


인공지능을 적용하는 모습은?
전 공장으로 인공지능을 확산할 수 없기 때문에 가장 고질적인 문제를 많이 가지고 정확한 데이터를 기반으로 근본 원인 분석이 어려운 공장을 시범공장으로 삼아서 공장에서 생성되는 모든 센싱 데이터를 수집 저장하는 인프라를 구축한다. 데이터가 1년 이상 축적되면, 빅데이터 분석 툴이나 인공지능 분석 솔루션을 활용하여 원하는 문제를 해결해 나간다.


인공지능의 적용 범위는?
생산 현장에서 설비 열화, 마모, 성능 저하, 센서 불량, 누수, 누출 등 설비의 건전성 상태를 실시간으로 파악하여 언제 돌발 고장이 발생할 것인가? 설비 성능은 어느 수준인가? 잔존 수명은 어느 정도인가? 등을 예측하여 설비 상태에 따라 정비계획을 수립하는 예지정비 체계를 구축하는 것이다.
설비 성능이 정상적으로 잘 예측되면 운전실에서 24시간 모니터링하면서 운전하는 작업자들에게 공정 이상상태를 사전에 예측하여 생산 작업을 스마트화하는데 활용한다.
생산 공장의 입측 소재 공급부터 여러 생산 설비를 거처 가공하고, 최종 제품이 생산될 때까지 공정 상에서 발생되는 이상 현장을 예측하여 생산 중인 제품이 불량품을 생산하고 있는지를 사전에 파악하고, 선행 제어를 통해 정품으로 생산할 수 있도록 품질 예측을 하는데 활용한다.
또는 공정 전체의 능력지수를 정확하게 예측하여 최종 제품을 샘플링하여 품질 시험실에서 측정하여 정품/불량품을 판정하는 것을 대체할 수 있도록 활용하기도 한다.
설비 상태와 공정 이상상태를 정확하게 예측함으로써 설비 성능과 공정 능력에 따라 에너지 손실 발생량, 환경 오염 배출량 등을 사전에 예측하여 선행 제어를 통한 방지를 하는데 활용한다.
생산 현장과 사무실에서 수행하고 있는 반복적인 작업과 다량의 데이터를 분석, 판단하는 업무들, 예를 들어 원료 입하, 생산 출하, 공장 내 소재 등 종합적인 물류관리, 생산 스케줄링 등 생산관리, 원가관리 등에 종합적으로 활용할 수 있다.
사람보다 더 많은 자료를 활용하여 정확하게 분석 판단하고, 그 결과를 기반으로 사람이 최종적으로 의사결정하여 실행할 수 있는 분야에는 인공지능 기술이 적용될 수 있다.


인공지능을 생산 현장에 적용 후 문제점은?
파일럿 프로젝트로 대상 플랜트를 선정하고, 인공지능의 두뇌를 오픈 소스로 자체 개발하거나, 상품화된 솔루션을 적용하고 있으나 생각보다는 실효성을 거두기 어렵다. 처음에 잘 맞아 들어가는가 싶더니 시간이 지남에 따라 활용성이 떨어지고, 개선의 여력을 찾기 힘들다. 단기성 과제로 끝나는 경우가 있다. 처음 계획 시 기대 효과로 설비 가동률을 높여 생산성을 높이고, 설비의 성능 향상과 사람 개입을 최소화함으로써 안정된 품질의 제품을 생산하여 실수율을 높이고, 에너지 손실과 작업 인력을 줄이는 등 생산 원가절감 하겠다고 투자하였다.
그러나 기대 만큼 실효성을 거두기 어렵다. 1년 동안 수집 저장된 빅데이터를 활용하여 세계에서 가장 접합한 알고리즘과 다른 산업에서 검증된 세계적인 솔루션을 활용하여 인공지능의 두뇌를 만들었는데도 효과 창출이 어렵고, 원하는 경제적 가치를 창출하지 못하는 경우가 있다.


인공지능을 제조 현장에 적용하는데 가장 큰 장애는?
첫째는, 공장의 잘 아는 운전 및 정비 전문가들의 적극적인 참여로 비즈니스 아이디어를 발굴하고, 기계학습 및 딥러닝 기술을 활용하여 어떻게 데이터를 분류, 처리하여 똑똑한 두뇌를 만들 것인가? 인공지능 두뇌가 판단한 결과를 어떻게 시각화하여 모니터링할 것인가? 등 현장 전문가들의 적극적인 참여가 부족하다. 이들 참여 없이 프로젝트를 진행하는 IT 인력과 외부 전문가, 연구원들이 참여해 본들 성과는 없다.
둘째는, 생산 현장에서 측정되는 센싱 데이터의 정합성과 신뢰성에 문제가 있다. 생산 현장에서 센서가 아무리 정확하다 해도 공정 상에 잘못된 운전과 설비 마모, 열화에 따라 미세 조정되지 않는 제어 설비로 비정상적인 작업을 하고 있다면, 이러한 공정 상테에서 수집된 데이터로 인공 두뇌를 만들면 잘못 운전되고 있는 패턴을 정상 패턴의 기준으로 학습되어 있어 쓸모 없는 인공 두뇌가 된다.
본고에서는 인공지능 기술을 성공적으로 적용하여 달성함으로써 실질적인 효과를 창출하도록 데이터의 신뢰성과 정합성을 확보하는 방안을 구체적으로 제시한다.


1. 구축된 빅데이터 베이스 인프라의 신뢰성(Reliability)에 문제가 있어

공학적 목적에서 신뢰성은 ‘어떤 장치가 그 의도된 기능을 명세된 기간 동안 공인된 조건으로 수행할 확률’로 정의한다.
신뢰성 공학 측면에서 구축한 빅데이터 베이스 인프라를 자세하게 분석해 보자.

1) 생산 설비에 부착된 센서의 정확도(Accuracy), 정밀도(Density)가 검증된 것이어야 한다.
정확도(正確度, Accuracy)는 과학, 산업, 공업, 통계학 분야에서 재거나 계산된 양이 실제 값과 얼만큼 가까운지를 나타내는 기준이며, 관측의 정교성이나 균질성과는 무관하다. 그러나 착오와 정오차가 제거된 경우, 정밀도를 정확도의 척도로 사용할 수 있다. 왜냐하면, 현실적으로는 실제 값을 정확하게 알 수 없기 때문이다.
또한 정확도와 밀접하게 관계가 있는 정밀도(精密度, Precision)는 여러 번 측정하거나 계산하여 그 결과가 서로 얼만큼 가까운지를 나타내는 기준이다. 관측의 균질성을 나타내며, 관측된 값의 편차가 적을수록 정밀하다. 정밀도는 관측 과정과 우연 오차와 밀접한 관계를 맺으며, 관측 장비와 관측 방법에 크게 영향을 받는다. 여기서 우연 오차는 까닭이 뚜렷하지 않은 오차이며, 최소 제곱법에 따른 확률 법칙에 따라 추정할 수 있다.
계산, 측정된 값이 정확도는 높아도 정밀도가 낮은 예도 있고, 거꾸로 정밀도가 높지만, 정확도가 낮은 예도 있다. 물론, 둘 다 낮거나 둘 다 높을 수도 있다.
생산 현장에 설치된 센서는 설비를 처음 도입 시 설비공급 업체에서 최적 엔지니어링으로 센서의 정확도와 정밀도를 고려하여 센서의 사양을 결정하고, 현장에 설치한다. 설치된 센서는 시간이 지남에 따라 열화되어 측정의 정확도와 정밀도를 높이기 위해 주기적으로 교정검사를 받아 센서의 정도를 유지해야 한다.
이를 위해 국가에서는 국제공인 교정기관을 운영하고 있다. 국제공인 교정기관은 법률 또는 국제기준에 적합한 인정기구가 해당 기준(KS Q ISO/IEC 17025)에 따라 자격 있는 평가사에 의해 국제공인교정기관의 품질경영시스템과 기술 능력을 평가하여 특정 분야에 대한 교정능력이 있다는 것을 공식적으로 승인하는 것이다. 측정기의 정밀·정확도를 지속해서 유지하기 위하여 정밀 정확도가 더 높은 표준기와 주기적으로 교정을 하여 국가 측정 표준과의 소급성을 유지함으로써, 측정기의 계속 사용, 마모, 내용 년수 경과 및 사용 환경 변화 등으로 발생할 수 있는 측정오차를 항시 허용 공차 이내로 유지하기 위함이다. 이 제도의 궁극적인 목적은 제조 공정에서 제품의 균질성과 성능을 보장하고, 시험/연구기관에서 산출하는 측정 결과의 대외 신뢰도를 확보하는 데 있다.
정확도와 정밀도가 없는 센서로 측정된 빅데이터를 가지고는 아무리 좋은 인공지능 솔루션을 적용해도 정확한 인공두뇌를 만들 수 없다.

2) 감지된 아날로그(예 : 1~5V) 값을 디지털 데이터로 변환되는 PLC, DCS 내 A/D 변환기의 분해능의 정도이다.
아날로그-디지털 변환 회로는 A/D 컨버터(Analog-to- digital converter) 또는 간단하게 ADC라 하며, 아날로그 전기 신호를 디지털 전기 신호로 변환하는 전자 회로이다.
아날로그 신호는 저장이나 조작의 편리성이 디지털 신호보다 어려우므로, 초기의 전자공학과는 달리 현재는 디지털화를 많이 한다. 신호 전송 시, 일반적으로 아날로그 신호를 디지털 신호를 변환되면 신호의 잡음 등에 유리하다. 단지 변환 시 생기는 왜곡은 감수해야 한다. 따라서 아날로그를 디지털화하여 신호를 조작하고, 다시 디지털-아날로그 변환 회로(DAC)를 통해 아날로그로 변환한다.
아날로그를 디지털로 변화하는데 8bit로 하는 것과 12, 16bit로 하는 것에는 큰 차이가 있다. 8bit 분해능 Resolution을 가진 것은 1~5V 아날로그 값은 0~256 범위로 디지털화하는 것이며, 16bit 분해능을 가진 것은 1~5V 아날로그 값은 0~65,536 범위로 디지털화하기 때문에 분해능에 따른 변환값의 정도는 매우 다르다. 따라서, 온라인으로 측정되는 센서로부터 디지털 데이터로 전환할 때 가능한 16bit 이상의 분해능으로 하는 것이 더욱 정확한 데이터를 수집할 수 있다. 예전의 PLC, DCS는 8bit로 되어 있는 경우가 많고, 최근의 제품을 새로 도입할 경우 구매 사양에 16bit 이상으로 반영되어야 한다.

3) PLC, DCS 내 Feedback 제어기의 성능이 최적으로 조정되어 있어야 한다.
자동제어의 방식 가운데에서 비례-적분-미분 제어기(Proportional-Integral-Differential controller) 또는 PID 제어(PID control)는 실제 응용 분야에서 가장 많이 사용되는 대표적인 형태의 제어 기법이다. PID 제어기는 기본적으로 피드백(Feedback) 제어기의 형태를 가지고 있으며, 제어하고자 하는 대상의 출력값(Output)을 측정하여 이를 원하고자 하는 참조값(Reference value) 혹은 설정값(Set point)과 비교하여 오차(Error)를 계산하고, 이 오차값을 이용하여 제어에 필요한 제어값을 계산하는 구조로 되어 있다.
표준적 형태의 PID 제어기는 아래의 식과 같이 세 개의 항을 더하여 제어값(MV : Manipulated Variable)을 계산하도록 구성이 되어 있다.

64db53c7f63d55daed3555a8ca9317cd_1562902063_17.jpg 

이 항들은 각각 오차값, 오차값의 적분(integral), 오차값의 미분(Derivative)에 비례하기 때문에 비례-적분-미분 제어기(Proportional–Integral–Derivative controller)라는 명칭을 가진다. 이 세 개 항들의 직관적인 의미는 다음과 같다.
Kp 비례항 : 현재 상태에서의 오차값의 크기에
비례한 제어작용을 한다.
Ki 적분항 : 정상상태(Steady-state) 오차를 없애는 작용을 한다.
Kd 미분항 : 출력 값의 급격한 변화에 제동을 걸어 오버 슛(Overshoot)을 줄이고, 안정성(Stability)을 향상시킨다.
PID 제어기는 위와 같은 표준식의 형태로 사용하기도 하지만, 때에 따라서는 약간 변형된 형태로 사용하는 때도 많다. 예를 들어, 비례항만을 가지거나, 혹은 비례-적분, 비례-미분항만을 가진 제어기의 형태로 단순화하여 사용하기도 하는데, 이때는 각각 P, PI, PD 제어기라고 불린다.
한편, 계산된 제어값이 실제 구동기(Actuator)가 작용할 수 있는 값의 한계보다 커서 구동기의 포화(Saturation)가 발생하게 되는 경우, 오차의 적분값이 큰 값으로 누적되게 되어서, 정작 출력값이 설정값에 가까워지게 되었을 때, 제어값이 작아져야 함에도 계속 큰 값을 출력하게 되어 시스템이 설정값에 도달하기까지 오랜 시간이 걸리는 경우가 있는데, 이를 적분기의 와인드업이라고 한다. 이를 방지하기 위해서는 적절한 안티 와인드업(Anti-windup) 기법을 이용하여 PID 제어기를 보완해야 한다.
위의 식에서 제어 파라미터 Kp, Ki, Kd를 이득값 혹은 게인(Gain)이라고 하고, 적절한 이득값을 수학적 혹은 실험적/경험적 방법을 통해 계산하는 과정을 튜닝(Tuning)이라고 한다.

64db53c7f63d55daed3555a8ca9317cd_1562901524_0291.png

생산 현장에서 처음 설비를 도입, 시험 가동시 최적의 파라미터를 찾아 제품을 생산하여 간다. 그러나 제어 밸브의 작동이나, 기계장치의 열화나 마모, 주변 제어 환경의 변화로 제어값이 목표 값에 [그림 1]과 같이 수렴하지 못하는 경우가 발생한다. 이를 위해 PID 게인 조정 전문가는 가동 중에 미세값을 조정하여 제어의 성능을 최적화하여 [그림 2]와 같이 안정된 품질을 확보한다.
그러나 최근 생산 공장을 처음 신설 시부터 PID 게인 조정을 해온 전문가들이 퇴임하면서, 최적 제어기의 성능을 내지 못하고 에너지를 낭비하고 품질이 불안정해 가고 있다. 이렇게 불안정한 제어기의 성능 데이터를 감지한 값으로 인공지능의 데이터로 활용한다면, 비정상의 데이터를 정상적인 데이터로 인공지능의 두뇌가 만들어진다.

64db53c7f63d55daed3555a8ca9317cd_1562901562_2481.png 

4) PLC, DCS의 제어주기와 동기화된 주기로 데이터 수집 장치에서 수집되어 저장되어야 한다.
PLC가 설비를 제어하는 Feedback 제어주기가 50ms라면 실적 데이터 수집 시스템은 동일한 주기로 실적을 수집해야 한다. 제어주기가 50ms인데 실적 수집을 1초 단위로 하고 있다면 1초 동안에 설비는 20회 작동하여 변화를 주고 있는데, 수집된 데이터는 19번의 변화량을 무시되는 것이다. 설비가 20회 작동하면서 19번을 변화를 무시해도 대푯값으로 인정받을 수 있는지 인공지능을 적용하려는 대상에 따라 상세한 분석이 필요하다.
설비의 열화나 노후 정도를 예측하는 인공지능 모델에서는 1분 주기의 데이터만으로도 충분하지만, 설비 고장 원인 혹은 품질 영향도를 분석하는 데는 실제 제어주기로 측정된 데이터가 있어야 한다.


2. 데이터의 무결성(Integrity) 확보가 관건

데이터 무결성(영어 : Data Integrity)은 컴퓨팅 분야에서 완전한 수명주기를 거치며 데이터의 정확성과 일관성을 유지하고 보증하는 것을 가리키며, 데이터베이스나 RD BMS 시스템의 중요한 기능이다.

1) 공장 내 모든 컴퓨터 제어시스템의 시간 동기화가 필수이다.
PLC, DCS, 설비 상태 측정 및 분석 시스템, 영상 측정기, 지능형 센서와 상위 컴퓨터 시스템, 그리고 데이터를 수집, 저장하는 데이터베이스 컴퓨터 시스템의 시간이 동기화되어야 한다.
소재가 흘러가는 순서로 정확하게 단위 설비를 제어하는 시스템별로 시간이 동기화되지 못하면 아무리 많은 양의 데이터를 축적해도 쓸모 없는 데이터이다. 우리나라 제조 현장에 도입되어 운영되고 있는 PLC, DCS는 자체 Time Clock을 수동으로 정리 수리 시에 정비 자가 설정하는 방식이고, 일반 컴퓨터처럼 GPS와 연동되어 자동으로 시간을 설정할 수 없다. 따라서, 데이터베이스에 실제 시간이 동기화되어 저장되지 않으면 인공지능 기술을 적용할 수 없다.

2) 소재와 제품을 공장에서 실시간 Tracking 하면서 시간과 제품 치수에 동기화한다.
생산 중인 소재가 길이 방향으로 들어가 중간 소재로 변형되면서 최종의 길이 단위로 제품에 생산된다고 가정한다. 소재가 들어가고 생산 설비를 거치면서 길이가 늘어나면, 늘어나는 길이 단위로 설비 제어용 데이터의 시간과 동기화되어 저장되어야 한다. 최종적인 제품이 생산되어 길이 방향으로 200m 지점에 10m 정도 품질 불량이 발생하였다면, 어느 설비의 어느 시간 어느 길이 시점에 설비 작동이 잘못되어 원인을 정확하게 분석하는 시스템을 구축해야 하기 때문이다. 사람은 단순하게 5~10 개의 경향 치를 보고 미래를 예측하지만, 최근 컴퓨터의 성능이 발전하면서 수만 개 센서 데이터의 경향 치를 보고 공정 이상이나 돌발 고장, 품질 이상을 예측할 수 있는 것이 인공지능 기술이다.

3) 시간과 길이가 동기화된 데이터가 빠짐없이 일관성(Consistency)을 가지고 저장되어야 한다.
10,000여 개의 센서로부터 측정되는 공장에서 센서의 고장으로 제어기의 고장으로 일부 데이터가 빠지어 저장되어 있다면, 전후 설비의 간섭에 의한 영향도를 분석할 때 사용할 수 없다. 따라서 공정의 입측 소재가 들어가서 여러 설비를 거치면서 가공 처리되고, 최종 제품이 생산할 때 3차원 소재 변형 및 품질 정보가 측정되고 예측하기 위해서는 공정 내 모든 설비의 제어시스템과 3차원 소재, 제품이 일치되는 시간과 길이가 동기화되어야 한다.

4) 생산 부서의 공정 제어 시스템과 설비 부서의 설비 상태 측정 시스템 간의 시간과 제품이 동기화되어 수집 저장되어야 한다.
생산 중인 공정 제어 시스템은 프로세스의 일관성을 관리되어 시간과 길이 방향으로 동기화되어 저장되어 있다고 해도 설비의 상태를 측정하는 시스템은 설비별 공정 제어 시스템과 동기화되어 있지 않은 곳이 대부분이다. 생산과 설비 부서 간의 Silo 시스템으로 관련 부서에서는 잘 활용을 하지만, 설비가 생산에 품질에 어떠한 영향을 미치는지 종합 분석하고 예측하려면 반드시 서로 동기화되어야 한다.


3. 생산 공장에서 측정되는 센싱 데이터, 영상 측정데이터 등 생성되는 모든 자료가 수집 저장되어야

지금까지는 설비, 생산, 품질 등 전문가들이 분석하기 위해 핵심적인 영향 요소만을 선정하여 수집 저장하였지만, 이제는 빅데이터 분석 및 인공지능의 두뇌를 만드는 컴퓨터가 모니터링 분석 및 판단하는 체계로 스마트공장을 만들어 가려면 공장에서 생성되는 모든 데이터를 [그림 3]과 같이 수집하고 저장해야 한다. 빅데이터 분석의 근본은 데이터 간의 상호 연관성을 분석하여 이슈를 찾아 문제화하고, 이를 해결하기 위해 과학적인 데이터를 이용하여 문제를 정의하고, 원인을 찾아 해결하는 것이다.

64db53c7f63d55daed3555a8ca9317cd_1562901585_8876.png 

1) PLC, DCS에서 공정 제어용으로 측정되는 모든 데이터를 수집 저장한다.
PLC, DCS에서 센서로부터 측정되는 데이터는 아날로그, 디지털 입력 데이터가 있고, 밸브, 모터, 실린더 등 액추에이터(Actuator) 장치의 조작량을 설정하는 아날로그와 디지털 출력 데이터가 있다. 또한 제어기별 목표값을 설정하는 온도, 속도, 농도, 유량, 압력 등 설정 값(Set Up)이 있고 설정값은 운전자가 경험치를 기반으로 수동으로 설정하는 때도 있고, 상위 시스템은 프로세스 컴퓨터에서 자동으로 설정하는 때도 있다.

2) 생산 중인 소재와 제품의 특성 관련 데이터를 수집하여 저장한다.
고객이 원하는 제품을 생산하기 위한 사양과 사용되는 원료나 소재의 사양 관련 데이터를 수집해 저장한다.

3) 공장에서 관리되는 모든 KPI를 수집 저장한다.
센싱 데이터를 기반으로 계산된 생산량, 실수율, 불질 불량률, 고장률, 작업률 등 모든 지표를 수집하여 저장한다.

4) 원료, 소재나 품질을 오프라인으로 실험실에서 측정한 데이터를 수집하여 저장한다.
생산 중에 온라인으로 측정되는 데이터 이외에 실험실에서 혹은 카메라로 측정한 영상 데이터 모두를 측정한다.

5) 공장에서 소비되는 전기, 용수, 가스, 약품 등 각종 유틸리티 설비로부터 측정되는 모든 데이터를 수집하여 저장한다.

6) 공장에서 배출되는 환경 오염물질 측정 데이터를 수집하여 저장한다.
생산 공장의 굴뚝에서 배출되는 아황산가스(Sox), 질소산화물(Nox), 분진(Dust), 온도, 유량 등 대기오염물질과 배출되는 폐수의 용존산소, 부유물질 등 측정되는 데이터를 수집한다.

이와 같이 빅데이터 기반으로 솔루션을 도입하여 사람 대신 인공지능 두뇌가 수행하여 사람의 한계를 극복하고, 경제적이고 안정된 제품을 고객에게 제공하고, 고객이 사용 중에 이슈가 발생한 것을 사전에 예측하여 조치함으로써, 고객을 영원한 고객으로 만들 수 있다. 또 새로운 고객을 만들어 가면서, 창출된 이익을 또 다른 새로운 사업을 일으키는데 투자하고, 종업원과 투자자들에게 이익을 공유하는 선순환의 경제 사이클이 가동되는 것이 스마트 팩토리의 목적이다.

궁금한 사항은 hanpark07@gmail.com으로 연락주세요.

64db53c7f63d55daed3555a8ca9317cd_1562901610_1474.png