계장기술(PROCON)

기획특집 미래 철강 제조 경쟁력 향상을 위한 IoT, 빅데이터, AI 융합 산업 안전 기술 개발 및 시사점

페이지 정보

작성자 최고관리자 댓글 0건 조회 792회 작성일 23-02-14 15:44

본문

 1. 들어가기에 앞서
 경제학자이며 다보스 포럼 의장인 ‘크라우드 슈밥’이 지난 2016년, 스위스에서 열린 세계 경제 포럼에서 미래 경제 생태계를 좌우할 새로운 패러다임을 제시했다. 다름 아닌 제4차 산업혁명이다. 또 요소 기술로 IoT(Inter net of Things), 빅데이터, AI(Artificial Intelligence)를 거론하였고, 초연결의 시대가 시작했음을 알렸다. 세계 선진 국가들은 제조업이 중심이 된 Industry 4.0 스마트 기술을 통해 자동화, 모니터링, 공급망 분석 등의 분야에서 혁명적 변화를 이끌었다. 같은 해에 AI 딥러닝 기술 기반의 알파고가 세계 유명 바둑 고수들을 이기면서 AI 기술이 어떤 면에서는 인간을 능가하는 핵심 기술이 될 것으로 평가되었고, 지금은 모든 분야에서 AI를 활용한 기술이 적용된다.
제조 산업 현장에 하드웨어와 소프트웨어를 중심으로 자동화가 많이 적용되어 있다. 자동화의 발달로 생산력은 증대되었고, 품질도 일정 수준 이상 확보되었다. 고도화된 자동화를 위해 AI 기술을 적극적으로 활용하고 있으며, 자동화와는 다른 무인화라는 새로운 형태의 생산 방식을 제안하고 있다. 그러나 무인화는 기존의 생산이나 품질 등을 관리하는(인력을 줄이는) 방법의 하나로 오인되고, 산업 설비의 적용에 반발이 있기도 하다. 제조 산업의 생산설비들이 복잡해지고 다양해짐에 따라 모든 설비를 과거와 같은 방식으로 운용하기는 불가능하다. 일부는 여전히 인력 충원으로 문제 해결을 요구하지만 미래의 인구 절벽, 생산 인구의 감소 등을 예상할 때 지금보다 더 고도화된 자동화를 통해 생산성이나 업무 효율을 향상시키고, 제조 경쟁력을 유지하여야 한다.
고도화된 자동화 기술 개발 시 제조 데이터가 필요하다. 머신러닝과 같은 AI 기술은 과거의 데이터를 통해 학습하고, 미래를 예측하는 모델을 만들어 앞으로 일어날 일에 대비하거나 사전 조치를 하는 것을 목표로 한다. 과거보다 더 다양한 데이터를 수집·처리할 필요가 있다.
제조 산업 공장들은 IoT, 빅데이터와 연계하여 고성능의 효율적 생산 시스템으로 진화시키고, 불확실한 미래 시장에서 가격 또는 품질로 경쟁우위를 점해야 한다. 양질의 제조 데이터는 생산시설 가동 중 많은 시행착오를 겪은 최적화된 데이터이어야 한다. 데이터를 이해하는 데는 도메인 지식과 경험이 필요하다. 양질의 데이터를 통해 학습된 AI 모델 기반의 고도화된 자동화 시스템이 최적의 상태를 유지해야 하고, 안정적인 생산 운영 관리가 필요하다. 그 이유는 제조 설비가 시간이 지남에 따라 노후화되고, 주기적으로 유지 보수함으로써 생산설비가 변하기 때문이다.

결국 미래 제조 산업의 경쟁력은 자동화된 시스템 기반 위에서(사람의 운용 노하우가 잘 반영된 인공지능 기반의 고도화된 제조 시스템에서) 시작된다고 말할 수 있고, 의사 결정권자들은 이러한 시스템 구축을 위해 어디서부터 시작하고, 어느 부분을 발전시켜야 하는지를 전략적으로 검토해야 한다. 최근 이슈가 되고 있는 산업 안전을 한 단계 더 강화할 수 있는 방안도 같이 모색해야 한다.

fe547b595f55dcc30490aa15f1ba578b_1676356525_75.png

2. 제조 산업 구성에 대한 단상

고도화된 자동화 시스템을 구축하기 위해서는 하드웨어와 소프트웨어 그리고 인간의 경험 기반의 휴먼웨어가 필요하다. 하드웨어와 소프트웨어는 기계적 도구와 전기적 신호를 프로그램을 통해 제어하는 시스템인데 반해, 휴먼웨어는 사람의 암묵적 지식을 기반으로 하기 때문에 형식적인 표시나 추출이 어렵고, 공정 데이터와 같은 정보로 유추할 수 있다. 그림 1은 하드웨어. 소프트웨어, 휴먼웨어의 위치와 연관에 필요한 도구를 표시한 제조 산업 개념 이해도이다. 하드웨어와 휴먼웨어 사이의 관계는 사람의 노동력을 증강시키기 위해 기계적 도구들이 필요하다. 또 하드웨어와 소프트웨어는 전기적인 신호를 통해 제어 모니터링이 자동으로 제어되는 시스템을 꾸밀 수 있다. 소프트웨어와 휴먼웨어는 실체 없는 무형적 특성으로 인해(데이터라는 매개체를 가지고) 상호 연관성을 표현할 수 있고, AI와 같은 서비스 기술 개발이 뒷받침되어야 한다. 다만 하드웨어·소프트웨어·휴먼웨어가 균등하게 공존하고, 상호 연계적으로 구성되어 있다면 높은 경쟁력을 가질 수 있다. 제조 산업의 특성에 맞게 집중적으로 투자하고 키워나가야 할 분야가 있고, 순차적으로 적용할 수도 있다.

그림 2는 그림 1의 개념도(신제조 산업 개념의 새로운 이해도)를 제조 산업 특성을 반영하여 재구성했다. 철강 분야는 장치 중심의 제조 산업이다. 철강 제품 생산 시 높은 압력과 온도 그리고 적정 시간을 통해 재질과 외형을 변화시킬 수 있다. 각 제조 공정별로 많은 기계 장치가 필요하고, 이를 제어하기 위한 소프트웨어가 구성되어 있다. 철강 제조업은 철 이외의 탄소나 니켈 같은 부재료를 혼합하고, 일정한 온도와 압력 관리를 통해 제품이 생산되는 특징이 있다. 철강 제품별 혼합 레시피와 제어 모델이 있고, 이 모델에 의해 생산설비가 가동되며, 주변 환경의 변화와 앞뒤 공정 대기로 인해 사람의 개입이 필요한 경우가 많다. 그래서 고숙련자와 저숙련자의 경우 생산 실적이나 품질 등이 차이가 발생한다. 최근 AI를 활용한(사람이 노하우를 디지털화하는) 방안에 많은 관심이 있으며, 중량물을 많이 다루는 특성상 사람의 노동력을 증강시키는 웨어러블 기구에 대해서도 적극적인 검토가 이루어지고 있다. 그림 2를 보면 데이터를 기반으로 한 휴먼웨어와 소프트웨어 육성 및 AI를 활용한 생산 고도화 육성 방향성에 대해 알 수 있다.

일정한 규격의 부품을 조립 생산하는 자동차 산업의 제조 산업 개념 이해도를 그림 2(오른쪽)에 적용하여 보았다. 철강 제조 산업과는 달리 자동차 산업은 엄격한 BOM(Bill of Material)을 기반으로 조립 생산을 통해 자동차를 양산한다. 로봇을 활용한 자동화 분야가 잘 발달하여 있는 업종이기도 하다. 최근 혼류 생산 및 고품질의 자동차를 양산을 위해 인공지능을 활용하고, 미래 자동차 제조업을 선도하기 위해 ‘보스턴 다이나믹스’ 등 다양한 로봇 기술 개발에 매진하고 있다.

fe547b595f55dcc30490aa15f1ba578b_1676356575_9207.png

3. 제조 생태계 변화를 대비한 제조 역량 강화
세계는 극심한 기후변화를 겪고 있다. 탄소에 의한 지구 온난화 현상(미국 텍사스주의 한파와 유럽의 고온 현상의 원인)이 주목받고 있으며, 이를 해결하기 위해 각국은 탄소 배출 제한 및 RE100을 통한 재생에너지의 사용 증대 등 기후변화 위기에 대응하고 있다. 철강 제조 산업 분야도 고로 방식의 철 생산 방식으로는 탄소중립 정책에 부응하지 못하고, 제품 생산을 할 수 없으므로 수소 환원 제철 기술을 적극적으로 개발하고 있다. 이렇듯 미래 제조 환경 생태계는 기후변화를 최소화하면서 수익을 계속 창출하기 위해서 새로운 제조 원가 패러다임을 제안하고 있다.

그림 3은 탄소배출권 대비를 위한 제조 패러다임 변화의 한 가지 예시다. 과거에는 제품 생산 시 필요한 비용에 환경, 에너지 비용을 적절히 배분하여 제조 원가와 이익을 산출하였다. 제품 원가 중에는 제품의 소재 가격 변화가 가장 영향에 크나, 상대적으로 판매가격 변동을 통해 적정 이윤을 확보할 수 있다. 그러나 앞으로는 탄소배출권에 의한 탄소부담금이 생산 실적에 비례해서 발생하기 때문에 이에 대한 대비 없이는 가격에 의한 제품 경쟁력을 상실할 수 있다. 미래에는 적정 이윤이 포함되고, 탄소부담금을 최소화한 절대 판매가격이 설정되고, 이 가격 안에서 최대한 생산을 하는 것이 제조 경쟁력을 확보하는 한 가지 방법이 될 것이다. 생산을 언제 어떻게 해야 할지에 대해 다양한 시나리오 검증과 설비 이상을 사전에 탐지하여 예지정비를 수행하여 생산 능력에 지장이 없도록 해야 하고, 가상공간에서 에너지를 최소화하고, 시뮬레이션이 가능한 디지털 트윈 기술이 주목받을 것으로 예상된다.

fe547b595f55dcc30490aa15f1ba578b_1676356612_9106.png

4. 미래 경쟁력 확보를 위한 산업 안전 융합 신기술 적용 사례

1) 가상 센서를 통한 가열로 설비 이중화 안전 기술 개발(개발사 : 테크다스)
가상 센서는 하드웨어 센서를 사용하지 않고, 데이터 분석 및 AI 학습 기술을 통해 센싱 데이터를 추론하여 전달하며, 실질적인 물리 센서를 이중화하거나 이를 대체하기 위해 만든 소프트웨어 센서다. 가상 센서는 시뮬레이션을 하기 위해 수식 모델로 만들어진 소프트웨어 센서와는 차이가 있다. 가상 센서는 제품 생산을 위한 공정에서 발생한 압력, 유량, 온도 등의 데이터를 기반으로 머신러닝 알고리즘을 통해 만들어지기 때문에 제조 생산설비의 특성을 잘 반영할 수 있다.

fe547b595f55dcc30490aa15f1ba578b_1676356691_7674.png

fe547b595f55dcc30490aa15f1ba578b_1676356738_4488.png 

가상 센서는 수식 모델로 만들어진 소프트웨어 센서와 차이가 있다. 가상 센서를 현장 제조 산업 설비에 적용 시 온도, 압력, 유량 등의 센서에 문제가 생겨 잘못된 데이터가 생성될 수 있으며, 이를 대비하여야 한다. 학습과 추론 AI 모델 기반의 가상 센서는 오류의 데이터를 참으로 인식하여 잘못된 학습을 수행할 수 있기 때문이다. 그래서 센서의 고장을 식별하고, 고장 시에 측정값 대신에 예측값으로 치환하는 절차가 필요하다. 개발 예시로 M IMO(Multi-Input and Multi-Output) 방식을 이용하여 AI 학습 모델 유지 보수 기능을 만들었으며, 센서가 정상인지 비정상인지 판단하기 위해 잔차 분석법을 사용하였다. 센서가 고장으로 판별되면 AI 학습 모델의 예측값이 측정값을 대신한다.
가열로 예열대의 상부 O2 측정 센서를 대상으로 가상 센서와 실제 물리 센서를 그림 6에 비교하였고, 과거의 공정 데이터 중 관련성이 높은 인자를 선택하여 AI 학습 모델을 개발하였다. 학습 모델을 통해 생성된 센서 데이터와 실제 센서 데이터는 일부 차이가 있지만, 유사한 추이 변화를 보인다. 일반적으로 제조 산업은 유한한 제조물을 무한히 반복 생산하는 산업이다. 그래서 과거의 공정 데이터와 현재의 공정 데이터는 연관성을 가진다. 가상 센서는 이러한 연관성을 기반으로 하며, 실제 센서와 함께 사용할 수 있게 이중화 기능을 수행한다.
가상 센서는 기존의 고가 센서로 학습된 모델을 통해 이중화가 가능하고, 안전 측면에서 활용법을 확대할 수 있다. 예를 들어 고온 지역에 설치되어 있는 센서들이 고장이나 이상 신호의 돌발 상황을 가정하면, 정비사들은 생산성 저하나 품질 이상을 최소화하기 위해 즉각 점검 및 교체 등의 정비를 수행한다. 그런데 심야 시간 또는 고온 지역에 설치된 센서가 고장날 때 소수의 정비사가 정비를 수행하는 중 탈진 등의 안전사고 발생 가능성이 크다. 하지만 이를 대비하여 가상 센서는 물리적 센서를 대신하여 신호를 내보낼 수 있다. 급하게 생산설비를 정지시킬 필요가 없다. 따라서, 정비사는 심야 시간대가 아닌 주간 시간대에 충분히 고장난 센서를 정비할 수 있다. 이렇듯 가상 센서는 안전한 제조 환경 구축을 위한 방편으로 활용될 수 있다.

fe547b595f55dcc30490aa15f1ba578b_1676356773_5149.png 

2) 스마트공장으로 진화하기 위한 지능형 계측 기술 개발(개발사 : 팔마텍)
(철강 제조 산업에서) 형상, 길이, 치수는 철강 제품의 중요한 품질 인자다. 이 중 형상은 레이저 센서와 카메라를 통해 측정하고 있다. 지능형 평탄도 계측 시스템 개발 배경을 설명하겠다. 철강 산업에서 평탄도 측정 시스템은 미국, 독일, 일본 제품이 주로 사용된다. 현재까지 외산 측정 시스템들은 철강 제품 생산에 문제가 없지만, 미래 제조 경쟁력을 향상시키기 위한 특별한 기능은 탑재되어 있지 않다.
예를 들면 레이저 수명 예측, 자동 영점 조정 등이다. 그 외에도 IoT, 빅데이터, AI를 접목시킬 수 있는 시스템이 구성되지 않았다. 그래서 IoT, 빅데이터, AI 등 신기술이 접목된 계측 기기를 전문 개발 회사와 공동 개발 추진하였다. 지능형 계측 시스템의 지능형 서비스에 관해 설명하겠다. 평탄도 측정 시스템 운영 시 정비가 필요한 사항과 이를 해결하기 위한 아이디어는 다음과 같다.
지능형 평탄도 시스템의 지능형 서비스는 가상 센서를 통해 개발되었다. 한 가지 예시로 레이저 수명 예측의 경우를 설명하겠다. 평탄도 측정을 위한 레이저 센서의 출력 신호와 철판의 밝기와 같은 평탄도 측정 환경 인자를 연계해서 학습하였다. 이렇게 하면 정상 출력일 경우와 순차적으로 변화하는 레이저 광량이 정상일 경우와 비정상일 경우를 AI 학습을 통해 구별할 수 있다. 그 결과 레이저 센서의 수명주기를 예측할 수 있고, 기준치 이하의 경우가 예지될 때 레이저 모듈을 교체하는 보수를 통해 항상 일정한 성능을 유지할 수 있다.

fe547b595f55dcc30490aa15f1ba578b_1676356898_9882.png

fe547b595f55dcc30490aa15f1ba578b_1676356965_9059.png
또 다른 지능형 서비스 예는 자동 영점 조정이다. 영점 조정은 계측기의 기준이 되기 때문에 수시로 점검한다. 주로 사람의 경험에 의존하거나 이상이 발견되었을 때 영점 조정을 한다.
그러나 자동 영점 조정은 계측기가 평소와 다른 측정값을 발생했을 경우 과거 학습된 정보를 기반으로 영점을 조정한다. 다음 화면은 지능형 평탄도 시스템에서 지능형 서비스를 위한 가상 센서 화면이다. 가상 센서는 레이저 센서의 수명 및 영점 이상 등을 측정한다. 지금까지 수명이나 영점 이상을 측정하는 물리적 센서는 없다. 하지만 계측기에서 생산된 데이터를 기반으로 앞서 언급한 기능들을 AI, 빅데이터를 활용해서 기존 물리 센서와 상호보완적인 기능을 개발하고, 이를 통해 생산성이나 품질을 향상시킬 수 있다. 또 이러한 예지 기능과 자동 조정 기능을 통해 정비사들은 사전에 무리하지 않고, 계획 정비를 수립할 수 있어 산업 안전 측면에서 유용하게 사용할 수 있다.

fe547b595f55dcc30490aa15f1ba578b_1676356986_5196.png

fe547b595f55dcc30490aa15f1ba578b_1676357013_3674.png
 

3) 현장 지식 자산화를 위한 고숙련자 직무 분석 기술 개발(KOIIA, KTL, KETI, 두하우컨설팅)
코로나19 이후로 경제 불황, 재난, 경쟁력 약화 등 갑작스런 외부 환경 변화 대응뿐 아니라 신재생에너지, 전기차 등 주력 산업에서 신산업의 전환으로 기업은 우수 인재 부족난에 처했다. 특히 급격히 수요가 늘어나는 신산업 분야의 인력 충원을 위해서는 신규 직원 채용뿐만 아니라 기존 인력의 전환·이직·전직과 그에 따른 교육 병행이 필수적이다. 재취업, 창업 등 새로운 출발을 열망하는 이들 사이에서 자신의 전문성을 증명하는 국가기술자격시험 취득이 많이 늘어났으나, 포스트코로나 시대를 반영한 분야는 미흡하기만 하다. 기존 핵심 역량 도출은 인력 경영에 관련한 이론 중심적 색채가 강하여, 기업 내 업무 투입을 위한 준비 교육으로는 업종별 산업 현장 고유의 특수한 상황·요소들이 빠져 있어 초보자 또는 이직자들이 쉽게 담당 업무에 투입하기 어려운 현실이다. 또 다른 진입 장벽 발생 및 별도의 장단기 교육 시간, 비용 투입 부담 요소가 발생할 것으로 예상되고, 일부 산업군과 특정 기업을 제외하고 제조 산업 고숙련자들의 현장 지식, 특수 환경에 대한 전문 지식, 대처 기술 및 노하우 등이 기업 내 또는 동종 업계로 확산되지 못하는 한계가 있음을 깊이 인식하고 있다.
위와 같은 이유로 디지털 기술 기반의 산업 현장 핵심 지식 자산화를 통한 “이론+현장”형 핵심 역량 분석이 필요하다. 기존 국가직무능력표준(NCS) 및 가이드라인, 기업 내 표준 매뉴얼 등의 자산과 함께 제조 산업 현장의 인적·환경 상황이 반영된 핵심 지식 역량 디지털화와 직무 역량 분석에 대한 새로운 접근 및 디지털 기반의 이직 ·전직 지원을 위한 서비스 플랫폼 구축을 추진하고 있다.

현장 지식 자산을 기반으로 한 업종별 핵심 역량인 디지털 정형화 기술이 어떻게 만들어지는지 간략히 설명하겠다. 설계 도면, 작업 표준, 고장 보고서 등 일정 양식의 문서들을 데이터 마이닝과 딥러닝, 자연어 처리 기술을 활용하여 디지털 정형화한다. 또 직무 수행에 필요한 현장 전문 지식을 객관적으로 구분하기 위해 단어 관계, 탬플릿 등의 고차원 이산적 데이터를 AI(텍스트 마이닝과 자연어 처리 기술)를 활용하여 심볼식 추상화 공간으로 이동하고, 원인 - 결과 - 대응 방안 등의 인간 중심의 이해 로직을 형태소 분석을 통해 육하원칙으로 구분 DB화한다. 관리자와 설비 운영자 등을 대상으로 고유 지식 표준화 및 체크리스트를 개발하고, 상황 판단 지식 추출을 위한 다양한 상황에서의 행동 패턴을 인터뷰와 컴퓨터 티칭 수행 후 제조 업종별 노하우를 인과관계 기반으로 재정립하는 것이 핵심 노하우다. 이를 통해 정형화되고 활용할 수 있는 휴먼웨어가 만들어지고, 전수 방법으로 기업이 육성하고 보호해야 할 정보가 무엇인지 명확히 구분될 것이다.
 fe547b595f55dcc30490aa15f1ba578b_1676357037_2382.png 

 5. 마치면서

 4차 산업혁명, 코로나19 그리고 장기간 지속되는 경제 불황 속에서 제조 산업은 끊임없는 신기술 개발과 적용을 통해 미래 경쟁력을 확보하고 있다. 신기술 또는 과거에 인증된 기술이 현재의 모든 문제를 해결해 주거나 우위를 만들어 주지 않는다. 지금은 패러다임의 변화가 필요하고, IoT, 빅데이터, AI는 패러다임 변화를 만드는 요소다. 이제 제품의 설비나 생산방식도 하드웨어와 소프트웨어 중심을 벗어나 휴먼웨어와 연계도 고려해야 한다. 휴먼웨어는 사람의 암묵적 지식을 도출해 경쟁력 있는 제조 기술을 유지하고 개선하지만, 제조업에서 일하는 작업자들을 지금보다 안전한 작업 환경을 구축해야 한다. 경쟁력 있고 산업 안전이 중시되는 제조 산업은 무인화만으로 해결책을 제시하는 것이 아니다. 지금까지 발전되어온 기술을 기반으로 한 인간 중심의 기술로 한층 성장하는 것이다. 미래 경쟁력은 휴먼웨어, 하드웨어, 소프트웨어가 잘 융합되고, 지금보다 더 적은 비용으로 더 많은 고품질의 제품을 안전하게 생산하는 방식을 어떻게 구현하는가에 달려 있다.


이 정 한 책임 매니저 / 현대제철㈜ leejhan@hyundai-steel.com
안 용 태 팀장 / 현대제철㈜ robotan@hyundai-steel.com
박 종 현 계장 / 현대제철㈜ jonghyunpark@hyundai-steel.com 

카테고리

카테고리
현재(2019~)

잡지리스트

잡지리스트

이달의 광고업체

이달의 광고업체