4차 산업혁명시대에 산업 생태계가 급격히 변화하는 시점에서 빠른 연구개발(R&D) 및 사업화를 위한 제조업계의 디지털 전환은 경쟁력 향상을 넘어 생존 문제로 직결되고 있다. 이미 해외 선진국들은 컴퓨터 시뮬레이션을 통한 가상 제조기술 및 인공지능(AI)과 빅데이터 등을 활용한 오픈 플랫폼을 구축해 활용하고 있는 반면 우리나라는 데이터 축적부터 어려움을 겪고 있는 상황이다.
한국생산기술연구원에서는 5년여 동안 내·외부 전문가 학습, 단계별 기술 자체개발 및 검증을 통해 지속적으로 개선되고 있는 제조분야 인공지능 기술을 바탕으로 중소·중견기업의 제조업 인공지능 기술적용을 위한 연구를 해왔다. 본지는 이러한 연구결과를 총 10회에 걸친 연재기고를 통해 제조공정에 인공지능을 적용하기 위한 방법을 전달하고자 한다. 이를 통해 보다 많은 기업들이 쉽고 편하게 데이터 취득시스템을 개발·설치하고, 데이터 입출력 부분을 셀프 코딩하며, 송수신, 데이터 전처리 등을 거친 효과적인 인공지능 알고리즘을 통한 학습 및 검증을 통해 자사의 문제들을 풀어감으로써 제조기술 지능화에 한 발짝 다가가길 기대한다.
1. 제조 중소·중견기업 인공지능 기술개발
2. 제조공정 데이터 취득(DAQ) 시스템 개발
3. IoT 센서 패키지 HW/SW 개발 및 데이터 송·수신
4. 데이터 전처리
5. 제조업 인공지능 적용
6. 인공지능 데이터 및 알고리즘 유형
7. 디지털 트윈 구축 및 HW/SW 개발 적용
8. 시계열 데이터 인공지능 학습 (예)
9. 이미지 데이터 인공지능 학습 (예)
지금까지 총 9회에 걸쳐 뿌리기술 기반 제조기업 지능화 기술의 핵심이 될 수 있는 인공지능 기술의 제조업 적용에 관해 알아보았다. 이번에는 마지막으로 대다수의 뿌리기술 기반 중소·중견 제조기업이 공정 지능화를 이루어 나아갈 때 필요한 과제에 대해 생각해 보도록 하자.
■뿌리기술의 지능화 8대 해결과제
분석이 가능한 좋은 데이터가 잘 확보되고, 적정한 전처리, 증강과정을 거쳐 선호되는 알고리즘으로 잘 학습한다 해도 뿌리기술의 지능화 기술 적용을 위한 결과물을 산출하기까지에는 전문적인 도메인 기술의 해석 및 이해가 필요하다.
6대 뿌리기술을 포함한 제조 공정기술의 지능화 과정에서 풀어야 할 뿌리기술의 속성을 3개 측면에서 8개 항목으로 세분하여 살펴보도록 하자.
◇단위공정 최적화 측면
(1)다단계 다변수 특성
중간 단계의 소재나 부품을 제조하는 뿌리 공정기술은 대부분 다단계, 다변수 공정으로 이루어져 있어, 공정변수들의 동시제어나 합리적 연차제어가 용이하지 않고, 공정최적화가 이루기 어려운 특성을 지니고 있다.
(2)제어불가능 작업환경변수
대다수의 제어가능 변수와 다르게 제어 불가능한 인자들이 많아 품질과 공정조건의 안정화를 이루기가 어려우며, 들쭉날쭉한 품질 문제가 발생하기 쉽다. 제어 불가능 작업환경변수로는 제조현장의 날씨 영향, 온·습도, 미세먼지, 진동, 작업자의 기분이나 컨디션도 포함된다.
(3)상변태
제조공정 중 소재의 3상 (기체, 액체, 고체) 및 동소변태가 시시각각으로 발생하며, 특히, 공정 과정 중의 상변태 제어나 측정이 어려운 경우가 많다. 또한 공정 중에 소재의 기화, 액화 과정이 많이 포함될 경우, 주변 용기 및 설비와의 화학적 반응, 제조되는 소재와의 반응 등으로 제어가 더욱 어려운 상황도 자주 발생한다.
◇전주기 공정 수직적 통합 측면
(4)투입소재 형상 불균일 문제
공정 투입소재 형상의 통제 불가능적 가변성으로 인하여, 적정 화학적, 계량적 특성을 맞춘 소재 투입이라 하더라도 항상 공정 중에 발생하는 다양한 반응과정 중에 회수율, 유효 부피 및 질량 등이 변하게 되어 신뢰성 있는 제어가 어려운 경우가 많다.
(5)암묵지 기술
다단계 공정 중 작업자가 직접 수행해야만 하는 암묵지 성격의 수작업 공정들이 많이 포함되어 있어 기술 숙련도에 크게 영향을 받으며, 일정한 특성을 유지하기 어렵다.
◇제조가치사슬 수평적 통합 측면
(6)초기 소재특성의 유전성
잉고트나 빌레트 등 대부분의 뿌리 공정에서 사용되는 초기소재의 내재적 결함이 있을 경우, 다음 공정에서 아무리 최적의 노력을 해도 초기 소재의 나쁜 특성이나 결함은 전 공정을 통해 유전되며, 결국 최종제품에 남게 되는 특성을 지니고 있다.
(7)설계자 주문 한계
대부분 원청 업체의 주문에 의한 수주방식의 작업을 할 경우, 공정최적화의 원초적 한계를 가질 수 있다. 즉, 주문 업체의 경우, 완성품 특성을 기반으로 하는 주문을 하게 되지만, 뿌리기업의 경우, 그 제품을 제조하는 공정의 특성상 원청 업체의 주문을 기술적으로 수용할 수 없는 기술적 난제에 부딪힐 때가 많아, 공정의 어려움이나 불량 가능성을 알지만, 하청 작업을 수행해야 할 때도 많다.
(8)벤더사슬간 책임문제
수직적 가치사슬을 통해 최종 제품이 제조되는 경우, 잠재적 결함이나 책임 전가 등 단속적 과정에 놓이게 되어 세부 공정 조건들을 공유하기 어려운 경우가 많다. 이러한 상황에서 제품 제조 전주기 과정을 통한 데이터 통합 및 공유, 최적화를 이루는 기술이 필요하다.
이러한 뿌리기술의 속성을 인식한 후, 제조공정의 지능화에 관한 데이터 취득, 처리, 최적화, 증강, 통신, AI 알고리즘 적용, 계산 정확도 향상 등 다양한 기술을 배우고 현업에 적용하고자 하는 의지가 굳건하더라도 실제 현장에서는 여전히 지능화의 길은 어렵기만 하다.
이는 크게 데이터 관점과 실제 인공지능 기술 적용 관점에서의 해결해야 할 문제들 때문이다. 데이터 관점에서는 데이터 부족, 데이터 불균형, 과도한 레이블링, 레이블링 오류 등 4가지 중요 이슈가 있고, 적용 관점에서도 확장성과 일반화 과정의 어려움, 설명/분석 가능한 솔루션 필요성, 과도한 연산량 등 3가지 중요 이슈가 있을 수 있다.
이러한 문제를 해결하기 위해 데이터 증강처리, One class 학습, 약한 지도학습, 반 지도학습, 전달학습, 도메인 적용, 설명 가능한 AI, 가벼운 AI, 레이블링 노이즈와 함께하는 학습, Feature Engineering 등의 솔루션을 가지고 노력하고 있는 상황이다. 이와 같은 현실 속에서 다음과 같은 5단계의 뿌리기술 기반 제조업 공정지능화 과정을 제시한다.
1)문제 정의
각 기업이 가지고 있는 풀고자 하는 문제를 정의하고 결정해야 한다. 이는 대부분 각 기업의 경쟁력 8대 요소인 품질, 가격, 납기, 에너지, 환경, 소재, 신뢰성, 생산성 중에 해당하는 경우가 대부분이다. 문제가 결정되면 결과를 나타내는 Output의 형태를 고려하고, 데이터 확보 가능성을 검토해야 한다. 마지막으로 지능화 시스템 구축의 단계별 우선 순위를 결정할 필요가 있다.
2)데이터 수집
각종 데이터를 측정할 센서의 사양, 우치, 개수 등을 선정하며, 데이터 측정 시스템(DAQ)을 구축한다. 데이터 수집 기간을 선정한 후 데이터를 수집하는데, 영점 보정 및 상·하한치의 합리적 설정, 적정 주기 등을 종합 설계하며, 데이터 관리를 위한 주석 등을 달아둘 필요가 있다.
3)데이터 가공
데이터 수집시 발생하는 오류, ADC 전환시 발생하는 오류, 데이터 통신 오류, 단위나 표기법에 따른 오류, 작업자의 실수 등에 따른 데이터의 불완전성을 극복할 수 있는 자체 기술을 바탕으로 데이터 전처리를 실시한다. 그 후, Feature Extraction을 실시하며 필요한 경우, Data Augmentation을 거쳐 데이터의 품질을 향상시킨다. AI 모델을 적용을 위한 레이블링을 하는데, 이 과정에는 특수한 목적에 따른 많은 경험과 전문지식이 필요할 수 있다.
4)AI 모델 개발
성능 평가지표 및 성능 우선순위를 선정하고 실험방법을 구체화한다. 빠른 속도로 발전하고 있는 다양한 모델 중 문제해결에 가장 적합한 AI 모델 설계를 하고 최적화 과정을 거친다.
5)분석 결과의 활용
Main System의 소프트웨어 개발이 필요하고 기존 시스템과 인터페이스를 구축한다. 적정한 GUI 모듈을 개발한 후, 확정성 및 실시간 성능 확보를 위한 과정을 반복한다.
이러한 단계는 한두 명의 전문가가 모두 수행하기는 현실적으로 쉽지 않은 문제이다. 따라서 현장 데이터 전문가, AI 모델 전문가, AI 시스템 전문가의 협업 시스템을 이루어 문제를 해결해 나가는 과정이 필요하다.
또한 1단계로 단일설비 솔루션으로 검사지능화와 설비지능화를 우선 확립하고, 2단계로 전주기 제조공정 솔루션형인 전주기 공정 지능화, 설계 및 물류 지능화의 과정을 거치는 것이 추천된다. 데이터 기반의 뿌리기술 공정지능화 과정 4단계를 <그림>에 나타내었다.
단순하게 ERP, MES 시스템을 구축하는 단계가 아니라, 정확한 공정지식과 소재특성간의 상관관계의 이해를 기반으로 설비의 지능화를 이루고, 각 설비가 유기적으로 연결된 전주기 다단계 통합공정에서의 지능화를 지향하는 과정이다.
▲ 데이터 기반의 뿌리기술 공정지능화 과정 4단계
1)스마트 이해
뿌리공정 설비를 통해 제조되는 과정에서 설비의 공정변수에 의해 변화되는 소재의 물성을 정량적으로 이해해야 하는 단계이다. 이를 위하여 소재 거동의 고전적인 역학과 시뮬레이션도 필요할 수 있으며, 공정최적화 지식 및 기술을 구축할 수 있다.
2)스마트 설비
설비를 운용할 때 산출하는 다양한 데이터를 각종 센서를 통해 획득하고 이를 기반으로 Embedded SW를 통한 설비의 자동제어 및 지능화 제어가 가능할 수 있다. 또한 CPS제어 코어 모듈 개발 등을 통해 공정 특성이 반영된 설비 최적화 과정을 의미한다.
3)스마트 네트워크
공장의 전주기 통합제어를 이룰 수 있는 과정으로 기존의 MES, ERP, SCM, SCADA, FEMS등 다양한 생산관리 기법들이 망라되어 적정한 시스템을 선정하여 스마트하게 제어되는 설비들을 연동시킨다. 각 단계별로 생성되는 데이터를 기반으로 통합적인 지능형 생산관리를 꾀할 수 있다.
4)스마트 제조
제조공정 지능화의 단계로 제조업 선호 설명가능한 AI 모델 탑재, 데이터 기반 지능형 공정제어 제조기술 확립, 통합 연계형 제조 네트워크의 기반을 이룰 수 있다.
이러한 과정을 통하여 단기적으로는 현재의 대량생산 시스템의 품질, 가격, 납기 경쟁력을 제고 하는 노력을 해야 한다. 하지만, 중장기적으로 젊은 인력들이 다시 모여드는 제조업의 부흥을 위해서는 고객의 욕구에 대응하는 고객맞춤형 다품종 소량생산 시스템의 기술적 근거를 갖추고 고객가치를 최대한 구현하면서 수익성도 극대화할 수 있는 제조혁신의 기틀로서 제조업의 지능화가 필수적으로 이루어져야 할 것이다.
