닫기

기획특집

배너

[SPECIAL REPORT] 빅데이터 분석 궁극적 목적은 공정 안정화…SFFA 플랫폼으로 한 번에 해결

URL복사
[마감임박!! 무료] 생성형AI, 디지털트원, 제조AI, SaaS, 클라우드로 생산성 높이고, 비용절감 방안 제시.. AI자율제조혁신포럼 개최 (3/27~29, 코엑스3층 컨퍼런스룸 317~318호)

[헬로티]


생산라인에서 발생되는 여러 가지 데이터들은 우리가 IoT라고 하는 체계 속에서 수집하게 되고, 이런 데이터들은 MES나 품질 데이터들과 융합하면서 빅데이터를 구성하게 된다. 그리고 데이터를 수집하는 단계에서 가장 중요하게 고려해야 할 부분은 의미 있는 콘텍스트 데이터를 융합시켜주는 것이다. 넥스톰의 SFFA 플랫폼은 생산라인에 있는 설비에서 올라오는 여러 가지 공정 데이터를 융합해서 공장의 생산성을 모니터링하거나 분석한다. 지난 9월에 개최된 ‘제4회 스마트 제조 베스트 프랙티스 컨퍼런스’에서 넥스톰의 김성중 대표가 중소기업 스마트 팩토리 고도화 사례 및 전략 대해 강연한 내용을 정리했다.


그림 1. 제조업의 구조적 변화와 위기


제조환경이 과거와는 다르게 설비 의존도가 높아지고 있으며, 그에 따른 설비도 자동화, 고도화, 정밀화가 돼가면서 어떤 품질 불량 문제가 발생했을 대 그 문제를 직관적으로 판단해서 해결하기가 점점 어려워지고 있다. 또한, 인력의 외주화와 계약직이 점점 증가하고 있으며, 리콜/클레임 대응체계도 요구되고 있다.


이러한 제조업의 구조적인 위기와 변화 속에, 중소기업이 겪고 있는 문제점과 개선사항을 어떤 것들이 있는지 살펴보겠다.


먼저, 문제점으로는 크게 6가지를 얘기할 수 있다. 첫째, 생산 전 과정의 로트 및 제조원가를 추적하고 싶어 하는데 추적 체계가 미흡하다. 둘째, 품질 불량의 문제가 발생했을 때 그 원인을 즉시 파악하기가 어렵다. 셋째, 최상 품질의 제품을 지속 생산하기가 어렵다. 넷째, 설비 성능이 저하되거나 고장이 발생했을 때 이런 상황을 예측해서 대응하기 어렵다. 다섯째, 예방 보전이 미흡하다 보니 고장 수리 위주로 진행한다. 여섯째, 원부자재의 적정 재고관리가 미흡하고 납기 또한 추적이 어럽다 보니 제품을 언제 얼마만큼 더 만들어야 될지 적시 생산이 어렵다.


따라서 개선사항으로는 △원가분석이 가능한 로트 추적체계 구축 △품질 문제 발생 시 관련 데이터 분석 △최상의 설비 상태 및 균일 품질 유지 △설비 성능 상향화 및 정비 필요 시기 예측 △예방 보전 강화를 통한 보전 횟수 줄임 △부품 및 자재의 적정 재고 관리 △실시간 물류 추적 및 적시 생산 등이 요구되고 있다.


스마트 팩토리 고도화 과정


그러면 스마트 팩토리의 구현 가치와 진행 단계는 어떻게 이루어지는지를 간단히 살펴보겠다.


스마트 팩토리 구현에서 가장 먼저 진행되어야 할 게 바로 ‘오토메이션(Automation)’이다. 오토메이션은 공장자동화의 영역이라고 볼 수 있는데, 그동안 이 부분은 많이 발전해 왔다. 생산라인 상에서 문서를 없애고 작업자들 사이에 협업 관계를 구축해 왔으며, 업무프로세스를 자동화함으로써 오류를 방지할 수 있었다. 또한, 로봇 등을 활용해 설비를 자동화했다.


그 다음 단계가 ‘커넥티비티(Connectivity)’이다. 즉, 연결성이라고 말하는데, IoT가 발전하면서 산업용 IoT가 관심을 받으며 생산라인의 연결성에 많은 기여를 하고 있다. 이로 인해 전사적인 공장 전체 데이터 수집과 의미있는 콘텍스트 데이터를 통합할 수 있게 됐다.


그 다음 단계로는 ‘프리딕션(Prediction)’으로, 예측과 예지에 대한 부분이다. 프리딕션을 하기 위해서는 반드시 분석이 필요하다. 그러다 보니 실시간 분석, 빅데이터 분석, 상관관계분석, 근본 원인 분석 등을 통해서 좀 더 정확한 데이터 분석을 원한다.


하지만 이 정도의 단계만 가지고 예측한다는 것은 매우 어려운 일이다. 그래서 요즘 많은 관심을 갖는 분야가 ‘인텔리전스(Intelligence)’이다. 머신러닝, 딥러닝을 이용한 데이터 분석 시도가 이루어지고 있지만, 제조업의 현실에서는 아직 뿌리 깊게 자리를 내리지 못하고 있는 상황이다.


이렇게 오토메이션, 커넥티비티, 프리딕션, 인텔리전스까지 마치고 나면 계속 상호보완해서 고도화되어가는 과정을 거쳐야 한다.


제조 빅데이터 분석을 위한 방안


생산라인에서 발생되는 여러 가지 데이터들은 우리가 IoT라고 하는 체계 속에서 수집하게 되고, 이 데이터들은 MES나 품질 데이터들과 융합하면서 빅데이터를 구성하게 된다. 그리고 데이터를 수집하는 단계에서 가장 중요하게 고려해야 할 부분은 의미 있는 콘텍스트 데이터를 융합시켜주는 것이다. 이 콘텍스트 데이터가 제대로 융합되지 않으면 데이터 전용화가 매우 수준이 낮을 수밖에 없고 그러한 데이터들은 분석 데이터의 품질을 떨어뜨릴 수밖에 없다. 그래서 실시간으로 데이터를 수집하게 되면 그 다음으로 해야 될 일이 바로 실시간 분석이다. 실시간 오류나 이상 징후를 감지하고 이런 것을 이용해서 SPC 분석 같은 것을 할 수 있는 일들이 이루어진다.


여기까지는 일상생활에서 할 수 있는 영역이다. 그러나 품질에 관심이 많은 회사들은, 아직도 회사 내에 품질 엔지니어들을 두고 사람이 직접 여러 가지 분석툴을 이용해서 분석하는 경우가 있어 AI 영역으로 넘어가지 않고 있지만, 앞으로 심화된 분석 영역은 점점 AI가 대체해 나갈 것으로 보고 있다. 이렇게 해서 나온 데이터들은 대시보드 리포트에 띄워서 경영진이 보고 의사결정하게 된다. 만약, 이 데이터들이 공정에 반영이 된다면 실시간 공정제어가 가능하게 될 것이고, 이렇게 해서 제어되는 공정들은 다시 생산라인을 고도화시켜 나갈 것이다.


이 부분 또한 계속 반복되다 보면 가상 팩토리나 실시간 시뮬레이션, 프리딕션이 이루어질 수 있게 되고, 결국은 요즘 가장 많이 관심을 갖는 예지정비(Predictive Maintenance)를 통해서 생산라인을 좀 더 효율적으로 운영할 수 있는 수단을 제공한다.


이렇게 해서 얻을 수 있는 현상들은, 실시간 데이터 분석 및 철저한 공정관리가 가능해져 품질 향상, 가동률 증가, 생산량 증대되는 효과를 얻을 수 있다. 그리고 공정 현황을 신속하게 파악하고 판단 및 분석할 수 있기 때문에 공정이 조기에 안정화될 수 있으며, 주요 센서 데이터의 공정능력지수 분석을 통해서도 공정을 안정화시킬 수 있다. 또한, 생산 중에 Spec Over, Control Range Over 횟수 및 다발 현상을 실시간 확인해서 공정 안정화와 생산량을 증대할 수 있다. 그러나 심화 분석까지 가지 않더라도 실시간 데이터 수집과 분석이라는 영역만 가지고도 상당한 효과를 볼 수 있다.


SFFA 플랫폼 적용 사례


넥스톰은 제조 빅데이터 분석 플랫폼인 SFFA 플랫폼을 개발했다. SFFA 플랫폼은 생산라인에 있는 설비에서 올라오는 여러 가지 공정 데이터를 융합해서 공장의 생산성을 모니터링하거나 분석한다. 또 설비의 고장이나 오동작을 실시간으로 감지하고, 설비의 이상 징후가 감지되면 그 발생 원인을 분석해 낸다. 품질의 불량이 있을 땐 불량 원인을 도출하고 분석하기도 한다.


또한, 설비 간의 능력 비교 분석을 해서 어떤 설비가 능력이 떨어지고 올라가는지를 알 수 있다. 그리고 공장의 가동률 저하 요인을 분석해서 가동률을 개선할 수 있으며, 설비 예방보전을 적시에 관리해서 최적화시킬 수도 있다. 그 외 장단기 설비 노후화 트렌드 분석과 불필요한 설비 유지보수 방지 기능도 제공한다.


이 플랫폼을 통해 얻을 수 있는 효과는 불량 감소, 수율향상, 가동률 증가, 제조원가 절감, 생산성 향상 등을 기대할 수 있다.


SFFA 플랫폼을 가지고 중소기업에 진행했던 제조 빅데이터 분석 사례를 소개하겠다. 고객 정보 보호 차원에서 어떤 종류의 설비이며 데이터가 언제 발생했는지에 대해서는 여기서 밝히지 않기로 한다.


그림 2. 1호기 설비의 압력과 온도데이터 이상현상 발생 확인


그림 2에서처럼 1호기 설비에서 압력 데이터와 온도 데이터의 이상현상이 발생한 것을 작업자가 확인했다. 물론 대부분 생산 현장의 설비에는 시그널타워가 있기 때문에 시그널타워에서 이상현상이 발생하게 되면 시간에 맞춰서 알람이 뜬다. 그렇게 되면 바로 가서 설비를 조사해야 되는데, 실제로 설비는 이상현상이 발생하기 전에 그 이전부터 설비 내부에서 여러 가지 현상을 감지한다. 마치 우리가 몸이 아파서 눕기 전에 몸이 으스스함을 느끼는 것처럼 설비도 똑같이 그런 현상을 나타낸다.


그림 3. 1호기 설비의 사전 징후 발생 시점(07시)의 정상 데이터와이 비교 분석


그래서 보통은 여러 가지 센서 데이터를 통해서 감지할 수 있는데, 여기서는 압력과 온도 데이터가 특이하게 그동안 유지하던 데이터를 벗어나면서 이상현상이 감지된다. 그 시점을 보면, 그림 3에서 보여주듯이 14시에서 15시 사이에 발생한 것으로 나와 있다. 따라서 압력과 온도가 동시에 그 시간대에 이상현상 데이터가 발생했음을 알 수 있다.


다음은 이 1호기 설비에 발생했던 관리 범위 Spec Limit 상한선과 하한선을 벗어난 값들이 얼마나 존재하는지, 그리고 Control Limit에서는 얼마나 발생했는지를 확인해 봤다. 실제로 Spec Limit에서는 약 200건, Control Limit에서는 약 300건 정도가 시간대에서 벗어난 것을 확인할 수 있었다. 그래서 이 부분을 좀 더 면밀히 들여다보기 위해 그 설비에 있는 다른 센서들의 Spec Limit Over나 Control Limit Over가 얼마나 있는지를 봤더니 그 역시 다양한 센서 데이터들에서 오버가 발생한 것을 확인할 수 있었다.


그러면 그 시간에만 문제가 있었을까 라는 생각에 사전 분석을 해봤더니 문제가 발생했던 14시 이전인 07시에 설비의 싸이클타임에 문제가 발생하기 시작했다. 실제로 평상시에 유지되는 사이클타임보다 조금씩 증가하기 시작했고 어느 순간 갑자기 많이 늘어나는 사전 징후가 포착이 됐다. 사이클타임이 일어난다는 얘기는 공정시간이 늘어나기 때문에 단위 시간당 생산량이 줄어들 수밖에 없다.


결론적으로 1호기 설비의 실제 문제 발생은 14시에 확인됐으나 07시부터 이미 설비에는 이상 징후가 발생하고 있었고, 이상 징후 중에 대표적인 현상이 설비의 사이클타임 증가였다. 만약 우리가 이러한 사실을 미리 알았더라면 어떤 조치를 빠르게 취할 수 있었을 것이고, 그러면 연속 불량을 줄이고 제품의 싸이클타임을 안정화시켜서 시간 단위당 생산량을 유지할 수 있을 것이다.


따라서 문제의 재발 방지를 위해서는 문제의 현상이 확인됐던 센서데이터들을 다양하게 모델링하고, 그 모델링된 데이터를 생산라인에서 실시간으로 모니터링하고 알람 체계를 수립해서 관리해야 할 것이다. 그렇게 되면 이상 징후들이 사전에 포착돼서 실시간 빠른 조치가 가능해진다.










배너









주요파트너/추천기업