스마트팩토리 딥러닝 - seumateupaegtoli dibleoning

작년 11월에 ‘2020 스마트공장 구축 실전 전략 컨퍼런스’가 열린 바 있다. 당시 많은 관심을 받았던 이 세미나는 데이터 기반 스마트공장 접근 방법에 대한 광범위한 내용을 다루었고, 데이터 기반 스마트공장 구축 경험이 많은 울랄라랩을 중심으로 다양한 전문 분야 벤더, 협력사가 참석하여 심도 깊은 내용을 발표했다.

늦은 감은 없지 않으나 기자가 이 내용을 여러 번에 거쳐 숙지하고 소화하는 과정에서, 현시점에서 우리나라의 스마트공장, 특히 데이터 기반의 스마트공장에 대해 관심 있는 제조 현장 종사자, 의사 결정자에게 많은 도움이 되는 콘텐츠라는 생각에 앞으로 2~3개월에 걸쳐 지속 보도할 계획으로 기존 세미나의 내용을 기반으로 추가적인 인터뷰를 통해 기사화할 예정이다.

이번 호에서는 우선 스마트공장에 접근할 때 기본적으로 갖추어야 할 세 가지 요소 즉 목표 설정, 데이터 정의, 그리고 스마트공장과 관련한 여러 가지 기술 중 목표 설정과 데이터 정의 부분에 대해 알아보는 시간을 갖는다.

인더스트리4.0 시대, 스마트공장
스마트공장이 우리 앞에 본격적으로 나타난 지는 벌써 10년 가까이 되어 가는 것 같다. 최근에는 원자재 수급부터 가공, 조립, 포장, 배송 그리고 고객 접점까지의 모든 데이터를 아우른 상태애서  그 데이터를 기반으로 무언가 혁신을 이루는 접근 방법을 스마트공장에 대한 가장 올바른 접근으로 일컫는 분위기가 자주 감지되고 있다. 그럼 ‘스마트공장을 구축하고 싶은데 무엇을 어떻게 해야 합니까?’라는 가장 흔한 질문에 대한 첫 번째 대답은 바로 ‘목표 설정’이다.

1.목표 설정(Goal setting)
먼저 스마트공장 구축을 위해서는 어떤 목적과 목표를 설정해야 하는지 분명하게 정의를 해야 한다. 경영적 관점, 설비와 가동에 대한 관점을 모두 고려해야 한다. 품질을 향상하고 싶은 것인지 비용을 절감하자는 것인지, 아니면 납기를 단축하거나 유연한 생산을 필요로 한다든지 그 목표는 여러 가지가 될 수 있을 것이다.

일각에서는 스마트공장의 궁극적인 목적은 소위 ‘지능형 팩토리를 구현하는 것’이라고 이야기한다. 이를 다른 표현으로는 ‘의사결정의 효율화’라고 이야기할 수 있다. 로봇과 같은 FA 기술을 과감하게 도입하여 공장의 모든 요소 전체를 한 번에 바꾸는 것이 아니라, 당장에 필요한 기업의 목적이나 목표를 위해 필요한 데이터를 수집하여, 이를 의사결정에 바로 반영될 수 있게 하는 기반 시스템, 즉, 프로세스 개선을 중요시하는 접근이다.

이것이 스마트공장의 가장 중요한 첫 단추라고 볼 수 있다. 즉 스마트공장의 시작은 효율적 의사결정 프로세스를 구축하는 것이다. 그래서 데이터가 중요하고, 데이터가 기반이 되어야 하는 것이다.

2.데이터(Data) 정의
그다음으로는 수립한 목적과 목표에 맞추어 수집되어야 할 데이터에 대한 정의가 필요하다. 스마트공장 구축을 전문으로 하는 회사와 함께 할 수도 있지만, 기존에 기업에서 가지고 있던 식스시그마와 같은 방법론을 참조하여 필요한 데이터를 정의할 수도 있다. 그전에 우리는 데이터가 왜 그렇게 중요한지 알아보아야 한다.

① 데이터가 가장 첫 시작점
우리가 차를 한 대 살 때도, 가격뿐만 아니라 성능, 안전, 편의성 등 다양한 것들을 놓고 고민을 하고, 좋은 차를 구매하기 위해, 또한 바른 판단을 하기 위해 고민 거듭하게 된다. 이 고민에서 가장 중요한 것이 바로 차에 대한 데이터다. 우리는 좋은 차를 사기 위해 차에 관련된 많은 데이터를 수집해 오고 있었기 때문에 올바른 의사결정이 가능한 것이다.

데이터는 단순히 데이터만으로 의미가 있는 것이 아니다. 이 데이터가 정보를 만들어 내고, 옳은 의사결정과 문제 해결을 위해 필요한 판단을 위한 지식으로 진화시켜야 하기 때문이다. 그다음에 그렇게 만들어낸 정보와 지식을 기반으로 의사결정을 하고 올바른 행동으로 옮기는 것이다.

빅데이터
데이터 이야기를 하면서 빅데이터를 짚고 넘어가지 않을 수 없다. 빅데이터란 무엇일까? 대부분의 사람이 데이터가 많이 모여 있는 규모(Volume) 관점에서 빅데이터를 정의한다. 하지만 빅데이터는 단순히 규모뿐만 아니라, 다양한(Variety) 정보, 즉 구조가 다른 데이터도 수용할 수 있어야 하고, 처리 속도(Velocity)도 기반이 되어야 한다.

이를 조금 확장을 하면 큰 규모의 다양한 구조의 데이터를 적절하게 처리하는 능력을 갖추고, 가치를 만들어 내고, 또 다른 다양한 데이터와 융합되어 더 복잡한 구조도 수용할 수 있는 포괄적 개념의 데이터를 빅데이터라고 말할 수 있다.

더구나 최근에는 여기에서 더 나아가 점점 더 심해지는 복잡성(Complexity)을 수용할 수 있는가와 데이터에서 가치(Value)를 만들어 낼 수 있느냐 까지 포함한 개념에서 접근 방식이 확대되고 있다. 그래서, 뒤에서 이야기할 머신 러닝(Machine Learning)이나 딥러닝(Deep Learning)의 기술이 매우 중요해진다.

관리 시스템 관점에서도 데이터가 Key
스마트공장을 위한 솔루션은 정말 많다. 너무 많아서 단계별로 도입을 한다고 해도 매번 시스템 구축을 다시 해야 하는 부담이 따르는 것이 현재 우리의 현실이다. 이를 어떻게 준비해야 할지 막막할 뿐만 아니라 결국 포기하는 경우도 많이 발생한다.

스마트공장을 구축하는 공장에서는 최종적으로 애플리케이션을 도입하게 되는데, 이때도 데이터가 기반이 되어 있지 않다면, 사실상 성공적인 구축은 물 건너간 셈이다.

생산관리시스템(MES)의 경우 대기업에서는 많이 써왔지만, 중소기업 이하 규모의 기업에서는 이제 도입하는 단계이다. 실제로 최근 몇 년간 정부를 중심으로 진행한 스마트공장 구축 사업의 80% 이상이 MES 구축이었다고 한다.

또한, 품질관리시스템(QMS)도 생각해야 하고 특히 설비관리시스템(FMS)은 최근에는 설비예지보전(PdM)으로 확대되어 많은 관심을 받고 있다. 에너지관리시스템(EMS)과 산업안전솔루션은 사고를 미연에 방지하기 위해 필요하다. 이 모든 것들이 바로 데이터를 중심으로 관리되어야만 하는 솔루션들이다.

우리가 데이터를 기반으로 첫 단추를 꾀어야 하는 이유가 바로 이런 데서 나오는 것이다. 아무리 강조해도 지나치지 않는 것이 바로 ‘스마트공장 = 데이터 기반’이라는 점이다.

사실 여기에도 애로사항은 있다. 시장에는 정말 많은 스마트공장을 위한 솔루션들이 있다. 우리나라에만 1,200여 개의 MES 솔루션 회사가 있다고 한다. 문제는 이 많고 다양한 솔루션들이 모두 데이터를 저장하고 운영하는데, 그 방법이 모두 각기 고유의 방식으로 되어 있다는 것이다.

하나의 솔루션을 도입하고 난 뒤에 다른 솔루션을 도입하게 되면 어떻게 될까? 서버도 별도로, DB도 별도로 결국에는 이들을 통합해야 하는 문제가 발생하게 된다. 이 문제에 대한 해결책은 이어지는 다음 달 기사에 더 상세하게 다룰 예정이다.

② 어떤 데이터를 수집할 것인가?
그렇다면 어떤 데이터를 수집해야 할까? 사실 공장에서 필요로 하는 데이터에 대한 연구는 오래전부터 시작되었다. 어떻게 보면 4차 산업혁명 이전인 소위 ‘3차 산업혁명 시대’에서부터 고민하던 것들일지도 모른다.

대표적인 고민의 결과가 바로 ‘식스시그마’다. 식스시그마는 제조기업의 효율성을 높이기 위해 최소로 수집되어야 할 데이터 영역을 정의해 왔다. 그 영역을 4M(Machine, Method, Material, Man)이라고 하고, 이것이 발전되면서 관리(Management)가 추가된 5M, 품질(Quality), 안전(Safety)까지 포함되어 ‘4M/5M+Q+S’라고 부르기도 한다.

데이터의 수집 범위, 종류가 결정되었다면 어떤 영역을 목표로 이루어나갈 것인가를 고민해야 한다. 물론 한 번에 다 하면 좋겠지만, 예산이나 현장 상황에서 한 번에 모두에 접근하기는 쉽지 않다.

근래에 우리나라 사정을 보면 중소 제조 기업은 생산이나 품질 관리에 관심이 높고, 대기업은 생산과 품질에 대해서는 어느 정도 성과를 달성하고 있었기에 설비 관리에 많은 관심을 가지고 있는 경향이 뚜렷하다. 그 외 에너지와 안전은 천천히 증가하고 있는 관심사이기도 하다.

③ 데이터 분석을 위한 머신 러닝의 필요성 대두
데이터를 수집하고, 저장하는 것에서 OT(Operation Technology, 주로 현장을 의미함)와의 연계가 필요하다. 그렇다면 이렇게 수집되고 저장된 데이터를 처리하여 정보를 만드는 과정에서 IT(Information Technology)가 필요하게 된다.

사실상 이 모든 과정에 IT가 접목되지만 가장 중요한 요건은 데이터 분석에 있다. 데이터 분석은 IT 기술 중에서 가장 반복적이고 어려운 과정을 거치게 되는데, 이 때문에 IT에 익숙하지 않은 제조기업이 이 대목에서 어려움을 많이 겪는다.

데이터 분석이 IT에서 어려운 단계인 이유는 그 안에 또 다른 많은 프로세스가 필요하고, 여러 가지 기술적 난이도가 접목되어야 하기 때문이다. 물론 이 부분을 잘 아는 인력도 필요하다. 이 때문에 중소 제조 기업에게는 더 어렵고 힘든 부분이 되게 마련이고, 결국 스마트공장에서 어렵다는 이유로 스마트공장 구축에서 가장 중요한 과정을 등외 시 하는 경향도 나오게 되는 것이다.

최근에 이 어려운 분석 과정을 효율적으로 해결하는 방법으로 대두된 것이 바로 기계학습을 통한 딥러닝, 머신 러닝 같은 방법론이다. 이는 어렵고 반복적이며 전문 인력이 많이 들어가는 부분을 알고리즘과 프로그램 즉 컴퓨터가 대신하게 만들자는 것이 머신 러닝 기법 도입의 가장 중요한 이유이다.

④ 머신 러닝(Machine Learning)
사실 IT분야에서 머신 러닝은 생소하거나 어려운 개념이 아니다. 다만 최근에 여러 가지 기술 실현으로 많이 구체화하기 시작했지만, 어떤 IT 기술보다 오랫동안 연구되어 온 분야이기도 하다. 머신 러닝 기술은 이런 수많은 오랜 동안의 연구의 결과를 쉽게 이용만 한다고 생각하는 것이 좋은 접근이다.

개념적인 이야기를 먼저 해 본다면, 머신 러닝은 데이터를 기반으로 분석과정에 프로그램이 스스로 학습할 수 있도록 하는 것을 말한다. 딥러닝은 이전의 데이터를 많이 참조하는 모델 정도로 이해하면 되고, 인공지능은 머신 러닝을 통해 학습된 결과를 기반으로 의사결정을 내릴 수 있도록 의견을 개진하는 기술이라고 이해할 수 있다.

인공지능은 반드시 머신 러닝 기반이 되어야 하고, 머신 러닝은 인공지능이든, 사람이든 판단에 도움이 될 수 있는 분석과정을 프로그램 또는 IT 기술로 수행하는 것이라고 이해하면 된다.

즉 많은 단계, 노력, 시간, 비용, 인력이 들어가는 분석과정을 IT 기술이 대신해 주는 것이다. 이 과정은 사람이 직접 하는 것보다 더 많은 변수와 더 많은 과정을 수행하게 할 수 있고, 프로그램이 대신하기 때문에 무한대의 시간과 반복 과정을 수행하게 할 수 있다. 그렇게 해서 사진에서 보는 바와 같이 쿠키와 강아지를 구분할 수 있는 방법론이 만들어진 것이다.

머신 러닝은 어디에 사용되나
머신 러닝은 주로 설비예지보전에 이용한다고 생각하는 경우가 많다. 맞는 말이지만 그보다 더 다양한 용도로 활용할 수 있다. 설비, 품질, 생산, 위험, 예측, 프로세스 개선 등 거의 대부분의 공정에서 머신 러닝을 적용할 수 있습니다. 머신 러닝이 어떻게 적용되었는지 사례를 통해 알아본다. 

SMT 기업 사례
사례로 소개하는 SMT 공장은 의미 있는 분석 결과를 위해 이전에는 상상할 수 없었던 방대한 양의 데이터를 수집하고 있다. 예전에는 이런 데이터를 수집하는 데에는 효율성 이전에 많은 예산. 즉 비용이 들어갔다. 하지만 최근에는 기술의 발전으로 간단하고, 저렴하게 이런 기반을 만들 수 있었다.

이 회사는 한 라인에서만 하루에 1,330만 건의 데이터를 수집한다. 라인이 총 4개이므로 1,330 x 4 Line = 하루에 약 5,320만 건의 데이터를 수집하고 있는 것이다. 이렇게 방대하게 수집된 데이터의 패턴을 보면 조금 다른 이벤트가 존재한다는 것을 알 수 있다.

이렇게 특이한 이벤트 패턴을 프로그램, 즉 머신 러닝에게 “실시간으로 분류하고 학습하고, 정의하고 분석하여 결과를 알려줘!”라고 설정만 하면 되는 것이다. 그다음으로는 머신 러닝이 알려주는 결과를 가지고 우리가 어떻게 활용할 것인가만을 결정하면 되는 것이다.

⑤ 설비 예지 보전과 머신 러닝
머신 러닝의 경우 많은 제조기업이 설비예지보전에 적용하고자 하는 요구가 많다. 이유를 잠시 짚어 보면, 제조기업의 경영적 목표는 원가를 개선하고, 가동률을 효율화하여 이익을 창출하는 것이다. 원가 개선에서는 주로 재료비, 인건비, 관련 경비를 보는데 이 대부분이 다양한 방법론을 가지고 있기 때문에 당장에 어려운 생산 즉 가동률을 생각하게 된다. 가동률은 설비와 직접적인 관계가 있다.

설비는 작업자에 의해 작동하는데 작업자, 즉 근로자는 설비 운영에 대한 부분에는 큰 어려움이 없지만, 문제로 인해 발생하는 로스율을 감당하기에는 역부족이다. 경영적 측면에서 설비 가동에 대한 로스율을 어떻게 해결하느냐가 중요한 포인트가 되는 것이다. 즉, 경영적 측면에서 제어가 가장 어려운 분야가 설비이다.

설비 운영 전체 시간에서 가장 큰 비율을 차지하는 문제가 바로 가동 손실(Loss)이다. 이 중에서 근로자가 직접적 관여를 하기 힘든 부분이 설비와 프로세스 고장이기 때문에 이 부분의 효율성을 해결하는 것이 설비예지보전의 가장 중요한 활동이다.

설비 예지보전이란?
설비 예지보전이란, 설비 또는 장비의 이상, 정지, 고장으로 발생하는 경영(운영) 손실을 최소화하기 위한 TPM 차원의 일련의 활동을 말한다. 국제적인 표준으로는 ISO 10816이 있다.

설비예지보전은 그동안 시간 예방 보전(TBM, Time based management system)과 상태 기반 보전 (CBM, Condition based management system) 방식을 주로 채택하고 있었다. 하지만, 근본적인 해결 방법이 되지 못하고, 여전히 손실률이 존재하기 때문에 더 좋은 방법으로 최근에는 예지보전(PbM) 즉 예측 정비라는 개념을 생각하기에 이른다.

PbM 의 가장 중요한 기반은 설비 가동 시 발생하는 시그널 데이터를 실시간으로 수집하고 분석하는 기술이다. 이를 통해서 설비 문제를 빠르게 대응하고, 최적의 상태로 유지하거나 향후 발생할 수 있는 원인을 빠르게 파악하여 손실률을 최소화하는 것을 목적으로 한다.

회전 구동 설비 예지보전 사례
설비예지보전을 하면서 현장에서 가장 많은 관심을 가지는 장치는 회전 구동체 즉 동력을 제공하는 모터다. 모터를 예지보전하기 위한 연구는 굉장히 오랫동안 진행되어 왔다. 모터에 다양한 센서를 붙이고, 시그널 데이터를 수집하여 실시간 분석을 통해 예지보전을 하고자 하는 것이다.

모터 예지보전에 많이 사용하는 점검항목은 초음파, 진동, 마모, 온도, 소음, 접촉온도다. 여기서 가장 효과적인 방법은 초음파 방법이다. 하지만 초음파는 너무 많은 예산이 소요된다. 그리고 마모분석은 결국 설비를 멈추고 분해 등을 통해 접근해야 하기 때문에 실시간으로 구현하기가 어렵다는 것이 문제다.

가청소음과 접촉온도 상태는 벌써 고장이 전 단계이기 때문에 예지보전의 효과가 떨어지는 문제가 있다. 그래서 가청소음과 접촉온도는 정말 고장으로 진행되고 있는지 확인하기 위해 많이 사용하는 방법이다. 결국 진동과 온도분석을 많이 이용하게 된다.

진동을 이용한 방법에도 문제는 존재한다. 우선 모터가 어떻게 설치되어 있는가, 설비와 어떤 동력 전달 구조를 가지고 있는가, 어떻게 활용하고 있는가 등 현장 환경에 따라 너무 많은 변수가 존재하기 때문에 분석을 위한 모델링에 어려운 점이 있다.

떠오르는 전기 분석
그런데 최근 전기가 단순히 전력, 전압 같은 데이터 외에도 모터 고장과 직접적인 원인이 되는 다양한 시그널이 있다는 연구 결과가 나오면서 설치, 수집, 분석이 어려운 진동보다 전기분석에 더 초점을 맞추고 있는 실정이다. 전 세계적으로 모터 진단 분석에 가장 많은 특허를 가지고 있는 일본의 미쓰비시 같은 경우도 이전에는 진동 분석 관련 연구가 특허를 많이 출원했었지만, 최근 몇 년 사이에는 대부분 전기분석 관련 특허를 출원하고 있다. 

전기분석은 모터의 고장 진단, 분석에 용이하고, 무엇보다 비용적 측면, 설치 및 운영의 편리성이 있다. 그리고 센서 기술이 늘어나면서 사람이 듣지 못하는 ‘비가청소음’을 진단하는 방식도 부각되고 있는 등  전기와 초저음 분석이 모터의 고장 진단/분석에 있어서 큰 장점을 가지게 된 것이다.

또한 전기분석과 초저음 분석은 FFT 분석과 같은 진동 시그널 분석 방법과 비슷한 알고리즘을 사용할 수 있다는 장점 때문에 도입과 R&D가 용이하다. 울랄라랩도 이 부분을 도입하고 있는데, 비용적 측면, 운영 측면, 정확성 등 진동 분석에서 하기 힘들었던 진단 분석을 실현할 수 있기 때문에 중소제조기업 같은 작은 기업에서도 쉽게 도입할 수 있다는 장점을 가지고 있기 때문이다.

⑥ 가장 중요한 것은 분석 기법
물론 진동이든, 전기, 초저음이든 그 시그널을 수집하는 것은 누구나 어렵지 않게 구현할 수 있다. 그러나 정확성을 높이기 위해서는 분석 기법이 중요하다. 

울랄라랩은 이런 시그널을 어떻게 분석할 것인지에 대한 R&D를 오랫동안 진행해 왔고, 머신 러닝이 적용된 알고리즘을 개발했다. 그리고 그 방법론은 머신 러닝 특허 등록이 어렵다는 미국에서 우선 등록되면서 그 기술력을 인정받기도 했다.

울랄라랩 시그널 분석 기업의 핵심은 머신 러닝 기술이다. 가장 먼저 시그널이 정상적 작동에서 나오는 시그널인지, 비정상 작동에서 나오는 시그널인지 알고리즘과 프로그램에서 자동으로 분석할 수 있는 기술을 가지고 있다. 이 기술을 통해 진단/분석 정확성을 높이고, 설치, 운용, 분석, 판단까지 전 구간에 효율성을 높이는 시스템을 제공할 수 있게 되었다. 저렴한 가격으로 중소제조기업도 이용할 수 있다.

정확한 분석을 위한 3가지 방법론
아무리 좋은 알고리즘이라고 하더라도 분석의 정확성을 높이기 위한 도구는 반드시 있어야 한다.
울랄라랩은 분석의 정확성과 효율을 높이기 위한 3가지 방법론을 제공하고 있다.

우선 첫 번째로는 모터를 진단하면서 필요한 시그널은 단순히 전기 하나만 있는 것이 아니라는 것이다. 진동, 전기, 온도, 초저음 등 다양한 시그널이 고장 등의 문제가 일어날 때 어떤 상관관계가 있는지. 넓게는 설비 작동과 어떤 관계가 있는지를 분석하는 방법을 제공하고 있다.

두 번째는 동일한 설비, 동일한 환경, 동일한 구동 방식을 가진 비슷한 모터나 설비 간 상호 비교 보완을 하게 하는 방법론이다. 이를 군집 분석이라고 부르는데, 이 군집 분석은 하나의 모터를 대상으로 하지 않기 때문에 분석된 결과를 다른 모터를 분석하는데 상호 보완적 역할을 하게 함으로써 진단이나 분석의 정확성을 높이고 있다.

세 번째로는 머신 러닝이 아무리 효과가 있고, 정확성이 높다 하더라도 정확한 분석의 원인을 처음부터 알아내기는 어렵다. 이를 위해 원인에 대한 이벤트 정의가 굉장히 중요한데, 현장 근무자 또는 제조기업에서 직접 수행하기 어려워하는 부분이기도 하다.

울랄라랩은 이 부분을 쉽게 등록하고 관리할 수 있는 보조적 프로그램을 제공하고 있다. 이 프로그램을 통해 등록된 현장에서 모터 이상의 원인 이벤트를 직접 등록할 수 있고, 머신 러닝 알고리즘은 등록된 이벤트를 참조로 분석력과 정확성을 높이게 된다.

• 이 글은 연재기사로 계속 업데이트 될 예정입니다.