[글 한국인더스트리4.0협회 박한구 명예회장] 앞으로 50년, 중소기업 중심의 디지털 경제로 대전환하려면, OEM 제품을 생산하는 대기업과 Tier 1~N까지 가치사슬 상에 있는 글로벌 기업간 필요한 데이터를 연결해, 새로운 가치를 창출해야 한다. 이미 시장은 기업 독자적 생산으로는 수출할 수 없는 디지털 탄소규제 시장으로 전환되고 있다. 미국과 중국은 최첨단 기술 관련 경제 전쟁 중이고, EU는 틈바구니 속에서 생존을 위해 ‘2050 탄소넷제로’의 대륙을 만들겠다는 목표를 잡았다. 이에 EU는 디지털 제품 여권(DPP) 의무 제공 및 배출된 탄소세를 관세로 부과하겠다는 법안을 수립했다.

필자는 전자공학과를 전공하고 포스코에 입사, 공장자동화, 무인화를 추진하면서, 부족한 부분을 채우기 위해 미국에서 컴퓨터 엔지니어링 석사 학위를 받고 왔다. 35년 이상을 철강 제조의 Control & IT System Engineer로 기술 임원까지 역임하면서 제조 산업에서 속인화된 기술을 형식지화해 사람보다 더 똑똑한 인공지능 기술을 개발하기 위해 지속적으로 노력해 왔다. 최근 인공지능 기술이 우리 사회 구석구석까지 확산돼 많은 가치를 창출하고 있고, 이미 우리 주변에서는 우리도 모르게 인공지능이 탑재된 제품을 사용하고 있다. 그러나 가장 많이 적용해 경제적 가치를 창출해야 할 분야인 제조기업에서 적용 및 활용 수준 자체가 매우 뒤떨어지고 있다. 이번 호에서는 그 현상을 분석하고, 가치를 창출할 수 있는 전략을 살펴보고자 한다.

현재 제조산업에서 인공지능 기술 수준은?

GPU와 같은 컴퓨터의 연산 및 그래픽 처리기술이 급속 발전하면서, 빅데이터를 구축하는 비용은 저렴해지고, 머신러닝·딥러닝 기술이 빠르게 발전 및 확산되고 있다. 새로운 인공지능(AI) 알고리즘이 개발되고, 많은 산업군에서 다양한 응용 솔루션이 개발 적용돼 경제적인 가치를 창출하고 있다. 그러나 인공지능을 적용했을 때 경제적 가치뿐 아니라 가장 큰 파급효과를 가져올 수 있는 제조분야는 여전히 제자리걸음이다.

필자가 분석한 원인은 다음과 같다. 첫째, 제조 현장에는 인공지능 기술을 도입할 수 있는 빅 데이터가 없다. 생산 현장은 철강, 정유, 석유화학, 발전소와 같은 연속공정(Continuous Process)과 가공, 조립하는 이산공정(Discrete Process)으로 나눌 수 있다. 연속공정의 경우 생산 프로세스가 자동화돼 DCS, PLC 시스템에서 공정 상태의 Historical 데이터를 수집, 저장한다. 그리고 대형 컴프레서, 압연기, 발전기 등 회전 설비의 경우 고장이 발생하면 대형 사고로 이어지기 때문에 정비부서에서 고장을 사전에 예측하기 위해 진동, 전류, 전압, 온도 등 설비 상태를 측정하는 센서를 부착해 데이터를 수집하고 있다. 하지만 공정 상태 데이터와 설비 상태 데이터를 서로 동기화해 체계적으로 저장해야 활용할 수 있으나, 따로 Silo DB로 구축돼 있는 것이 큰 문제다.

부품을 가공 조립하는 이산공정의 경우는 중견·중소기업 중심의 노동 집약적인 산업이다. 사람에 의존해 작업을 수행하기 때문에 센서가 거의 없고, 수기로 작업 실적이나 품질관리를 수행하고 있다. 그나마 대기업의 경우 일부 조립 공정에 로봇과 조립 자동화 설비를 도입해 자동화된 설비를 가공 조립하는 경우가 있지만, 자동화 장비에 부착된 센서는 생각보다 많지 않다. 제조 원가를 절감하기 위해 최소 수량의 센서를 부착해 공급하기 때문이다. 또 반도체 생산을 위한 고가 장비의 경우에도 외산의 경우 측정되는 모든 데이터를 OT(Operation Technology, 운전기술) 전문가가 볼 수 없도록 돼 있다. 데이터 공개 시 장비를 복제해 판매할 수 있기 때문에 보안상 Black Box화 하고 있는 것이다. 이에 OT 전문가는 측정 센서를 추가 부착하고, Isolator를 사용해 센싱값을 분리, 별도 데이터 수집해 활용하고 있지만 한계가 있을 수밖에 없다.

기본적으로 설비의 경우 자동 제어되는 제어 상태와 전후 상태를 측정할 수 있는 센서가 부착돼야 하고, 전류·전압·진동·온도 등 설비의 열화나 마모 상태를 측정하는 센서가 부착돼야 한다. 그리고 전후 설비 간 중간재의 변화 상태를 측정할 수 있는 공정의 품질 변화 상태를 측정하는 센서도 부착돼야 한다. 따라서 설비를 구매하는 구매자는 정확한 센서가 부착된 장비를 구매해 OT를 향상해 수율을 높일 수 있도록 정확하게 설비 구매사양서를 작성해야 한다.

둘째, 인공지능 기술을 보유한 석/박사 출신들이 장기적인 프로젝트보다는 스타트업을 창업해 단기 목적성 프로젝트에 몰입하고 있어, 솔루션의 제품화가 어려운 환경도 주목해야 한다. 인공지능 알고리즘 관련 기술은 대학에서 학위 논문이나, 개발된 알고리즘을 공개 소프트웨어로 제공되는 경우가 많다. 아마존, 마이크로소프트, 구글 등 클라우드 서비스 공급자들은 자사의 클라우드 플랫폼을 사용해 솔루션을 개발하도록 다양한 라이브러리를 제공하고 있다. 각 알고리즘의 특성을 정확하게 알고, 데이터 전처리를 잘하면 좋은 모델을 만들어 문제를 해결할 수 있는 솔루션을 개발해 판매할 수 있는 것이다.

그러다보니 대부분의 스타트업들이 돈을 벌면서 개발해야 하는 단기성 정부 과제나 기업 프로젝트를 진행하다보니 시행착오는 물론, 새롭게 발생된 이슈를 쉽게 해결하지 못하는 경우가 많다. 글로벌 시장에서 판매되고 있는 솔루션은 하나의 솔루션을 쉽게 다양한 분야에 고객이 적용할 수 있도록 체계적이고 경제적으로 만들어져 있다. AI는 IT 전문가의 기술만으로 구현되는 것이 아니다. 공정·설비·품질·환경·에너지 관련 OT 전문가들과 IT 전문가, DT(Data Technology) 전문가가 협업해 하나의 솔루션을 개발하기 위해 협업하지 않으면 불가능하다.

셋째, 장비 도입 투자와 달리 인공지능 솔루션 도입투자는 3~4년 지속 업그레이드해야 한다. 생산 현장에 설비를 도입할 경우 구매·설치·조정·가동하면 투자가 완료되지만, 인공지능 솔루션은 1년 이상 축적된 데이터를 사용해 기계 학습하고, 모델을 만들어 가동한다. 가동 당시 인공지능 두뇌의 수준은 50~60% 수준이다. OT 전문가는 AI 솔루션을 공급한 DT, IT 전문가와 함께 협업해 3~4년 동안 인공지능 수준을 100% 이상으로 끌어 올리는 작업을 수행해야 한다. 그러나 도입 경영자나, 담당자는 1회성 설비 도입과 같은 투자로 생각하고 가동하면 끝나는 것으로 생각한다. 그러다보니 한 계절이 끝나면 인공지능은 예측 수준이 떨어지고 나중에 맞지 않는다고 성급한 판단으로 사용하지 않게 된다. OT 전문가는 DT, IT 전문가와 함께 노력해 정상적으로 사용할 수 있도록 연간 라이선스 계약을 수행하도록 해야 한다. 기업의 투자 방식이 하드웨어와 달리 AI 솔루션은 연간 계약 방식으로 투자 환경의 변화가 선결돼야 한다. AI 솔루션을 도입 담당자는 최소 2명이 담당해야 하며 항상 백업 가능한 인력을 두어야 한다. 솔루션을 어렵게 도입하고 담당자가 퇴사하면, 솔루션을 지속적으로 운영할 수 없어 폐기되는 경우가 많다.

넷째, 대기업은 스타트업에서 개발한 솔루션에 대해 검증, 활용하기보다는 1회성으로 적용하고, 자체 솔루션화해 그룹사내로 확산하는 경우가 많다. 스타트업은 대기업으로부터 최소 투자를 받아 AI 솔루션을 공급하고, 성공하면 대기업에 솔루션 소스를 제공하고, 대기업에 납품했다는 실적을 기반으로 다른 회사에 판매하기 위한 영업전략을 수행한다. 그러나 다른 제조 환경에 AI 솔루션을 공급하지만, 적응성이 부족해 다시 데이터 전후처리 및 머신러닝으로 개발자를 투입함으로써 경제성을 잃어가고 있다. 정상적인 개발 및 판매를 수행하려면 개발자가 최적 분야에 적용을 위한 AI 솔루션을 개발하고 다양한 이슈, 환경에 적용을 수 있도록 IT, DT, OT 전문가가 협업해 강인 솔루션을 개발한다. 개발된 솔루션은 별도 공급 인력으로 고객에 컨설팅, 설치, 운영하는 프로세스로 운영해 지속 판매하는 운영 체계를 만들어야 한다.

다섯째, 아직도 예전에 Rule based Algorithm를 개발하는 Expert System에 머무르고 있다. 2000년대부터 불어 닥친 인공지능 기술은 암묵지화, 속인화된 공정, 정비, 품질 전문가의 지식으로 규칙적인 룰 기반의 Expert 시스템을 만들어 적용해 왔다. 이는 실시간으로 측정 데이터를 수집해 Rule에서 벗어난 상태를 경고해 사람이 근본원인을 분석해 신속 조치하는 기술이다. 개발된 기술의 성능이 부족함에도 컴퓨터 성능이 부족하다고 대용량의 최고 성능의 컴퓨터를 미국에서 도입해 제조 현장에 도입했지만, 성과가 좋지 못해 사장되고 말았다.

이유는 설비 고장의 경우 동일한 조건의 고장이 발생하지 않는다는 것이다. 설비가 운영되면서 부품 열화, 마모로 고장이 발생되면 새로운 부품으로 교체를 하기 때문에 동일 현상에 의해 동일한 고장이 더 이상 발생하지 않기 때문에 Rule based Algorithm을 적용할 수 없다. 공정, 품질 이상도 동일한 현상에서 이상이 자주 발생하는 사례가 많아야 한다. 그러나 공정, 품질 이상 사례도 다양한 경우의 수에 따라 발생되기 때문에 지도학습에 의한 기준 패턴 모델을 만들어 운영하는데는 한계가 있다. 이유는 한 번 이상이 발생하면 동일 조건에서 더이상 일어나지 않도록 매뉴얼을 바꾸고, 담당자들의 능력이 향상되기 때문이다. 제조 현장에서 지도학습을 하는 것은 동일한 조건의 결과를 발생하는 일이 거의 없기때문에 충분한 학습데이터를 얻을 수 없어, 지도학습을 사용하지 않고 비지도 학습을 사용하는 것이 대세다. 따라서 Rule-based Algorithm 솔루션에 Unsupervised Machine Learning Model과 융합하는 솔루션을 활용해야 하고, 데이터 간 상관관계를 기반으로 모델을 만드는 비지도학습의 단점을 보완하는 플랜트 표준 자동 모델을 만들어 운영하는 디지털 트윈 기술이 필요하다.

인공지능 도입 가치 창출 도약 전략

인공지능 기반의 솔루션을 제조기업에 도입하기 위해서는 먼저 연속 생산공정은 데이터를 체계적으로 수집, 저장해 솔루션을 도입해야 한다. 사람 중심의 가공 조립 공장은 사람 대신 로봇, 자동화 설비를 수행하도록 작업을 표준화, 자동화한다. 자동화한 공정에 제조 Raw Data를 수집 저장하는 디지털화를 수행하고, 1년 이상 축적되면 인공지능 솔루션을 도입해 운영하면서 가치를 창출해 나간다. 인공지능 솔루션을 도입해 우수한 수준의 인공지능을 만들고, 경제적 가치를 창출하려면 다음과 같은 과제를 수행해야 한다.

1단계, 부서간 Silo DB를 체계적으로 시간과 제품이 동기화된 통합 데이터를 축적해야 한다. [그림 1]과 같이 생산부서의 공정제어, 품질부서의 품질, 설비부서의 설비 상태, 에너지환경 부서의 측정데이터 등 공장에서 생성되는 모든 측정데이터와 영상취득 데이터는 시간 동기화돼야 하고, 제품단위별로 Tracking해 제품, 시간이 동기화된 데이터를 체계적으로 저장해야 한다.

2단계, 1년 이상 축적된 체계적인 데이터가 있는 공정 중에서 설비고장, 공정 및 품질 이상이 고질적으로 많이 발생하는 공장을 선정한다. 인공지능 솔루션을 적용하고 바로 성능 검증이 되지 않으면 인공지능 수준을 측정할 수 없고, 경제성을 분석할 수 없다. 따라서 생산 현장에서 그동안 고질적인 문제가 많아서 해결되지 못하는 공정을 선정해 AI 솔루션을 적용해 두뇌의 수준을 파악하고, 경제적 가치를 산출한다. 수준이 떨어지는 근본원인을 분석해 센서를 추가 혹은 데이터 전처리를 수행하는 등 재학습해 모델의 예측 정확도를 높이도록 해야 한다. 가동 이후 3~4년간 OT, IT, DT 전문가들이 협업해 수행하는 체계를 만들어 간다.

3단계, 전체 공장의 설비·공정·품질 이상 상태를 예측하는 AI 솔루션을 도입해야 한다. 최근 인공지능 기술이 발전하면서 많은 AI 전문 기업에서 솔루션을 개발해 제조기업에 공급하지만, 실제적으로 신뢰성·지속성·경제성 부족으로 활용되지 못하는 경우가 많다. 예를 들어 CMS(Condition Monitoring System)는 회전체에 진동, 온도 센서를 부착해 ms 단위의 진동 측정치를 주파수 변환해 기계적 원인을 분석해 고장을 사전에 예측하는 솔루션이다. 전문가가 주파수 파형을 보면서 모터의 축이 휘어졌는지, 기어 파손, Unbalance, Rotator 이상 등 기계적 근본원인을 찾아 해결하기 쉽지 않다. 이를 위해 파형을 분석하고 파형에 따른 과거 고장 상태를 Labelling해 지도학습한 모델을 사용하나, 동일한 파형의 패턴이 발생했는데 기계적 원인은 과거와 다른 결과를 내어 신뢰성에 문제가 있다. 이는 작업하는 소재에 따라, 전후 설비의 작업 조건에 따라 영향을 받기 때문에 제품을 생산하는 연속공정에서는 단위 설비에 인공지능 솔루션을 적용해도 정확하게 예측할 수 없다는 결론이다.

이제 단위 설비의 고장 예측에서 벗어나 소재가 들어가 완제품을 생산할 때까지 공장 전체의 설비 고장, 공정 및 품질 이상을 예측 모니터링하는 AI 솔루션을 도입해야 한다. 10,000개 이상의 센싱 데이터 즉 1년 이상 축적된 Historical Data를 이용해 비지도 학습하고, 비지도 학습의 문제를 보완하기 위해 실제 공장에 전후 설비별 자동 제어되는 PI, PID, Sequence 제어 등을 그대로 모사해 디지털 트윈화한 Plant Behavior Model을 만들어 제공하는 AI 기술이 필요하다.

4단계, 공장장·엔지니어·운전자·점검자 등 과학적 데이터 기반으로 일하는 모습이 변화되는 조직 문화를 만들어 가야 한다. 500~10,000개 이상의 센서를 가진 공장의 전체 이상 상태를 사전 예측하는 인공지능 솔루션은 24시간 생산공장 전체를 모니터링, 분석, 판단해 이상 상태가 발생하면 운전실 및 엔지니어에게 경고를 보낸다. 사람은 평상시 다른 업무를 수행하고 하루에 30분 정도 경고내용을 분석해 문제가 무엇인가 근본원인을 찾아 신속하게 조치하는 역할을 한다. 인공지능 솔루션은 사람의 능력을 증강시켜 주기 위해 도입하는 것으로 평상시 사람은 전문적인 업무를 수행하고, 경고가 발생됐을 때 신속하게 조치하는 모습으로 다음과 같이 역할과 책임을 잘 활용해야 한다.

관제실의 운전자는 교대 근무하면서 인공지능 두뇌가 경고한 내용에 대해 분석툴을 사용해 근본 원인을 분석하고 신속하게 조치를 취한다. 운전자가 정확한 원인을 모르면 관련 공정 및 설비 전문가에게 분석 의뢰한다. 설비나 공정 전문가는 인공지능 두뇌가 판단한 경고에 대해 과거 트랜드 데이터와 비교 분석해 근본 원인을 도출하고, 다음 정비 계획에 반영 혹은 현장 점검자로 하여금 조사 분석해 신속한 조치를 취하도록 한다.

공장장은 매일 각 공정에서 인공지능 두뇌가 분석 판단한 결과에 대해 관련 전문가들과 매일 30분씩 회의해 조치 상황을 보고받고, 대응 방안을 수립해 시행한다. 인공지능 솔루션은 처음에 예측 정도가 50~60% 정도이며, 이를 기반으로 전문가들은 정도를 높이기 위해 대상 설비에 어떠한 센서를 추가 부착하면 정도를 높일 수 있는지 연구하고 발전시켜 나간다.

매번 주기적으로 현장을 점검하는 점검자는 인공지능 두뇌가 공장 전체를 모니터링해 발견한 이상 상태가 가장 빈번하게 일어나고 있는 설비를 방문해 점검하고, 이상 발생시 조치 계획을 수립한다. 평상시에서는 다른 업무를 수행하고, 주기적으로 현장에 방문해 안전사고의 위험성에 노출되니, 필요한 개소만 정확하게 방문하면 되도록 인공지능 두뇌와 잘 협업해 나간다.

최종윤 기자 다른기사 보기