[글 한국인더스트리4.0협회 박한구 명예회장] 앞으로 50년, 제조기업 중심의 대한민국이 미래 시장을 선점하기 위해서는 제조 공장에서 측정·생성되는 다양한 데이터를 표준화된 데이터 포맷을 활용해 체계적으로 수집·저장·분석·활용해야 한다. 제조 AI의 역할은 사람이 자동화된 설비에 대해 △모니터링 △분석 △판단 △조치하던 작업을 AI 솔루션이 대신하는 것이다. 이때 사람은 AI 솔루션이 판단한 결과를 보고, 최종적으로 의사결정해 신속하게 조치하는 모습으로 역할이 변화된다. 즉 제조 AI가 사람을 대체하는 개념이 아니라, 어렵고 힘든 일은 AI 솔루션으로 대체하고 사람은 지식근로자로 그 시간에 다른 창의적인 업무를 수행하면서 AI 솔루션이 문제가 있다고 판단한 결과만 분석 및 조치하는 모습으로 디지털 전환된다.

필자는 최근 챗(Chat)GPT를 잘 사용하면서 내가 지금까지 손수 해왔던 다양한 업무 중 일부를 AI가 대신하고, 나는 핵심 업무에 집중할 수 있도록 해주는 AI가 업무 동료임을 감사히 생각한다. 우리 주변에서는 많은 AI가 적용돼 경제적 가치를 창출하고 있는데, 정작 제조 공장에서는 AI를 통해 경제적 이득을 취할 수 있는 솔루션이 많지 않다.

솔루션이란 제조 공정 특성에 적합한 AI 알고리즘을 선택해 대상 공정별 데이터 전처리, 후처리를 통해 소프트웨어 수정 없이 바로 적용할 수 있는 것을 말한다. 국내 스타트업이 개발한 소프트웨어는 솔루션 역할보다는 단순 문제 해결형으로 끝나고 있어 안타까움이 있다. 수많은 AI 스타트업이 대학에서 배운 AI 기술과 오픈소스(Open Source)로 제공되는 많은 AI 알고리즘을 사용해 솔루션을 개발하고, 제조기업에 적용하고 있다.

그러나 R&D 과제로 한번 적용하고 다른 곳에 적용시 프로그램을 다시 수정해 맞춤형으로 적용하다 보니 개발 인건비 대비 경제성이 부족하고 영업 능력이 없어, 판매가 어렵다고 한다.

애플 시리(SIRI) AI 비서를 개발한 세계적인 AI 전문가는 “AI 알고리즘을 개발하는 것보다는 개발된 수많은 AI 알고리즘 중에 공정 특성을 이해하고, 최적의 AI 알고리즘을 찾아 적용하는 게 더 어렵고 많은 시간이 소요된다”고 말한다.

한편 이스라엘 같은 경우 AI 솔루션 개발에 공정 특성을 잘 아는 전문가가 사업 계획서를 갖고 많은 AI 알고리즘 전문가 앞에서 설명하면, 전문가들이 함께 모여 제조 공정에 있는 데이터를 이용해 적용 가능한 최적의 AI 알고리즘을 찾고, 공장에 적용 및 검증해 글로벌시장에 판매한다. 판매한 이익금 중 일부는 AI 알고리즘 참여자와 테스트베드(Testbed)를 제공한 제조기업에게 공유하며, 지속적인 관계로 솔루션을 지속 업그레이드해 세계 시장을 선점하고 있음을 우리는 알아야 한다.

한국에서는 스타트업들이 개발한 솔루션을 적용할 테스트베드 기업이 없어 어렵다고 한다. 다양한 알고리즘 전문가들과 협업하고 제조기업이 제조 상품을 팔아 돈을 벌면서, 데이터를 팔아서 수익이 될 수 있도록 상호 이익을 공유하는 개념으로 사업계획을 수립하고 솔루션을 개발해야 한다.

이번 호에는 머신러닝(Machine Learning)과 AI가 제조 산업에 미치는 영향을 분석해 보고, 공정 특성에 적합한 AI 알고리즘을 선정해 솔루션을 개발해 국내에서 검증하고 해외로 수출하는 AI 솔루션 스타트업이 될 수 있는 방법을 가이드한다.

제조기업은 생산공장에서 최소 비용으로 고품질 제품을 생산하는 게 시대를 초월한 제조 목표다. 인더스트리(Industry)4.0은 이미 그 가치를 입증하고 있고, 제조기업이 그 어느 때보다 성공적으로 관련 목표를 달성할 수 있도록 지원함으로써 새로운 ‘초 자동화 물결’을 주도하는 핵심 기술 중 하나가 산업용(Industrial) AI 및 머신러닝이다. 제조 데이터는 귀중한 리소스가 됐으며, 수집 및 저장하는 비용이 그 어느 때보다 저렴해졌다. 제조업체는 AI, 특히 머신러닝을 바탕으로 데이터를 사용해 효율성과 직원 안전 및 제품 품질을 크게 향상하고 수익에도 큰 영향을 미칠 수 있다. 제조업에서 AI를 활용한 솔루션으로 돌발 고장 발생시 생산 중단을 일으키는 회전체 고장 예측(Machine Health)과 공장 전체 설비고장 및 품질 이상을 예측(Process Health)하는 솔루션들이 글로벌시장에 나와 있다. 이에 솔루션에 대한 기능을 정확하게 파악, 분석하고 개발하는 전략이 필요하다.

머신러닝으로 예측 유지 관리 강화

유지보수는 제조 비용에 있어 상당 부분을 차지한다. 이에 예측 유지 관리는 유지보수 비용을 대폭 절감하는 데 있어 가장 매력적인 선택지다. 특히 많은 이점으로 인해 예측 유리 관리는 제조업체간 공통 목표가 됐다.

일부 제조업체에서는 예측 유지 관리를 수행하지만, 전통적으로 인간이 코딩한 임계값, 경고 규칙 및 구성으로 설정된 SCADA 시스템을 사용해 수행됐다. 이러한 반수동 접근 방식은 기계가 보다 복잡한 동적 동작 패턴이나, 전반적인 제조 프로세스와 관련된 상황별 데이터를 고려하지 않고 있다. 일례로 생산 기계에 부착된 센서는 온도가 갑자기 상승하는 것을 감지할 수 있다. 정적인 규칙 기반 시스템(Rule based Algorithm)은 기계가 살균되고 있다는 사실을 고려하지 않고 제한치를 벗어난 온도 값에 계속해서 오탐지 경고를 만들어 낸다.한편 머신러닝 알고리즘에는 OT 데이터(센서, PLC, 히스토리언, SCADA), IT 데이터(ERP, 품질, MES 등) 및 기계와 생산 제품 속도간 동기화된 제조 프로세스 정보를 포함해 동시성을 설명하는 정보가 제공된다. AI에서는 ‘훈련’이라고 알려진 프로세스를 통해 머신러닝 알고리즘이 다양한 빅데이터에서 패턴을 검색하는 동안 이상을 탐지하고 상관관계를 테스트할 수 있다.

머신러닝이 갖는 힘은 대량의 데이터를 실시간 분석하고 발생할 수 있는 문제에 대해 실행 가능한 대응을 제안하는 능력에 있다. 모든 설비와 시스템 상태와 동작을 지속적으로 평가하고 오작동이 발생하기 전에 구성 요소에 대한 성능 저하를 분석, 판단한다.

머신러닝을 통한 예측 품질 분석 활성화

다운타임을 방지하는 것이 산업용 AI가 가진 유일한 목표는 아니다. 우리에게 또 다른 도움을 줄 수 있다. 생산되는 제품 품질이 중요하며, 머신러닝을 활용해 제품 품질 저하도 예측할 수 있다. 제조되는 제품 품질이 저하될 수 있다는 것을 미리 알면 원자재 낭비와 귀중한 생산 휴지 시간을 방지할 수 있다.

제조 특성에 적합한 AI 알고리즘 선택

머신러닝은 지도(Supervised) 머신러닝과 비지도 머신러닝(Unsupervised Machine Learning)이라는 두 가지 주요 기술로 나눌 수 있다. 우선 지도 학습 머신러닝은 미리 정의된 목표를 달성하기 때문에 가장 일반적으로 사용되고 있는 기술이다. 입력 데이터와 출력 데이터가 있으며, 두 변수를 연결하는 함수를 매핑해 학습한다.

또 비지도 학습 머신러닝에는 ‘클러스터링(Clustering)’과 ‘인공신경망(Artificial Neural Networks)’ 등이 있는데, 결과가 아직 알려지지 않은 경우에 사용이 적합하다. 지도 학습 머신러닝이 예상 결과부터 작업하면서 알고리즘을 훈련하기 때문이다.

회귀와 분류를 활용한 ‘지도 학습 머신러닝’

널리 사용되고 있는 기술인 지도학습 머신러닝에는 △데이터 입력 △데이터 교육 △알고리즘 정의 및 선택 △데이터 시각화 등 높은 수준을 가진 기술 전문가의 참여가 필요하다. 목표는 새로운 입력 데이터가 시스템에 입력될 때 출력을 예측할 수 있는 정확도 수준에서 매핑 함수를 구성하는 것이다.

지도 학습 머신러닝에서 알고리즘은 최초에 훈련 데이터 세트에서 제공된다. 이후 반복 작업을 통해 정의된 출력에 도달하는 것을 목표로 성능을 계속 향상한다. 알고리즘이 허용 가능한 정확도 수준에 도달하면 학습 프로세스가 완료된다. 제조 분야에서 기계 학습에 대한 가장 강력한 사용 사례 중 하나는 예지 정비다.

예지 정비는 ‘회귀(Regression)’와 ‘분류(Classification)’라는 두 가지 지도 학습 접근 방식을 사용하여 수행할 수 있다. 두 가지 접근 방식 모두 제조 프로세스 상에 입력 데이터와 더불어 부품 고장, 과열 등에 대한 출력 데이터 간의 관계를 매핑한다는 동일한 목표를 공유한다. 그중 회귀는 온도나 무게 같이 데이터가 범위 내에 존재하거나, 센서에서 수집된 데이터를 처리할 때 자주 사용된다.

특히 제조 과정에서는 회귀 분석을 사용해 설비 RUL(Remaining Useful Life, 잔존 내용 연수) 추정치를 계산할 수 있다. 다음 구성 요소·기계·시스템 오류가 발생할 때까지 남은 일수 또는 주기에 대한 예측을 제공한다.

회귀 중에서는 선형 회귀가 일반적인 알고리즘으로 사용되고 있다. 선형 회귀는 구현이 매우 빠르고 간단하며 해석하기 쉽도록 출력한다. 구체적인 예시로는 온도를 예측하는 시스템이 있다. 온도는 학습하기 쉬운 추정값을 갖는 연속 값이기 때문이다.

아울러 분류는 잘 정의된 범주에 데이터가 존재하는 경우 사용할 수 있다. 우리 모두에게 익숙한 분류의 예로는 이메일을 스팸 폴더로 보낼지에 대한 여부를 결정하는 이메일 필터 알고리즘이 있다.

일반적으로 분류는 부울값(진리값) 응답으로 제한되지만, 높은 정확도 달성을 위해 소량의 데이터만 있으면 되므로 유용할 수 있다. 기계 학습에서는 Naive Bayes나 로지스틱 회귀, 지원 벡터 머신 및 인공 신경망 같은 분류 알고리즘이 있다.

한편 예측 유지 관리는 기계 또는 구성 요소 관련 오류에 대한 원인이 다양하므로 다중 클래스 분류를 사용하고 있다. 기계 상태, 위험 수준 및 가능한 오작동 이유를 포함한 다양한 변수를 사용해 계산하므로 잠재적인 장비 문제에 대한 분류가 가능하다.

비지도 학습 머신러닝, 신규 데이터 관련 결과 예측에 유리

지도 학습 머신러닝에 대한 사용이 곤란한 경우에는 비지도 학습 머신러닝을 활용할 수 있다. 그중 대표적으로 클러스터링이 있는데, 많은 수의 변수를 처리할 때 사용하면 데이터 내에서 관련 없는 매개변수인 노이즈를 줄이는 데 도움을 준다. 특정 상황에서는 결과를 알 수 없을 뿐만 아니라 데이터를 설명하는 정보인 데이터 레이블이 부족할 수도 있기에 상황에 맞게 적절히 클러스터링을 활용할 수 있다. 클러스터링은 특정 공정 관련 속성을 공유하는 입력 데이터 포인트에 대한 클러스터를 생성함으로써 기계 학습 알고리즘이 기본 패턴을 발견할 수 있다.

또 다른 비지도 학습 방법에는 인공 신경망이 있다. 특히 제조 부문에서 인공 신경망은 생산 프로세스 시뮬레이션 및 예측 품질 분석을 포함한 다양한 애플리케이션을 위해 매우 효과적인 비지도 학습 도구로 입증된 바 있다.

인공 신경망이 갖는 기본 구조는 인간 두뇌가 정보를 처리하는 방식과 같다. 약 1,000억개에 달하는 뉴런 네트워크를 사용해 복잡하고 다양한 문제에 대한 해결이 가능하다. 또 인공 신경망에서는 한 계층 내 모든 노드는 다음 계층에 있는 모든 노드에 연결되며, 문제가 복잡한 정도나 필요에 따라 숨겨진 레이어를 추가할 수 있다. 많은 계층을 통해 다양한 매개변수를 처리할 수 있는 능력 덕분에 인공 신경망은 변수가 풍부하고 끊임없이 변화하는 제조 공정에 적합하다고 할 수 있다. 적절하게 훈련된 인공 신경망은 가공된 제품에 대한 기계적 특성 관련 예측을 생성할 때 높은 정확성을 보여 원자재 비용 절감을 돕는다.

정확한 결과 보장 위한 데이터 준비 필요

머신러닝은 빅데이터를 사용해 제조 공정에서 측정 및 생성되는 원시 데이터가 1년 이상 축적돼 있어야 한다. 특히 필요한 데이터 품질과 유형에 대한 몇 가지 핵심 요소를 이해하는 것은 정확한 결과를 보장하는 데 매우 중요하다.

구체적으로 예측 유지 관리를 통해 우리는 고장 이벤트에 중점을 둔다. 이에 향후 고장에 대한 예측을 수행하기 위해 기계 성능 및 유지 관리 기록에 대한 히스토리컬 데이터를 수집하는 것부터 시작하는 게 합리적이다.

생산 기계 작동 수명은 일반적으로 수년이기에 히스토리컬 데이터는 기계 성능 저하 과정을 적절하게 반영할 수 있을 만큼 충분히 기간에 해당하는 데이터가 있어야 한다. 또 기계 기능이나 기계적 특성, 일반적인 사용 동작 및 환경 작동 조건 데이터 등 기계·시스템과 관련된 기타 정적 정보도 필요하다.

이에 머신러닝을 적용하는 과정에서 도메인 전문가와 데이터 과학자는 △구성요소·기계·시스템에서 발생할 수 있는 다양한 유형의 고장은 무엇인지 △예측하려는 고장 이벤트는 무엇인지 △고장은 갑작스럽게 집중적으로 발생하는지, 아니면 고장 발생 전에 천천히 열화돼 고장이 발생한 것인지 △일반적으로 고장 유형에 관련된 구성 요소는 무엇인지 △구성요소·기계에 대한 건강 상태를 가장 잘 나타내는 매개변수 중 측정해야 하는 것은 무엇인지 △필요한 측정 정확도와 빈도는 얼마인지 같은 특정 질문에 답해야 한다. 또 머신러닝 모델이 어떤 질문에 답하기를 원하는지와 함께 이용 가능한 데이터를 사용해 관련 질문에 답하는 것이 가능한지 등도 답하고 준비해야 된다.

제조업에 머신러닝 및 AI가 주는 이점

제조 산업에 AI와 머신러닝을 도입하면 효율성 향상은 물론 많은 이점을 지닌 대대적인 변화를 나타내며 새로운 비즈니스 기회의 문을 열 수 있다. 제조 분야에서 머신러닝의 직접적인 이점으로는 △예측 유지 관리를 통한 비용 절감 △RUL 예측 △공급망 관리 개선 △제품 품질 향상 △인간과 로봇간 협업 향상 △소비자 중심 제조 등이 있다. 우선 비용절감 차원에서는 PdM(Predictive Maintenance) 사용시 유지 관리 활동이 줄어들어 인건비가 낮아지며 재고 및 자재 낭비도 줄어들게 된다. 또 RUL 예측을 통해 계획되지 않은 가동 중지 시간을 유발하는 ‘돌발 고장’을 사라지게 할 수 있다. 기계 및 장비 동작에 대해 더 많이 이해하면 기계 상태를 유지하면서 성능을 향상하는 조건을 만들 수 있다는 뜻이다.

아울러 제조업내 AI 및 머신러닝 도입시 효율적인 재고 관리 및 생산 흐름을 모니터링하고 동기화함으로써 공급망 관리를 개선할 수 있으며, 실행 가능한 통찰력으로 품질 관리를 개선해 제품 품질을 지속적으로 높일 수 있게 된다. 또한 인간-로봇 협업을 통해 직원 안전 환경 개선 및 전반적인 효율성을 향상할 수 있으며, 시장 수요와 환경 변화에 신속하게 대응하는 것도 가능해진다.

이에 AI 스타트업들이 지속 성장하려면 고객 맞춤형으로 문제 해결을 위한 AI 소프트웨어를 개발하는 게 아닌 공정 특성에 적합한 알고리즘 전문가를 양성하고, 테스트베드를 제공하는 제조기업과 상호 협업 및 이익을 공유하는 체계로 만들어 국내 제조기업에서 솔루션으로 성능을 검증한 이후 해외로 수출하는 체계를 수립해야 된다.