제조산업 지능화의 구축 방법과 사례 (3)   스마트 공장의 목적은 정보기술을 활용하여 제조 환경의 문제점을 빠르게 발견하는 것을 시작으로 민첩한 대응, 생산성 향상, 고객 만족 등을 이루는 것이다. 이번 호에서는 국내외의 스마트 공장 구축 사례와 함께 제조 데이터의 실시간 통합 및 제조 혁신을 구현하기 위한 기술 활용 방법을 살펴보고자 한다.   ■  차석근 | 에이시에스(ACS)의 부사장/CTO이다. 40여년 간 MES와 ISO 표준화를 중심으로 스마트 공장 솔루션 경험을 쌓았다. 중소기업청 생산정보화, 산업부 스마트공장, 중기부 스마트제조혁신 프로그램을 기획했다. 이메일 | sk_cha@acs.co.kr 홈페이지 | http://acs.co.kr   해외 적용 사례 - 폭스콘 중국의 폭스콘(Foxconn)은 8만 개 이상의 산업용 로봇, 1800개의 표면 실장 기술(SMT) 생산 라인, 17만 5000개의 CNC 및 다이 가공 기계 및 5000가지 이상의 테스트 장비를 갖춘 세계 최대의 전자제품 제조업체이다. 폭스콘은 Foxconn Industrial Internet Cloud 플랫폼의 도구를 사용하여 유사성 기반 학습, 시뮬레이션 기반 학습, 피어 투 피어 기반 학습, 관련 기반 학습 및 딥 러닝을 구현했다. 수집된 데이터는 Foxconn Industrial Cloud, CorePro, Nadder 및 폭스콘이 개발한 기타 산업용 인터넷 제품으로 구성된 클라우드 플랫폼에 배포된다. <그림 1>은 폭스콘의 Fog AI 기술로 고성능 컴퓨터와 서버 수준의 수집 데이터를 통합한 것이다. 데이터 모델을 설정한 후 Fog AI는 실시간 예측 및 모니터링을 정확하게 수행하고, 생산 프로세스를 정확하게 제어하며, 장비에서 보다 안정적이고 정확하며 빠른 응답을 제공할 수 있다 ■ 스마트 연결 : 시스템의 투명성과 협업을 향상시키기 위한 다른 제조 장치와 노드 사이의 데이터 및 에지 컴퓨팅 네트워크 ■ 유연한 자동화 : 재구성 가능한 응답 메커니즘, 자동화된 실행 및 협업을 결합하고 원격 구성 및 작업 전달을 지원한다. 이는 제조 시스템이 커스터마이즈 요구 사항에 신속하게 대응할 수 있도록 하며, 내부 및 외부 간섭에 대한 강력한 복원력을 제공한다.  ■ 지능형 예측 및 의사결정 시스템 : 눈에 보이지 않는 문제를 예측하기 위해 자동 이벤트 인식, 영향 평가 및 의사 결정 최적화를 위해 지연 데이터와 지능형 알고리즘을 결합한 폐쇄 루프 예측 분석 시스템   폭스콘의 소등 공장은 낭비 감소, 작업 감소 및 걱정 감소 등 세 가지 ‘W’ 업무에 에너지 절감 기술의 중점을 둔다. 이는 간단하게 들리지만 오랜 축적과 소망의 과정을 거친 것이다. 프로세스 개선과 디지털화의 완성을 통해 효율성과 품질 관리를 지속적으로 최적화하여 불필요한 가동 중지 시간과 품질 미달 및 결함을 제거하고, 제조 시스템의 포괄적인 효율과 비용 최적화를 지속적으로 발굴하며, 표준 및 경험을 강화했다. 디지털 시스템에서 표준 규칙을 형성하는 한편 새로운 생산 패러다임, 프로세스 및 현재 생산 효율성의 실시간 모니터링을 사용하여 최적화할 수 있었다.  시스템 및 다른 제조 단위의 과거의 최적 실용성과 비교하여 클러스터 최적의 실습을 벤치마킹할 때, 동적 평가 및 효율 최적화를 위한 속도가 요구된다. 이것은 폐기물 감소 과정이다. 통합 자동화 생산 라인을 통해 일부 공장에서 거의 모든 작업이 대체되었으며, 작업장의 자재 운송으로 차이 생산 단위와 품질 검사 간의 제품 흐름이 자동화되었다. 더 중요한 것은, 폭스콘의 소등 설비는 통합 자동화와 유연성 사이의 균형에 많은 설계 고려 사항을 투자했다는 점이다. 특히 소비자 전자제품의 빠른 반복을 위해 업계 최고 수준의 NPI(New Production Introduction) 프로세스에서 효율성이 향상되고 수율 안정화 속도가 향상된다. 작업 감소는 사람들을 자동화로 대체할 뿐만 아니라 사람들의 경험과 지식을 시스템에 적용하고 통합할 수 있는 만큼 생산 라인을 유연하게 만든다.  낭비와 작업 감소가 폭스콘이 과거에 성과를 거두고 현재 작업하고 있는 영역이라면, 이제는 근심 없는 운영으로 인한 걱정 감소를 더 만들어야 한다. 소등 공장의 중요성은 공장의 어느 누구도 불을 켤 필요가 없다는 것이 아니라, 불을 끌 때 다시 켜질 필요가 없다는 것이다. 걱정 없는 제조 시스템을 실현하는 비결은 이전에는 볼 수 없었던 문제를 명시적으로 만들고, 오류를 수정하고, 정확한 예측을 통해 문제를 피함으로써 문제의 근본 원인을 관리하는 것이다. 예를 들어, 제품 수율 문제가 발생하는 경우 공정 매개 변수 간의 관계를 분석하여 수율에 미치는 영향의 이유를 이해한 다음, 향후에 수율 문제를 피하기 위해 공정 매개 변수의 이상에 대한 조기 경보 모델을 설정한다.  마찬가지로 장비 가동 중지 시간으로 인한 생산 능력 손실이 걱정되는 경우, 장비의 상태 매개 변수를 지속적으로 모니터링하고 상태 평가 모델을 설정하며 장비 고장 위험을 예측하고 나머지를 유지함으로써 고장에 대한 예상 유지보수를 보관할 수 있다. 이는 다운타임으로 인한 손실을 피할 뿐만 아니라 과도한 유지 보수로 인한 비용을 줄인다. 가공 분야에서는 공작 기계의 남은 유효 수명을 예측하여 각 공구의 최적 교체 시간을 예측할 수 있다. 이러한 접근은 수율을 99.4%에서 99.7%로 향상시킬 뿐만 아니라 공구 비용을 16%, 예기치 않은 다운타임을 60% 줄인다. 폭스콘은 PCB 제조의 SMT 프로세스에서 산업 노즐에 대한 불황 평가 및 예측 유지 보수 모델을 확립하고, 건강 사이클 예측 및 자동 교체를 수행할 수 있었다. 흡입 노즐 수명을 예측하면 유지 보수 요구 사항, 교체 소요 시간 및 비용을 66%까지 효과적으로 줄일 수 있어 흡입 노즐 재고를 64% 줄일 수 있다. 제조 경쟁력 계산의 공식인 ‘제조 경쟁력 = 품질 / 비용 × 고객 가치’가 자주 언급된다. 가장 적은 비용으로 더 높은 품질을 지속적으로 달성하고 고객에게 더 많은 가치를 창출해야 한다. 폭스콘의 등대 공장에서는 예측 및 분석 기술을 통해 품질을 개선하고 비용을 절감했다. 유연한 자동화를 통해 고객은 혁신을 위해 제조 시스템 기능에 의해 설정된 경계를 확장하여 혁신하고 빠르게 반복할 수 있다.    그림 1. 폭스콘의 산업용 AI 적용 플랫폼 구성  

제조산업 지능화의 구축 방법과 사례 (2)   생산에 영향을 주는 제조 결함을 미리 파악해서 해결하기 위해서는 사람, 시스템, 사물의 융합을 통한 산업 지능화(Industrial AI)가 요구된다. 이번 호에서는 산업 분야에 초점을 맞춘 산업 지능화 시스템의 구축 방법과 함께, 4차 산업혁명의 핵심 기술을 도입해 제조 혁신을 이뤄낸 등대공장에 대해 살펴본다.   ■  차석근 | 에이시에스(ACS)의 부사장/CTO이다. 40여년 간 MES와 ISO 표준화를 중심으로 스마트 공장 솔루션 경험을 쌓았다. 중소기업청 생산정보화, 산업부 스마트공장, 중기부 스마트제조혁신 프로그램을 기획했다. 이메일 | sk_cha@acs.co.kr 홈페이지 | http://acs.co.kr   제조 결함 탐지해결에 대한 의식전환 물리적 세계의 생산 현장을 사이버 세계의 정보화 관점에서 보면, 생산 활동 정보 즉 4M1E는 <그림 1>과 같이 정의할 수 있다. 일반적으로 생산 제품을 자동으로 생산하고 있는 생산 설비(machine)는 디지털 제어기기인 PLC(Programmable Logic Controller), 공작기계, FMS 등과 같은 복합 자동화 설비 등으로 구성되며, 제어기기의 레벨에 따라 차이가 있으나 주로 실시간 기반으로 자동 정보 수집을 하게 된다. 생산 설비가 아무리 자동화되어도 생산 공정에는 필히 작업자가 필요하게 되고 자동화 설비로부터 수집되지 않거나 품질 내용, 설비의 고장 내용, 로트(lot)의 변경 등과 같은 작업자가 판단하고 처리하는 작업자의 활동이 필요하다. 생산 공정에서는 원자재에서 생산에서 출하되기 전까지 전체 물류 과정을 추적하여 공정상의 재고(WIP : Work In Process), 각 생산 공정에 작업 중인 자재의 추적과 투입 등의 정보 수집이 필요하다. 작업 방식(method)은 원자재에서 완제품까지 전체 과정을 디지털화하여 제품별 생산 비용의 산출, 품질 정보, 설비의 가동 정보, 공장 내 물류 정보, 각 해당 생산 공정 간의 최적화된 일정 정보와 특히 국제 표준화를 제안하고 있는ISO 22400 KPI for MOM에 대한 정의를 바탕으로 QCD(품질·비용·딜리버리)대응을 위한 제조업 중점 관리에 필수적 항목이 된다. 4M1E의 정보수집 방법에는 <그림 2>와 같이 유선 및 무선 센서 네트워크를 활용한 자동, 반자동 및 수동 형태로 크게 3가지 방식으로 분류할 수 있다; ■ 자동 수집 방안 : 생산 설비의 제어기기가 외부 정보 시스템과 연결되는 인터페이스 장치를 보유한 경우에는 TCP/IP, OPC(Open Protocol Communication), MIMOSA(Machinery Information Management Open System Alliance), SECS(Semiconductor Equipment Communication Specification) 등과 같은 실시간 통신 프로토콜 프로그램을 통하여 생산 설비의 운전 상태에 대해 정보를 수집한다.  ■ 반자동 수집 방안 : 크게 두 가지 형태로 구분된다. 첫 번째 방안은 PLC 등과 같은 제어기기가 있는 경우 센서로부터 PLC와 연결된 프로세스 I/O와 실시간 정보 수집 장치를 통하여 정보를 수집하는 것이다. 두 번째 방안은 추가로 정보 수집에 필요한 센서를 부착하여 실시간 정보 수집 장치를 통하여 정보를 수집하는 것이다. 이 방식의 경우에는 모든 센서와 시스템 간의 표준 인터페이스 지향을 위하여 IEEE 1451 혹은 정보 기술의 국제적인 표준화 작업을 합동 관리하기 위한 ISO/IEC JTC1 국제 표준기반의 구축이 요구된다.  ■ 수동 수집 방안 : 바코드 리더기, RFID, 터치스크린과 모바일 장치를 이용하여 작업자가 직접 정보를 처리하는 방식이다.   그림 1. 생산 자원(4M1E) 기반 스마트 팩토리 정보 관리(TTAK.KO-11.0227) TTA 단체표준  

제조산업 지능화의 구축 방법과 사례 (1)   스마트 공장의 목적은 정보기술을 활용해 실시간으로 제조 환경의 문제점을 조기에 발견하여 급변하는 경영환경에 민첩하게 대응하고, 제조업에서 보유하고 있는 품질, 비용, 납기 문제점에 대하여 연속 개선 프로세스를 통하여 생산성을 높이면서 고객 만족에 기여하는 것이다.  이를 효율적으로 구현하기 위해 전산화, 자동화로는 성장 방법에 한계가 있다. 시시각각 발생하는 제조 데이터를 실시간 통합하고, 이를 통하여 제조 혁신을 구현하는 변화 관리와 공정 혁신을 포함하는 제조 혁신으로 발전해야 한다.  이번 호부터 제조산업 지능화를 위하여 산업용 AI(Industrial AI)가 어떻게 적용되는지와 대표적인 구축 사례 및 산업분야의 차별화 방안을 소개한다.  ■  차석근 | 에이시에스(ACS)의 부사장/CTO이다. 40여년 간 MES와 ISO 표준화를 중심으로 스마트 공장 솔루션 경험을 쌓았다. 중소기업청 생산정보화, 산업부 스마트공장, 중기부 스마트제조혁신 프로그램을 기획했다. 이메일 | sk_cha@acs.co.kr 홈페이지 | http://acs.co.kr   1. 성공과 실패 사례에서 배우는 지혜 지난 2019년 소프트뱅크의 손정의 회장이 정부에 “첫째도 AI, 둘째도 AI, 셋째도 AI”를 제시하면서 모든 산업분야에 AI 적용 기획이 추진되었다. WEF(세계경제포럼)과 컨설팅 업체인 맥킨지(McKinsey)에서는 등대공장 선정을 수행하였고, 2019년 국내 기업으로는 포스코(POSCO)가 선정되었다. 반면, 글로벌 제조업의 대표를 자칭하는 중국의 경우에는 애플 단말기의 OEM 공급업체인 폭스콘(Foxconn)을 선두로 각 산업분야에 10개 기업 등대공장으로 인정받았다. 여기에서 핵심 기술의 평가는 산업용 AI를 어떻게 적용하여 최대의 성과를 얻을지에 대한 지표가 핵심 선정 항목으로 평가되었다. 빅데이터와 인공지능(AI)의 시대는 다른 모델을 요구하고 있다. 사실 우리가 좋아하든 싫어하든, 또는 잘 인식하지 못하고 있을 수 있지만, 요즘 의사결정의 중심은 데이터와 알고리즘으로 가고 있다. 넷플릭스는 우리가 어떤 영화를 볼 것인가를 알려준다. 음원 사이트는 내가 무슨 음악을 들으면 좋을지 가려낸다. 운전할 때에는 내비게이션이 시키는 대로 따라간다. 기업의 채용 과정도 최소한 1차 심사는 인공지능으로 대체하기 시작했다. 은행 대출도 많은 경우 알고리즘에 의해 결정하는 추세다. 주식 투자의 70~80%는 알고리즘이 담당하고 있다. 미국의 데이팅 웹사이트들은 당신의 이력과 당신의 SNS 활동 등을 고려해 파트너를 추천한다. 앞으로는 직업과 전공 선택부터 누구와 결혼할 것인가 등의 문제에 대해 컴퓨터 알고리즘의 도움을 차츰 더 많이 받을 것이다.  컴퓨터는 가장 최근의 연구 결과를 습득하고, 인간이 도저히 상상할 수 없는 정보를 순식간에 분석해 우리에게 최적의 의사결정 조언을 한다. 이런 인공지능 알고리즘 의사결정을 기업에서는 점점 보편적으로 사용하고 있다. 우리는 이것을 ‘인공지능을 통한 자동화’라고 부른다. 기업은 인력을 대체하고, 비용을 절감하며, 생산 효율성을 높이는 방식을 적극적으로 도입하고 있다.  이런 긍정적 성과물에서 테슬라의 일론 머스크는 왜 ‘사람 없는 공장’을 포기했을까? 일론 머스크는 경영 능력과 비전에서 일반인의 상식을 훨씬 뛰어넘어 ‘외계인’이라고까지 불린다. 그는 완전히 사람이 없는 인공지능 기반 공정으로 테슬라 전기차를 만들려고 엄청난 노력을 쏟았다. 하지만 그는 인공지능과 로봇을 이용해 완전 자동화 생산 공정을 실행하려던 계획이 실패했음을 시인하게 된다. 그 후 그는 커다란 텐트 공장을 만들고 옆에서 숙식하며 새로운 프로세스를 진두지휘했다. 그래서 만든 것이 인간과 인공지능이 어우러진 새로운 협업 공정이다. 그는 이 텐트 공장에서 인간과 로봇이 해야 하는 일을 다양하게 실험했다. 이를 통해 어떤 프로세스를 완전 자동화하고, 어떤 프로세스에는 인간이 개입해야 하는지를 결정해 새로운 시스템을 완성했다. 결과는 ‘인간 + 인공지능’이라는 공존이다. 제프 베이조스의 아마존도 거의 완벽한 물류 자동화 시스템을 완성했지만, 여기에서는 25만 명의 인간이 같이 일하고 있다. IBM의 인공지능 ‘왓슨(Watson)’을 도입한 병원에서는 환자들이 왓슨의 진단 결과를 얼마나 신뢰할까. 사실 우리가 알고 싶은 것은 ‘인간과 왓슨의 결과가 다른 경우 누구를 따라야 할 것인가’ 하는 자극적인 질문이다. 하지만 이는 좋은 질문이 아니다. 인공지능은 대결 상대가 아니라 이용 대상이다. 우리의 목표는 인공지능을 이용해 인간에게 더 나은 최적의 시스템을 만들어 나가는 것이다. 인공지능의 진단 시스템이 의사를 대신해 암 진단을 내려 주겠지만, 의사들은 이 결과를 최종 판단하고, 얼마나 심각한지 살펴보고, 치료 계획을 세우고, 추가 검사가 필요한지 결정해야 한다.  또 다른 사례를 살펴 보면, 2013년 GE는 대규모 데이터 환경에 임베디드와 기계 기반 알고리즘에 스마트 디바이스를 융합한다는 아이디어를 제시하고, ‘기계 + 마인드’ 개념의 산업용 데이터 플랫폼인 프레딕스(GE Predix)를 발표했다. 당시에는 아주 멋진 비즈니스 모델로 평가되었지만, 2019년 GE는 나스닥에서 퇴출되는 굴욕을 당했다.  프레딕스의 가장 큰 문제는 모든 기계에서 발생하는 데이터를 관리하는 최종 도구로 하나의 공통 클라우드 플랫폼을 선택한 것이다. 때문에 각 산업의 특성과 차별화된 관리 항목에 대응하는 제조 본질의 문제에 대한 솔루션을 제공할 수 없었다. 자동화, 정보기술, IT 플랫폼, 빅데이터 및 기타 기술이 성숙하지 않기 때문에 제조 및 산업에 스마트 공장의 전환에 한계가 있었던 것이다. 중국의 스마트 제조 개발에서도 비슷한 경우가 있었다. 국가 정책에 의해 추진된 일부 기업은 산업 인터넷 및 IoT 플랫폼 구축, 모든 생산 라인에 다수의 센서 추가, 대규모 데이터베이스 생성, 인적 노동을 대체하는 로봇 등 공장의 ‘스마트’ 변환에 많은 투자를 했다. 이 업그레이드 및 변환 과정에서 모든 사람은 좋은 의도를 가지고 있지만 실제 요구 사항, 요구 사항 및 핵심 역량이 종종 무시된다. 이것이 지능형 제조에서 중국이 직면한 주요 문제이다.    2. 제조 품질에 미치는 3차원 요소 제조는 기본적으로 품질, 원가, 납기(QCD : Quality, Cost, Delivery)라는 3요소의 효율화가 중요하다. 이를 위해 <그림 1>에서 제시하는 것과 같이 크게 품질에 미치는 3차원 본질에 대한 이해가 필연적이다.   ■ 숙련(Discipline) : 작업자 숙련도, 조직문화와 관리 능력 → 강력한 조직 문화(월드베스트 : 일본) ■ 시스템(System) : 장비, 시스템과 표준 절차 → 설계 및 제조 능력(월드베스트 : 독일) ■ 본질(Intrinsic) : 도메인 지식을 사용하는 고객 → 특허와 혁신적 협력(월드베스트 : 미국)   그림 1. 제조 품질의 3차원(숙련, 자동화, 본질)  

AI(인공지능)가 제조업과 기업의 비즈니스를 변화시키고 있다. 초연결, 초지능 시대를 관통하는 AI 기술은 스마트 제조, 자율주행, 메타버스, 스마트 도시 등 새로운 기술들과 융합하여 새로운 방향성을 도출해 나가고 있다. 12월 20일 진행된 CNG TV에서는 변화하고 있는 AI 비즈니스와 이를 연결하는 융합기술의 미래에 대해 살펴봤다. 상세한 내용은 다시보기를 통해 볼 수 있다. ■ 이예지 기자   ▲ 캐드앤그래픽스 최경화 국장, 얼라이언스코리아 정종기 대표, 에이시에스 차석근 부사장, 디원 류용효 상무(왼쪽부터)   정보기술은 하루가 다르게 변화하고 있다. 세계는 공유경제를 지나 참여와 보상을 중심으로 블록체인, 디지털 대전환, 메타버스 세상, 인공지능 시대로 도래하고 있으며 비즈니스의 모든 영역이 디지털 기술과 결합되어 초연결 집단 지성을 이루며 근본적인 변화를 일으키고 있다. 얼라이언스코리아 정종기 대표는 “최근에는 MZ 세대들을 중심으로 메타버스가 큰 인기를 끌고 있다”면서 “이에 인스타그램, 페이스북, 틱톡 등 다양한 SNS 플랫폼의 주도권이 메타버스로 이동하는 양상을 보이고 있다”고 설명했다. 메타버스는 가상과 초월을 뜻하는 ‘메타’와 우주를 뜻하는 ‘유니버스’의 합성어로, 컴퓨터 기술을 통해 3차원으로 구현한 상상의 공간을 의미한다. 메타버스와 함께 빠르게 발전하고 있는 AI 기술은 새로운 기술들과 융합되면서 산업의 디지털 전환을 가속화시키고 있다. 정종기 대표는 “AI 개발 트렌드는 ‘인지 → 학습 → 추론 → 행동’으로 개발해 나가고 있다”면서 “과거 AI가 인간 수준의 정확도를 달성했다면, 지금의 AI는 학습된 지능에 기반하여 자신의 관점으로 인지된 환경에 대해 추론하고 예측할 수 있게 됐다”고 설명했다. 한편 이번 방송에서 ‘산업지능화를 활용한 제조데이터의 표준화’라는 주제로 발표를 진행한 에이시에스 차석근 부사장은 스마트 제조 혁신에 있어 필요한 시스템과 디지털 전환을 위한 전략에 대해 소개했다. 그는 “스마트 제조 혁신을 위해서는 생산현장을 구성하고 있는 자동화 설비, 생산기술, 프로세스 등이 변화해야 한다”고 강조했으며, “정보통신기술을 활용해 실시간으로 데이터를 수집·공유할 수 있어야 한다”고 설명했다. 또한 “기업의 디지털 전환을 위해서는 생산지원 데이터 표준화를 기반으로 ‘사람, 기술, 프로세스’가 통합되어야 하고, 빅데이터 분석으로 업무 프로세스를 개선해야 할 것”이라고 전했다.   ▲ 인공지능 개발 트렌드     ■ 기사 내용은 PDF로도 제공됩니다.

한국산업지능화협회가 지난 11월 13일 수원컨벤션센터에서 제조AI기반 산업지능화 전략세미나를 개최했다. 제2회 스마트공장구축 및 생산자동화전(SMATEC 2020)내 세미나장에서 진행된 이번 행사에는 산·학·연 전문가들이 연사로 초청되었으며, 제조업을 혁신시킬 AI 기반 산업지능화 기술 트렌드와 적용사례, 표준화 동향 등이 7개 강연을 통해 다양하게 소개되었다. 첫번째 강연주자는 에이시에스 차석근 부사장으로, ‘Industrial AI 필요성 및 적용사례’를 주제로 산업용 AI의 필요성과 업종별 구축 사례, 구축시 고려사항 등을 소개했다. 특히 차석근 부사장은 ‘국내 스마트제조는 왜 실패하는가?’에 대해 “생산방식에 따른 비표준 업무 프로세스 때문에 개별 시스템 구축과 사후 관리가 어렵다”는 이유를 꼽았다. 이와 함께 “생산방식에 따른 표준 혹은 참조 프로세스(Best Practices)가 없고 업체 요구에 의한 프로세스 개발로 비즈니스 환경 변화에 따라 구축된 시스템의 유지보수가 어렵다”는 이유도 덧붙였다. 이러한 문제를 사전에 방지하기 위해서 차 부사장은 “제조혁신을 위한 솔루션의 성공적인 구축은 고객사의 비즈니스에 기여할 수 있느냐에 달려있다”며 “현장의 문제점 해결과 더불어 전사적 비즈니스 관점에서 핵심과제를 도출하고 이를 바탕으로 스마트공장을 구축해야 한다”고 강조했다. 이어 ‘래프팅 (RAFTing) 전략실행을 위한 AI 기반 유지보수체계’를 주제로 강연을 이어간 한국산업기술대학교 이용관 교수는 I4.0 제조시스템의 변화와 스마트팩토리 구축 사례, I4.0 유지보수체계의 변화, 그리고 스마트유지보수 사례에 대해 소개했다. 이용관 교수는 ‘Industry 4.0 제조시스템의 변화’에 대해 “생산성향상이 아닌, 개인맞춤형 시장으로 변화하고 있는 I4.0 제조시스템에 대해 인식해야 하며, 이를 토대로 스마트 제조생태계에 맞는 기술을 적극 도입하여 대응해야한다”고 강조했다. 또 ‘I4.0 유지보수체계의 변화’에 대해서는 "AAS 기반의 Digital Twin 생태계가 시작되고 있으며, 클라우드(GAIA –X) 기반의 CCM 활용을 이용한 유지보수 생태계 변화도 시작되었으므로, 산업설비의 종류에 따라 유지보수 전략을 달리 가져가야 한다"고 조언했다. 한국정보화진흥원 디지털혁신기술단 김은주 단장은 ‘스마트제조혁신을 위한 개방형 클라우드 플랫폼’을 주제로 강연을 진행했다. “AI 기반 스마트 제조혁신의 기본 조건은 클라우드”라고 말하는 김은주 단장은 개방형 클라우드 플랫폼 ‘파스-타(PaaS-TA)’ 소개와 함께 다양한 파스-타 도입 기관의 사례를 공유했다. 이중에서도 스마트공장 데이터 저장분석으로 AI 기반 스마트공장화를 지원하는 중기부 ‘AI 중소벤처 제조 플랫폼’이 많은 관심을 받았다. 네이버 클라우드 박기은 CTO는 ‘스마트 제조 혁신을 위한 클라우드 활용’이라는 주제로 “스마트 제조 혁신에는 클라우드가 필요하지 않다”고 역설했다. 스마트 제조 혁신을 위한 클라우드 활용에 기술적 접근과 더불어 회사의 문화, 혹은 일하는 방식으로의 접근도 함께 고려되지 않는 클라우드의 활용은 필요없다는 것이다. 박기은 CTO는 “클라우드 기반의 스마트 제조 솔루션을 개별화하기 보다는 플랫폼적인 접근이 필요하다”며 “플랫폼의 역할은 데이터의 교환과 서비스 간의 연결, 그리고 스마트 제조 솔루션의 생태계의 밑바탕이다. 이러한 측면에서 보면 클라우드는 목적이 아닌 수단이지만, ‘클라우드 기반’이 가지는 의미가 중요하다”고 강조한다. 그리니치 컨설팅 김형식 대표는 ‘연속공정 산업분야의 AI 신기술 및 표준화 동향’을 주제로 연속공정의 개념과 제조현장의 인공지능 기술동향, 연속공정 분야의 표준화 동향, 연속공정 AI 사례 등에 대해 소개했다. 특히 김형식 대표는 세계 최초의 연속공정 스마트공장 플랫폼인 POSCO사의 ‘PosFrame(포스프레임)’을 대표사례로 들며, 포스프레임을 통해 공정상 발생하는 데이터 수집, 저장, 관리와 AI를 통한 용광로 자체의 연료, 성분, 상태 점검 및 예측을 통한 자동제어 기능 등에 대해 소개했다. 마지막 연사로 나선 한국산업지능화협회 이인재 센터장은 ‘지능형 스마트공장을 위한 표준의 역할 및 추진사례’를 주제로 스마트제조 표준과 표준화 동향, 표준적용 사례 등을 소개했다. 이와 함께 이인재 센터장은 “스마트공장은 제품 가치사슬을 구성하는 생태계 전체에 대해 기능적인 상호연동이 필수로, 정보가 교환되는 모든 요소들 간에 표준화가 필요하다”며 “ICT에 대한 한국의 활용성 및 응용성을 바탕으로 국제협력을 추진하여 국내 기술-표준화 연계 전략을 구축해야 한다”고 표준화 추진방향성에 대해 언급했다.

한국생산제조학회가 7월 13일부터 14일까지 휘닉스평창 호텔 포레스트홀에서 춘계학술대회를 개최했다. 이번 행사는 스마트 제조 분야의 성공사례들을 공유하고 발전시켜 ‘디지털 뉴딜’을 선도한다는 목적하에 생산제조 분야의 논문발표를 비롯해 ‘AI 스마트 제조 플랫폼 포럼’ 등 다양한 학술행사가 진행되었다. ■ 최경화 국장     이번 춘계학술대회는 코로나 상황으로 인해 연기하여 개최되었다. 7월 13일에는 논문발표, 개회식 및 시상식, 전시회, 한국생산기술연구원(KITECH, 이하 생기원)의 ‘AI 스마트 제조 플랫폼 포럼’이 개최되었으며, 7월 14일에는 논문발표와 전시회가 이루어졌다. 한국생산제조학회 춘계학술대회 특별 세션으로 열린 ‘AI 스마트 제조 플랫폼 포럼’은 기조연설과 전문가 토론을 중심으로 진행되었으며, AI 기반의 공정 지능화 성공사례들을 공유하고 발전시켜 ‘디지털 뉴딜’을 선도하기 위해 개최되었다. 첫 번째 기조연설에서는 생기원 형상제조연구부문 이상목 박사가 ‘한국 제조업과 뿌리산업 패러다임 대전환’, 두 번째 기조연설에서는 스마트제조혁신전략단 김보현 단장이 ‘제조산업 지능화를 위한 디지털 뉴딜 정책’을 주제로 발표했다.     이어 전문가 토론에서는 산·학·연을 대표하는 7명의 패널들이 약 50여 분간 ‘스마트 제조 생태계 구축을 위한 산·학·연 역할’에 대해 의견을 나눴다. 패널로는 한국생산제조학회 수석부회장인 서울과학기술대 김성걸 교수(좌장), 포톤데이즈 안동훈 대표이사, 에이시에스 차석근 부사장, 한국경제신문 안현실 논설전문위원, 한국뉴욕주립대 양민양 교수, 서울대학교 안성훈 교수, 생기원 이상목 박사가 참여했다.     이낙규 생기원장은 개회사에서 “2019년 말 기준 1만 2000개가 넘는 스마트 공장이 보급돼 많은 양의 제조데이터가 축적되고 있다”면서, “축적된 데이터를 분석·가공해 공정 개선에 실제 적용할 수 있도록 AI 기반의 스마트 제조 플랫폼을 마련할 계획”이라고 밝혔다. 생기원은 이번 포럼을 계기로 산·학·연과 연계해 포스트 코로나 시대의 스마트 제조 생태계 구축전략을 모색하고 중소·중견기업들을 위한 공정 지능화 지원방안을 발전시켜 나가겠다는 구상이다. 한편 한국생산기술연구원은 딥러닝 기술을 활용해 공정데이터 중 수집이 용이한 양품 데이터만으로 양품·불량 여부를 판정할 수 있는 다이캐스팅 스마트 팩토리 플랫폼을 개발, 이번 행사에서 소개했다.     생기원 공정지능연구부문 이영철 박사 연구팀은 먼저 불량 원인을 쉽게 식별하기 위해 기존 로트(Lot) 단위의 공정 관리를 제품 단위로 전환하고 제품별 식별번호를 부여해 데이터베이스를 구축했다. 또한 딥러닝 기술을 통해 양품 위주의 비대칭 데이터베이스로부터 압력·온도 차이에 따른 제품 불량 검출 모듈을 개발하는 데 성공, 현재 국내 3개 주조업체를 대상으로 시범 적용 중에 있다. 복잡한 형상의 제품을 대량 생산하는 데 유리한 주조 방식인 ‘다이캐스팅(Die-Casting)’ 공정은 불량률이 평균 5~10%로 높아 처음부터 주문물량의 10% 이상을 과다 생산하는 업체들이 많다. 불량 원인 개선을 위해서는 충분한 수의 불량 데이터를 수집해야 하는데, 300건 가량의 데이터를 모으려고 해도 일반적으로 약 1만 5000건 이상의 실험이 필요해 실제 생산현장에서의 데이터 확보는 어려운 작업에 속하는데 이러한 어려움을 개선하는데 기여할 것으로 보인다.       기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 CNG TV 지식방송 지상 중계 최근 스마트 공장에 대한 관심이 높아지면서 이를 구축하고자 하는 기업들이 증가하고 있다. 그러나 아직 스마트 공장에 대한 잘못된 인식과 우려들이 많은 것도 사실이다. 5월 20일 진행된 CNG TV에서는 디지털 지식연구소 조형식 대표와 전 스마트공장추진단장인 서울대학교 박진우 명예교수, 에이시에스 차석근 부사장이 출연해, 국내 제조업계의 어려움을 해결할 수 있는 대안으로 스마트 공장이 어떻게 진행되어야 하는지에 대해 소개했다. 상세한 내용은 다시보기 를 통해 볼 수 있다.   ■ 이예지 기자  ▲ 디지털 지식연구소 조형식 대표, 전 스마트공장추진단장·서울대학교 박진우 명예교수, 에이시에스 차석근 부사장(왼쪽부터) 최근 전 세계적으로 스마트 공장을 구축하려는 기업들이 증가하고 있다. 스마트 공장은 설계·개발, 제조 및 유통·물류 등 생산 과정에 디지털 자동화 솔루션이 결합된 정보통신기술(ICT)을 적용하여 생산성, 품질, 고객만족도를 향상시키는 지능형 생산공장으로, 사람의 개입 없이 폭넓게 자율적으로 조절되고 운용된다는 이점이 있다.  서울대학교 박진우 명예교수는 “기존의 자동화, 정보화 기술을 최대한 활용하여 생산성이 높은 공장, 유연성이 높은 공장, 환경 친화적인 공장으로 변화시키는 것을 스마트 공장이라고 할 수 있다”면서 “생산성을 높이고, 환경 친화적인 공장으로 구축하게 된다면, 미래에도 경쟁력 있는 기업으로 성장할 수 있다”고 설명했다.  에이시에스 차석근 부사장은 “스마트 공장을 구축해오면서 느낀 부분은 ‘스마트 공장은 기업의 생존을 위해 만들어진 도구’라는 점”이라면서, “기업이 생존하기 위해서는 스마트 공장을 어떻게 잘 활용해서 새로운 시장을 창출할 수 있는지 모색해야 한다. 그렇게 하기 위해서는 직원들도 그에 맞춰 변해야 한다”고 강조했다.  스마트 공장이 국내에 도입되면서 국내 제조기업의 업종 특성을 고려한 ‘한국형 스마트 공장’이라는 말이 등장했다. 박진우 명예교수는 “독일은 2013년 ‘인더스트리 4.0’ 정책을 본격적으로 추진하면서 스마트 공장과 사물인터넷, 가상공간과 물리적 공간의 통합으로 ‘스마트 제조업’을 선도하겠다는 정책을 내세웠다”면서 “이를 통해 세계 최고의 제조업 경쟁력을 갖춘 나라로 성장했다”고 말했다. 이어 그는 “한국은 중국과 같은 후발 개발도상국에 의해 제조업이 어려운 상태에 몰리기 시작했다”면서 “제조업을 살리기 위해 한국에서도 한국 시스템에 맞는 스마트 공장을 추진하기 시작했고, 이를 통해 기업의 생산성과 매출이 향상되었다”고 밝혔다.  한편 스마트 공장의 도입과 성과는 표준모델의 구축뿐만 아니라 기술력을 갖춘 인력 양성도 매우 중요하다. 차석근 부사장은 “스마트 공장의 도입은 중소기업 경쟁력을 높이고 양질의 일자리를 창출해 경제를 활성화할 수 있는 중요한 정책이다”라며 “향후 기업이 생존하기 위해서는 스마트 공장을 보다 더 잘 관리할 수 있는 인재 양성이 중요한 과제가 될 것”이라고 강조했다.   기사 내용은 PDF로도 제공됩니다.

- 박진우 교수 서울대(전 스마트공장추진단장), 차석근 부사장 에이시에스 출연  스마트 팩토리에 대한 관심이 높아지고, 이를 구축하고자 하는 기업들도 확대되고 있다. 그러나 아직도 스마트 팩토리에 대한 잘못된 인식과 우려들이 많은 것도 사실이다. 캐드앤그래픽스 디지털 지식방송 CNG TV에서는 5월 20일(월) 오후 4시 국내 제조업계가 어려움에 처해 있는 현실 속에서, 이를 해결할 수 있는 대안으로서의 스마트 팩토리가 어떠한 방향으로 진행되어야 하는가에 대해 이야기 해 보고자 한다. 이번 방송에는 전 스마트공장추진단장이자 서울대 명예교수인 박진우 교수와 1500여 프로젝트를 수행한 경험을 가지고 있는 에이시에스 차석근 부사장이 출연할 예정이다. 이번 방송에서는 스마트 공장에 대한 정의, 한국 스마트 공장의 경험담, 한국의 스마트 공장의 발전에 대한 조언, 인더스트리 4.0 에 대한 한국 기업의 대응 전략과 스마트 공장의 미래, 그리고 스마트 공장의 관련 비즈니스에 대한 담론이 이루어질 예정이다. 사전등록 및 방송 참여는 다음 링크에서  가능하다.