산업인공지능을 활용한 제조 디지털 전환과 성공사례

“ 인공지능(Artificial Intelligence, AI)이 세상을 바꾸고 있습니다! ”

산업인공지능 기술이란

자율주행, Chatbot, 헬스케어, 의료, 금융 등 많은 분야에서 이미 우리는 ‘파괴적 혁신(disruptive innovation)1)’을 경험하고 있다. 그 결과 일상의 많은 것들이 오프라인에서 온라인으로 옮겨갔다. 실로 엄청난 변화이다. 이를 통해 개인 삶의 질적 개선과 부가가치 창출이 가능해졌다.

제조/발전/에너지/수송 산업분야 상황은 어떤가요? 산업군에 따라 차이는 있겠지만, 거의 모든 기업들은 품질, 생산성, 유지보수성, 산업안전, 가동율과 같은 다양한 산업지표를 개선하려고 엄청난 투자와 노력을 기울이고 있다. 지금까지는 이러한 노력의 대부분이 현장 전문가에 의해 아날로그 방식으로 행해지고 있다. 하지만 이제 산업 노동환경이 바뀌고 있다. 현장 전문가 노령화, 생산인구 감소에 따라 현장에서 전문가를 확보하기란 매우 어려운 일이 되었다. 결과적으로 현장 전문가의 공백을 메꾸어야 한다. 그 답이 ‘도메인(현장) 지식’과 ‘산업데이터’를 활용한 ‘산업인공지능’ 기술에 있다고 생각한다. 즉, 산업인공지능 기술은 현장 전문가가 부족한 상황속에도 산업데이터를 활용해서 산업 별 주요 산업지표를 향상시킬 수 있다.

제조 디지털 전환 이슈들

제조  현장에 디지털 전환이 화 제다. 거의 모든  대기업은  디지털전환(digital transformation) 별도 부서를 마련했고, 직무변경도 진행했으며, 다양한 산업분야에 인공지능을 활발히 적용하고 있다. 하지만, ‘파괴적 혁신’을 만든 사례는 아직 들은 바 없다.

왜 그럴까? 그 이유를 다음 세가지로 꼽는다.

첫째, 산업 내 데이터는 많지만, 막상 사용하려고 하면 쓸만한 데이터는 거의 없다. 둘째, 산업 데이터는 인공지능 만으로는 분석이 안된다. 셋째, 산업 설비 운영관리 전문가 부족이 매우 심각하다.

제조 디지털 전환을 통해 무엇을 얻고자 하는가?

최근 제조산업 관련 키워드는 ‘현장 전문가 부족’과 ‘리소어링 (reshoring)’이다. 이 때문에 제조라인이 글로벌화되면서 대응해야 하는 영역이 넓어지고 있으나 정작 대응해야 할 전문인력은 줄어들고 있다. 제조산업에서의 주요 산업지표는 품질, 생산성, 유지보수성, 산업안전, 가동율 등이다. 아직은 많은 현장 전문가들이 그러한 산업 문제를 해결하고 있지만, 이제는 혁신이 필요하다. 부족한 현장 전문가를 돕거나 현장 전문가 없이도 산업지표 개선활동이 가능해야 한다. 그러한 문제를 풀어내는 게 제조 디지털 전환의 목적이다.

제조 디지털 전환의 목적 달성을 위해, 제조 설비 단에서 다양한 계측 데이터를 실시간 취득하고, 산업 빅데이터를 분석하고, 분석 결과를 실시간 모니터링하고, 신속하고 정확하게 의사결정 할 수 있는 디지털 체계가 만들어져야 한다. 그러기 위해선, 양질의 산업데이터 확보를 위한 노력과 기술이 필요하고, 산업인공지능 기술 개발과 검증이 시급하다. 이를통해 현장 전문가 부족 상황에도 주요 산업지표를 극대화하는 제조산업의 ‘파괴적 혁신’ 사례가  발굴되어야  한다.

현장 전문가보다 빠르고 정확하게 산업지표 향상을 위한 의사결정이 가능해져야 제조산업의 ‘파괴적 혁신’이 가능해진다. 최근 제조산업에 ‘파괴적 혁신’ 가능성에 희망적 결과가 나오고 있다. 원프레딕트에서 개발한 가디원 오토메이션(guardioneⓡ automation)과 가디원 터보(guardioneⓡ turbo)솔루션들의 성공적 현장 검증이다. 두 제품의 특징은 고샘플링 계측데이터와 저샘플링 운전데이터를 융합하여 주요 산업지표인 품질, 유지정비성, 가용도, 설비 신뢰성 등을 정확하게 추정하여 현장 전문가의 의사결정을 돕는다.

사례 연구 1

가디원 오토메이션은 반도체, 배터리, 자동차, 디스플레이, 쏠라셀 제조라인 같이 서보모터와 부하설비들의 조합으로 구성된 이산형 제조(discrete manufacturing)와 물류 설비에 주로 적용 가능하다. 해당 솔루션은 서보모터에서 얻어지는 고샘플링 전류데이터와 제조라인 저샘플링 PLC(Programmable Logic Controller) 데이터를 활용하여, 주요 산업지표인 품질, 유지정비성, 가용도, 설비 신뢰성 등의 산업지표를 정확하게 진단하고 예측한다.

(그림 1) 해당 솔루션이 자동화 공정에 적용되면서 지난 1년간 총 120여건의 생산현장 문제를 선제적으로 해결해왔다. 이중 품질불량 예측이 약 60%, 오정비(incorrect maintenance) 진단이 25%, 예지보전이 15%에 해당한다는 결과를 확인했다.

사례 별 평균기회손실비용은 약 8,000만원으로, 지난 1년간 96억원의 비용 절감효과를 거뒀고, 이는 엄청난 투자대비수익(Return on investment; ROI) 효과로 이어졌다. 이것이 가능했던 이유는, 지난 1년간 양질의 데이터 확보, 고도의 산업인공지능 기술 개발과 현장 검증, 현장 전문가의 적극적 참여가 있었기에 가능했다.

사례 연구 2

가디원 터보는 석유화학, 오일, 가스, 발전소 등 주로 대형 회전체들이 많은 프로세스 제조(process manufacturing)에 적용 가능하다. 프로세스 제조라인에는 다수의 대형회전설비와 밸브, 배관으로 구성되어 있다. 여기서 얻어지는 고샘플링 진동데이터와 저샘플링 생산라인 DCS(Distributed Control System) 데이터를 활용하여, 주요 산업지표인 설비 신뢰성, 설비가용도, 생산성 등의 산업지표를 정확하게 진단하고 예측한다. (그림 2) 해당 솔루션이 석유화학 공정, 발전소 공정에 적용되면서 지난 2년간 몇번의 불시고장을 예측하여 사전대응이 가능했다. 통상 해당 설비의 고장 시 발생할 수 있는 수십억원에서 수천억원 손실을 막을 수있다. 이것이 가능했던 이유도 마찬가지로 양질의 데이터 확보, 고도의 산업인공지능 기술개발과 현장 검증, 현장 전문가의 적극적 참여가 있었기에 가능했다. 동시에 현장 설비 운영전문가, 유지보수 전문가들의 암묵적 전문 지식이 해당 솔루션에 디지털적으로 반영되면서 오탐(false alarm)과 과탐(missed alarm)을 제거하는 매우 유의미한 발견도 있었다.

결론

위 사례연구를 통해, 사업에서의 파괴적 혁신은 결국 시간과 노력의 문제이다. 우리가 일상에서 경험한  디지털 변환을 산업에서 경험할  날이 멀지 않았다는 걸 짐작할  수 있다. 그러기 위해서는 위에 언급한 세가지 이슈 해결이 매우 중요하고 시급하다. (1)양질의 데이터 확보, (2)고도의 산업인공지능 기술 개발, (3)현장에서의 철저한 검증이다.

어쩌면 산업의 파괴적 혁신은 대한민국 생존의 문제이다. 생산가능인구가 줄어들고, 글로벌 산업 경쟁이 심화되고, 사회적 불확실성이 커진 우리 제조산업은 돌파구가 필요한 상황이다. 희망적인 건, 우리나라는 산업의 파괴적 혁신을 만들 최적의 조건에 있다. 다양한 제조 현장이 있고, 여전히 풍부한 현장 전문가가 있고, 제조 빅데이터를 다룰 수있는 대기업 집단과 파트너사들 간의 생태계가 잘 형성되어 있다. 우리는 정부, 민간기업, 연구기관의 협업을 통해 이 문제를 슬기롭게 풀어가야 한다. 산업인공지능 관련 강소기업을 육성하고, 국내 산업경쟁력을 제고하고, 유관 전문인력을 체계적으로 육성해야 한다. 일상의 파괴적 혁신은 Amazon, Tesla, Netflix, Airbnb 등 미국 기업들에 의해 시작됐지만, 제조 산업에서의 파괴적 혁신은 반드시 우리의 손에서 시작됐으면 하는 바램이다.