미디어센터

한국공작기계산업협회가 개최하는 2024 SIMTOS 전시회를 소개합니다.

산업정보

[TECHNICAL TREND] 생산 계획 및 제어 분야의 AI 역할
작성일 2024-01-25 오후 3:46:47
조회수 110
첨부파일

TECHNICAL TREND

 

 

생산 계획 및 제어 분야의 AI 역할 

 

제조업계 AI활용으로 생산관리 프로세스 업그레이드

생산-주문관리-납품 등 효율성 강화 및 비용 절감 효과



인공 지능(AI)과 사물 인터넷, 빅 데이터, 클라우드 컴퓨팅 그리고 모바일 등 지능정보통신기술의 발달로 4차산업의 시대에 들어섰다. 기존 산업계에도 변화가 진행 중이다. 기업들은 AI솔루션를 생산 계획 및 제어 분야에 활용해 다양한 가치를 창출하고 있다. 독일공작기계협회(VDW)의 기술 리포트(AI in Production Planning and Control, ’23.10.10)를 통해 제조업의 AI 솔루션 사례를 살펴봤다.


현재 4차산업혁명 시대에 발맞춰 디지털 혁신의 최대 수혜자들은 산업계의 제조회사들이라고 할 수 있다. 기업들은 디지털 혁신을 통해 다양한 기회를 창출할 수 있다. 실시간으로 축적되는 다량의 데이터를 활용하면서 생산 효율성을 높이고, 제품의 품질을 개선할 수 있을 것이다. 더불어 생산에 투입되는 전체적인 비용도 절감할 수 있을것이다.

제조 효율과 품질개선, 비용절감을 지원하는 인공지능(AI) 솔루션은 이미 기업들의 다양한 영역에서 성공적으로 도입되고 있으며, 집중적으로 지속적인 연구가 이루어지고 있다. 특히 AI 솔루션의 중요한 응용 분야는 ‘생산 계획 및 제어(PPC, Product Plan & Control)’다.

독일의 하노버 공급망 모델(HaLiMo, Hannoveraner Lieferkettenmodell)은 시간적 및 논리적 순서에 따라 PPC의 작업 및 프로세스를 구성하고 있다. 이 HaLiMo 내에서는 AI 솔루션의 다양한 응용을 통한 가치창출 사례를 살펴볼 수 있다. 특히 세 가지 용례, ‘주문 관리에서 납품일 예측’, ‘2차 소요량 계획에서 자재 수요 예측’, ‘지능형 에이전트를 사용한 생산 제어’ 등은 특기할 만하다.





제조기업의 주문관리에서 납품일 예측

AI 활용을 통한 주문 및 배송관리 사례는 글로벌 온라인 유통기업인 아마존(Amazon and Co.)에서 찾아볼 수 있다. 이 기업은 ‘익일 배송’ 서비스 도입 이후로 신속하고 안정적인 배송이 가능하게 됐다. 온라인 유통기업 외에 일반적으로 제조 기업이라면 제품의 생산 못지 않게 빠른 배송을 제공하고 유지하는 것도 매우 중요하다. 제조 기업에게 주문 관리는 두 가지 측면에서 중요하다. 먼저 주문 처리에 착수하면서 주문 확인 프로세스의 일환으로 배송일을 협의하고 확정된 날짜에 배송을 하겠다고 약속을 하게 된다. 다른 한편으로는 주문 조정을 통해 고객 주문의 진행 상황을 추적하고, 복구가 불가한 중단 사태가 발생할 경우 주문 처리 지연에 대해 고지하는 것이다. 이 두가지 작업을 지원하기 위해 AI를 사용하면 배송일을 예측할 수 있다.

유통 업계에서 전통적으로 배송일을 결정하는 방법은 보통 전문적인 지식과 함께 몇 가지 영향 요인들을 고려하는 간단한 통계를 토대로 한다. AI 방식을 도입하면 최신 ERP(Enterprise Resource Planning) 및 MES(Manufacturing Execution Systems)를 통해 기업에서 사용할 수 있는 거래 데이터(확정 데이터, 라우팅, 창고 이동 등)를 활용해 납품일을 예측할 수 있다. 단시간에 신속하게 다량의 데이터를 검색할 수 있으며, 패턴과 트렌드를 감지하고 배송일을 자동으로 산출해 낼 수 있다. 여기에서 활용되는 AI 알고리즘은 기존에 일반적인 통계적 방식에 의한 예측보다 훨씬 정확하다. 하지만 ‘가비지 인-가비지 아웃( GIGO, Garbage In-Garbage Out)’ 원칙이 여기에도 적용된다는 점에 주목해야 한다. GIGO는 “쓰레기를 넣으면 쓰레기가 나온다”는 뜻으로 정확한 데이터의 중 요 성을  직설적으 로  표현한  것이다. 어떠한  데이터를  AI 모델링에 입력하 는 가 에 따라  결과 물 도  천차만별로 나타난다. 실제로 AI 모델링은 데이터를 확보하고 AI가 학습할 수 있도록 데이터를 정리하는 전처리 과정이 전체의 70%를 차지한다.

알고리즘은 궁극적으로 부여받은 데이터만 처리할 수 있다. 통합 데이터가 제대로 유지되지 않거나 피드백 데이터가 미흡하고 충분히 세분화되지 않을 경우에는 산출 결과도 좋지 않다. 또한 AI가 항상 올바른 배송일이 아니라 기본 모델에 따라 가장 확률이 높은 배송일을 결정한다는 점에 유의해야 한다. AI 모델은 근무자 결근 또는 비정상적인 배송 병목 현상과 같은 환경 조건을 모두 해석 할 수 없기 때문에 물품이 고객에게 전달되기 전 배송일을 확인해야 한다.

 

 

2차 소요량 계획의 자재 소요량 예측

제조업의 경우 2차 소요량 계획에서 종속 소요량(dependent requirements)은 생산 프로그램 계획을 토대로 결정된다. 종속 소요량은 완제품 생산을 위한 원자재, 부품 및 조립품 등을 의미한다. 계획된 재고와 실제 재고를 고려해 총소요량(gross requirements)과 순소요량(net requirements)을 계산한 다음, 소요량 유형을 할당한다. 결과적으로 이렇게 할당하다 보면, 외부 조달 또는 내부 생산 제안이 도출되기 마련이다.

수요는 다양한 방법으로 결정할 수 있다. 결정론적 수요 추정, 경험적 방법 및 확률론적 방법 등을 예로 들 수 있다. 결정론적 예측은 불확실성이 거의 없는 안정적이고 예측 가능한 생산 환경에 매우 적합하다. 경험적 방법은 경험과 추정을 통해 데이터가 제한적이거나 빠른 결정이 필요할 때 유용한다. 확률론적 방법은 통계 모델과 확률 분포를 사용해 수요를 예측하는 방법이다. 예측은 확률과 트렌드를 바탕으로 미래 수요를 추정하는 과거 데이터와 수학적 모델을 토대로 한다. 확률론적 방법은 수요를 예측할 수 없거나 변동성이 큰 경우에 유용한다.

확률론적 방법을 적용할 경우 처리해야 할 가장 중요한 과제는 확률론적 관계를 모델링하는 것이다. 실제로 확률론적 관계는 상당히 복잡할 수 있다. 다양한 변수와 요인이 연루돼 서로 상호 작용하고 영향을 미칠 수 있다. 결과적으로 이러한 복잡한 관계를 모델링하기 위해서는 많은 노력이 필요하다. AI를 활용하는 방법을 적용한다면 이같은 난해한 문제를 해결할 수 있다. AI를 활용할 경우 가장 큰 장점은 다량의 데이터를 분석할 수 있다는 점이며, 또한 분석 전문가는 분명히 파악할 수 없는 패턴, 트렌드 및 관계를 파악할 수 있다는 것이다. AI는 고급 머신러닝 알고리즘을 통해 데이터에서 관련 특이점을 추출하고, 이를 모델링에 통합할 수 있다. 이는 보다 정확한 모델을 생성해 수요 예측의 정확성과 PPC의 효율성을 높이는 데 도움이 된다.

 

 

지능형 에이전트의 지원을 통한 생산 제어

생산 제어 부분은 생산 주문을 발주하고 생산 과정에서 이를 제어하는 작업을 담당한다. 생산 제어의 주요 목적은 생산 조정으로 인한 변경 사항을 고려하면서 기존 생산 계획에 따라 생산 주문 처리를 완수하는 것이다. 이러한 목표를 달성하기 위해서 발주된 주문들은 동일한 흐름 속에서 처리되고 전달되어 적절한 순서에 배치돼야 한다. 이러한 맥락에서 살펴본다면 기업이 장기적으로 시장에서 생존하기 위해서는 전통적인 경제 및 생산 물류 요인 외에 환경적 요인을 고려해야 함을 알 수 있다. 현재 제조 기업들이 처리해야 할 주요 과제는 환경적 요인의 통합이라고  할  수  있다. 생산 제어부분에서 AI 역할은 빛을 발한다. 제조업에서 AI는 생산 발주에 이은 주문 처리, 우선순위 배분 등 복잡한 프로세스 속에서 효율적인 결과를 도출하는 다양한 방법을 제공할 수 있다. 기존에 전통적인 생산 제어 방법은 대부분 전문적인 지식과 경험적인 방법 또는 운영 연구 모델을 토대로 결과를 도출해 왔다. AI를 활용한 새로운 접근은 광범위한 데이터 세트로 수많은 특이점을 동시에 고려할 수 있다는 장점이 있다. 잘 정돈된 데이터의 중요성을 언급하는 GIGO 원칙 외에도 피드백 데이터와, 특히 데이터 측정값의 누적수치는 AI 분석 결과의 정확성에 영향을 미친다는 점에 주목해야 한다.

4차 산업혁명과 더불어 무선 주파수 식별(Radio Frequency Identification, RFID) 등과 같은 유관 기술이 지속적으로 발전해 왔다. 비용 투입 대비 효율적인 데이터 수집과 그에 따른 AI 응용 분야의 필수적인 기반은 이미 마련된 상황이다.

참고로 RFID는 무선주파수(Radio Frequency)와 극소형 반도체칩을 활용하여 식품, 동물, 식물, 사물 등의 정보를 관리할 수 있는 기술을 의미한다. 종전의 바코드는 바코드에 내재되어 있는 정보를 수정할 수 없지만 RFID는 반도체로 만들어져 있으므로 내재돼 있는 정보를 수정하고 삭제할 수도 있다. RFID는 활용할 수 있는 분야가 무궁무진하다.

AI를 위한 강화학습 활용은 생산 제어 프로세스의 복잡성에 대처하는 혁신적인 접근법 중 하나라고 할 수 있다.

강화학습은 지능형 에이전트(Intelligent Agent)가 상호 작용을 통해 순차적인 결정을 내리는 것을 학습하는 머신러닝 기술이다. 에이전트는 복잡한 동적 환경에서 목표 달성을 시도하는 시스템을 지칭한다. 특히 지능형 에이전트는 센서를 이용해 주변환경을 지각하며 액츄에이터(Actuator)를 통해 끊임없이 지속적으로 상호작용하며, 가상공간 환경에서 특별한 응용 프로그램을 다루는 사용자를 도울 목적으로 반복적인 작업들을 자동화시켜 주는 컴퓨터 프로그램이다.

에이전트는 큐러닝(Q-learning) 또는 정책 그래디언트(policy gradient)의 도움을 받아 기존에 있었거나 새롭게 나타난 조건(경제적, 물류적, 환경적)을 고려해 전체적인 자체 생산 제어를 할 수 있도록 학습을 수행한다. 간략하게 살펴보면, 큐러닝은 모델이 없는 상황에서 스스로 학습하고 결과치를 쌓아가는 강화 학습 기법 가운데 하나이고, 정책 그래디언트는 강화학습에서 정책(실행을 결정하는 함수)를 학습하는 중요한 알고리즘 중 하나다.

AI를 통한 새로운 생산관리 방식은 기존 확립된 제조업계의 기준보다 요구사항을 더욱 잘 충족시켜 만족도 높은 결과를 창출할 수 있다. AI 활용은 생산관리 프로세스 내 물적배분 효율을 한 차원 더 향상시키는 기회를 제공할 것으로 예상된다.