많은 기업들이 제조 과정에서 축적된 데이터를 활용해 효율적인 제품 개발 및 생산을 가능케 하는 "Manufacturing AI" 활용을 시작하였지만, 여전히 AI 도입을 시작으로 제조 혁신을 이루고 황금기를 맞이할 수 있을지 많은 기업들이 궁금해하고 있는데요.
이번 포스팅은 '제조AI'를 주제로 Part 1,2에 걸쳐 제조 데이터에 AI를 활용하는 방법부터 한계점, 활용 방안등 제조 AI에 대한 솔직한 이야기들을 포스팅하려고 합니다.
※ 이 포스팅은 비스텔리젼스 나혁준 부설 연구소장님이 데이터 산업백서에 참여하신 내용 일부를 발췌하여 작성하였습니다.
수십 년 동안 기업들은 IoT를 통해 데이터를 수집하고, 응용 시스템을 구축하며, 경우에 따라 자동 제어 시스템 영역으로까지 공장을 "디지털화"해 왔습니다. 이로 인해 생산 현장의 많은 데이터들을 컴퓨터나 모바일 장치에서 쉽게 볼 수 있게 되었지만, 아직까지 대부분의 제조 회사들은 AI를 적용하는 분석 및 의사 결정 지원 솔루션의 최신 기술에 다른 산업에 비해 상대적으로 따라가지 못하고 있는 실정입니다.
하지만, 점차적으로 제조업에서도 AI 적용 범위가 서서히 증가하고, 그 효과가 나타나고 있습니다. 바야흐로 Manufacturing AI의 시대가 도래하고 있는 것입니다. 이번 토픽에서는 IoT를 통해서 실시간 수집되는 다양하고 방대한 제조 데이터에 AI를 활용하는 구체적인 방법들과 그 한계점들에 대해 알아보고, 특히 AI를 제조 설비의 이상 감지와 고장 예측에 활용하는 사례에 대해 소개하겠습니다.
1. 제조업에서의 AI 활용
AI는 제조업의 여러 영역에서 사용되고 있으며, 특히 설비 예지 보전(Predictive Maintenance), ProcessQuality Optimization, Process Autonomous Automation Control 영역에서 그 활용 가치가 크게 증가하고 있습니다.
- 설비 예지 보전(Predictive Maintenance): 제조 설비는 대부분 적절한 시점에 정비(Maintenance)를 해주어야 하는데, 생산 중에 예상치 못한 문제가 발생하거나, 생산 납기를 맞추기 위하여 무리하게 설비를 운영하는 경우, 계획되지 않은 고장(Unscheduled Downtime)이 발생할 수 있으며, 이것은 계획 정비(Scheduled Downtime) 보다 통상 2~10배의 비용이 더 소요될 수 있습니다. 단순하게 설비 정비 시간이 더 길어지는 것뿐만 아니라, 생산 중 발생한 생산품의 폐기(Scrap) 및 재작업(Rework) 비용 때문에 그 손실이 커지는 것입니다.
그렇다고 고장이 발생하기 전에 너무 미리, 그리고 너무 자주 설비에 대한 정비를 실행한다면, 목표로한 생산량을 못 맞출 수 있을 뿐만 아니라, 부품 등 정비 자체에 드는 비용이 불필요하게 증가할 수 있다.
따라서, 좋은 품질의 제품을 생산할 수 있도록 설비의 상태를 최적으로 유지하면서, 설비가 고장이 나기전에 적절한 정비를 수행할 수 있다면, 비용 절감뿐만 아니라 공장 운영 측면에서도 큰 도움이 될 수 있으며, 다양한 설비 데이터와 고장 패턴들에 AI를 접목하여 설비 예지 보전(Predictive Maintenance)을 구현하기 위한 많은 연구가 이루어지고 있습니다.
- Process Quality Optimization : 제조 현장에서 발생하는 데이터는 생산 중인 설비로부터 수집되는 데이터도 있지만, 생산된 제품의 품질 등을 검사해서 얻어지는 데이터도 있습니다. 이러한 생산 데이터와 품질 데이터는 매우 밀접한 관계가 있는데, 생산하는 동안의 설비의 상태는 생산되는 제품의 품질에도 크게 영향을 미치기 때문이며, 이러한 생산 데이터는 다양한 센서 등을 통해서 실시간 수집됩니다.
품질 검사는 보통 생산 공정의 제일 마지막에 이루어지지만, 반도체 등 생산 스텝이 많고 복잡한 제조 공정에서는 중간중간 중요 스텝마다 계측 테스트를 실행하기도 합니다. 최종적으로 판매를 위한 완제품의 품질이 가장 중요하며, 이것은 수율(전체 제품 대비 정상 제품의 비율)로 관리를 하는데, 생산 데이터의 변화 내용을 분석하고 활용하여 품질과 수율을 예측할 수 있다면 생산 물량 관리와 공정 운영 측면에서 큰 도움이 됩니다.
수율 및 품질 예측에 사용된 데이터를 생산하는 설비 자체의 성능과 생산성 변화를 예측하는데도 활용할 수 있습니다. 수율 및 품질 개선을 위하여 불량의 유형을 자동으로 분류하고, 품질 및 설비의 생산성 예측을 기반으로 한 Process Quality Optimization 목표 달성에 여러 가지 AI 기법이 사용되고 있습니다.
- Process Autonomous Automation Control: AI를 활용한 Predictive Maintenance와 Process Quality Optimization의 결과를 실제 제조 현장에 빨리 적용하여 효과를 보기 위해서는, 엔지니어가 아닌 시스템이 자율적(Autonomous)으로 의사 결정을 하고, 또는 엔지니어의 의사 결정을 지원하고, 그 의사 결정 내용을 자동으로(Automation) 적용할 수 있어야 합니다.
이를 위해서는 지식 저장소(Knowledge Base)를 구축하고, 의사 결정 시점에 이를 자동으로 활용할 수 있는 체계를 먼저 만들어야 합니다. 과거 데이터를 이용하여 Knowledge Base의 기초를 만들고, 새로운 데이터가 수집될때마다 데이터 간의 상관성을 분석하여 Knowledge Base를 Update 하며, 설비 이상 등 새로운 Event가 발생한 경우에 저장된 Knowledge Base에서 과거 유사 패턴을 찾아 엔지니어의 의사 결정을 지원하는 시스템을 만들는데, 이러한 과정에서 다양한 AI 기법들이 활용되고 있습니다.
데이터 관점에서 설비 이상이 감지된 경우, Knowledge Base를 통하여 과거 유사한 이상 패턴을 탐색하며, 이 이상에 대해 엔지니어가 조치해야할 내용까지 자동으로 생성합니다. 축적된 과거 데이터에 근거하여, 때로는 이 이상이 별다른 조치가 필요 없는 가성 알람(False Alarm)으로 취급되기도 합니다. 조치가 필요한 경우, IT뿐만 아니라 OT(Operation Technology) 영역까지의 자동화 기술이 필요할 수 있습니다.
2. 제조업에서의 AI 활용 가치
제조업에서의 AI 활용 가치는 이미 여러 영역에서 증명되고 있으며, 특히 설비 고장 예측을 통한 가용성 확보, 수율 및 품질 향상, 설비 생산성 증가, 공정 운영성 개선, 안전 사고 예방 등이 주요 영역입니다.
- 제조 현장에서 발생하는 데이터들은 AI를 통하여 그 활용도가 계속 높아지고 있으며, 대부분의 제조 업체에서 수집되는 전체 데이터의 30%가 AI를 통하여 추가로 활용되고 있다고 합니다.
- 낭비되는 비용의 60%는 불필요한 운영 및 유지보수 비용에서 발생하는데, Predictive Maintenance를 통하여 Unscheduled Downtime을 줄이고, 불필요한 운영 및 유지 보수 비용을 절감할 수 있습니다.
- 제품 품질 예측과 설비 생산성 예측을 통하여 생산 납기 준수율이 20~30% 증가하고, 예측된 값을 활용 시 공정 운영성이 개선됩니다.
- 제조 비용의 80%는 Design 단계에서 결정되는데, 여러 데이터와 AI 기법을 이용하여 다양한 Simulation을 실행하고, 이는 Design 개선 및 Production 최적화로 이어질 수 있습니다.
- Design 개선으로 운영 자본의 7%를 절약할 수 있습니다.
- 시뮬레이션 및 테스트를 통해 불량률의 20~50%가 감소될 수 있습니다.
- 자동화된 Operation으로 제품 개발 비용의 50%를 절감할 수 있습니다.
3. 제조업에서 AI 활용의 한계
앞에서 기술한 것과 같이 제조업에서 이미 AI가 많이 활용되고 있지만, 항상 기대하는 결과가 도출되는 것은 아닙니다. 제조업에서 AI 활용의 한계점이 무엇인지 알아보겠습니다.
- 설비 예지 보전(Predictive Maintenance): 설비 고장을 예측하는 모델을 만들려면, 충분한 고장 Case를 학습해서 모델을 만들 수 있어야 하는데, 실제 현장에서는 고장 데이터가 매우 부족한 상황입니다. 이제 막 데이터를 수집하기 시작한 공장들도 있고, 아직 활용하기 힘든 형태로 데이터가 저장된 곳도 있으며, 주요 고장이나 정비 기록을 아직 매뉴얼로 관리하는 곳도 많습니다. 무엇보다 많은 설비들이 AI 모델을 만들만큼 충분한 고장이 발생하지 않고 있는데, 길게는 정비 사이클이 3년 이상 되는 설비들도 산업 현장도 존재한답니다. 이러한 경우에는 적정 정비 시점을 예측하는 것은 거의 불가능하며, 이상 감지 (Anomaly Detection) 등 다른 목적으로 AI를 활용하는 것이 바람직합니다.
- Process Quality Optimization: 제조 현장에서는 생산 설비의 고장 발생 데이터가 AI 모델을 만들기에 충분하지 않을 뿐만 아니라, 품질 이상이나 저수율 데이터도 충분하지 않은 경우가 많습니다. 반도체 후공정의 경우 수율은 99%를 훨씬 상회하기도 합니다. 또, 궁극적으로 불량을 줄여 품질을 높이기 위해서는 불량 유형별 원인과 생산 데이터와의 상관성을 분석하고, 생산 조건을 조정해야 하는데, 만약 불량 유형이 매우 다양하며 그 모수 자체가 많지 않은 경우에는 좋은 분석 결과를 도출하기 어렵고, 특히 이런 불량을 예측하는 것은 더욱 어려운 과제가 됩니다.
- Process Autonomous Automation Control: 엔지니어는 여전히 자신의 경험과 직관에 의해 판단하려고 하는데, 여기에 Data 및 AI Model 기반의 결과를 얼마나 잘 적용할 수 있는지가 도전 과제 이기도합니다. 궁극적으로 시스템에 의한 자율적(Autonomous)인 의사 결정, 또는 의사 결정 지원을 위해서는 과거 이력을 바탕으로 지식 저장소(Knowledge Base)를 구축하는 것이 중요한데, 비정형 데이터를 포함하여 다양한 형태로 산재되어 있는 엔지니어의 지식, 노하우, 사고 처리 이력 등을 정형화하고, 이에 대한 의미 있는 연관성을 부여하는 것은 중요하지만 쉽지 않은 작업입니다. 또, Data와 AI 기반의 모델로부터 얻어진 결과를 엔지니어가 수행할 작업 지시로까지 자동으로 전환할 수 있는 시스템을 만들기 위해서는 Knowledge Base 구축 초기에 엔지니어의 도메인 지식을 반영할 수 있는 프로세스 구축이 중요하며, 지속적으로 Knowledge를 축적하고 의미 있는 연관성들을 계속 Update 해 나가야 합니다. Data 및 AI Model 관점에서 이상 발생(Anomaly Detection) 시, 이것이 진성 알람인지, 가성 알람인지 구별을 해줘야 하며, 진성 알람의 경우에는 이에 대한 적절한 조치 내용까지 Knowledge Base에 구축되어야 합니다. 이렇게 Knowledge Base가 구축된 후에는 유사 문제 발생 시 이를 잘 활용할 수 있지만, 여기서 핵심은 얼마나 풍성하고 정확한 Knowledge Base를 구축할 수 있는 것인가 이고, 또 변화하는 공정 사황에 맞게 지속적으로 관리할 수 있느냐입니다.
이번 포스팅을 통해 제조업에서의 AI 활용 가치와 한계에 대해 다루어보았습니다. 다음 포스팅에서는 제조 AI의 한계에도 불구하고, 왜 우리가 제조 AI를 도입해야 하는지, 제조 AI 적용 사례 등을 다룰 예정이니 많은 관심 부탁드립니다. 😄
