오늘날 ‘스마트 공장’에 대한 우리의 이해는 인공지능(AI)과 딥 러닝과 밀접하게 연결되어 있다. 15년 전, 미래의 스마트 공장에 대한 첫 번째 비전이 등장했을 때의 개념과는 상당히 다르다. 과거의 비전은 어떻게 되었고, 우리는 현재 어디에 있을까?
전 세계적으로 통용되는 ‘스마트 공장’ 정의는 존재하지 않는다. 게다가 우리가 오늘날 ‘미래의 공장’이라고 부르는 것은 10년 후에는 또 다른 개념일 가능성이 높다. 이 변화하는 정의는 복잡성 요소 중 하나에 불과하다. 또한 ‘스마트 공장’이라는 용어는 일단 완성되면 더 이상 발전을 할 여지가 없는 최종 상태를 암시하기도 한다. 10년 전에 건설된 스마트 공장도 기술 발전과 데이터 활용을 통해 ‘더 스마트’해지지 않았을까? 따라서 ‘더 스마트한 공장’이라는 용어가 나을 수도 있다.
‘더 스마트한 공장’의 목표는 작은 단계로부터 시작하여 하면서 배우는 과정을 통해 달성할 수 있다. ‘더 스마트한 공장’ 접근 방식은 이미 기술, 자동화, 데이터 수집 시스템이 구축되어 있는 기존 공장에도 적용 가능하다. 토론의 여지가 있지만, 기존 공장을 더 스마트하게 만드는 것이 완전히 새로운 스마트 공장을 처음부터 구축하는 것보다 훨씬 쉽게 달성 가능하다고 본다.
하지만 어디서부터 시작해야 할까?
작은 목표를 설정할 수 있는 ‘더 스마트한 공장’ 전략을 정의하는 것은 지혜로운 선택이다. 이를 통해 반복적이고 민첩한 접근 방식을 취할 수 있다. 장기간 이익을 확인하기 어려운 대규모 프로젝트 하나를 시작하는 대신 여러 주제를 동시에 진행할 수 있다. 특히 개선 과정에서 일부 작업 역할이 필요 없어질 수 있을 때는 다양한 부서의 사람들을 처음부터 참여시키는 것이 중요하다. 민첩한 프로세스에서 다양한 역할의 참여와 의견은 미래 관점을 제공하고 노력이 무위로 돌아갈 위험을 줄인다.
빠른 성과를 거둘 수 있는 한 가지 예시를 살펴보면, 순탄한 미래를 지향하며 화석 연료에서 전기화로 전환하는 방법을 고려하는 기업을 들 수 있다. 한 가지 문제는 필요한 용량으로 빠르게 업그레이드할 수 없는 전력망 연결이다. 아무것도 하지 않는 것은 선택사항이 아니다. 에너지 소비 양상과 최대 소비량을 파악하면 로컬 발전과 저장 조합이 실행 가능한 옵션이 될 수 있다. 이러한 노력은 ‘더 스마트한 공장’ 전략에 부합하며 모든 곳에서 쉽게 사용할 수 없는 정보로부터 시작된다.
에너지 효율 향상을 위한 현명한 정보 활용
생산 공정 방해 없이 모든 장비에 에너지 미터를 설치하는 대신 PLC 프로그램에서 이미 다른 목적으로 사용하는 기존 센서로부터 장비의 에너지 소비량을 추론할 수 있다. 다른 장비는 일일 수동 기록을 통해 운영 시간으로부터 소비량을 추정할 수 있다.
경험 많은 현장 작업자들은 장비가 작동하면서도 실제로 가동하지 않을 때의 상태를 잘 알고 있다. 기존 지식을 효과적으로 활용하면 큰 이득을 얻을 수 있다. 하지만 어느 시점에서 자동 데이터 수집 구현이 필요하다. 유지보수 직원과 네트워킹 경험이 있는 시스템 통합자는 새로운 측정 장치 설치 시 가장 효율적이고 쉬운 위치를 결정하는 데 도움을 줄 수 있다. IT 부서는 사이버 보안을 유지하면서 필요한 데이터 저장소와 백업을 제공할 수 있다.
데이터 구조화 및 조화
가능한 한 버즈워드 사용을 피하려고 노력했지만, 일부는 버즈워드로 간주할 수 있는 패러다임을 소개하고 싶다. 엣지 컴퓨팅이다. 에너지 미터 및 기타 장치에서 최대 100밀리초 속도로 다양한 데이터를 수집할 수 있으며 이는 막대한 양의 데이터를 생성한다.
데이터가 새로운 금이라는 데 동의하지만 이 개념은 시각에 따라 달라진다. 필요한 질문에 답변을 주는 올바른 종류의 데이터를 가지고 있을 때 금이다. 물론 금의 가격은 세계 경제 트렌드, 금리, 투자자들의 불안감에 따라 변동한다. 마찬가지로 데이터의 가치도 변동한다. 에너지 가격이 낮을 때 에너지 소비 데이터의 가치는 낮다. 에너지 위기 동안 더 가치가 있다. 그리고 다른 센서 및 생산 정보와 관련된 맥락 없이 엄청난 양의 소비 데이터를 보유하는 것은 어리석은 자의 금이나 다름없을 수 있다.
실제 가치 도출
많은 에너지 미터는 Modbus 프로토콜을 통해 정보를 제공한다. 타임스탬프 정보 또는 품질 정보를 전달하는 메커니즘이 없다. 또한 데이터 일관성과 관련된 문제도 고려해야 한다. 에너지 미터를 교체해야 하는 경우 에너지 소비량 판독값의 갑작스런 변화는 다운스트림 논리, 알고리즘 및 보고에 영향을 미칠 수 있다. Sunspec과 같은 Modbus 정보 통합을 위한 표준이 출현하고 있지만 모든 미터가 이를 지원하는 것은 아니다.
가상 에너지 소비 데이터로 사용되는 다른 데이터는 유용하게 사용하기 위해 일부 변환 및 조화가 필요하다. 이상적으로 데이터는 시각화, 보고 및 의사 결정을 위해 다운스트림에서 필요한 것으로만 축소되어야 한다. 이러한 모든 작업은 '엣지' 즉 생산 가까운 로컬에서 수행하거나 계산할 수 있다.
미래의 스마트 팩토리
완전히 자율적이고 자체 최적화, 자체 유지보수, 자체 복구, 영속적인 프로세스 공장은 현재 공상과학(SF)일 수 있다. 하지만 앞으로는 더욱 스마트한 공장이 필요할 것이다. 심해 또는 달에서 산소나 수소를 생산하는 시설을 생각해 보자. 미래의 이 스마트 팩토리들은 훨씬 더 큰 도전이 될 것이다.
헬로티 김진희 기자 |
