• 회원가입
  • |
  • 로그인
  • |
  • 장바구니
  • News
    뉴스 신제품 신간 Culture & Life
  • 강좌/특집
    특집 강좌 자료창고 갤러리
  • 리뷰
    리뷰
  • 매거진
    목차 및 부록보기 잡지 세션별 성격 뉴스레터 정기구독안내 정기구독하기 단행본 및 기타 구입
  • 행사/이벤트
    행사 전체보기 캐드앤그래픽스 행사
  • CNG TV
    방송리스트 방송 다시보기 공지사항
  • 커뮤니티
    업체홍보 공지사항 설문조사 자유게시판 Q&A게시판 구인구직/학원소식
  • 디렉토리
    디렉토리 전체보기 소프트웨어 공급업체 하드웨어 공급업체 기계관련 서비스 건축관련 업체 및 서비스 교육기관/학원 관련DB 추천 사이트
  • 회사소개
    회사소개 회사연혁 출판사업부 광고안내 제휴 및 협력제안 회사조직 및 연락처 오시는길
  • 고객지원센터
    고객지원 Q&A 이메일 문의 기사제보 및 기고 개인정보 취급방침 기타 결제 업체등록결제
  • 쇼핑몰
스마트 공장을 가능하게 해주는 주요 기술은?
2019-09-22 1,644 22

제조시스템 혁신(3) 

 스마트 공장을 가능하게 해주는 주요 기술


가상 기반 기술들은 물리적 실체를 가지고 있지 않은 추상적인 부분으로서, 컴퓨터 상에만 구축/표현되는 가상의 객체와 관련된 기술이다. 가상 기반 기술들은 상호간 인터페이스를 통해 데이터를 주고 받을 수 있어야 하며, 실제의 물리적 객체들과 IoT를 통해 연결되어 있다. 제조시스템을 관리하고 평가하고 제어하고 계획하는데 사용되는 모든 모델과 지표 및 의사결정 과정들이 가상 기반 기술에 포함된다. 실제 세계의 객체들을 얼마나 정확하게 표현하고 분석할 수 있는가 하는 점이 중요하다. 스마트 공장을 가능하게 해주는 주요 기술들(enabler)은 대표적으로 IoT, AI 및 기계학습, Big Data 및 분석 기술, Cyber Security 등이 있다.

출처 : https://pixabay.com

스마트 공장 주요 기술
애플리케이션 프로그램은 가상기반 기술의 한 종류로서, 주로 제조시스템의 특정한 기능들을 담당하는 역할을 수행한다. 특정한 기능들은 예를 들면, 제품 설계, 제조 명령 수행, 제조 관리, 설비 제어, 기업 자원관리 등이다. 스마트 제조시스템에서는 개별적인 어플리케이션들 사이의 인터페이스 표준화를 통한 통합과 협업 능력이 중요해 진다. 스마트 제조시스템을 위한 주요 기술 요소들은 Digital Twin, CAX(Simu lation 포함), PLM, MES, SCADA, PLC, DCS, ERP, SCM, APS 등이 있다.

 제조시스템을 구성하는 구체적인 객체들을 의미한다. 넓은 의미의 제조시스템에서는, 제품, 원자재, 자원, 설비, 시설, 고객 등 기업의 가치창출 사슬에 관련된 모든 객체를 포함한다. 좁은 의미에서는 제조 현장에 설치되어 있는 가공 설비, 조립 설비, 포장 설비, 창고 등의 시설, 치공구, 물류 설비 등을 포함한다.

 물리기반기술은 작업자의 노동력을 대체하거나 보조하여 생산성을 높이고, 반복작업의 품질을 균일하게 하고, 오류 가능성을 낮추는 방향으로 발전하고 있다. 스마트 제조시스템을 위한 주요 기술 요소들에는 Smart Sensor, Robotics/자율협동로봇/Exoskeletons, 3D Printing, AR/VR/MR, Smart Machine, Mobile Devices, AGV, Motion Controller, CNC, RFID/NFC, Machine Vision 등이 있다.

플랫폼 기술(Platform technology)
 플랫폼 기술은 다른 스마트 제조 기술이 도입될 수 있는 기반을 이루는 기술들이며, 4차 산업혁명에서는 종래의 생산기반기술 외에 주로 ICT 신기술분야를 의미한다. 플랫폼은 모듈들을 담아내는 틀의 역할을 하며, 이 모듈들이 수평적 네트워킹을 통해 상호작용하도록 한다. 플랫폼 기술 중에 가장 핵심적인 것은 사이버 혹은 물리적 객체들 사이의 인터페이스를 가능하게 해 주는 유무선 통신기술로서, 이것을 통해 IoT에 기반한 디지털 제조시스템 구축이 가능해진다. 스마트 제조시스템을 위한 주요 기술 요소들에는 5G/광대역인터넷, Cloud Computing, 무선통신, CPS, HMI/UI/UX, Energy System 등이 있다.

 국내 스마트 공장 공급기업들에 대한 효과적인 지원 전략을 수립하기 위해서는 공급기술의 수준에 대한 체계적 진단이 필요하다. 글로벌 시장에서의 국내 공급기술의 상대적 수준을 파악하여 현실성 있는 공급기업 지원 정책 수립 기반 마련이 필요하다. 국내외 시장 상황에 맞는 기술 수준에 대한 정보를 제공하여 공급기업 및 수요기업의 스마트 공장 사업화 전략 수립을 지원해야 한다.

 기술 분야에 대한 전략적 중요도 및 우리나라의 경쟁력을 매트릭스 형태로 분석하여 국가 차원의 대응 전략 수립이 필요하다. 기술적 경쟁력이 부족하고 전략적 중요도도 떨어지는 기술분야는 외국에서 기술을 수입하고 기술적 경쟁력이 부족하나 전략적 중요도가 높은 기술 분야는 경쟁력을 갖춘 국가와 협력해야 한다. 특히 기술적 경쟁력을 갖추고 있으나 전략적 중요도가 낮은 기술분야는 후진국에 기술을 이전하고 기술적 경쟁력을 갖추고 있고 전략적 중요도도 높은 기술분야는 국내 공급산업을 집중 육성하여 국제적으로 선도적인 경쟁력을 확보해야 한다.

제조 분야 AI 기반 시스템 발전 전략
 제조업 분야에서의 AI 도입/활용은 당연한 것으로 예상되지만, 제조업에서 새로운 IT 기술 도입에 보수적이어서 본격적인 도입에는 상당한 시간이 소요될 것으로 예상된다. 산업별 선두 기업들 위주로 Tes t & Learn 형태의 Pilot Project 위주로 아직은 AI와의 적합성을 시도해 보고 있다. 최근 제조기업들도 IoT, 빅 데이터 기술을 도입하면서, 축적된 방대한 데이터를 AI 기술로 분석하여 의사결정에 필요한 중요한 요인들을 얻으려는 수요는 점점 커지고 있다.

 대부분 세상에 알려진 AI 기술은 B2C에서 도입한 사례이다. 사진을 자동으로 분류해 주는 구글 포토, 음성인식 스피커, 사용자 데이터를 분석하여 추천해 주는 비디오/음악 서비스 등은 널리 알려진 사례이다. 또 제조업 분야에서 AI 도입이 어려운 구조적인 이유는 B2C에 사용되는 AI 기술과 제조업에 사용되는 Industrial AI 기술이 목적과 대상으로 하는 데이터가 다르기 때문이다.

 또한, 제조업 분야에서 AI 도입이 어려운 이유는 직관적 해석이 어려운 데이터 특성 뿐 아니라, 제조 공정과 제품이 복잡해지면서 분석하려는 문제 자체가 어려워지고, 제조업 분야 데이터 전문가에 대한 수급 불균형이 심하기 때문이다. 이러한 복잡한 제조 이슈를 Data 분석 기반으로 해결하기 위해서는 AI & Data 분석 최신 기술과 산업 전문지식의 결합이 필요하다.

 제조 현장에서는 산업에 따라 하루에도 테라바이트 이상의 방대한 데이터가 제조 장비, 설비, 공정, 제품에서 쏟아져 나오기 때문에 이런 빅 데이터를 머신러닝, Deep learning 기술로 분석하려는 다양한 시도를 제조 기업들은 하고 있다. 이러한 시도는 아직 복잡도가 높은 일부 산업인 반도체, 자동차, 철강 관련 기업에서 선제적으로 진행하고 있다. 공정, 원재료와 제품이 크게 변화하지 않은 원유 정제산업, 화학 플랜트 산업보다는 공정, 원재료 등이 지속적으로 변화하는 복잡도가 높은 산업에서 AI 수요가 더 높다.

 현재 데이터 분석가의 인건비는 매우 높은 상황이다. 미국 실리콘밸리 기준 일 년에 4~5억을 넘고 있다. 국내에서도 1~3억 수준이며 수급 불균형 현상은 미국보다 더욱 심하기 때문에 개별 중소기업에서 채용하기는 어렵다. AI 도입은 AI 기술 자체가 아니라 결국 AI 기술과 운영(Operation) 기술의 결합으로 제조 이슈를 해결해야 하므로 지속적인 추진이 필요하다. 그러나 예산, 인력이 부족한 제조 중소기업으로서는 지속적인 추진이 어렵다.

 AI 도입을 위한 Resource가 부족한 중소/중견 제조기업을 위한 대안으로 Data Analytics As a Service 도입이 가능하다. 데이터 저장(Infra As a Service), 프로그램 개발 환경(Platform As a Service)을 클라우드 업체로부터 제공받아서, 데이터 저장 및 처리에 대한 부담을 감소시킬 수 있다. 이러한 클라우드 환경에서 데이터 분석 AI 모델은 Software As a Service(SaaS) 형태로 제공받을 수 있다. 자동차 부품제조 기업들의 대상 데이터는 다르나, 최종 품질검사를 AI 모델을 통해 시도하려는 수요가 공통적으로 있다. 데이터 분석 전문기업이 반제품 형태의 AI 모델을 클라우드 기반 SaaS 형태로 제공하고, 기업별로 일부 Customizing하여 사용할 수 있다.

 최근에 중견기업에서도 데이터 분석 수요가 높은데, 실제로는 데이터 준비도가 낮은 경우가 많다. 따라서 사전에 어떤 데이터를 어떻게 준비하는지를 가이드해주는 것이 필요하다. 데이터 분석 전문 기업과 제조공정 전문 컨설팅 기업이 공동으로 데이터 분석 수요가 있는 중견기업에게 컨설팅 하여 사전 데이터 준비도를 높일 수 있다.

 수요자인 중견기업과 서비스 공급자인 제조 데이터 분석 전문기업, 프로세스 컨설팅 기업과의 협업 체계 구축을 위한 제도와 시스템이 필요하다. 아직 AI 기술 기반 데이터 분석 시장이 초입 단계이기 때문에 기술에 대한 불확실성이 존재하고 제조 기업은 ROI 측면에서 주저하게 된다. 대기업은 상대적으로 제조 중소기업 대비 Risk 수용도가 높기 때문에 Pilot Project나 기술 Start-up 육성 등을 통해 신기술을 도입할 수 있지만, 중소기업은 Risk 수용도가 낮은 등 제반 여건이 상대적으로 불리하기 때문에, 이런 신기술 도입에서 뒤쳐질 수밖에 없다.

 따라서, 관련 기관의 마중물 보조금이나 이에 버금가는 세제혜택 등의 지원은 신기술 도입 의지는 강하지만 자원 부족으로 주저하고 있는 제조 중소기업에 디딤돌을 제공할 수 있다.

 

연관기사 보기

제조시스템 혁신(1) - 제조 기술의 변화 방향

제조시스템 혁신(2) - 스마트 공장 수요기업의 산업유형별 전략

 

#태그

이성숙 mail@cadgraphics.co.kr


  • kakao

댓글 0

로그인 후 댓글을 달수있습니다
등록된 코멘트가 없습니다.