[FA저널 SMART FACTORY 이건오 기자] 2017년 맥킨지는 증기 엔진, 초기 로봇 기술, 정보 기술 발전과 같은 기술 혁신이 주도한 생산성 향상에 관해 조사를 실시했다. 자동화라는 새로운 동인이 제조업계를 불안하게 만들고 있는 현 상황에서 맥킨지는 향후 수십년동안 연간 생산성이 이전의 이익을 뛰어 넘어 0.8~1.4% 사이의 전례 없는 증가율을 보일 것으로 전망했다.

맥킨지는 향후 수십년동안 0.8~1.4% 사이의 전례 없는 증가율을 보일 것으로 전망했다. 사진=Dreamstime]

로봇공학, 인공지능, 머신러닝의 발전은 빠르고 정교하며 반복적인 작업과 인지적 숙달을 포함한 광범위한 직무에서 인간의 능력과 맞먹거나 이를 능가하게 될 것이다. 이러한 새로운 능력을 현장에 배치하는 일은 갈수록 경쟁이 심화되는 글로벌 시장에서 자동화와 효율성 향상을 추진하려는 제조업체들에게 필수적인 산업 요건이 됐다. 지금은 프로세스 산업에서만 연간 200억달러(약 22조7,000억원)에 달하는 등 예기치 못한 다운타임에 의해 초래되는 생산 손실을 없애는 것이 최우선 과제다.

지난 50년 동안 유지보수 작업 관행은 장비의 신뢰성과 가용성을 해결하는 방향으로 발전했다. RTF(Run-to-Failure), 캘린더 기반, 사용 기반, 상태 기반, 신뢰성 중심 유지보수(RCM)를 비롯한 방법들이 발전을 이뤄왔다. 그럼에도 장비는 계속 고장을 일으킨다.

이는 무엇보다도 유지보수 작업의 진행이 서비스와 검사 주기에 비해 너무 복잡해 계산이 어렵기 때문이다. 하지만 ARC와 같은 산업 애널리스트는 모든 장비 고장의 80% 이상이 설계와 안전 제한을 벗어나 장비를 운용하기 때문에 발생한다고 지적한다. 재의 작업 관행으로는 이처럼 겉으로 보기에 ‘무작위적인’ 장비 고장과 같은 문제를 찾아낼 수 없다. 고장을 최대 100%까지 해결하는 솔루션은 유지보수와 운용 작업이 합쳐지는 곳에 있다.

돌파구를 제공하는 핵심 기술들은 기초 분석과 데이터 과학 전략, 특히 머신러닝에 중점을 두고 있다. [사진=Dreamstime]

ARC는 APM 2.0이 자산관리를 위해 유지보수, 실험실, 진동 및 이벤트 추적 시스템 등의 전통적인 공장의 이력 데이터 소스와 새로운 데이터 소스를 새로운 분석과 통합하고 있다고 설명한다. 이 다양한 데이터들은 설비 및 운용 가용성과 성능을 최적화하는 새로운 기회를 제공한다.

유지보수와 운용은 모두 성능 저하를 평가하고 튜닝 작업을 정교화하면서 손상을 방지하기 위한 조기 개입(공정운용 변경)을 제공하기 위해 데이터 중심 방식이 필요하다. 탁월한 예측 진단 및 처방적 가이드를 통해 담당자는 조기에 더 효과적으로 대응할 수 있다. 돌파구를 제공하는 핵심 기술들은 기초 분석과 데이터 과학 전략, 특히 머신러닝에 중점을 두고 있다.

첨단 머신러닝 소프트웨어는 장비에서 발생하는 미세한 동작 변화를 조기에 발견하는 데 매우 성공을 거뒀으며 이 미세한 변화는 성능 저하와 고장의 징후가 될 수 있다. 첨단 소프트웨어는 다른 데이터 이벤트와 함께 설비와 공정 주변에 설치된 센서로 생성된 디지털 데이터 스트림에서 행동 패턴을 학습한다.

선천적으로 자율성을 갖는 이 분야의 선도적 솔루션들은 사람의 개입을 거의 필요로 하지 않는다. 이 적용 방법은 끊임없이 학습하면서 동작 조건이 바뀌면 새로운 신호 패턴에 적응하는 것이다. 한 대의 기계에서 학습된 고장 표시를 주입해 동일한 조건이 재발하지 않도록 보장한다. 학습된 표시는 유사한 기계로 쉽게 전송돼 동일한 성능 저하 조건이 영향을 미치지 않도록 방지한다.

[이건오 기자 (fa@infothe.com)]

[저작권자 © FA저널 SMART FACTORY, 무단 전재 및 재배포 금지]