제조 업계 인공지능(AI), 미래의 공장 위한 활용법 및 중요성은?
완전 자동화된 공장이란 SF영화에서 많이 볼 수 있는 판타지 같았다. 거의 무인화 돼 로봇식 생산 라인을 지휘하는 AI로만 가동되는 곳이다. 이는 현실적인 계획 안에서만 AI를 제조에 이용하는 방법은 아니다.
제조에서 AI의 현실적인 활용은 특정 제조 공정을 관리하는 소형 개별 시스템을 위한 적용들의 모음에 더 가까워 보인다. 어느 정도 자율적으로 작동하면서, 마모된 도구에서부터 시스템 중단 및 화재와 같은 자연재해 등 외부 사건들에 점점 더 지능적이고 인간과 같은 방식으로 대응할 것이다.
제조에서 AI란?
제조에서 AI란 기계가 인간과 같은 작업을 수행할 수 있는 지능을 말한다. 안팎에서 발생하는 사건들에 대응하고, 발생할 사건을 자체적으로 예상까지 하는 것이다. 기계들은 마모된 도구들이나 예상치 못했던 사건, 어쩌면 발생이 예상되었던 사건들까지 감지할 수 있고, 문제들에 반응하고 해결할 수 있다.
역사가들은 석기 시대부터 청동기, 철기 시대 등 자연 환경, 재료, 도구 및 기술에 대한 인간의 숙련도를 기반으로 진화의 발전을 측정해 인간의 진보를 추적한다. 인류는 현재 실리콘 시대(Silicon Age)라고도 불리는 정보화 시대(Information Age)에 있다. 전자기술을 기반으로 하는 이러한 시대에 인간은 컴퓨터를 이용해 집단적으로 향상되고, 전례 없는 힘을 자연에 행사하며, 몇 세대 전에는 상상할 수 없었던 일을 성취할 수 있는 시너지적인 능력을 가지고 있다.
컴퓨터가 점점 더 전통적으로 인간만이 할 수 있었던 일들을 수행하는 방향으로 발전하면서, AI도 자연적으로 발달해왔다. 사람들은 머신러닝과 AI를 적용하는 법에 대한 선택지들을 가진다. 창의적인 사람들이 더 많은 것을 하도록 돕는 것은AI가 잘 하는 일 중 하나다. 사람들을 대체할 필요는 없다. 사람들이 특히 잘 하는 일을 하도록 이상적인 적용들로 돕는 것이다. 제조에서는 공장에서 부품을 제작하거나 제품이나 부품을 설계하는 등의 작업이 될 수 있다.
점차적으로 이는 인간과 로봇의 협업이 된다. 자율적이고 “스마트”한 산업 로봇에 대한 만연한 대중적 이미지에도 불구하고, 대부분의 로봇에는 많은 관리가 필요하다. 하지만 로봇들은 AI 혁신을 통해 점점 더 스마트해지고 있고, AI 혁신은 또한 인간과 로봇 사이의 협업을 더 안전하고 효율적으로 만들고 있다.
제조에서 AI는 어떻게 발전해 왔는가?
오늘날 제조에 있어 대부분의 AI는 측량, 비파괴 검사(nondestructive testing, NDT) 및 기타 공정에 쓰이는 도구들과 관련돼 있다. AI는 제품의 설계를 보조하지만 제조에 있어서는 AI 도입이 아직 초기단계다. 공작기계는 상대적으로 여전히 단순하다. 자동화된 작업장 툴링이 뉴스에 나오지만, 전 세계 많은 공장들은 종종 기계적이고 제한된 디지털 인터페이스를 가진, 오래된 장비에 계속해서 의존하고 있다.
최신 제조 시스템은 화면을 활용한다. 인간-컴퓨터 인터페이스와 전자 센서들이 원자재 공급, 시스템 상태, 소비 전력량 및 기타 다양한 요소들에 대한 피드백을 제공하는 것이다. 진행 중인 작업을 컴퓨터 화면이나 기계에서 시각화 할 수 있다. 앞으로의 발전성은 AI가 제조에 어떻게 쓰일 수 있는지에 대한 그 다양한 시나리오와 마찬가지로 분명해지고 있다.
단기 시나리오에는 실시간으로 가공 공정을 모니터링하고 공구 마모와 같은 상태 입력을 모니터링하는 것이 포함된다. 이러한 적용들은 ‘예지보전(predictive maintenance)’이라는 항목에 속한다. AI에게는 분명한 기회다. 센서에서 나오는 연속적인 데이터 흐름을 사용해, 의미 있는 패턴을 찾고, 분석을 적용해 문제를 예측하고, 문제가 발생하기 전에 문제를 해결하도록 유지보수팀에 알리는 알고리즘인 것이다. 기계 내부 센서들은 발생하고 있는 일을 모니터링 할 수 있다. 이는 벨트나 장비가 마모되기 시작하는 것을 들을 수 있는 음향 센서이거나 공구들의 마모를 모니터링하는 센서일 수 있다. 그러한 정보들은 공구의 수명이 얼마나 남았는지 예측할 수 있는 분석 모델에 연결되는 것이다.
제조 현장에서 적층제조는 중요해지고 있고, 또 시스템에 많은 새로운 유형의 센서들을 추가하도록 해, 지난 10년간 많이 도입됐던 재료 및 제조 기술에 영향을 미치는 새로운 조건들을 모니터링하게 한다.
제조업 AI 현황
AI는 디지털 트윈(Digital Twin)을 사용해 제조 과정에서 결함이 발생할 때 문제의 진단과 해결은 물론, 훨씬 더 정확한 제조 공정 설계를 가능하게 한다. 디지털 트윈은 실제 부품이나 공작 기계, 혹은 제작하고 있는 부품과 동일한 가상 모형으로, CAD 모델을 능가한다. 부품의 정확한 디지털 재현으로, 예를 들어 부품에 결함이 발생했을 때, 부품이 작동하는 방식도 보여준다. (모든 부품들은 결함을 가지고 있고, 그래서 고장을 일으킨다.) AI는 제조 공정 설계와 유지보수에 디지털 트윈을 적용하는데 있어 필수적이다.
대기업들은 AI를 도입해 많은 이점을 얻을 수 있고, 이러한 혁신에 투자할 재정적 강점을 보유하고 있다. 하지만 계약 설계자 및 항공우주와 같은 기술 집약적 산업에 납품하는 제조업체 등의 중소기업들은 가장 창의적인 일부에만 적용 및 투자해왔다.
많은 중소기업들은 새로운 기계나 기술을 신속하게 도입해 더 큰 규모의 경쟁자들을 뛰어넘으려 노력하고 있다. 이러한 서비스들을 제공하는 것은 제조 공간에서는 차별화되지만, 어떤 경우에서는 필요한 지식이나 경험없이 새로운 도구나 과정을 도입하고 있다. 설계 중심의 시각에서나 제조 중심의 시각에서는 맞을 수 있으나 적층제조로 뛰어드는 데는 어려움이 따른다. 이러한 상황에서 중소기업들은 대기업들보다 AI 도입에서 더 큰 혜택을 얻을 수 있다. 피드백을 제공하고 설치와 운영을 보조할 수 있는 스마트 시스템을 이용해 신흥 기업이 시장에서 혁신적인 발판을 마련할 수 있기 때문이다.
기본적으로, 전과정의 엔지니어링 전문 기술을 제조 공정에 통합시킬 수 있다. 즉, 설치, 채택, 센서, 그리고 운영 및 유지보수 문제들을 감지할 수 있는 분석을 지휘할 수 있는 지식과 함께 탑재된 AI를 이용하는 툴링을 실행할 수 있는 것이다. (이러한 분석은 조사가 필요한, 이상하거나 ‘잘못된’ 면을 찾아 알려져 있지 않은 문제들에 대한 센서들의 피드백 패턴을 찾도록 훈련된 소위 ‘비지도식 모델(unsupervised models)’을 포함할 가능성이 높다.)
이 개념 관련 현실에서의 예는 항공우주 디지털 재구성형 적층제조 설비인 DRAMA(Digital Reconfigurable Additive Manufacturing facilities for Aerospace)로, 2017년 11월에 시작된 1,430만 파운드(1,940만 달러)의 협업 연구 프로젝트다. 오토데스크는 “디지털 학습 공장(digital learning factory)”의 원형을 구축하기 위해 제조 기술 센터(Manufacturing Technology Centre, MTC)와 함께 일하는 컨소시엄 기업 중 하나다. 전체 적층제조 공정 체인은 디지털 방식으로 연결돼 있다. 설비는 다양한 사용자들의 요구사항을 충족시키고 다양한 하드웨어 및 소프트웨어들을 테스트할 수 있도록 재구성이 가능할 것이다. 개발자들은 기술 및 과정 채택을 지원하기 위해 적층제조 “지식 기반”을 구축하고 있다.
오토데스크는 DRAMA에서 제조 상 발생하는 다운스트림 공정을 완전히 고려하며 설계, 시뮬레이션 및 최적화에서 핵심 역할을 맡고 있다. 제조 공정이 각 부품에 미치는 영향을 이해하는 것은 디지털 설계가 실제 부품에 가깝게 수행될 수 있도록 인간이 자동화하고 그것을 제너레이티브 디자인(Generative Design)을 통해 설계 공정으로 가져올 수 있게 하는 중요한 정보다.
제조업 AI의 미래
이 시나리오는 제조업체에 판매하기 위한 모든 단계의 작업 공정을 효과적으로 패키지화 할 수 있는 기회를 제시한다. 소프트웨어에서부터 실제 공장의 기계들, 기계의 디지털 트윈, 공장의 공급망 시스템과 데이터를 교환하는 주문 시스템 및 공정을 모니터링하고 입력 정보가 시스템을 도는 동안 데이터를 모을 수 있는 분석에 이르기까지 모든 것이 포함된다. 기본적으로 “팩토리인어박스(factory in a box)” 시스템을 만드는 것이다.
팩토리인어박스
이러한 시스템은 제조자들이 오늘 제조한 부품을 살펴보며 어제 제조한 것과 비교하도록 하고, 품질 보증이 이루어졌는지 확인할 수 있도록 하면서, 각 공정 라인에서 실행된 비파괴 검사를 분석할 수 있도록 해준다. 피드백은 해당 부품을 만드는데 사용한 매개 변수를 정확히 이해한 다음 센서 데이터에서 결함이 있는 위치를 확인하는데 도움을 줄 것이다.
이 과정의 이상적인 비전은 한쪽 끝에 재료를 넣으면 다른 쪽 끝에서 부품이 나오는 것이다. 결국 로봇들이 많은 작업을 수행할 수 있는 시스템을 유지하는 일에만 사람이 필요할 것이다. 하지만 현재의 개념에서는 사람들이 여전히 설계를 하고 결정을 내리며, 제조를 감독하고 여러 라인에서 작업한다. 시스템은 그들이 내리는 결정이 끼치는 실제 영향들을 이해할 수 있도록 돕는다.
머신러닝과 자율 AI
AI의 많은 힘은 인간의 개입 없이 머신러닝, 신경망, 딥 러닝 및 자체 경험에서 나오는 기타 자가 구성 시스템 능력에서 온다. 이 시스템들은 인간의 분석 능력을 뛰어넘는 방대한 데이터의 특정 패턴을 신속하게 발견할 수 있다. 그러나 오늘날의 제조에서는 여전히 AI 적용 개발의 많은 부분에서 인간 전문가들이 감독하고 있고, 그들이 설계한 이전 시스템의 전문성을 인코딩하고 있다. 인간 전문가들이 무엇이 발생했고, 무엇이 잘못되고 잘 되었는지에 대한 아이디어를 가져온다.
궁극적으로 자율 AI는 이러한 전문 지식을 바탕으로 구축되므로, 예를 들어 AI가 예방 유지보수 및 공정 개선을 위해 탑재된 센서의 데이터를 분석하는 경우, 적층제조 분야의 신입 직원은 운영 피드백에서 도움을 얻을 수 있다. 이것이 자동 교정 기계와 같은 혁신을 향한 중간 단계이다. 공구들이 마모되면 시스템은 성능이 유지되도록 조정하면서 마모된 구성 요소의 교체를 권장한다.
공장 계획 및 레이아웃 최적화
AI 적용은 제조 공정에만 국한된 것은 아니다. 이를 공장 계획 관점에서 바라보면, 설비 레이아웃은 운영자의 안전에서부터 공정 흐름의 효율성에 이르기까지 많은 요소들에 의해 결정된다. 연속적인 단기 프로젝트 운용이나 자주 변경되는 공정에 맞도록 설비가 재구성 가능해야 할지도 모른다.
빈번한 변경은 예상치 못한 공간 및 물질적 충돌로 이어질 수 있고, 효율성이나 안전성의 문제를 발생시킬 수 있다. 그러나 센서들을 이용해 이러한 충돌들을 추적하고 측정할 수 있으며, 공장 레이아웃 최적화에 AI의 역할이 있다.
실시간 AI분석을 위한 센서의 데이터 캡처
적층제조와 같은 불확실성이 많은 신기술을 적용할 때 중요한 단계는 부품이 완성된 후 비파괴 검사를 진행하는 것이다. 비파괴 검사에는 많은 비용이 들 수 있는데, 특히 자본장비 CT 스캐너(제조된 부품의 구조적 무결성을 분석하는데 사용됨)를 통합하는 경우 더욱 그렇다. 기계의 센서는 특정 부품의 제조 과정에서 학습한 대용량 데이터 세트로부터 구축된 모델들에 연결될 수 있다. 센서 데이터를 사용할 수 있게 되면, 이를 이용해 머신러닝 모델을 구축할 수 있다. 예를 들어, CT 스캔에서 발견된 결함과의 상관 관계를 파악할 수 있는 것이다. 센서 데이터는 부품을 CT 스캔할 필요없이 분석 모델이 결함이 있을 것으로 제시하는 부품을 표시할 수 있다. 생산라인에서 나오는 모든 부품을 일상적으로 스캔하는 대신 이러한 해당 부품들만 스캔하게 될 것이다.
운영에서도 또한 사람들이 장비를 사용하는 법을 모니터링할 수 있다. 제조 엔지니어들은 장비를 설계할 때 기계가 어떻게 사용될지 가정한다. 인간이 분석하는 경우, 추가적인 단계가 생기거나 생략되는 단계가 발생할 수 있다. 반면, 센서들은 AI분석을 위해 이 정보를 정확하게 포착할 수 있다.
AI는 또한 다양한 환경조건에 따라 적용될 수 있는 제조 공정과 툴링을 도입하는 역할을 한다. 그 예로는 습도가 있다. 적층제조 기술 개발자들은 어떤 장비들이 특정 국가들에서는 설계된 대로 작동하지 않는 것을 발견했다. 공장의 습도 센서는 상태를 모니터링하는데 사용됐고, 때로는 예기치 못한 것을 발견하기도 했다. 한 경우에, 습기가 통제돼야 할 환경에서 습도에 문제가 발생했는데, 누군가가 문을 열어 둔 채로 흡연을 하러 나갔기 때문이었다.
센서 데이터를 효율적으로 활용하기 위해서는 효율적인 AI모델 개발이 필요하다. 이 모델은 데이터에서 표시되는 내용, 즉 문제를 일으킬 수 있는 항목, 이를 감지하는 법 및 수행할 작업을 이해하도록 훈련돼야 한다. 오늘날 머신러닝 모델은 센서 데이터를 활용해 언제 문제가 발생할지 예측하고 인간 해결자에게 알릴 수 있다. 궁극적으로, AI 시스템은 실시간으로 문제를 예측하고 그에 반응할 수 있게 될 것이다. AI 모델은 머지않아 문제를 차단하고 제조 공정을 향상시킬 주도적인 방법들을 만드는 임무를 맡게 될 것이다.
제너레이티브 디자인
AI는 설계 엔지니어가 프로젝트에 일련의 조건들을 입력한 다음 설계 소프트웨어가 다수의 반복을 생성하는 과정인 제너레이티브 디자인에 있어 중요한 역할을 한다. 최근, 오토데스크는 적층제조에 있어 방대한 양의 재료 데이터를 수집했고, 이를 이용해 제너레이티브 디자인 모델을 구동하고 있다. 이 시제품은 제조 공정이 개별 기능 및 구조에 끼치는 영향에 따라 재료 속성이 어떻게 변하는지에 대한 “이해”를 제공한다.
제너레이티브 디자인은 조정가능한 최적화 기법이다. 기존의 많은 최적화 기법은 부품 최적화를 보다 일반적인 접근 방식으로 바라본다. 제너레이티브 디자인 알고리즘은 재료 테스트 및 대학과의 협업을 기반으로 해당 기능이 가진 역학적 특성에 대한 이해를 적용해 개별 기능에 초점을 맞추기 때문에 훨씬 더 구체적일 수 있다. 이상적인 세계의 설계와는 달리 제조 공정은 현실에서 이루어지므로 조건이 일정하지 않을 수 있다. 효과적인 제너레이티브 디자인 알고리즘은 이러한 수준의 이해도를 포함한다.
제너레이티브 디자인은 소프트웨어에서 최적의 설계 및 사양을 생성하고, 해당 설계를 여러 시설에 호환 가능한 툴링과 함께 배포할 수 있다. 즉, 소규모의 지리적으로 흩어져 있는 시설에서 더 많은 부품을 생산할 수 있는 것이다. 이러한 시설은 필요한 곳에 근접할 수 있다. 한 시설에서 하루는 항공우주용 부품을 만들고, 다음날은 다른 필수 제품용 부품을 만들면서 유통 및 배송 비용을 절감할 수 있다. 이는 자동차 산업과 같은 분야에서 중요한 개념이 되고 있다.
유동적이고 재구성 가능한 공정 및 작업 현장
AI는 또한 제조 공정을 최적화하고 이러한 공정을 보다 유동적이고 재구성 가능하도록 하는데 활용될 수 있다. 최근 수요는 작업 현장 레이아웃을 결정하고 공정을 생성할 수 있으며, 향후 수요에 대해서도 똑같이 할 수 있다. 그리고 이러한 모델들을 사용해 비교 및 대조할 수 있다. 그런 다음 이 분석은 더 적은 수의 대형 적층 기계를 보유하는 것이 좋을지, 혹은 많은 소형 기계들을 보유하는 것이 좋을지 결정하는데, 이는 비용이 절감되고, 수요가 느려지면 다른 프로젝트로 전환될 수 있다. 가상 분석(“What-if” analysis)은 AI의 일반적인 적용이다.
모델은 공장 레이아웃과 공정 순서를 최적화하는 데 사용된다. 예를 들어, 3D 프린터에서 바로 적층 부품에 열 처리를 진행할 수 있는데, 재료가 사전에 단련돼야 하거나 재단련돼야 하는 또 다른 열주기가 필요할 수 있다. 엔지니어는 시설이 어떤 장비들을 갖춰야 할지 결정하기 위해 다양한 가상의 시나리오를 실행할 수 있다. 공정의 일부를 근처 다른 업체에 하청을 주는 것이 더 합리적일 수도 있다.
이러한 AI 적용은 공장이 하나의 자체 공정에 집중하는지 아니면 여러 제품이나 프로젝트를 수행하는지 결정하는 비지니스 형태를 변경할 수 있다. 후자의 경우가 공장을 보다 탄력 있게 만든다. 침체를 겪고 있는 산업인 항공우주의 경우, 의료 부품을 제작하는 것으로 제조 운영을 조정할 수도 있다.
제조와 AI, 적용과 혜택
설계, 공정 향상, 기계 마모 감소 및 에너지 소비 최적화는 모두 AI가 제조에서 적용될 영역이다. 이 변화는 이미 시작됐다.
기계는 더욱 스마트해지고, 기계들끼리뿐만 아니라 공급망 및 기타 산업 자동화와 통합되고 있다. 이상적인 상황은 재료가 들어가고 부품이 만들어져 나오는 모든 연쇄 과정의 연결을 센서로 모니터링하는 것이다. 사람들은 이 과정의 통제권을 유지하지만 그 환경에서 일해야 하는 것은 아니다. 이를 통해 자동화할 수 있는 반복적인 작업 대신 새로운 구성요소 설계 및 제조 방법을 창출하는 혁신에 집중할 수 있는 중요한 제조 자원과 인력을 확보할 수 있다.
모든 근본적인 변화가 그렇듯, AI 도입에도 저항이 있었다. AI에 필요한 지식과 기능은 비용이 많이 들거나 부족할 수 있고, 많은 제조업체들이 자체적으로 보유하고 있지 않다. 그들은 자신이 전문화된 영역에서 강점을 가진다고 생각하므로, 새로운 것을 만들거나 공정을 개선시키기 위한 투자를 정당화하려면 철저한 증거가 필요하며, 공장을 향상시키는 것을 두려워할 수 있다.
그래서 회사에게는 ‘팩토리인어박스’ 개념이 보다 매력적이다. 더 많은 기업, 특히 중소기업들은 소프트웨어가 툴링과 원활하게 작동하는 전 과정 통합 공정을 자신 있게 도입하고 센서와 분석을 이용해 향상시킬 수 있다. 엔지니어들이 새 제조 공정을 시뮬레이션으로 시험해볼 수 있는 디지털 트윈을 추가하는 것도 그러한 결정에 따르는 위험을 줄인다.
AI 제조에 있어 또다른 핵심 초점 영역은 예지보전이다. 이를 통해 엔지니어는 툴링에 대한 누적 지식을 통합하는 사전 훈련된 AI 모델을 공장 기계에 장착할 수 있다. 기계의 데이터를 기반으로 모델은 문제를 방지하기 위해 현장에서 발견된 새로운 원인 및 결과 패턴들을 학습할 수 있다.
또한 대량의 데이터를 생성해 본질적으로 머신러닝에 적합한 과정인 품질 검사에서도 AI의 역할이 있다. 적층제조의 예를 들자면, 하나의 빌드는 기계가 부품을 제조한 방법, 현장 조건 및 그 빌드 작업 중 발견된 모든 문제에 대해 테라바이트 용량의 데이터를 생성한다. 이만한 양의 데이터는 인간의 분석 능력 범위를 넘어서지만, 이제 AI 시스템에서는 가능하다. 적층 도구에 적합한 것은 절삭가공, 주조, 사출 성형 및 기타 다양한 제조 공정에도 쉽게 이용될 수 있다.
가상현실(VR) 및 증강현실(AR)과 같은 보완 기술이 추가되면, AI 솔루션은 설계 시간을 줄이고 조립 라인 과정을 최적화할 것이다. 생산 라인 작업자들은 이미 조립 공정을 시각화해 작업의 속도와 정밀도 향상을 위한 시각적 지침을 제공하는 VR 및 AR 시스템을 장착했다. 작업자는 부품 조립 방법을 보여주는 도표를 투영하는 AR 안경을 쓸 수도 있다. 시스템은 작업을 모니터링할 수 있고, ‘이 스패너를 충분히 돌렸습니다’, ‘충분히 돌리지 않았습니다’, ‘제동 장치를 당기지 않았습니다’ 등과 같은 프롬프트를 제공할 수도 있다.
중소기업과 대기업은 AI 도입에 있어 서로 다른 영역에 초점을 둔다. 중소기업은 많은 부품을 제조하는 경향이 있는 반면 대기업은 종종 다른 곳에서 조달한 부품들을 조립한다. 예외도 있다. 자동차 회사는 차대의 스폿 용접을 많이 하지만 베어링이나 플라스틱 부품과 같은 다른 부분들은 구매해 조립한다.
부품 자체에 있어서 새로운 추세는 부품의 자체 상태, 스트레스, 회전력 등을 내장 센서로 모니터링하는 스마트 컴포넌트(smart components)를 사용하는 것이다. 이는 자동차 제조에 있어 특히 획기적인데, 이러한 요소는 차의 이동거리보다 운전방식에 더 연관돼 있기 때문이다. 매일 울퉁불퉁한 곳을 많이 운전한다면 더 많은 유지 관리가 필요할 것이다.
스마트 컴포넌트는 부품이 수명을 다했는지 혹은 검사할 시기가 되었는지를 알려줄 수 있다. 이러한 데이터 항목을 외부에서 모니터링하는 대신, 부품 자체가 때때로 AI 시스템에 등록해 정상 상태 및 이상이 생겨 부품에 주의를 요할 때를 보고한다. 이 접근법은 분석 처리 능력을 크게 저하시킬 수 있는 시스템 내 데이터 트래픽 양을 줄여준다.
AI가 가치를 더할 수 있는 가장 크고 즉각적인 기회는 적층제조에 있다. 적층 공정은 제품이 더 비싸고 부피가 작기 때문에 주요 대상이다. 인간이 AI를 성장시키고 성숙시킴에 따라, 미래에는 전체 제조 가치 영역에서 AI가 중요해질 것이다.