예측적 유지보수에서 예측적 해결로!

글/포니마 압뜨(Poornima Apte)

제공/마우저 일렉트로닉스(Mouser Electronics)

제조 분야에서 품질 관리는 결코 쉬운 일이 아니다. 문제가 무엇이었는지를 사후에 깨닫게 되는 경우도 많다. 어셈블리 라인의 가동을 중단하고 검사에 들어갔을 때는 문제를 잡아내기에 이미 늦었을 수도 있다. 제조 공정이 완전히 끝날 때까지 기다렸다가 문제를 개선하려고 하면 많은 자원과 시간, 돈을 낭비할 수 있다. 이에 대한 효과적인 대안이 있다.

하나의 예로, 제품을 제조할 때 용접 공정에서의 열 상태를 열화상 카메라를 사용해서 면밀하게 추적한다고 가정해보자. 이 경우, 어떤 부품에 용접이 제대로 이루어지지 않으면 즉시 경보를 울려서 문제를 실시간으로 해결하도록 할 수 있다. 이처럼 제조 분야에 판도 변화를 가져올 만한 효율성이 뿌리를 내리고 있다. 이는 머신 러닝(ML) 같은 첨단 기술의 도입 덕분에 가능해진 것으로서, 그 결과 예측적 해결(predictive resolution)에 대한 투자를 촉진하고 있다.

예측적 유지보수의 진화

예측적 해결이라는 용어는 좀더 익숙한 예측적 유지보수(predictive maintenance), 즉 예방 정비와 밀접한 관련이 있다.

데이터 중심적 기술이 불과 몇 년 만에 제조 분야를 어떻게 변화시키고 있는지 살펴보면 놀라울 정도이다. 인더스트리 4.0이나 인더스트리 5.0 같은 디지털 전환이 계속해서 진화하면서 제조 분야의 많은 측면에 이점을 가져오고 있는데, 특히 예측적 유지보수가 가능해진 것이 그러한 사례이다.

예측적 유지보수는 인더스트리 4.0의 중요한 축 중 하나로서, 장비 건전성에 관한 데이터를 활용함으로써 심각한 결함이 발생하는 것을 사전에 방지할 수 있다는 이론이다. 좀더 구체적으로 설명하면, 기계 장비의 진동이나 열 시그니처를 포착하고 이 데이터를 ML 모델에 투입함으로써 장비가 언제 고장을 일으킬지 예측하고 개입해서 재난적인 사태를 예방할 수 있다는 것이다. 가동 중단은 막대한 손실을 초래하는데, 결함이 발생하기 전에 사전에 조치를 취함으로써 제조 분야의 고질적 문제인 가동 중단을 줄일 수 있다.

예측적 유지보수에서 예측적 해결로!

예측적 유지보수는 예측적 해결의 하위 범주 중 하나라고 할 수 있다. 예측적 유지보수가 제공하는 모든 이점은 예측적 해결에도 그대로 해당된다. 하지만 둘 사이에는 근본적인 면에서 두 가지 차이점이 존재한다.

예측적 유지보수는 장비가 언제 고장을 일으킬 지 제조사가 예상할 수 있게 해준다. 예측적 해결은 여기서 몇 걸음 더 나아가서 문제를 해결할 수 있는 방법까지 제안한다. 따라서 예측적 유지보수가 ‘만약’과 ‘언제’에 관한 것이라면, 예측적 해결은 ‘어떻게’에 관한 것이다.

예측적 유지보수는 초점을 좀더 좁혀서 제조 장비에 시선을 맞춘다. 반면에 예측적 해결은 공급망 관리에서부터 작업자의 일정 관리와 공정 개선을 넘어 장비 건전성에 이르기까지 사업 운영의 전반을 포괄한다. 앞서 언급했듯이 열화상 카메라를 사용해 용접 공정을 개선하는 것은 예측적 해결을 활용해서 공정의 비효율을 해결하는 사례라고 할 수 있다. 실시간 모니터링 장비를 활용하여 생산 라인의 지연과 병목 문제를 즉각적으로 해결함으로써 하루 단위, 심지어는 시간 단위 생산 할당량을 충족할 수 있다.

예측적 해결은 제조 장비와 관련한 문제를 파악할 뿐만 아니라 해당 사업 운영 전반에 걸쳐서 제대로 작동하지 않는 것들을 찾아내고 해결책을 제시한다.

진화를 뒷받침하는 기술과 인프라

예전에는 제조가 불투명했다면, 이제는 디지털 전환과 데이터가 제조를 투명하게 만들고 있다. 그 결과, 비효율을 찾아내어 개선하기가 좀더 쉬워졌다.

산업 분야에 이 같이 대대적인 변화를 가져오는 요인 중 하나는 산업용 사물인터넷(IIoT) 센서들을 대규모로 설치하고 구축하는 것이다. 센서들을 부착함으로써 기계들이 ‘통신’할 수 있게 되고, 제조사들은 이 센서 정보를 활용해서 데이터 중심적인 의사결정을 할 수 있다. 하지만 IIoT만으로는 충분하지 않다. IIoT가 생성하는 어마어마한 양의 데이터 때문에 제조사들은 과도한 정보에 질식할 수 있다. 하지만, 인공지능(AI) 같은 기술을 활용하면 데이터를 유의미하게 활용할 수 있다. 예측적 ML 모델에 데이터를 투입하면 예측적 유지보수가 가능해진다.

이제는 제조 기업의 다양한 부서들 간에 정보의 벽을 허물고 구조화되지 않은 데이터를 판독할 수 있게 되면서 데이터 중심적 의사결정에 있어서 또 한 번의 진화를 이루게 되었다. 바로 예측적 해결이다.

효율 향상이 가능한 것이 단지 공장 플로어에 있는 기계들만은 아니다. 생성 AI 모델은 매뉴얼, 장비 유지보수 기록, 이메일 등에 저장된 독자 정보들을 학습함으로써 자연어 처리(natural language processing, NLP)를 활용해 직원들을 위한 트레이닝 모듈을 생성할 수 있다. 숙련되지 않은 작업자들은 생성 AI 모델에게 질문하여 클라우드 같은 중앙 위치에 저장된 수리 지침이나 기록에 접근할 수 있기 때문에 데이터가 사일로(silo)에 갇혀 있지 않다.

예측적 해결이 미래에 미칠 영향

전통적으로 제조 분야의 가장 큰 문제는 유용한 데이터를 적절히 활용할 수 있느냐 하는 것이었다. 이제는 기술이 발전함으로써 예측적 해결이 새롭고도 독특한 다양한 방식으로 제조 기업을 돕게 되었다.

예측적 해결의 활용 사례는 매우 다양하다. 예컨대 제품 서비스화(product servitization)는 제조사가 장비를 판매하는 것이 아니라 임대하는 것으로서, 예측적 해결을 좀더 꾸준한 수입원으로 활용할 수 있다. 기업들은 이렇게 임대한 장비로부터 얻은 데이터를 예측적 AI 모델을 더욱 개선하는 데 활용할 수도 있다.

맺음말

제조 기업들은 이미 예측적 유지보수를 통해서 가동 중단을 줄이고 비용 절감을 실현하고 있다. 원인 분석 및 예측적 유지보수와 함께, 예측적 해결은 단지 기계 장비의 문제만이 아니라 보다 포괄적인 영역에 걸쳐서 문제를 찾아내고 해결할 수 있게 해준다. 기업들이 디지털 전환을 통해서 길을 닦았다면 이제는 이 전일적 접근법을 통해 본격적인 혜택을 누릴 수 있게 된 것이다.