디지털 트윈 기술로 중공업 자산 성능 극대화하기

코로나19 팬데믹 이후 정유 공장, 제조 플랜트 등 중공업 분야의 자산 관리 환경이 근본적으로 재편되었습니다. 이 위기는 플랜트 운영 관리 방식에 패러다임 전환을 가져올 기회이기도 합니다.

산업 시설 소유자와 운영자는 글로벌 공급망 교란이 '운영 및 유지보수' 작업에 미치는 영향, 증대되는 생산 수요 충족 등 여러 과제에 직면해 있습니다. 가장 큰 걱정은 눈에 보이지 않는 리스크, 특히 예기치 않은 자산 문제와 장기적인 설비 손상 가능성입니다.

산업 시설 내 모든 자산의 수명주기를 관리하기 위해 기업들은 장비 성능을 최적화하면서 안전성과 운영 신뢰성을 보장할 혁신적인 솔루션을 모색하고 있습니다. 여기에는 데이터 통합 및 표준화, 예측 자산 유지보수 분석을 제공하는 디지털 트윈 기술 도입이 포함됩니다.

디지털 트윈 기술이란?

오늘날 엔지니어링 및 설계 팀은 동적 공정 시뮬레이션 모델을 활용해 플랜트 운영의 현재 상태를 파악합니다. 이를 통해 운영 병목 현상, 장치 부족, 설계 한계, 안전밸브 시스템의 적정성 등을 신속하게 식별할 수 있습니다. 그러나 플랜트 운영의 미래 상태를 모델링하고 예측하려면 고도화된 머신러닝(ML) 역량이 필요합니다.

디지털 트윈 기술은 머신러닝 알고리즘을 활용해 과거 운영 및 설계 데이터를 집계, 통합, 분석, 비교하고 현재 데이터와 대조하여 통계적 모델을 생성합니다. 그 결과는 시설 내 각 장치의 가상 복제본으로, 물리적 대응물의 기능, 특징, 동작뿐만 아니라 이에 연결된 기계 및 전기 시스템까지 재현합니다.

디지털 트윈 모델에는 시설 또는 산업 현장의 물리적 인프라와 조달·공급망 물류를 포함한 복잡한 플랜트 공정망이 통합되어 디지털 운영 환경을 구성합니다.

디지털 트윈 기술 가상 복제본 예시. 출처: Anvil Corporation

적시에 올바른 정보를 확보하면 설비 고장을 예방할 수 있습니다. 디지털 트윈의 고도화된 머신러닝 역량은 데이터 내 패턴과 상관관계를 기반으로 한 예측 분석을 소유자/운영자에게 제공합니다.

이 정보를 통해 소유자/운영자는 다음을 파악할 수 있습니다:

• 각 장치가 시간이 지남에 따라 어떻게 노후화하고 변화하는지
• 장치가 언제 고장 날 가능성이 있는지
• 조달/공급망 시스템 모델을 기반으로 장기 납기 자재를 언제 발주해야 하는지
• 문제가 발생하기 전에 언제 조치해야 하는지

인공지능(AI)과 머신러닝의 차이에 대한 질문이 자주 제기됩니다. 두 기술 모두 예측 분석을 제공하지만 그 본질은 다릅니다:

• 머신러닝은 소유자/운영자가 의사결정의 근거로 삼을 객관적 정보를 제공합니다
• AI는 행동 방침을 추천함으로써 주관적 접근으로 의사결정을 지원합니다

디지털 트윈 머신러닝의 목적은 인간의 상호작용과 평가를 대체하는 것이 아니라, 이를 비침습적이고 지속적으로 학습하는 방식으로 만드는 것입니다.

또한 AI는 인터넷상에서 작동하는 오픈소스 기술로 독점 정보 유출 위험이 있는 반면, 디지털 트윈의 머신러닝 소프트웨어는 특정 기업, 시설, 위치에 한정되어 운영됩니다.

디지털 트윈 모델과 머신러닝 예측 분석으로 미래 운영 시나리오를 시뮬레이션함으로써 소유자/운영자는 자원, 공정, 유지보수 일정, 전략, 설정을 최적화할 수 있습니다.

디지털 트윈 기술은 턴어라운드(대정비) 일정과 정지 전 장기 납기 자재 발주 시점을 예측하는 데도 도움을 줍니다. 이는 장비 조달 리드타임이 긴 원격지 현장에서 특히 중요하며, 필요한 장비가 적시에 현장에 도착한다는 안도감을 줍니다.

디지털 트윈 청사진 수립하기

디지털 트윈 청사진 수립의 첫 단계는 점검 기록, 신규 코드, 재평가 데이터, 현재 운영 데이터 등 모든 과거 데이터를 디지털 트윈 소프트웨어에 입력하여 생산 설비 내 각 물리적 자산의 가상 및 재사용 가능한 프로토타입을 개발하는 것입니다.

디지털 트윈 기술 가상 복제본 예시. 출처: Anvil Corporation

이 단계의 핵심은 디지털 모델에 지속적으로 데이터를 공급할 올바른 모니터링 계측기가 갖춰져 있는지 확인하는 것입니다. 과거 데이터와 제조사 원본 가이드라인은 모델 내 '알람' 포인트로 프로그래밍되어 잠재적 업셋이나 고장을 소유자에게 경고할 수 있습니다.

디지털 트윈 머신러닝 기능은 이로부터 여러 소스의 이질적인 데이터를 실시간으로 집계, 교차 참조, 즉시 통합합니다. 동일한 정보를 엔지니어가 수작업으로 계산하려면 수 주일이 걸릴 것입니다.

모든 데이터가 수집·통합되면 머신러닝은 현재 성능을 장치의 초기 설계 사양과 비교해 이상 징후나 예상 동작에서의 편차를 즉시 플래그합니다. 이는 엔지니어가 우려 영역을 즉각 식별해 추가 조사를 진행하고, 실제 설비 운영을 방해하지 않으면서 모델을 가상으로 검증 및 확장할 수 있게 합니다.

디지털 트윈 모델은 미래 운영 시나리오를 시뮬레이션하여 장치가 시간이 지남에 따라 어떻게 진화할지, 장치 구성 요소를 언제 교체해야 할지 예측합니다.

디지털 트윈 기술이 지속적으로 발전함에 따라 온라인 시험 운전 등 다른 유형의 물리적 평가는 구식이 될 수 있습니다. 예를 들어, 이러한 고급 모델은 실제 시험 운전 없이 공정 변수 변경에 대한 시스템 반응을 예측할 수 있어 오프스펙 제품 발생과 실제 시험 운전 관련 안전 우려를 해소합니다.

디지털 트윈 기술의 과제

출력 품질은 입력 데이터에 달렸다

디지털 트윈 모델 구축의 최대 과제는 기술 자체가 아니라, 여러 소스와 변수를 기반으로 모델에 입력되는 집계 데이터가 신뢰할 수 있는 정보인지 판단하는 것입니다.

예를 들어, 모델을 구축할 때 운영자는 부품이나 시스템이 이미 고장 상태인지 어떻게 알 수 있을까요?

이는 신뢰할 수 있는 정보를 정의하는 문제입니다. 신뢰할 수 있는 정보는 일반적으로 디지털 트윈의 머신러닝이 교차 참조하고 검증한 더 많은 데이터에서 나옵니다. 스마트 자동화 플랜트 네트워크에 통합된 공정 및 설비 모니터링 계측기의 데이터가 대표적입니다.

예를 들어, 장치 성능 데이터 한 세트만 수집해서는 부족합니다. 더 신뢰할 수 있는 정보를 위해 장치를 지지하는 인프라 데이터도 수집해야 합니다. 장치로 유입되는 배관이나 장치에 동력을 공급하는 전기 부품이 이미 고장 상태여서, 동일한 기계·전기 부품과 시스템으로 작동하는 여러 다른 장치에 영향을 미치고 있을 수 있습니다.

데이터의 힘

더 많은 데이터는 소유자/운영자에게 현재 운영에 대한 더 현실적인 시각을 제공하여 더 정확한 디지털 트윈 모델 구축을 돕습니다. 여러 입력에서 통합·검증된 데이터로 디지털 트윈 모델은 다음을 수행할 수 있습니다:

• 설비 수명 추정
• 설비 고장 예측
• 시설 턴어라운드 일정 결정

디지털 트윈 모델을 통해 시설 소유자와 운영자는 턴어라운드와 최대 생산 시즌 동안에도 운영과 유지보수를 지속할 수 있습니다.

그러나 주관적 운영 데이터를 보완하는 엔지니어의 역할은 여전히 중요합니다. 야금학적 고려사항, 공정 스트림이 설비와 배관에 미치는 화학적·물리적 영향은 디지털 트윈 정보를 온전히 활용하기 위해 엔지니어링 지식과 전문성을 필요로 합니다.

산업 시설을 구성하는 수백만 개의 부품이 수백 개의 시스템을 이룬다는 사실은 정확한 유지보수 기록 관리의 중요성을 강조합니다. 디지털 트윈 모델의 출력은 입력만큼만 좋기 때문입니다. 따라서 이해관계자의 기술 도입 의지는 정보의 정확성에 대한 신뢰도에 달려 있습니다.

기술에 대한 신뢰

디지털 트윈 기술을 성공적으로 구현하려면 적절한 소프트웨어 도구와 훈련된 전문가가 필요합니다. 공정 시뮬레이션 소프트웨어 기업들은 디지털 트윈 모델 개발을 위해 인터페이스 기술을 인수하고 있습니다.

과제는 인터페이스가 정확한 기준선 정보를 생성하도록 올바르게 통합되는지 확인하는 것입니다. 디지털 트윈 기술과 프로세스, 업계 메타데이터에 정통한 훈련된 전문가가 모델에 입력되는 모든 과거 정보의 정확성을 보장해야 합니다.

요약

디지털 트윈의 고도화된 머신러닝 알고리즘, 예측 분석, 모델링 역량은 모든 규모의 시설에 새로운 비용 효율적 자산 관리 옵션을 제공합니다. 엔지니어링 컨설턴트와 협력하고 적절한 소프트웨어를 사용하면 시설 소유자/운영자는 기술을 신속하게 구현하고 운영에 통합할 수 있습니다.

이 기술은 다음과 같은 다중 비용 편익을 창출합니다:

• 운영 및 에너지 효율성 증대
• 신뢰성, 안전성, 유지보수 예측 개선
• 리스크, 가동 중단, 불필요한 유지보수 비용 감소

급변하는 산업 시장에서 경쟁력을 유지하려면 디지털 트윈 기술을 적극 수용해야 합니다.