티비코, 이상치 경제에서 제조 혁신 탐구

티비코의 디지털화 전략 디렉터 알레산드로 키메라가 제조업체가 데이터, AI, 자동화를 사용해 시스템을 모니터링하는 방식을 논의합니다.

데이터를 사용해 제조 시스템을 모니터링하고 제어하는 방식이 변했습니다. 티비코의 디지털화 전략 디렉터 알레산드로 키메라가 전자 작업복을 입고 디지털 그리스 건을 충전하며 이상치 경제(anomaly economy)의 형태가 운영 성과 관리를 어떻게 이끄는지, 디지털 트윈부터 AI, 자동화, 인간 감독까지 모든 것을 설명합니다.

제조 산업의 일부는 여전히 1900년대 초와 같이 존재합니다. 여전히 그리스, 기어, 연마 기계와 작업복, 티 브레이크가 필요합니다. تلك 기초는 인간이 항상 제조 시설을 운영하는 더 넓은 기초적 내러티브의 일부를 수행할 것이므로 자동화된 자율적 미래까지 멀리 퍼질 것입니다.

하지만 물론 제조업이 변했음도 알고 있습니다. 제1, 제2, 그리고 이제 제3차 산업혁명을 거치며 증기 동력 가속화, 기계화, 그리고 이제 IT 주도의 자동화가 우리 선조들이 상상도 못 했을 방식으로 제조 운영에 적용되는 것을 보았습니다.

디지털 트윈과 데이터가 이제 물리적 기계와 인간 노동자와 합류하는 내일의 초정밀 제조 시설에 진입하면서, 우리는 이상치 탐지(anomaly detection)에 어떻게 접근해야 할지 자문해야 합니다. 그래프에서 중요한 측정값의 딥이나 스파이크를 발견하는 것은 꽤 쉽습니다. 하지만 한 달 또는 더 긴 기간에 걸쳐 품질이나 성능이 서서히 저하되면 어떻게 할까요?

눈먼 인간 감독

현대 제조 시설은 이제 어떤 단일 인물(또는 그룹이라도)의 능력을 능가하는 대규모 생산 규모로 운영됩니다. 이러한 환경에서 우리는 인간 관찰이 우리에게 필요한 완전한 그림을 제공할 것이라고 신뢰할 수 없습니다. 오늘날 현대 시설에서는 추적할 변수가 하나만 있는 경우가 드뭅니다. 수백 또는 수천 개의 변수일 가능성이 더 높습니다.

생산 이상치가 우리 운영에 '스며들어(creep)' 들어오면, 너무 늦어서 아무것도 할 수 없을 때까지 발견되지 않을 수 있습니다. 우리는 새로운 작업 방식에 대해 이야기해야 합니다.

제조 데이터 건초더미 속 바늘 찾기

산업 데이터셋이 매우 크고 극도로 복잡하다는 것을 알고 있습니다. 이상치 탐지와 예측은 우리가 종종 무엇을 찾는지 모르기 때문에 건초더미에서 바늘 찾기보다 더 어렵습니다. 하지만 이상치를 탐지한다는 것은 절감을 의미하며, 이는 즉시 그리고 라인 아래로 더 높은 생산 수율로 이어집니다.

많은 제조업체가 방대한 데이터셋을 보유함을 알지만, 너무 자주 그 데이터 저장소가 사일로화되어 여러 시스템에 분산되어 있습니다. 이 분산과 발산은 이상치가 여러 데이터 시스템과 관련되거나, 다른 물리적 생산 단계와 관련될 때 이해하기 어렵게 만듭니다. 때로는 이미 시장에 나와 운영상 또는 기능적 문제를 보인 제품에서 데이터를 회수해야 할 때도 있습니다. 어느 쪽이든 첫 단계는 모든 데이터 소스를 통합하는 것입니다.

오늘날 우리는 분석이 현대 공장의 근본적 부분이 되어가는 세상에서 일합니다. 디지털 트윈 개발로 강조되는 트렌드로, 우리는 이 가상 기계가 제공할 예측 통찰을 얻기 위해 정확하고 빠르고 지능적인 분석을 적용해야 합니다.

데이터가 가용하고 접근 가능해지면, 고급 분석이 무엇을 찾아야 할지 분석을 시작합니다. 현대 데이터 과학 기법이 엄청난 수의 매개변수가 제품 품질에 영향을 줄 수 있어 즉시 이해되지 않는 숨겨진 이상치를 발견하도록 돕습니다.

머신러닝과 AI가 이상치 정찰

이것이 우리를 오늘로 이끕니다. 이제 머신러닝(ML)과 인공지능(AI)이 생산 공정으로 들어오고 있습니다.

일부 제조업체는 초기에 ML을 마케팅 이니셔티브 이해, 고객 세분화, 특정 행동 트리거에 사용했습니다. 하지만 최근 더 진보적인 제조업체들은 이상치 탐지를 위해 ML과 AI 기법 사용의 혜택을 이해하기 시작했습니다.

한 예는 데이터에서 학습하기 위한 오토인코더(autoencoder) 사용입니다. 오토인코더는 ML에서 사용되는 인공 신경망 지능 기법입니다. 비지도 학습이라 부르는 레이블 없는 데이터셋에서 부호화하고 특징을 학습하는 데 사용됩니다.

우리의 실시간 효율적 제조 미래

훈련된 통계 모델을 실시간 데이터에 적용하면 이상치가 발생할 시점을 예측할 수 있습니다. 이는 효율적 운영의 새로운 지점으로 이끕니다. 이 모든 것이 우리가 이상치에 반응하는 것에서, 상당한 운영 비용 절감 혜택과 함께 이상치를 예측하는 것으로 이동하게 합니다. 결함과 스크랩 비율 감소, 예기치 않은 장비 다운타임 방지의 직접적 결과로 비용을 절감합니다.

헴록 세미컨덕터(HSC)는 공정 제어, 예측 유지보수, 이상치 탐지 솔루션을 활용해 반도체 제조를 간소화하고 제어하는 선도적 제조업체 중 하나입니다.

개별 제조 공정에 대한 준실시간 알림 도입으로, 직원들은 이제 핵심 매개변수를 사전 정의된 임계값, 통계적 규칙, 머신러닝과 AI 기법을 통해 밝혀진 최적 패턴과 자동 비교할 수 있습니다. HSC는 공정이 허용 가능한 매개변수 대역을 벗어나면 자동 생성된 알림을 즉시 받아 제조 담당자에게 무언가 주의가 필요함을 알립니다. 담당자는 그러면 어떤 변수가 문제를 야기했는지 정확히 보기 위해 데이터에 즉시 접근할 수 있습니다. 이러한 인과관계가 식별되면, 팀은 공정 결함 재발 방지를 위해 조치합니다.

이 모든 진보는 궁극적으로 우리의 내일과 지구의 미래로 이끕니다. 디지털 트윈 사용이 데이터 분석과 ML 적용과 함께 확대됨에 따라, 모든 제조업체는 데이터 주도 공장이 되어 점점 더 정밀한 이상치 탐지에 집중합니다. 이 시점에서 제조업체는 우리 모두를 위해 최적화된 에너지 소비로 더 예리하게 작업할 수 있습니다.

플랜트 생산성은 항상 최우선 관심사일 것이고, 미래가 부인할 수 없이 데이터 주도적이므로, 이는 우리가 논리적으로 가야 할 길입니다. 그 결과 우리는 더 나은 성능을 제공할 뿐만 아니라 더 잘 작동하고 더 오래 지속되는 제품을 시장에 내놓을 수 있습니다. 품질이 주어진 기간 후 '만료'되도록 조정되는 저가 일회용품 시장에 미칠 영향은 또 다른 날의 또 다른 질문입니다.

데이터 분석과 인텔리전스에서 동력을 얻는 이상치 탐지와 대응 엔진을 통해 우리가 재화와 관련 서비스를 제조하는 방식을 이제 개선할 수 있습니다. 그게 작업복을 벗고 티 브레이크를 위해 앉을 핑계가 아니라면, 아무것도 아닙니다.