IT/OT 융합, 단순한 유행어인가? 그 진정한 가치 파헤치기

그렇다면 'IT/OT 융합'은 그저 또 다른 속임수 같은 유행어일까요?

그렇게 주장할 수도 있습니다. 누군가가 새로운 아이디어를 잡을 때마다, 그것을 기억하기 쉽게 만들고 '슬라이스 빵 이래 최고의 신제품'처럼 들리게 하려는 시도가 있습니다. 그래서 당연히 누군가는 변화를 고무하고 마케팅에 쓸 수 있는 매력적인 문구를 만들어냅니다.

하지만 사실은, 이 IT와 OT의 '융합'은 데이터를 활용 가능하게 만드는 더 긴 과정의 단순히 다음 단계일 뿐입니다.

IT/OT 융합이란 무엇인가?

얼마 전 제조업에서 자동화의 시작을 보았습니다. 자동화 장비는 인간이 달성할 수 없는 속도나 파워 레벨에서 수행되어야 하는 특정 기능을 위해 설계되었습니다. 하지만 자동화 장비가 고장 나면, 제어 엔지니어는 시스템에 들어가 무엇이 잘못되었는지 파악해야 했습니다. 이는 PLC 시스템의 레지스터를 들여다보며 고장 단서를 찾는 것을 요구했습니다. 이것이 운영 기술(OT) 데이터 활용의 시작이었습니다.

고장 시점까지의 데이터가 진단에 좋아 무엇이 앞서 일어났는지 볼 수 있었습니다. 그 결과 PLC 시스템은 센서, 히터, 자동화 액추에이터로부터 더 긴 데이터 스트림을 보관하기 위해 히스토리언을 사용하기 시작했습니다. 대량의 OT 데이터를 사용하며 말입니다.

히스토리언의 OT 데이터를 모니터링함으로써 SCADA 기능은 운영자에게 장비가 어떻게 작동하는지에 대한 통찰을 제공할 수 있었습니다. 고장이 임박했을 때, SCADA 기능은 운영자(또는 감독자)에게 고장 발생 전 조치를 취할 기회를 주었습니다. 이는 SCADA 시스템이 히스토리언의 데이터에 접근할 수 있어야 했고, MODBUS나 PROFIBUS 같은 독점 통신을 사용해 그 데이터를 운영자에게 HMI(휴먼 머신 인터페이스)를 통해 제공했습니다. 하지만 모니터링은 장비 성능에만 국한되어 OT 데이터 사용을 더욱 확장했습니다.

이 데이터 스트림(게이지, 운영자 화면 등)을 관찰하고 데이터 드리프트를 더 이해함으로써, SCADA 시스템을 통해 장비 고장이 임박했음을 알 수 있을 뿐만 아니라, 데이터가 공정 후반부의 몇 단계 뒤에 있는 테스트 및 검사에서 제품 품질 고장 분석에도 사용될 수 있음을 인식할 수 있었습니다.

이는 OT 데이터를 IT 데이터와 연결할 필요성을 만들었습니다. 그 결과 PLC와 SCADA에서 MES 같은 정보 기술(IT) 시스템으로의 복잡한 인터페이스가 생성되어, 제품을 만드는 장비의 운영 데이터에 제품 고장의 관계형 데이터를 연결할 수 있게 되었습니다. 일부는 ERP에 직접 연결하려 시도하기도 했습니다(여전히 시도 중), 하지만 ERP 시스템은 제조 공정 중 다른 이벤트와 관련해 그 데이터를 충분히 빠르고 상세하게 처리하고 제시할 준비가 되어 있지 않습니다.

MES로의 인터페이스 문제는 고도로 맞춤화되고 비싸며, 때로는 프로젝트 구현 비용의 40-50%를 추가하기도 한다는 것입니다. 데이터 접근 개선의 다음 단계는 PLC 데이터를 MES와 다른 관계형 데이터베이스가 더 쉽게 접근할 수 있게 만드는 것입니다. 이 접근 필요성이 컴퓨팅 비용과 메모리 비용 저하, 네트워크 통신 안정성 향상(5G 네트워크 등장)과 결합되면서, PLC 센서와 액추에이터를 IT 네트워크에 직접 연결(우리가 IIoT라 부르는 것)하고 그 데이터를...누구에게든 필요한 사람에게 제공하는 것이 타당해졌습니다.

이 모든 배경은 OT 데이터를 IT 시스템이 더 쉽게 이용할 수 있게 만드는 것이 단순히 인더스트리 4.0으로 우리를 이끈 기술 진화의 더 긴 과정에서 다음 단계일 뿐임을 강조하기 위함입니다.

IT/OT 융합을 어떻게 활용할 수 있는가?

OT 데이터를 IT 시스템에 인터페이스하는 것은 새로운 문제를 맞닥뜨렸습니다.

히스토리언에서 센서를 모니터링하는 PLC/SCADA 시스템은 몇 초 만에 큰 데이터 스트림(메가바이트 크기)을 생성할 수 있습니다. IT 시스템의 관점에서 이벤트 특성을 이해하기 위해 이 데이터 스트림을 되짚어 보면, 작은 시간 프레임에서도 MES 같은 IT 시스템의 관계형 데이터베이스가 처리하기엔 단순히 너무 많습니다. 많은 구현에서 센서 데이터 스트림에서 센서 데이터의 한 인스턴스를 기록해 단일 데이터 요소를 캡처함으로써 OT 이벤트를 IT 레벨에서 표현하려 시도했습니다. 그러나 많은 이들이 OT 데이터의 한 인스턴스를 제조 중 제품의 품질 이벤트와 연결하는 것이 일반적으로 공정 품질 모니터링에 그다지 효과적이지 않음을 발견했습니다.

이제 우리는 OT 시스템에서 데이터 스트림을 집계하는 방법을 결정해야 합니다. 이는 생산 이벤트의 중요한 특성을 유지하는 방식으로요. OEE 보고는 이러한 집계 시도 중 하나입니다. 어떤 형태의 데이터 집계를 사용하든 생산 이벤트의 중요한 세부 사항이 일부 손실될 것임을 인식하는 것이 중요합니다. 그래서 OEE는 모니터링 레벨 데이터 객체로 사용되고 분석 레벨 객체로는 사용되지 않습니다. 그러나 OEE 값이 실시간으로 제공되면서 변화하면, IT 시스템은 변화의 비율과 크기를 인식하고 문제를 알리는 경보를 생성할 수 있습니다.

실제 그 문제를 분석하려면, OEE 값을 생성하는 데 사용된 원래 데이터 스트림으로 돌아가야 합니다. 적어도 OEE 값이 실시간으로 제공되면, 제조 및 제어 엔지니어는 이슈를 충분히 일찍 파악해 이벤트가 OT 데이터 스트림의 추가 데이터에 묻히기 전에 히스토리언으로 돌아가 분석할 수 있습니다.

문제는, 데이터를 어떻게 집계하느냐입니다.

답은 언제나 그렇듯... 상황에 따라 다릅니다!

데이터를 어떻게 집계할지는 어떤 데이터를 집계하는지, 공정에서 무엇을 모니터링하려는지에 따라 달라집니다. 또한 데이터 집계 모델의 변화를 해석할 수 있는지에 따라 달라집니다.

이 섹션에서는 그러한 집계 방법 중 하나를 살펴보고 이 데이터 세트에서 변화를 해석하는 몇 가지 방법을 제시하겠습니다.

'자연 분포 곡선' 또는 히스토그램은 센서 같은 장치의 데이터에 대한 가장 일반적인 그래픽 표현 중 하나입니다. 곡선의 주요 전제는, 만약 공정에 정상적인 무작위 변동만 있다면, 데이터 인스턴스의 분포가 자연 분포 곡선을 닮은 패턴에 들어맞을 것이라는 것입니다.

그림 1은 정상적인 변동에서 오븐 센서의 판독값 분포가 히스토그램에 플로팅될 때 어떤 모습일지 보여줍니다.

그림 1: 평균, 중앙값, 최빈값을 보여주는 오븐 온도 분포 곡선. 저자 제공.

곡선의 핵심 특징은 평균(mean), 중앙값(median, 데이터 스트림의 중간 값), 최빈값(mode, 가장 많이 발생한 값)이 모두 대략 같다는 것입니다. 이는 공정이 문제를 겪고 있는지 판단하는 참고자료로 사용될 수 있습니다. 공정이 관리 상태에 있다는 표시가 있는 한, +/- 3 시그마 값을 결정해 상한/하한 관리 한계와 제품 사양 한계와 비교하는 데 가치가 있습니다.

예시 시나리오

경화 오븐을 통과하는 생산 유닛의 공정을 모니터링하기 위해, MES 시스템은 유닛이 오븐에 진입하고 나간 시간을 기록합니다. 이 동안 PLC 시스템(스마트 센서 사용)은 지속적인 온도 센서 데이터 스트림을 생성해 센싱 장치의 로컬 히스토리언 데이터베이스에 저장합니다. 생산 유닛이 오븐을 나가면, MES는 해당 정의된 기간 동안의 온도 데이터 집계를 장치에 요청합니다. 장치 수준에서 사용 가능한 컴퓨팅 파워가 제한적이더라도, 장치는 수백(수천) 개의 데이터 포인트를 가져와 MES에 집계된 데이터 세트를 제공할 수 있습니다. 단일 센서 데이터 인스턴스를 제공하는 대신, 또는 전체 데이터 스트림을 처리하려 시도하는 대신 말입니다.

이 생산 유닛에 대한 집계 데이터 값 세트는 다음과 같을 것입니다:

• 평균: 90.0
• 중앙값: 90.0에 매우 가까움
• 최빈값: 약 90.0도
• +/- 3 시그마 분포: 87.0, 93.0 (UCL 및 LCL로 검증 필요)

평균, 중앙값, 최빈값 간의 차이를 빠르게 분석함으로써, MES는 허용 가능한 공정 제어 모니터링뿐만 아니라 이미 오븐을 통과한 이전 생산 유닛들로부터의 추세 변화를 찾을 수 있습니다. +/- 3 시그마 값이 허용 한계를 벗어나면, MES는 자동으로 해당 생산 유닛을 의심 대상으로 표시합니다. 마찬가지로 평균, 중앙값, 최빈값이 서로 또는 이전 제품들과 유의미하게 다르면 마찬가지입니다.

그림 2는 이러한 동일한 값들이 관리되지 않는 공정을 어떻게 나타내는지 예시를 보여줍니다. 이 경우에도 +/- 3 시그마 값이 한계 내에 있을 수 있습니다.

그림 2: 치우친 공정에서 평균, 중앙값, 최빈값의 차이 예시. 저자 제공.

이제 기술적으로, 데이터 세트의 치우친 성격으로 인해 분포가 그림과 같이 치우치면 +/- 3 시그마 값이 유효하지 않은 것으로 간주될 수 있습니다. 하지만 장치의 즉각적인 분석은 여전히 관리 한계 위반 여부를 판단하는 데 사용될 수 있습니다.

핵심 포인트: 만약 스마트 센서가 이런 종류의 데이터 세트를 제공한다면, 이는 오븐이 단순히 무작위 분산만으로 작동하지 않고 있음을 제조 엔지니어링에 나타내는 지표이며, 따라서 조사되어야 합니다.

평균, 중앙값, 최빈값의 다른 차이(예: 평균과 중앙값은 같지만 최빈값이 다름)는 여러 공정 영향이 작용함을 시사하는 이봉 분포(bimodal distribution) 같은 조건을 나타낼 수도 있습니다. 다시 한번, 제조 엔지니어링이 공정을 조사해야 합니다.

위 데이터 세트들이 MES 수준에서 생산 유닛과 직접 연결되면, 이 데이터는 테스트 및 검사 결과와 함께 오븐 온도 변동과 생산 유닛 고장 간의 연관성이 있는지 나타내는 데 사용될 수 있습니다.

제품이 공정 문제로 인해 고장 났든 아니든, 생산 런 동안 데이터 값이 드리프트하는 것을 보는 것은 조사해야 할 근본적인 공정 관리 문제를 나타낼 수도 있습니다.

요약

앞서 본 데이터 집계 예시들은 특정 시나리오만 반영하지만, OT와 IT 데이터 융합의 이유와 이 융합의 잠재적 가치를 엿보게 하기 위한 것입니다. 각 생산 시나리오에서 올바른 데이터 집계 방법을 평가해야 하며, 스마트 장치의 프로그래밍이 이 기능을 제공해야 합니다. 또는 대안으로, 에지 컴퓨팅 시스템이 스마트 장치에 설명된 기능을 대체하도록 프로그래밍될 수 있습니다.

결론은, 업계가 'IT/OT 융합'을 변화하는 기술을 설명하는 유행어로 많이 사용하지만, 유행어 뒤에 있는 기술이 제공하는 합법적인 데이터 처리 변화가 있다는 것입니다. 융합 기술을 활용하고, 융합을 통해 제시된 데이터를 적절히 집계하고 해석하는 법을 배우는 기업들은 품질 및 설비 관리 프로그램의 효과성에서 실질적 이점을 얻을 수 있습니다. 오늘날의 경쟁적인 글로벌 환경에서 어떤 이점이든 활용하는 것은 수익에 좋습니다.

그래서 답은 아니오입니다. IT/OT 융합은 단순히 유행어가 아닙니다. 데이터 수집 및 관리 기술의 진화에서 가치 있는 도구이며, 제조 기업에 큰 혜택을 줄 수 있습니다. OT 레벨에서 데이터를 집계해 IT 레벨 시스템이 다룰 수 있게 만드는 법을 배우는 것은 융합의 중요한 부분입니다.