#장샛별 님
2017.04.27
10 LIKE
1,411 VIEW
-
-
- 메일 공유
-
https://stories.amorepacific.com/%ec%a0%9c2%ed%99%94-%eb%b9%85%eb%8d%b0%ec%9d%b4%ed%84%b0-%ea%b3%b5%ec%9e%a5%ec%9d%84-%eb%b3%80%ed%95%98%ea%b2%8c-%ed%95%98%eb%8b%a4
제2화. 빅데이터, 공장을 변하게 하다
아모레퍼시픽그룹 사우들이 직접 작성한 칼럼을 소개하는 코너입니다
칼럼니스트아모레퍼시픽 캠프아문젠 장샛별 님
칼럼을 시작하며…
안녕하세요. 캠프아문젠 장샛별입니다. 이번에도 빅데이터 활용 사례를 가지고 찾아왔습니다. '빅데이터'라는 익숙하지만 딱딱한 주제를 우리 아모레퍼시픽 사우들에게 더 가까이 와 닿을 수 있는 내용으로 전달하기 위해, 우리의 업(業) 및 비즈니스의 흐름과 관련한 주제를 다루고 있는데요. 지난 1화에서 하나의 제품이 탄생하는 시작점에 해당하는 기획 부분을 다룬 데 이어, 이번에는 실제로 제품이 만드는 생산 공정 및 품질 관리 단계에서의 빅데이터 사례를 함께 살펴보도록 하겠습니다.
제조 단계는 다양한 설비들이 연계해 있다는 특징 때문에 생산하는 데이터의 양이 많고, 불량률이나 수율, 투입 비용 등 적용 효과를 계량화하기가 쉬우므로 빅데이터 시대 초반부터 이를 활용해 비용을 줄인 사례가 많았습니다. 특히 품질 관리에서도 기존에 인적 교육을 기반으로 했던 과거의 방식보다는, 데이터를 통해 학습한 알고리즘을 활용하는 형태로 더 빠르고 정확하게 판단하는 것이 최근의 추세입니다.
제조 단계는 다양한 설비들이 연계해 있다는 특징 때문에 생산하는 데이터의 양이 많고, 불량률이나 수율, 투입 비용 등 적용 효과를 계량화하기가 쉬우므로 빅데이터 시대 초반부터 이를 활용해 비용을 줄인 사례가 많았습니다. 특히 품질 관리에서도 기존에 인적 교육을 기반으로 했던 과거의 방식보다는, 데이터를 통해 학습한 알고리즘을 활용하는 형태로 더 빠르고 정확하게 판단하는 것이 최근의 추세입니다.
6 시그마의 추억
이제는 추억이 된 단어 하나를 꺼내보겠습니다. 바로 6 시그마(Six sigma)인데요. 90년도 후반부터 2000년도 초반까지 제조업에 불어온 태풍과도 같은 존재였습니다. 여러분도 업무 현장에서 혹은 과거의 한 일화로 들어보신 적 있으시겠죠?
-
정규 분포와 6 시그마, 출처 : THN
시그마(σ)는 보통 통계학에서 모집단의 표준 편차, 또는 오차의 범위를 나타낼 때 쓰는 용어입니다. 흔히 알고 계시는 가장 유명한 확률 분포인 정규 분포를 기준으로 볼 때 1 시그마는 68%, 2 시그마는 95.4%, 3 시그마는 99.7%의 제품이 양품(良品), 즉 정상 제품이라는 의미인데요. 시그마 앞에 붙는 수치가 커질수록 양품의 비중은 기하급수적으로 높아집니다. 6 시그마를 확률적으로 보면, 99.9997%가 양품이라는 의미이며 3.4PPM(Parts per Million)에 대응됩니다. 이는 100만 개의 제품을 생산했을 때 불량품의 개수가 약 3.4개 정도에 불과한 것으로, 사실상 6 시그마는 실무에서 실현 가능한 가장 낮은 수준의 불량률로 받아들여진다고 합니다.
빅데이터 사례를 이야기하기에 앞서 6 시그마라는 추억을 들춰본 이유는 무엇일까요? 세부적인 방법론을 떠나서 6 시그마를 관통하는 전반적인 틀을 보면, 통계 데이터에 의한 철저한 분석에서 시작한다는 점에서 이전의 비즈니스 방법론과 크게 다릅니다. 특히 측정, 분석, 설계, 최적화, 검증 등 다양한 단계에서 통계적인 기법과 데이터를 적극적으로 활용했는데요. 경영자나 의사 결정권자의 직관으로 진행했던 과거의 방식과 달리 철저히 과학적이고 객관적인 접근법을 채택했다는 점에서 오늘날 모든 비즈니스에 걸쳐 큰 영향력을 발휘하고 있는 빅데이터의 시초처럼 느껴지기도 합니다. 실제로 6 시그마가 그랬듯, 빅데이터도 제조 공정에서 서서히 그 영향력을 키워가고 있습니다.
빅데이터 사례를 이야기하기에 앞서 6 시그마라는 추억을 들춰본 이유는 무엇일까요? 세부적인 방법론을 떠나서 6 시그마를 관통하는 전반적인 틀을 보면, 통계 데이터에 의한 철저한 분석에서 시작한다는 점에서 이전의 비즈니스 방법론과 크게 다릅니다. 특히 측정, 분석, 설계, 최적화, 검증 등 다양한 단계에서 통계적인 기법과 데이터를 적극적으로 활용했는데요. 경영자나 의사 결정권자의 직관으로 진행했던 과거의 방식과 달리 철저히 과학적이고 객관적인 접근법을 채택했다는 점에서 오늘날 모든 비즈니스에 걸쳐 큰 영향력을 발휘하고 있는 빅데이터의 시초처럼 느껴지기도 합니다. 실제로 6 시그마가 그랬듯, 빅데이터도 제조 공정에서 서서히 그 영향력을 키워가고 있습니다.
변화가 당신을 찾아갈 것이다.
2016년 11월, 글로벌 디지털 산업 기업 GE는 다섯 번째 Minds+Machines 행사를 개최했습니다. 이 자리에서 GE 부회장 베스 콤스탁(Beth Comstock) 님은 변화의 속도를 강조하며, 앞으로 GE가 이러한 디지털 혁신의 길잡이가 될 것이라고 이야기했는데요. 과거에는 우리가 CD와 Tape으로 음악을 소비하고, 오프라인 매장에 찾아가서 쇼핑을 즐겼지만, 디지털 기술과 함께 그 구조가 완전히 뒤바뀐 것과 같은 파괴적 혁신(Disruptive Innovation)을 전방위에서 겪게 된다는 것입니다.
-
Minds+Machines 2016 / 출처 : GE 리포트
2015년, Minds+Machines에서 "앞으로 GE는 2020년까지 세계 10위권 소프트웨어 기업으로 발돋움할 것이다."라는 선언으로 모두를 놀라게 했던 GE 회장 제프리 이멜트(Jeffrey Immelt) 님은 "우리는 생산성을 다시 향상시켜야 한다."라고 밝혔습니다. 소프트웨어와 디지털을 논하다가 왜 갑자기 과거의 제조업에서 이야기되었던 중점 요소인 '생산성'을 말했을까요?
그는 2011년부터 2015년 사이에 산업 전반의 생산성 향상이 0.5%에 그친 데 비해, GE는 디지털 전환을 수행해왔기에 이를 웃돌았다고 자평합니다. 그의 지적처럼 앞으로의 생산성 향상은 기계적인 영역에서 한계에 달했다고 보이며, 디지털과 데이터가 없이는 이루어지기 어려울 것입니다.
제프리 이멜트 님은 이날 연설의 끝에서 "여러분이 이를 받아들이길 바랍니다. 변화가 여러분을 찾아갈 테니까요." 라고 말했습니다. 모두 변화를 받아들일 준비가 되어있을까요? 앞으로 성공하는 기업과 실패하는 기업의 차이는 변화를 받아들이는 준비와 태도에 있다고 믿습니다.
그는 2011년부터 2015년 사이에 산업 전반의 생산성 향상이 0.5%에 그친 데 비해, GE는 디지털 전환을 수행해왔기에 이를 웃돌았다고 자평합니다. 그의 지적처럼 앞으로의 생산성 향상은 기계적인 영역에서 한계에 달했다고 보이며, 디지털과 데이터가 없이는 이루어지기 어려울 것입니다.
제프리 이멜트 님은 이날 연설의 끝에서 "여러분이 이를 받아들이길 바랍니다. 변화가 여러분을 찾아갈 테니까요." 라고 말했습니다. 모두 변화를 받아들일 준비가 되어있을까요? 앞으로 성공하는 기업과 실패하는 기업의 차이는 변화를 받아들이는 준비와 태도에 있다고 믿습니다.
변화하는 기업이 살아남는다.
GE의 생각하는 공장(Brilliant Factory) / 출처 : GE
이전에는 생산 비용을 낮추는 방식이 인건비나 토지 / 자원 등의 비용이 적은 제3세계에 공장을 짓는 것이었지만, 앞으로는 오히려 소비 시장이 가까운 곳(선진국이라 하더라도)에 적절한 규모의 공장을 짓고 가동방식을 더 효과적으로 운용해 비용대비 높은 효율을 추구하는 방향으로 변할 수 있습니다. 이런 생산 혁신을 대표하는 기업으로는 앞서 언급했던 GE와 지멘스(Siemens)를 들 수 있습니다.
먼저 GE의 경우, 2015년 인도 푸네에 위치한 생각하는 공장(Brilliant Factory)이 대표적입니다. 하나의 공장에서 한 두 가지 정도의 대표적인 제품을 생산했던 과거와 달리, 이 생각하는 공장(Brilliant Factory)은 다양한 제조 모드를 지원하는 멀티 모듈(Multi Module)을 도입해 네 가지 사업 영역(항공, 전기, 운송, 오일&가스)의 제품을 모두 생산할 수 있게 만들었습니다. 이는 데이터를 실시간으로 수집, 활용하여 공장을 최적화하고 있기 때문입니다.
특히 이와 같이 다양한 제품을 생산하는 공장은 최근 아디다스와 나이키 등의 의류업체에서도 많은 관심을 가지고 추진하고 있습니다. 과거와 같이 정해진 기성품이나 사이즈에 맞춰 소비했던 시대와 달리, 최근에는 컬러와 소재는 물론 발의 굴곡이나 세부적인 치수까지 철저하게 개인에게 맞춘 제품 생산에 대한 수요 및 생산성 요구가 날로 많아지고 있습니다.
GE와 함께 빅데이터를 제조업에 활용한 사례로 손꼽히는 지멘스를 살펴보면, 더 이상 수율이 올라가지 않는 생산성 정체기라고 불리는 시기에도 어떻게 돌파구를 찾았는지를 알 수 있습니다.
-
독일 지멘스 암베르크 공장 전경 / 출처 : 지멘스
독일 뮌헨(Munich) 근교의 암베르크(Amberg) 공장은 모든 장비의 데이터가 통신으로 연결되어 있으며 모든 공정과 흐름의 75% 이상이 자동으로 운영된다고 합니다. 이 공장의 현재 수율은 99.9989%라고 하는데요. 이는 100만 개 생산 시 11개의 불량품이 나온다는 것으로, 앞서 말씀드린 6 시그마에서 이야기하는 현실에서 얻을 수 있는 가장 이상적인 수율에 가깝습니다. 특히 이 공장은 스마트 공장(Smart Factory)으로 바뀐 뒤에 같은 노동자 수와 기계에도 불구하고 생산성은 9배나 늘었다고 합니다.
지멘스의 경우, 이러한 스마트 공장의 사례와 노하우를 사내 활용에서 그치는 것이 아니라 IT를 결합한 시스템으로 수출하는 쪽으로 사업 영역을 넓히고 있습니다. 대표적인 것이 디지털 트윈(Digital Twin)인데요. 이는 실제 제조 라인과 환경을 디지털상에 가상으로 만들어 시뮬레이션하는 시스템입니다.
디지털 트윈을 활용하면 제품의 설계 단계부터 시뮬레이션하여, 하나의 생산 라인에서 수백만 개의 옵션(차량을 예로 들면, 컬러나 타이어, 휠의 조합 등이 있습니다.)을 생산할 수 있습니다. 이 시스템을 활용한 이탈리아 고급 차 마세라티의 경우, 차량 개발 기간을 30개월에서 16개월로 크게 단축했습니다.
최근 마케터들이 가장 많이 하는 고민인 '개인화(Personalization)', '맞춤화(Customization)'를 생산과 제조의 영역에서도 빅데이터와 사물인터넷(IoT), 3D 프린터 등 다양한 디지털 기술들을 융합해 대량 맞춤 생산(Mass Customization)의 현실화로 해법을 찾아가고 있는 것입니다.
지멘스의 경우, 이러한 스마트 공장의 사례와 노하우를 사내 활용에서 그치는 것이 아니라 IT를 결합한 시스템으로 수출하는 쪽으로 사업 영역을 넓히고 있습니다. 대표적인 것이 디지털 트윈(Digital Twin)인데요. 이는 실제 제조 라인과 환경을 디지털상에 가상으로 만들어 시뮬레이션하는 시스템입니다.
디지털 트윈을 활용하면 제품의 설계 단계부터 시뮬레이션하여, 하나의 생산 라인에서 수백만 개의 옵션(차량을 예로 들면, 컬러나 타이어, 휠의 조합 등이 있습니다.)을 생산할 수 있습니다. 이 시스템을 활용한 이탈리아 고급 차 마세라티의 경우, 차량 개발 기간을 30개월에서 16개월로 크게 단축했습니다.
최근 마케터들이 가장 많이 하는 고민인 '개인화(Personalization)', '맞춤화(Customization)'를 생산과 제조의 영역에서도 빅데이터와 사물인터넷(IoT), 3D 프린터 등 다양한 디지털 기술들을 융합해 대량 맞춤 생산(Mass Customization)의 현실화로 해법을 찾아가고 있는 것입니다.
품질은 생명이다.
품질 관리, 나아가 품질 개선은 모든 제조업이 공통으로 직면하는 과제입니다. 특히 제조업에서 직면하는 가장 큰 문제인 '불량'은 우선 발생하고 나면 이를 완전히 파악하거나 해결하는데 막대한 시간과 비용을 소모하기 일쑤입니다. 또한, 단순히 불량 제품 하나를 제거하는 것이 해결의 끝은 아닙니다. 삼성전자 회장 이건희 님은 일전에 "100만 개 중 1개가 불량이어도 그 제품을 산 고객은 100만 개 전체를 불량이라고 생각한다."고 말하기도 했습니다. 이처럼 불량은 회사에 대한 이미지와 인식을 완전히 바꿔놓을 수도 있는 큰 문제입니다.
이는 여러 제조사가 사후 품질 관리보다 사전 품질 관리 또는 품질 예측에 대해 더 많은 관심을 가지고 뛰어드는 이유입니다. 이제 생산성과는 조금 다르지만, 기업의 영속성에 있어서 더 중요한 품질에 대한 빅데이터 활용 사례를 살펴보려고 합니다.
이는 여러 제조사가 사후 품질 관리보다 사전 품질 관리 또는 품질 예측에 대해 더 많은 관심을 가지고 뛰어드는 이유입니다. 이제 생산성과는 조금 다르지만, 기업의 영속성에 있어서 더 중요한 품질에 대한 빅데이터 활용 사례를 살펴보려고 합니다.
표본 조사 vs. 전수 조사
특수 유리 제품을 생산하는 쇼트(SCHOTT)사의 경우, 빅데이터를 활용해 기존의 표본 조사 방식의 품질 관리를 대체하고 있습니다. 기존의 전통적인 제조 공정 품질 관리의 경우, 특정 라인에서 여러 개의 완성품을 선택하여 검사하는 표본 조사 기법을 기초로 하고 있는데요. 이는 우리가 선거를 앞두고 흔히 접하는 여론 조사와 마찬가지로, 전수 조사를 대신하여 모집단인 전체를 합리적으로 추정하기 위한 방법이라고 할 수 있습니다.
선거에서 전체 유권자를 대상으로 여론 조사를 한다는 것은 실제 투표-개표를 하는 것과 마찬가지입니다. 그 비용과 시간을 줄이기 위해서 우리는 적은 인원의 표본 집단을 추출해 결과를 추정하고 있습니다(전통적인 조사 방법론에서 전수 조사가 이루어지는 경우는 5년마다 진행하는 인구 주택 총조사가 거의 유일한 예였습니다.). 이와 마찬가지로 제조 공정에서도 모든 완제품의 품질을 측정한다는 것은 어렵고 비용 효율적이지 않으며, 때로는(유리 제품처럼) 제품의 내구성을 판단하기 위해 파괴를 요하는 파괴 검사도 필요하기 때문에 표본 조사를 이용했습니다.
하지만 빅데이터 시대에 접어들면서 이런 표본 조사는 비용과 시간을 획기적으로 줄일 수 있는 기술 개선이나, 추가 데이터를 확보하는 방식을 통해 전수 조사로 많이 대체되고 있습니다.
선거에서 전체 유권자를 대상으로 여론 조사를 한다는 것은 실제 투표-개표를 하는 것과 마찬가지입니다. 그 비용과 시간을 줄이기 위해서 우리는 적은 인원의 표본 집단을 추출해 결과를 추정하고 있습니다(전통적인 조사 방법론에서 전수 조사가 이루어지는 경우는 5년마다 진행하는 인구 주택 총조사가 거의 유일한 예였습니다.). 이와 마찬가지로 제조 공정에서도 모든 완제품의 품질을 측정한다는 것은 어렵고 비용 효율적이지 않으며, 때로는(유리 제품처럼) 제품의 내구성을 판단하기 위해 파괴를 요하는 파괴 검사도 필요하기 때문에 표본 조사를 이용했습니다.
하지만 빅데이터 시대에 접어들면서 이런 표본 조사는 비용과 시간을 획기적으로 줄일 수 있는 기술 개선이나, 추가 데이터를 확보하는 방식을 통해 전수 조사로 많이 대체되고 있습니다.
-
유리 제품 제조 공정 / 출처 : 구글 이미지
쇼트(SCHOTT)사의 대표적인 생산 품목인 제약용 특수 유리 튜브의 경우, 여러 단계의 공정과 매우 까다로운 절차를 거쳐 만들어진다고 합니다. 1,600도 이상의 용광로에서 녹은 유리는 초당 수 미터씩 쏟아져 나오고, 원하는 형태로 식히면서 제품으로 거듭납니다. 이때 속도나 공기 유입을 조절하면서 유리의 두께와 튜브의 직경 등을 0.01 mm 단위까지 정밀하게 설정할 수 있다고 하는데요. 이런 생산 라인을 거쳐 냉각된 후, 필요한 길이에 맞춰 절단되고 최종 가공 단계로 들어가게 됩니다.
전통적인 표본 조사를 따른다면 가공 완료 이후의 제품들을 일부 선별하여 충격을 가하거나, 정밀하게 측정하는 방식으로 완성도를 검사합니다. 하지만 쇼트사에서는 기존의 통계적 품질 검사를 대신해, 용광로에서 나오는 순간부터 레이저를 이용해 글라스의 직경 및 두께와 편차를 검사하고 고성능 카메라를 활용해 이물질을 감지하는 등 다양한 센서 / 기기를 활용한 데이터를 수집합니다. 이렇게 측정한 데이터는 실시간 처리를 통해 기존의 정상 제품과 큰 차이가 있는 불량 의심 제품을 선별하고, 불량 제품은 출하하기 전에 제거합니다.
전통적인 표본 조사를 따른다면 가공 완료 이후의 제품들을 일부 선별하여 충격을 가하거나, 정밀하게 측정하는 방식으로 완성도를 검사합니다. 하지만 쇼트사에서는 기존의 통계적 품질 검사를 대신해, 용광로에서 나오는 순간부터 레이저를 이용해 글라스의 직경 및 두께와 편차를 검사하고 고성능 카메라를 활용해 이물질을 감지하는 등 다양한 센서 / 기기를 활용한 데이터를 수집합니다. 이렇게 측정한 데이터는 실시간 처리를 통해 기존의 정상 제품과 큰 차이가 있는 불량 의심 제품을 선별하고, 불량 제품은 출하하기 전에 제거합니다.
불량이 생기기 전에 막아라.
쇼트사의 사례와 달리, 완제품에 대한 품질 조사가 아니라 제조 공정상에서 발생하는 문제를 미리 판단하고 즉시 조치하여 불량률 자체를 줄이는 사례들도 많습니다.
국내에서 손꼽히는 디스플레이 제조사 역시, TFT-LCD 공정의 품질 관리를 위해 빅데이터 기법을 도입했습니다. 하나의 제품을 만들기 위한 공정에서 이 회사가 수집, 측정하는 데이터는 약 2,000여 개의 항목이었습니다. 다양한 데이터를 생산 / 축적하고 있지만, 이 기업이 직면했던 문제는 그 데이터를 실제로 생산 품질을 유지하는 데 활용하기가 어렵다는 점이었습니다.
국내에서 손꼽히는 디스플레이 제조사 역시, TFT-LCD 공정의 품질 관리를 위해 빅데이터 기법을 도입했습니다. 하나의 제품을 만들기 위한 공정에서 이 회사가 수집, 측정하는 데이터는 약 2,000여 개의 항목이었습니다. 다양한 데이터를 생산 / 축적하고 있지만, 이 기업이 직면했던 문제는 그 데이터를 실제로 생산 품질을 유지하는 데 활용하기가 어렵다는 점이었습니다.
-
설비 모니터링을 위한 관리도 / 출처 : Infinity QS
기본적으로 품질 모니터링에 사용되는 대표적인 그래픽 도구는 관리도(Control Chart)가 있는데요. 제조 공정이 안정된 상태에 있는지를 판단하기 위한 것으로 각 품질 특성 값들의 한계(상한선, 하한선)를 정해 이를 벗어나는지를 모니터링하는 것입니다. 위에 나타난 관리도 예시를 보면, 특정 구간(Band)를 벗어나면 알려 주는 방식으로 모니터링 패널이 동작하고 있음을 알 수 있습니다. 매우 직관적이지만, 만약 이런 그래프가 100개라면 어떨까요? 1,000개가 넘어간다면 이를 다 파악할 수 있을까요?
실제로 대부분의 제조 공정은 수집, 측정, 관리하는 수준의 차이는 있지만, 특히 전자 설비의 경우 수천 개에서 많게는 만 단위의 센서 데이터 종류가 있다고 합니다. 이 기업에서도 2,000개에 달하는 항목이 있다 보니 기존의 대시 보드로는 품질 이상을 미리 판단하기가 어려운 상황이었습니다. 그래서 이 회사는 빅데이터를 활용하여 미리 설비의 이상을 감지할 수 있도록 하는 이상 탐지 모델을 구축합니다.
과거에 개별 항목이 관리 한계를 넘어갈 때마다 이를 확인해야 했던 것과 달리, 전체를 통합하여 이상 현상을 모니터링하면서 품질 관리자의 업무 효율도 높아지고 불량률 또한 큰 폭으로 낮출 수 있었습니다.
실제로 대부분의 제조 공정은 수집, 측정, 관리하는 수준의 차이는 있지만, 특히 전자 설비의 경우 수천 개에서 많게는 만 단위의 센서 데이터 종류가 있다고 합니다. 이 기업에서도 2,000개에 달하는 항목이 있다 보니 기존의 대시 보드로는 품질 이상을 미리 판단하기가 어려운 상황이었습니다. 그래서 이 회사는 빅데이터를 활용하여 미리 설비의 이상을 감지할 수 있도록 하는 이상 탐지 모델을 구축합니다.
과거에 개별 항목이 관리 한계를 넘어갈 때마다 이를 확인해야 했던 것과 달리, 전체를 통합하여 이상 현상을 모니터링하면서 품질 관리자의 업무 효율도 높아지고 불량률 또한 큰 폭으로 낮출 수 있었습니다.
공장에 빅데이터를 녹이다.
포스코(Posco) 역시 단일 공장으로 세계 최대 규모의 광양 제철소에서 2년 전부터 스마트 공장 구축을 시작했습니다. 특히 불량을 줄이고 비용을 절감하기 위해 39개의 과제를 선정하고 계속해서 실험과 연구를 진행 중이라고 합니다.
앞서 예로 들었던 디스플레이, 전자 제품 제조 공정과 마찬가지로 특정 생산품마다 생산 과정에서 받은 압력이나 온도 등의 자료를 모두 수집, 기록하게 되는데요. 가장 정밀한 단위로는 0.005초에 이르는 미세한 주기로 데이터를 수집하고 있으며, 이런 데이터를 하나의 공정에 대해서만 모아도 하루에 1TB(테라바이트)에 이른다고 합니다. 이렇게 적재된 데이터는 불량이 발생했을 때 바로 그 원인을 판단하고 후속 조치 하는 데에 활용합니다.
또한, 철강 제품의 균열을 제거하기 위한 후반 작업은 철강 제조 공정의 특성상 반드시 필요한 단계 중 하나인데요. 빅데이터를 바탕으로 균열의 발생 가능성을 매우 정밀하게 예측할 수 있게 되면서 시간과 비용이 매우 크게 들었던 균열 제거 공정의 횟수를 줄일 수 있어 생산 비용을 매우 큰 폭으로 절감했다고 합니다.
포스코 역시 원가 절감과 품질 향상, 설비 장애 감소 등의 영역을 포괄하는 스마트 공장을 자체적으로만 활용하는 것이 아니라 GE와 협력해 개선해나가고 타사 및 전체 업계까지 확대하는 방향으로 연구를 지속하고 있는데요. 최근에는 자체 데이터 센터 건설을 추진하는 등 데이터와 디지털 기반으로의 변화에 박차를 가하고 있습니다.
앞서 예로 들었던 디스플레이, 전자 제품 제조 공정과 마찬가지로 특정 생산품마다 생산 과정에서 받은 압력이나 온도 등의 자료를 모두 수집, 기록하게 되는데요. 가장 정밀한 단위로는 0.005초에 이르는 미세한 주기로 데이터를 수집하고 있으며, 이런 데이터를 하나의 공정에 대해서만 모아도 하루에 1TB(테라바이트)에 이른다고 합니다. 이렇게 적재된 데이터는 불량이 발생했을 때 바로 그 원인을 판단하고 후속 조치 하는 데에 활용합니다.
또한, 철강 제품의 균열을 제거하기 위한 후반 작업은 철강 제조 공정의 특성상 반드시 필요한 단계 중 하나인데요. 빅데이터를 바탕으로 균열의 발생 가능성을 매우 정밀하게 예측할 수 있게 되면서 시간과 비용이 매우 크게 들었던 균열 제거 공정의 횟수를 줄일 수 있어 생산 비용을 매우 큰 폭으로 절감했다고 합니다.
포스코 역시 원가 절감과 품질 향상, 설비 장애 감소 등의 영역을 포괄하는 스마트 공장을 자체적으로만 활용하는 것이 아니라 GE와 협력해 개선해나가고 타사 및 전체 업계까지 확대하는 방향으로 연구를 지속하고 있는데요. 최근에는 자체 데이터 센터 건설을 추진하는 등 데이터와 디지털 기반으로의 변화에 박차를 가하고 있습니다.
칼럼을 마치며…
오늘 칼럼에서는 지난번 기획 단계에 이어 제품 생산 현장에서의 빅데이터 활용 사례를 살펴봤습니다. 제4차 산업 혁명의 시대라고 하지만, 여전히 전통적인 영역일 것만 같았던 제조 공정에서도 이미 디지털 기술을 바탕으로 한 변화가 빠르게 일어나고 있습니다.
특히 이런 변화가 단순히 공장의 울타리 안에서만 일어나는 것이 아니라, 앞으로 개인 맞춤 생산의 일반화나 뛰어난 품질 수준으로 우리의 현실에 다가올 것 같아 기대됩니다. 만들어진 옷과 신발에 내 몸과 취향을 맞추는 슬픈 일이 사라지는 스마트 공장이 어서 확산됐으면 하는 바람입니다. 저는 다음 칼럼에서도 우리의 업에서 직면한 빅데이터의 활용 사례들을 가지고 찾아뵙겠습니다.
특히 이런 변화가 단순히 공장의 울타리 안에서만 일어나는 것이 아니라, 앞으로 개인 맞춤 생산의 일반화나 뛰어난 품질 수준으로 우리의 현실에 다가올 것 같아 기대됩니다. 만들어진 옷과 신발에 내 몸과 취향을 맞추는 슬픈 일이 사라지는 스마트 공장이 어서 확산됐으면 하는 바람입니다. 저는 다음 칼럼에서도 우리의 업에서 직면한 빅데이터의 활용 사례들을 가지고 찾아뵙겠습니다.
-
좋아해
10 -
추천해
0 -
칭찬해
0 -
응원해
0 -
후속기사 강추
0