부산시청 도서요약

최근 4차 산업혁명이라는 거대한 파도가 전 세계 사회와 산업계를 강타하고 있다. 연일 언론과 정부 기관, 오피니언 리더들은 4차 산업혁명을 미래가 걸린 절체절명의 과제라고 역설하고 있다. 하지만 정작 많은 사람들은 인공 지능, 사물 인터넷, 로봇 등 4차 산업혁명이 가져올 숨가쁜 변화와 대규모 실업에 전전긍긍하며 공포에 휩싸여 있다. ‘4차 산업혁명에 어떻게 대응하고, 생산 현장을 어떻게 바꾸어 갈 것인가’와 같은 제조업체의 심각한 고민에 뜬구름 잡는 이야기만 넘쳐나는 상황에서 산업 현장의 풍부한 경험과 해박한 이론적 지식을 겸비한 각 분야 전문가들이 실제로 스마트 공장을 구축하는 방법을 제시하고자 힘을 모았다.

4차 산업혁명, 새로운 제조업의 시대

4차 산업혁명 시대의 제조업에 영향을 미칠 요소

4차 산업혁명을 이끄는 새로운 기술

대량의 데이터에서 가치를 찾아내는 빅 데이터 기술

빅 데이터 관련 협업 인력

빅 데이터를 분석하고 활용하기 위해서는 데이터 과학자, 현장 제조 전문가, IT 전문가, 비즈니스 업무 전문가, 가치 사슬망 협력 파트너, 고객, 서비스 사용자, 외부 컨설팅 인력 등 다양한 관계자들과의 협업이 필요하다.

①데이터 과학자: 데이터 과학자는 현장에서 생겨나는 대량의 데이터를 모아서 분석에 적합한 형태로 가공하고, 데이터가 의미하는 바를 이야기에 담아 다른 사람에게 효과적으로 전달하는 역할을 한다. 데이터 과학은 컴퓨터 공학과 통계학 등 다양한 관련 학문이 통합된 의미로 사용되기 때문에 실무에서 이루어지는 데이터 분석은 다양한 전문가로 구성된 팀을 만들어 진행하는 것이 일반적이다.

데이터 과학자는 기본적으로 여기저기에 산재되어 있는 분석에 필요한 데이터를 모으고 가공하는 데이터 처리, 분석에 필요한 모형을 만들고 결과를 도출하는 분석 능력, 해당 업종에 대한 이해라는 세 가지 핵심 기술을 가져야 한다.

데이터에 기반한 기업의 활동 범위가 점차 넓어짐에 따라 데이터 과학자는 기업의 주요 의사 결정과 비즈니스 인텔리전스, 생산과 마케팅 분석, 사기 방지, 위험 관리, 보안, 데이터 서비스와 운용, 데이터 인프라 등과 같은 다양한 영역에서 활동하고 있다.

②현장 제조 전문가: 기업의 현장 제조 전문가는 제조 현황, 제조에 관련된 각종 지수, 설비 상태, 데이터의 연관 관계 등을 알고 있어 데이터의 다양한 의미, 원인 분석, 결과에 대한 해석 등 제조 설비와 현장에 경험이 많은 인력을 말한다.

제조 현장과 데이터와의 연관 관계를 알고 있는 현장 제조 전문가들은 일반적으로 데이터 기술을 잘 모른다. 하지만 데이터 분석팀에 데이터 과학자와 현장 제조 전문가도 참여시켜 공동으로 작업을 수행한다면 합리적이고 현실적인 분석이 가능하다. 그들은 소리나 진동만으로도 설비의 작동 상태를 알 수 있을 만큼 오감이 발달해 있고 경험을 통한 직관도 탁월해 데이터가 말할 수 없는 많은 것들을 지적할 수도 있다.

>작업자와 함께 일하고 협업하는 로봇 기술

세계 최대 로봇 밀집 국가, 대한민국

그동안 공장 내 로봇은 프로그램에 짜여지고 정해진 대로 맡은 일을 반복하는 기계였다. 지능도 없고 스스로 하는 일도 없었다. 제조 공정에 따라 작업을 바꾸려면 프로그램을 변경해야 했고, 프로그래밍도 쉽지 않았다.

그러나 최근 들어 전자통신 기술의 발달로 산업용 로봇이 다른 설비들과 네트워크로 통합되고, 작업 변경도 한층 쉬워졌으며, 가격도 하락하기 시작했다. 최근 로봇이 공장에 확산되는 이유가 바로 여기에 있다. 급기야 프로그램에 따라 작동하던 로봇이 작업자로부터 직접 작업을 배우기 시작했다. 작업자가 로봇의 팔을 붙들고 일을 가르치면, 로봇이 그대로 기억하여 작업하는 학습 능력을 가지게 된 것이다. 인공 지능 기술 덕분이다.

협업하는 로봇, 코봇

코봇(CoBot) 또는 코-로봇(Co-robot)은 협업 로봇(Collaborative Robot)을 줄인 말로 작업 공간에서 인간과 물리적으로 상호 협력할 수 있는 로봇을 의미한다.

작아지고, 안전하고, 유연하여 작업자와 같은 공간에서 협업하는 코봇이 제조 공장을 변화시키고 있다. 예를 들어 쿠카 코봇의 경우, 무게가 20~30kg에 관절이 7개, 행동 반경도 1m가 안 돼 쉽게 작업자들과 일할 수 있다.

제조 공정에서 코봇은 기존의 용접 등을 하던 로봇과는 다음과 같은 부분에서 차이점이 있다.

코봇은 인간과 파트너가 되어 협업한다.

작업자가 중요한 작업에 몰입할 동안 코봇은 뜨겁거나 다루기 어려운 작업을 한다.

작업자와 같이 일할 수 있을 만큼 더 안전하다.

기술의 발전에 따라 다양한 작업을 실행할 수 있으며, 작고 움직이기 쉬운 코봇이 시장에 출시되어 있어 경제적이다. 예를 들어, 리싱크 로보틱스의 백스터는 팔에 7개 관절을 가지고 100개 이상의 작업을 수행하는데, 가격은 25,000달러에 불과하다.

따라서 이제는 인간을 지원하고, 더 높은 부가가치를 실현하는 파트너로 로봇을 활용하는 것을 목표로 해야 한다. 4차 산업혁명 시대에 사람들이 할 수 있는 일은 두뇌를 사용하여 로봇을 관리하고, 가르치고, 더 사람다운 창조성을 발휘하여 가치를 만들어 내는 부분이 될 것이다.

지속 가능성에 대한 요구의 변화

에너지원의 다변화와 통합 에너지 관리

공장의 안정적인 작업을 위해 안정적인 에너지 공급은 필수이다. 또한 제조업에서 에너지를 최적으로 사용하려는 요구는 단순히 비용 절감을 넘어 자원 고갈과 환경 보호 측면에서 큰 이슈로 대두되고 있다.

에너지 관리의 현재와 미래

제조업에서 에너지는 대개 생산의 간접비용으로 간주되고, 생산 담당부서의 관리 항목에는 포함되지 않았다. 사업장별 또는 회사 전반에 걸쳐 전기, 물, 가스 등 에너지 항목별 비용을 산출해서 관리하는 정도였다.

하지만 미래에는 보다 적극적인 방법으로 실시간 에너지 구입 비용과 사용 비용을 비교/분석해서 스마트 그리드로부터 최적의 에너지원을 선택하도록 해야 할 것이다.

제조업에서 에너지 관리를 위한 단계별 과정을 소개하면 다음과 같다.

에너지 특정 인지 단계: 에너지를 측정하고 사용량, 패턴을 인지하는 단계이다. 전기, 물, 가스, 증기, 공기 등 모든 에너지원의 사용량을 측정/기록/보관한다. 요일, 시간, 월, 분기, 계절, 온도, 날씨 등 다양한 요소별로 분석할 수 있는 에너지 데이터를 수집/저장/분석할 수 있도록 한다.

에너지 효율성 단계: 에너지 사용 정보와 생산 정보를 상호 비교해서 상관 관계를 알아내고 효율성을 판단한다. 에너지원의 요금, 사용 시간, 생산 설비 에너지 요구, 사용량 등을 요일, 시간, 월, 분기, 계절, 생산량 등 다양한 요소로 분석하여 효율성을 분석할 수 있도록 한다.

스마트 공장 프레임워크와 플랫폼, 기본 인프라 구축

스마트 공장 프레임워크

물리적 세계와 가상 세계의 소통을 위한 디지털화

물리적 공장이 스마트 공장으로 발전하기 위한 첫걸음은 설비나 공장이 디지털로 소통하며 세상과 교류하는 것이다. 따라서 오래된 설비나 공장, 환경 시설에 센서가 장착되어 있는지 점검해야 한다. 그리고 센서를 장착하여 디지털 신호로 외부와 소통할 수 있도록 디지털화해야 한다. 모든 자산을 디지털화하고, 설비뿐 아니라 공정도 말하고 소통할 수 있도록 해야 한다. 공장과 공장, 공장과 가치 사슬망이 다른 협력 업체와도 디지털 신호로 소통할 수 있도록 공정의 디지털화를 완성해야 한다. 마지막으로 제일 중요한 부분인 사람도 디지털화하여 기계, 설비와 소통하고 말할 수 있도록 해야 한다.

디지털 복제품

디지털에서 가장 중요한 부분은 디지털 트윈, 즉 디지털 복제품이다. 이것은 디지털 쌍둥이라고 할 수 있다. 모든 사물, 기계, 설비, 공정, 환경 시설, 공장, 가치 사슬망 파트너, 외부 협력 업체 등이 디지털화되어 디지털 복제품으로 만들어져야 한다. 디지털 복제품은 사물이나 설비에서 생성되는 데이터를 근간으로 개발할 수 있다. 디지터 복제품으로 설비의 상태, 문제의 원인과 결과, 환경과의 관계 등의 데이터를 축적하고, 나아가 향후에 나타날 이상 징후를 감지하여 미리 대응하거나 개선할 수 있도록 해야 한다.

디지털 복제품은 제품 개발, 부품 조달, 생산, 유통, 고객의 사용, 폐기라는 제품 생애 주기의 모든 과정을 포괄해야 한다. 그리고 현실 공간에서 모든 사물이 연결되어야 한다. 또한 모든 사물의 디지털 복제품이 가상 공간에서 연결되어, 현실 공간과 실시간으로 소통해야 한다.

>통신 네트워크와 빅 데이터 인프라 구축

빅 데이터 활용을 위한 인프라 구축

통신 네트워크가 구축되어 제대로 운영되고 있다면, 이를 통해 설비나 장치, 공정에서 많은 데이터를 수집할 수 있다. 그러나 데이터를 기반으로 하는 빅 데이터, 인공 지능, 머신 러닝, 딥 러닝 등의 기술을 생산 현장이나 업무 프로세스에 적용하기 위해서는 데이터를 모아서 저장하는 빅 데이터 인프라를 올바로 구축해야 한다.

핵심 가치를 발굴하라

빅 데이터의 과제 기획 과정에서는 기본적으로 기업의 당면 과제가 무엇이고 빅 데이터 분석을 통해 무엇을 달성할 것인지, 즉 장/단기적 목표와 함께 정확한 시점을 구체적이고 정량적으로 정의한다. 이때 기업의 핵심 가치를 발굴하기 위한 방식으로는 비즈니스 모델로부터 핵심 경쟁력 향상을 위해 전사적 관점에서 접근하는 톱다운 방식과 핵심 프로세스를 먼저 분석하고 점차 전사적으로 확산하는 보텀업 방식이 있다.

① 톱다운 방식

톱다운 방식은 전사적 관점의 큰 그림에서 시작해 고객의 요구 사항을 파악하고, 분석 목표에 맞는 데이터를 자세히 분석하는 방식으로 진행한다. 먼저 기업의 비즈니스 모델을 이해하기 위해 시장과 환경의 변화를 파악한다. 또한 고객의 요구 사항 변화도 살펴야 한다. 비즈니스의 전체적인 상황을 파악하기 위해서는 시장 요인, 산업 요인, 주요 트렌드, 거시경제 동향 등 비즈니스 컨텍스트 분석으로 기업이 당명한 외부의 환경 변화 요소를 검토한다. 그리고 이후에 기업 내부의 이슈 및 당면한 과제를 정의하는 방식이다.

시장과 환경의 변화를 파악했으면, 이제는 다음의 4가지 가치 유형을 통해 고객 니즈를 명확히 파악한다.

기능적 가치: 물리적 속성, 특징 등 기능적 측면

재무적 가치: 무료, 낮은 가격, 높은 가격

무형의 가치: 공유성, 확장성, 이동성, 접근성

감성적 가치: 즐거움, 자긍심, 자유

스마트 공장 구축 방안

현 수준 진단 및 평가

현 수준 진단은 기존 공장의 모든 설비, 품질, 생산 등 각 부문의 현 상태와 수준을 조사하면서 현장 직원부터 최고 경영진까지 계층별 인터뷰를 통해 구체적이고 자세한 사항을 정리한다. 각 부문의 디지털화, 연결화, 스마트화 수준을 정확하고 주도면밀하게 객관적으로 평가하는 것이 가장 중요하다.

설비 분류 체계도 작성

설비 운영자 및 정비자는 설비 분류 체계도(PBS: Physical Breakdown Structure)를 작성한다. 설비 분류 체계도를 작성하는 목적은 생산 공장의 설비에 대한 상세 구성과 센서의 설치 현황을 정확히 파악하는 데 있다. 이를 통해 데이터의 신뢰성을 확보하고 센서의 변화가 기계 장치에 어떠한 영향을 주는지를 정확하게 판단하는 기준을 만들 수 있다. 작성 시 주의할 점은 설비, 장치, 부품에 부착되어 있는 센서를 자동 제어용 센서와 기계 상태 측정용 센서 등과 같이 자세히 분류하여 모든 센서를 반드시 포함하여 작성해야 한다는 것이다.

공장 설비와 시스템 통신망 연결 수준 진단

기업들은 공장에 여러 가지 제조 설비와 경영 관리를 위한 다양한 시스템을 보유하고 있다. 이들은 모두 통신망으로 연결되어 있다. 단위 설비를 제어하는 컨트롤러가 전후 설비를 제어하는 PLC, DCS 간에 데이터를 주고받을 때 연동 제어를 하는지, 단독 제어를 하는지 통신 연결을 조사하여 그 모습을 그린다. 그리고 PLC, DCS 간에 연결되어 있고, 상위 시스템인 Process Computer, MES, ERP 시스템과 어떻게 연결되어 있는지 확인한다. 이 모든 설비, 장치, 시스템들을 나타내는 통신망 연결 구성도를 작성한다.

통신망 연결 구성도에 하드웨어와 소프트웨어 자산 항목도 자세히 서술한다. 여기에는 제어 및 정보 자동화 시스템(Control&IT) 하드웨어 구성도와 소프트웨어 기능 정보 등이 필요하다. 하드웨어 시스템은 시스템명, 기능, 모델명, 일련번호, 제조사, 제조년원일 등의 정보를 표시한다. 소프트웨어는 이름, 기능, 제조사, 제조년월일, 버전 번호, 업데이트 이력, 연동 소프트웨어 솔루션 등을 자세히 적는다.

구현 목적과 기대 목표 설정

스마트 공장의 지향점은 자율 생산 공장

제조업에서 궁극적인 꿈이자, 이상은 공장이 스스로 알아서 제품을 생산하는 자율 생산 스마트 공장이다. 이를 기술적으로 표현하면, 자율 생산 공장은 ‘전통적인 제조 산업에 가상 물리 시스템, 사물 인터넷, 클라우드 컴퓨팅, 인공 지능 등과 같은 정보 통신 기술을 융합하여 생산 설비와 생산품 간의 정보 교환으로 완전한 자율 생산 체계를 갖춘 똑똑한 스마트 공장’이다.

자율 생산 공장은 가상 물리 시스템을 기반으로 공급되는 소재와 설비, 생산되는 제품이 어디가 문제인지, 얼마나 문제인지를 말할 수 있고, 사람의 개입 없이 서로 소통하여 고객이 원하는 제품을 자동으로 생산하는 똑똑한 공장이다. 그러나 이는 생산 공장만 똑똑한 공장이라고 해서 끝나는 것이 아니다. 원료와 소재를 제공하는 공장과 이를 활용하는 최종 고객까지 공급 사슬에 있는 모든 업체의 정보와 기술이 서로 공유되고 협업해야 가능하다.

스마트 공장 구현 목적 설정

하지만 가장 중요한 것은 차별화 전략, 즉 가격과 기술의 차별화를 구사하는 것이다. 첫 번째인 가격 차별화는 제품의 원가를 극한으로 내리고, 품질을 고객 눈높이에 맞춰 최저의 가격으로 판매하는 것이다. 두 번째인 기술 차별화 전략은 더 나은 기능의 제품과 감동적인 서비스의 제공으로 고객이 가치를 느끼거나 만족하여 지속적으로 제품을 구매하도록 만드는 것이다.

여기서 스마트 공장의 구현 목적은 구체적이고 명확할수록 좋다. 그래야 모든 임직원들이 쉽게 이해하고 협조할 수 있기 때문이다. 예를 들면 ‘원가 절감을 위해 불량률을 언제까지 몇 % 낮춘다’, ‘같은 인력으로 매출과 이익을 향상시키기 위해 생산성을 언제까지 몇 % 높인다’, ‘근로자들의 안전을 위해 설비의 안전 기능을 강화하여 사고율을 언제까지 몇 % 줄인다’ 등과 같이 현실적으로 실행할 수 있는 것이어야 한다. 각 기업의 수준과 형편에 따라 추구하는 목적과 구현 가능한 목표가 다를 것이다.

필요 기능과 적용 기술 확정

스마트 공장을 구축하기 위한 파일럿 프로젝트가 선정되고, 개선 범위가 확정되면 현재 우리가 보유한 기술과 새롭게 도입할 기술을 명확하게 확정한다. 여기서는 이를 공장에서 잘 활용할 수 있도록 응용 기술에 대하여 설명할 것이다.

첫째, 시각화 기술을 활용하여 공장 및 사무실을 구석구석 보이도록 드러내는 응용 기술을 개발한다. 지금까지 자동 제어 이론으로 해결할 수 없었던 공장 내의 고질적인 문제를 모두 리스트 업 한 후, 과학적이고 사실적인 데이터를 기반으로 근본 원인을 하나하나 찾아낸다. 또한 공장 내에 버려지는 스크랩, 재활용 자재, 관리되지 않는 공구, 1회용 소모품, 운전 자재, 원부자재 자투리, 반제품 등 이동 가능한 모든 것을 일목요연하게 RFID 태그 등을 부착하여 어느 위치에 있는지 시각화하여 관리한다.

둘째, IoT와 인공 지능 기술을 활용하여 24시간 가동 중인 설비가 자기의 상태를 말하는 것을 사람이 알아들을 수 있도록 응용 기술을 개발한다. 현재 설비에 붙어 있는 센서를 활용하여 데이터를 체계적으로 수집하여 저장한 다음, 기계 학습 등 최신의 인공 지능 기술을 활용하여 예방 정비(Preventive Maintenance)에서 예지 정비(Predictive Maintenance) 체계로 바꾼다. 그리고 현재의 데이터로 예지 정비의 기능을 수행하여 실현 가능성을 확인하였으나 정도가 낮은 경우 설비의 상태를 전문적으로 측정하는 IoT 센서를 추가적으로 도입하여 예지 정비의 정확도를 높여 나간다.

다섯째, 시스템 엔지니어링 기술을 활용하여 개인이 갖고 있는 암묵지화된 기존 지식을 형식지화하여 체계적으로 컴퓨터에 저장하고 서로 공유할 수 있는 응용 기술을 개발한다. 머릿속에 들어 있는 암묵지화된 기술을 빅 데이터 추론화 및 검증과 개선을 통해 형식지화하여 신지식으로 바꿔서 지속적으로 개선해 나간다. 이와 같은 기능을 개발하기 위해서는 데이터를 기반으로 하는 사물인터넷, 빅 데이터 & 분석, 인공 지능, 기계 학습, 딥 러닝, 증강 현실, 지능형 로봇, 가상 물리 시스템, 3D 프린팅, 클라우딩 컴퓨팅, 보안 등의 분야에서 기업 역량에 맞는 기술을 중심으로 경쟁사나 타 산업에서 이미 검증받은 기술과 솔루션을 선택하고 필요한 기술을 확정한다.

부문별 세부 실행 방안

생산 부문 - Smart Operation

자동화 설비의 자동 운전을 자율 운전으로 바꾸기 위해서는 먼저 생산 현장에서 올라오는 모든 데이터를 100% 수집하고, 구축한 빅 데이터 인프라에 저장해야 한다. 그래야 빅 데이터와 인공 지능, 머신 러닝, 딥 러닝, 3D HMI, 지능형 로봇 등 최신 솔루션을 활용하여 상황에 따라 능동적이고 통합적이며 스스로 대응하는 자율 생산 공장을 구축할 수 있다.

인공 지능 기반의 두뇌형 공정 제어용 컴퓨터

각 공장별로 사용하고 있는 프로세스 컴퓨터의 핵심은 운전자의 개입 없이 모든 설비의 목표값을 자동으로 계산하여 설정하는 것이다. 그러나 마모나 열화로 설비의 성능이 저하될 경우, 운전자들이 수동으로 개입하는 경우가 많다. 이때 운전자의 수동 개입을 줄이고 설정의 정확도를 높이려면, 운전자의 경험적 지식과 설비 마모와 열화 상태와 소재의 품질 상태를 정확하게 측정할 수 있는 모든 데이터를 장기간 수집/저장하여 인공 지능 기술을 장착한 프로세스 컴퓨터를 활용하는 것을 고려해야 한다. 인공 지능 기반의 수식 모델을 개발해야 무인 운전으로 균일한 품질의 제품을 안정적으로 생산할 수 있다.

수식 모델은 현장 운전자와 엔지니어가 빅 데이터나 인공 지능 전문가, 학계, 연구소 전문가 등과 함께 협업하여 개발해야 한다. 현업에 있는 운전자를 지속적으로 개발에 참여시키기에는 현실적으로 어려움이 많기 때문에 숙련된 운전자 중 정년퇴직한 분들을 활용한다면 좋은 성과를 얻을 수 있을 것이다.

전문 지식 기반의 스마트 생산 관리

다른 산업군에서도 현장에 센서를 설치하여 측정이 불가능한 설비는 사람의 경험적 지식에 의존하는 경우가 많다. 따라서 이제부터라도 전후 공정과 연계하여 측정 가능한 모든 데이터를 체계적으로 수집/저장하고, 사람의 경험적 지식과 연계하는 작업을 장기간에 걸쳐 저장하지 않으면 안 된다. 이를 위해 현재 작업을 수행하는 운전자와 작업자는 물론 퇴직자를 활용하는 것도 적극 추천한다.

인공 지능 기반의 전문가 시스템을 개발하기 위해서는 먼저 현장 전문가의 경험과 지식과 기술을 분류하여 규칙화해야 한다. 그다음에는 모든 측정 데이터를 장기간 저장하고, 빅 데이터 분석을 통해 패턴을 만들어야 한다. 이렇게 지식과 기술을 규칙화한 것과 빅 데이터 분석을 통해 얻어낸 패턴을 통합적으로 연결하면 각종 생산 상황을 예지할 수 있다. 경험적 지식을 규칙화할 때에는 여러 전문가의 의견을 통합하는 것도 필요하다. 또한 경험적 지식의 규칙화와 패턴이 완성되면 다양한 시도를 통해 예지 역량을 강화하는 작업도 필요하다.

물류 부문 - Smart Logistics

제조 공정에서 가장 많은 사람을 필요로 하고 수작업에 의존하는 작업 중 하나가 물류 부문이다. 이 모든 분야에 원료와 소재, 완제품을 적시에 공급하기 위해서는 뒤에서 설명할 ‘스마트 물류 시스템’을 구축해야 한다.

그러기 위해서는 공장에 공급되는 소재와 원료의 물류 시스템과 생산된 제품을 포장하고 창고에 저장하는 제품의 물류 자동 시스템은 물론이고 배송 시스템까지 아우르는 통합적 물류 스마트화를 고려해야 한다.

물류 스마트화

일관제철소에서의 스마트 물류

제철소의 압연 공장에서는 제품별 인식 태그로 바코드 및 RFID를 사용한다. RFID 태그를 열연, 냉연 코일에 플래그 태그를 사용하고, 제품이 생산되면 자동으로 코일의 내경에 이것들을 로봇이 부착한다. 후판 제품의 경우 RFID 태그를 강판의 옆면 모서리에 자동 부착하는데, 일반 RFID 태그를 사용하면 서로 다른 폭의 제품을 적재했을 때 폭이 넓은 강판 사이에 폭이 좁은 강판이 적재되면 RFID 리더기로 인식할 수 없다. 따라서 포스코에서는 이러한 경우에 쉽게 인식할 수 있는 특수 용도의 RFID 태그를 개발하였다.

그러나 물류에서 활용하는 RFID 태그는 어느 한 회사 제품만 사용하는 것은 한계가 있고, 전후방 산업의 물류자동화가 확산되어야 효율적인 운영이 가능하다. 그러므로 사용하고 있는 기술을 경제적으로 활용하는 것도 스마트 물류 시스템 구축에서 고려해야 한다.

제철소의 스마트 물류는 생산 중인 제품을 언제 생산하여 언제 인도할 것이라는 것을 사전에 고객에게 예지한다. 또한 GPS 기술을 활용하여 제철소 출입문을 나갈 때 자동으로 제품을 RFID 태그로 인식하고 차량을 확인한다. 이를 통해 제품을 싣고 이송하는 차량의 위치를 스마트폰으로 확인하면 도착 시간까지 직원들이 기다릴 것인지, 아니면 다음날 작업을 할 것인지 유연하게 배송 일정을 계획할 수 있다. 그리고 고객에게 도착하면 자동으로 RFID 태그로 인식하여 자동 검수하고, 인도 즉시 관련 정보를 고객과 공유할 수 있다.

경영 부문 - Smart Management

스마트 공장을 넘어 스마트 기업으로

당신의 기업은 시시각각 변화하고 있는 다양한 고객의 요구를 실시간으로 반영하여 제품을 준비하고 공급망과 연결해 민첩하고 지능적으로 일하는가? 공장이 자동화, 무인화를 넘어 공급망 전체로 연결되어 일하고 있는가? 공급 업체와 사이버 공간에서 필요한 부품을 주문하고, 품질 관리를 위해 실시간 협업이 가능한가? 생산 현장의 복잡한 기계들을 빅 데이터와 클라우드 기술로 외부 전문가와 연결하여 사이버 공간에서 모니터링하고 협업 서비스를 받고 있는가?

이런 질문에는 한국의 대표 기업들도 글로벌 기업들에 비해 뒤쳐져 있거나 아직 구체적인 실행 계획도 마련하지 못한 경우도 있는 것이 현실이다.

4차 산업혁명 시대에는 공급 가치 사슬에 있는 업체 간에 수평적 통합을 통해 서로의 생산 현황과 설비 가동률 등을 실시간으로 공유하고, 가동률이 낮은 설비가 있을 경우에는 이를 관련된 기업에서 활용할 수 있어야 한다.

또한 모듈화된 생산 공정으로 상호 호환성을 키우고 차별화된 제품을 생산하기 위해 짧은 시간에 관련 설비들을 재배치하고 상호 기업 간에 설비를 활용할 수 있도록 해야 한다. 이를 통해 기업은 다품종 소량 생산 체제와 더욱 짧아지는 제품 주기에 대응해 고객의 개별적인 요구 및 높아지는 단가 인하 압력을 극복할 수 있으며, 새로운 부가가치를 창출할 수 있는 제품을 생산할 수도 있다.

그렇다면 스마트 공장에서 디지털 연결은 어떻게 확산되고 성숙될까?

먼저 생산 단위의 기계 설비는 센서, 모터 구동 장치, 생산 원료에 대한 정보들이 디지털화해서 연결되고, 가동되는 스마트 머신이 된다. 이러한 스마트 머신들은 공장 내에서 사물 인터넷으로 서로 연결되고, 인터넷 환경에 연결된 다른 영역의 전화기, 디지털 카메라, 휴대용 스마트 기기를 사용하는 사람과 연결된다. 이것이 초연결의 시작이다. 현재까지는 공장 내의 디지털 기기들이 사용하는 네트워크가 달라 단순한 연결에 그쳤다. 만약 기계에 부착된 디지털 기기가 인터넷으로 연결되고, 표준 인터넷 프로토콜 기반으로 보안 기능을 가진 산업용 인프라와 네트워크 상에서 만난다면 어떻게 될까? 과거에는 볼 수 없던 혁명들이 여기저기서 일어날 것이다.

* * *