데이터 수집이 돈이 되는 이유

제조 산업은 제품 품질을 향상시키기 위해 생산 데이터에 의존한다. 프로세스를 최적화할 수 있고 기계 상태도 간단히 감지할 수 있다. 데이터로 더 많은 것이 가능하다.

헨드릭 해르터(Hendrik Härter)

핵심 내용

  • 제조 기업에서 나오는 데이터로 기계를 모니터링하고, 생산성을 개선하여 프로세스를 최적화할 수 있다.
  • 데이터를 평가하기 전에, 데이터로 추구하고자 하는 목적을 명확히 해야 한다.
  • 데이터의 진정한 가치는 알고리즘과 AI로 이를 해석하는 데 있다.

구글 검색 엔진이 나에 대한 어떤 데이터를 수집할까? 이러한 질문을 던지는 것은 정당하다. 구글은 사용자 데이터로부터 전체 프로파일을 만들고, 광고 업계는 이런 데이터에 관심이 많기 때문이다. 제조 기업도 데이터를 수집한다. 제조기업에서는 엄청난 양의 데이터가 발생한다. 데이터의 중요한 소스는 기계와 기계 간에 연결된 매개변수이다. 그렇지만 제조 기업은 무엇을 위해 데이터가 필요할까? 관건은 생산 프로세스를 최적화하고, 공작물의 품질을 개선하기 위해 모니터링하는 것이다. 기계의 이러한 데이터는 제품 데이터와 프로세스 데이터라고도 한다. 제품 데이터는 제조된 공작물의 상태를 설명한다. 프로세스 데이터와 연결하여 제품 데이터는 생산 공정에 대한 정보를 제공한다. 전형적인 기계 데이터는 온도, 택트 타임, 장애 및 장애 원인 등이다. 기계적 작동 데이터 외에 기계에서 작업하는 작업자 데이터와 다양한 환경 데이터도 있다.

이러한 데이터는 가치가 있다. 기업은 이러한 데이터를 이용하여 생산의 실제 값을 파악하고 연속적인 개선 프로세스의 일환으로 생산 절차 향상을 위해 이를 이용할 수 있다. 데이터 분석가는 데이터를 평가하기 전에 다음과 같은 본질적인 문제를 밝혀야 한다. 경영진이 최적화하려는 자원이 무엇인가? 예를 들어, 생산 과정에서 에너지를 줄이거나 자재 소비를 줄이고자 하는가? 데이터로 추구하는 목적을 있다만, 기업은 목적에 맞게 데이터를 분석할 수 있어야 한다. 이것이 CRISPDM(Cross Industry Standard Process for Data Mining) 원리에 따른 첫 번째 단계이다. 이 원리는 데이터 마이닝에 대한 산업 간 표준 모델이다.

물론 데이터 수집은 복잡한 일이다. 세계화 시대에서 기계 및 생산 데이터는 국지적으로 한 공장에서만 나오는 것이 아니며, 다양한 위치에 시스템들이 있고 이들은 서로 연결되어 있다. 데이터 분석가들은 사전에 데이터를 미리 이해하고, 준비하여 모델(시뮬레이션)을 생성해야 한다. 하지만 데이터도 종종 신뢰할 수 없다는 점을 잊으면 안 된다. 센서가 오염되었거나 센서에 결함이 있거나 또는 전송에 문제가 발생할 수 있기 때문이다. 의사 결정자는 평가를 위해 데이터 분석을 위한 기성 도구와 그래픽 대시보드를 이용할 수 있다.

기업은 데이터의 가치를 이해해야 한다

기업은 데이터 수집 자체를 목적으로 데이터를 수집하지 않는다. 기업은 생산 프로세스와 절차를 개선하고 이를 통해 결국 제품 품질을 높이고자 하고, 기계 고장을 방지하고 정비 작업을 조직하고자 한다. 데이터를 통한 가치 창출은 전체적으로 이루어져야 하고, 기업의 모든 사업 프로세스에 걸쳐서 이루어져야 한다. 여러 타입의 데이터가 있는 개별적인 데이터 사일로에서 하나의 통일된 데이터 웨어 하우스가 형성된다. 이곳에서 프로세스 전문가 자동화 기술자와 IT 전문가 또는 소프트웨어 개발자 등 모두가 협력한다.

데이터의 진정한 가치는 데이터의 해석에 있다. 자동 생성되는 모델은 수집된 데이터에서 구조를 찾아낸다. 구조란 측정값의 규칙적인 특정 구성일 수 있다. 또는 알고리즘이 특정 구성을 바람직하다거나 바람직하지 않다고 표시한다. 이 모든 것이 인간 전문가의 지식과 협력하여 이루어진다.

데이터 주권 살펴보기

인공 지능(AI)은 훌륭한 분석을 위해 도움을 제공한다. 하지만 앞서 전문가 지식과 결합되는 충분한 양의 데이터가 있다는 전제하에 그러하다. 특히 중소기업에는 데이터 세트에서 상관관계를 추출해 낼 수 있는 AI 전문가가 거의 없다. 예를 들어, Weidmüller는 자사 산업 분석 도구로 이상 징후를 감지하고 분류할 수 있는 AI 애플리케이션을 제공한다. 이에 대한 기초는 센서 데이터, 상태 데이터, 프로세스 데이터가 제공한다. 하지만 데이터와 관련하여 숙고해야 할 문제가 하나 더 있다. 나의 데이터를 어디에 저장할 것인가? 하는 것이다. 회사가 외부 AI 애플리케이션 공급자와 협력하는 경우, 이 문제를 명확히 밝혀야 한다. 이유는 기업 프로세스에 있어서 데이터 주권이 결정적이기 때문이다. 예를 들어, 데이터가 기계 제조사에 있는가 아니면 사용자에게 남아 있는가? 여기에도 기회가 있을 수 있다. 바로 구독 비즈니스 모델이다. 기게 제조사는 기계 데이터에 대한 자신의 지식을 중소기업에게 제공할 수 있다. 기업은 새로운 지식을 두려워해서는 안 된다. 지금도 데이터를 이용하여 많은 중요한 자료를 획득할 수 있기 때문이다.

MM 아헨 공과 대학

엑설런스 클러스터 ‘IoP (Internet of Production, 생산 인터넷)’

다음 생산 단계는 앱을 통해 가장 효율적이고, 가장 우수하고, 가장 경제적인 방법으로 간단히 조회하고, 제어하고, 최적화하는 것이다. 이런 단계가 IoP (Internet of Production, 생산 인터넷)로 가능해진다고 한다. 이는 아헨 엑설런스 클러스터 ‘Internet of Production’의 학자들에게 미래의 생산을 결정지을 기본 아이디어 가운데 하나이다. 빅 데이터 풀에서 가장 중요한 데이터의 정수를 기반으로 디지털 네트워크로 연결하고, 지능적으로 협력하여, 기계에 정보를 제공하는 것이다.

“IoP는 언제 어디서나 모든 관련 데이터에 대한 실시간 보안 정보 가용성을 제공하며, 인더스트리 4.0의 핵심으로 간주됩니다.”(Dr. 브로크만, 엑설런스 클러스터 이사 겸 COO). 올해 초 이 클러스터의 산업 자문 위원회에 임명된 National Instruments의 비즈니스 &기술 이사인 라만 야말 교수는 다음과 같이 설명하였다. “사물인터넷(IoT) 개념을 이용하여 물리적 세계에 이 아이디어를 적용하였습니다. 생산 기술 분야는 다른 빅데이터 영역보다 중요한 매개변수는 더 많고 이용할 수 있는 데이터는 적기 때문에, 지금은 IoT 접근 방식을 생산에 직접적으로 적용하는 것은 불가능합니다.“

2019년 1월부터 존재해온 클러스터 IoP는 2006 ~ 2018년에 새로운 솔루션 개발을 다루었던 이전 엑설런스 클러스터 “고임금 국가를 위한 통합 생산 기술”의 연구를 이어받아 계속 진행하고 있다. 이 연구는 현지 제조업의 미래와 경쟁력을 보장하는 것을 목적으로 한다. 연구 성과는 새로운 지능형 생산 시스템 개발, 고객 별 부품의 효율적 생산을 위한 솔루션, 일관된 제품 수명 주기 관리, 네트워킹 및 협업 증가 등을 제시할 수 있다.