공장의 가장 공통적인 문제 중 하나는 수요를 충족시킬 충분한 생산 능력을 보유하고 있는가에 관한 것이다. 공장 관리자들은 종종 그렇게 할 수 있는 시설과 설비가 있다면 생산 능력을 크게 증가시킬 수 있다고 믿는다.

대규모 생산설비의 변경 없이, 머신런닝(ML)으로 공정 효율을 향상시킬 수 있다.  ML은 생산 능력을 최대 20% 까지 높이고 재료 사용 소비를 4% 정도 낮출 수 있다고 한다.

또한, ML을 공장운영 환경에 통합하여 생산성을 예측하고 통찰할 수 있는 잠재력을 가지게 된다. 서플라이 체인이 효율적으로 운영되는지 또는 기계의 수명을 최적화하기 위해 장비 세팅을 미세 조정하는 일과는 별도로, ML은 프로세스를 최적화하여 생산능력을 올릴 수 있다.

머신런닝을 통해 생산능력을 향상시킬 수 있는 핵심 영역에 대해 살펴보자.

Machine Lifetime (기계 수명)

관리자는 ML을 통해 기계의 성능을 모니터링하고, 기계가 몇 사이클을 거쳤는지, 그리고 기계의 제품생산 결과가 시간이 경과함에 따라 어떻게 변하는지 알 수 있다. 또한, ML을 사용하면 어느 시점에서 기계를 손봐야 하는 지 예측할 수 있다.

유지보수가 필요한 시기를 예측하는 것 외에도, ML을 적용하여 공정 오류를 수정하고 기계 수명을 연장할 수 있다. 

예를 들면, 철강 공장에서 로의 예열 온도가 100도로 너무 뜨거웠다면 이는 작업자들이 철의 녹을 제거하려고 노력하고 있음을 암시한다. ML의 분석 결과를 확인해보면, 로에서 온도를 높여 녹을 제거하려는 노력대신 초기 산성 세척으로 온도를 높이는 문제를 해결할 수 있다는 사실을 알게 될 것이다. 이러한 간단한 조정으로 로의 수명을 몇 년 더 늘릴 수 있다. 공장에서 설비 조기 교체에 따라 발생하는 막대한 비용을 절감할 수 있다.

Quality Inspection (품질 검사)

제조현장의 목표는 생산능력의 향상과 함께 제품의 전반적인 품질을 높은 수준으로 일정하게 유지하는 것이다. 그러나, 품질확인을 위해 생산제품의 100%를 수동으로 검사할 수는 없다. 품질 검사의 효율을 올리는 자동화된 솔루션이 있다.

자동화된 컴퓨터 비전으로 제품검사 효율을 정확하고 높은 속도로 증가시킬 수 있다. ML은 데이터 자체를 분석할 수 있기 때문에 제품의 품질을 쉽고 신속하게 판단한다. 비디오 검사 측면에서, Convolutional neural networks(합성곱 신경망) 또는 기타 ML 방법은 픽셀 단위로 비디오 프레임을 분석하여 제품 규격에서 벗어나는 갑작스러운 변색과 녹의 경우에 해당하는지 또는 치수 공차 범위 내에 있는지 여부를 판단할 수 있다.

Utilization of Equipment (장비 활용)

제품을 생산할 때, 하나의 완성된 부품을 만들기 위해 수많은 공정을 거쳐야 한다. 생산라인의 각 공정은 서로 간에 의존적이다. 어느 한 공정의 조건 설정은 다른 공정의 품질에 직접적인 영향을 미칠 수 있다. 여러 생산 공정에서 데이터를 수집하는 경우 ML은 이 데이터를 취합하여 주요 구성요소 별로 품질을 분석 할 수 있다.

이를 통해 기계 성능에 대한 전체적인 상황을 분석하여 다음 생산 단계에서 성능을 향상하기 위해 조정할 수 있는지 여부를 알 수 있다. 공장 관리자들은 각 공정에서 기계의 가동 조건 설정을 결정할 때 ML을 활용하여 과거의 경험이나 지식에 지나치게 의존하지 않아도 된다.

Labor Capacity (노동 생산성)

고가의 인건비로 인해 충분한 인력을 확보하지 못하는 것이 제조기업의 영원한 숙제이다. 

ML을 활용하면 각 작업자의 생산성을 모니터링할 수 있다. 교육과 훈련을 더 필요로 하는 사람을 파악하여 교육할 수 있다. 예를 들어, 인쇄 회로판(PCB) 조립 라인에서 작업자들의 시간당 생산성을 평가하고 측정할 수 있다.

또한, ML을 응용하여 공장 근로자의 종신 재직 기간을 예측할 수 있으며 업무 이력 및 기술을 바탕으로 어떤 공정에서 각 근로자가 가장 능율적으로 일 수 있는지 판단하는 데 중요한 역할을 한다. 

ML은 제품을 생산하는 동안 변수를 식별, 모니터링, 분석하고 기계의 예측 유지보수를 가능하게 하는 핵심 요소가 되었다. 시스템 의 잠재적 문제점을 사전에 파악하여 운영자에게 알림을 보내 설비의 다운타임을 방지하므로 공장의 생산능력을 일정하게 유지할 수 있다. 

육안 검사와 같은 방법의 제품검사는 시간이 많이 걸리며 오류가 발생하기 쉽다. ML이 통합된 컴퓨터 비전을 통해 제품 결함을 자동으로 검출하여 품질 관리업무를 혁신할 수 있는 방법을 생각해 보자.

위의 예는 ML이 제조 공정을 개선할 수 있는 몇 가지 예에 불과하다. 앞으로 기술이 발전함에 따라 수 많은 ML의 사용 가능성이 열리게 될 것이다. 관심을 가지고 제조현장에서 그 활용방법을 적극적으로 생각해보자.

출처 : manufacturingtomorrow