[컬럼] 더욱 빠르고 스마트한 자동차 제조
[컬럼] 더욱 빠르고 스마트한 자동차 제조
  • 토드 몬트파스
  • 승인 2019.07.09 11:41
  • 댓글 0
이 기사를 공유합니다

토드 몬트파스(Todd Montpas) 로크웰오토메이션 정보 소프트웨어팀 제품 매니저

자동차 산업에서 빅데이터는 생소한 주제가 아니다. 자동차 생산 기업들은 수십 년 동안 보증 신청과 유지보수 보고서뿐 아니라 점점 더 스마트해지고 연결성이 높아지는 자동차에서 데이터를 수집 및 분석해 고객 경험, 대리점 실적, 자동차 품질 등을 개선하려고 노력해왔다.

이러한 활동들이 대중적인 주목을 받는 가운데 자동차 브랜드 업체와 공급 업체가 디지털 전환과 스마트 기술을 채택함에 따라 생산 현장에서도 빅데이터가 늘어나고 있다.

제조 분야의 도전과제는 장단기 실적을 개선하기 위해 스마트 자산이 생성하는 방대한 양의 데이터를 가장 효과적으로 활용할 수 있는 방법을 알아내는 것이다.

토드 몬트파스(Todd Montpas) 로크웰오토메이션 정보 소프트웨어팀 제품 매니저  (사진=로크웰오토메이션 블로그)
토드 몬트파스(Todd Montpas) 로크웰오토메이션 정보 소프트웨어팀 제품 매니저 (사진=로크웰오토메이션 블로그)

클라우드 기반 서비스 및 분석 플랫폼은 제조업체가 디지털 투자 가치를 포착할 수 있도록 스마트 장비와 함께 성장해왔다.

또 일부 자동차 업체는 데이터를 수집하고 분석해 강력한 비즈니스 인텔리전스로 전환하기 위해 클라우드 기반 플랫폼을 채택했다.

그러나 그동안 발전이 있었지만 많은 제조업체들은 실시간 성과 개선을 이끌어낼 수 있는 정보를 작업자에게 제공하는 데 어려움을 겪고 있다.

왜 그럴까요? 데이터를 클라우드 기반 플랫폼으로 전송하는 것은 비즈니스 레벨의 분석과 엔터프라이즈 레벨의 의사 결정에 이상적이며 시간적 제약에서 융통성이 있다.

그러나 네트워크 트래픽이 과도하거나 분석이 지연되면 생산 현장에서 조치를 취할 수 있는 담당자에게 적절한 정보를 제공하는 데 어려움이 생길 수 있다.

다시 말해 ‘제어 시스템 분석 루프’가 즉각적인 영향을 줄 수 있을 만큼 충분히 빠르게 닫히지 않는다.

확장형 분석 플랫폼은 분석 및 머신 러닝 기능을 정보 소스와 플랜트 레벨 의사 결정자들에게 가장 가깝게 포함시켜 빅 데이터와 생산 현장 간의 루프를 더욱 빠르게 닫는다.

예를 들어 일반적인 자동차 부품 공장은 다양한 속도의 드라이브를 사용해 자재 처리 컨베이어의 모터를 제어한다.

최신 AC 드라이브는 모터의 기계적 부품에 직접적으로 연관될 수 있는 출력 토크와 전류를 지속적으로 모니터링한다. 드라이브는 파라미터가 한계치를 초과하면 경고를 전달하도록 설정될 수 있다. 또 온도, 진동 및 기타 센서가 기어박스 상태에 대한 중요 정보를 파악해 보고할 수 있다.

이러한 파라미터와 기타 작동 파라미터에 대한 지속적인 모니터링과 분석을 통해 기어박스와 벨트 마모나 슬립 또는 모터 베어링과 와인딩 문제 등을 예측해 예기치 않은 다운타임을 방지할 수 있다.

그러나 최적의 유지보수 전략을 위해서는 이러한 분석을 시의적절하게 볼 수 있어야 한다.

이 새로운 분석 솔루션은 장비 레벨에서 하나의 답을 제시한다. 플러그인 제품에 제공되는 이 솔루션은 산업 네트워크에 들어가서 인버터와 상태 센서 등과 같은 자산을 발견한다. 그리고 사전 설정된 상태 및 진단 대시보드에 생성된 데이터를 변환해 분석을 제공한다.

제품은 오류 인과 관계 등 장비들이 서로 어떻게 연관돼 있는지 정보를 발견하면 제품이 설치된 시스템을 파악해 처방안을 내놓는다.

예를 들면 최적의 성능을 유지하기 위해 드라이브를 다시 설정해야 한다면 제품은 사용자의 스마트폰이나 태블릿에 ‘조치 카드’를 전송한다.

결과적으로 유지보수 팀은 처방안 방식을 통해 사전 예방적 행동을 취해 잠재적 다운타임을 최소화할 수 있다.

확장형 분석은 개별 자동차 애플리케이션의 판도를 바꾸는 요소다. 또 이러한 혁신적 방식은 머신 러닝이 제품의 품질과 제조 속도에 의미 있는 영향을 미칠 수 있는 복잡하고 지속적인 프로세스에서 매우 중대한 역할을 할 것이다.

예를 든다면 프리즘 파우치 셀 배터리 생산이다. 프리즘 파우치 셀은 원통형 셀보다 부피 당 에너지를 더 많이 공급하며 전기차 시장에서 주목을 받고 있다.

그러나 프리즘 파우치 셀 생산에는 고도의 동작, 정밀도 및 연속적인 처리가 수반된다. 이러한 종류의 동적이고 변수가 다양한 환경에서 프로세스를 최적화하는 것은 어려운 과제다. 하지만 이것은 확장형 분석과 머신러닝을 위한 과제라고 할 수 있다.

시스템은 동적 수학 모델을 이용해 학습을 통해 하나의 변수가 다른 변수에 미치는 영향을 인식해 최적의 결과를 위해 자동으로 후속 동작을 조절한다. 시스템은 이와 동시에 SPC 차트와 같은 중요한 분석을 작업자에게 제공하므로 지속적인 품질 모니터링과 사전 예방적 조절이 가능하다.

확장형 방식은 장비를 넘어 장비와 프로세스 레벨에서 적용될 수 있다는 점을 기억하자. 플랫폼 또한 MES, OEE와 기타 제조 작업 및 분석 시스템에 통합할 수 있기 때문에 생산 스케줄링과 에너지 관리와 같은 다양한 영역에서 기업 전반에 걸친 최적화를 촉진할 수 있다. [파이낸셜신문 ] 



댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.

  • 서울특별시 마포구 합정동 386-12 금성빌딩 2층
  • 대표전화 : 02-333-0807
  • 팩스 : 02-333-0817
  • 법인명 : (주)파이낸셜신문
  • 제호 : 파이낸셜신문
  • 정기간행물 · 등록번호 : 서울 다 08228호
  • 등록번호 : 서울 아 00825
  • 등록 · 발행일 : 2009-03-25
  • 발행 · 편집인 : 박광원
  • 편집국장 : 임권택
  • 전략기획마케팅 국장 : 심용섭
  • 청소년보호책임자 : 임권택
  • Email : news@efnews.co.kr
  • 편집위원 : 신성대
  • 파이낸셜신문 모든 콘텐츠(영상,기사, 사진)는 저작권법의 보호를 받은바, 무단 전재와 복사, 배포 등을 금합니다.
  • Copyright © 2019 파이낸셜신문. All rights reserved.
인터넷신문위원회 ND소프트