Nikkei Monozukuri_2018.1. 특집2 요약 (p61~67)

시리즈
IoT 공장의 현실 (1)
데이터는 어떻게 하면 분석할 수 있는 것일까?

공장의 IoT화를 어느 정도 추진하여 나름의 데이터 활용을 시작하고 있는 공장에서 자주 듣게 되는 것은 “축적한 데이터를 분석하는 것이 다음 과제이다”라는 말이다. 구체적으로 어떻게 데이터를 분석해야 새로운 지식을 얻을 수 있는지는 간단한 문제가 아니다. IoT의 실증실험으로 새로운 지식을 얻을 수 있었던 사례를 통해 데이터 분석의 힌트를 모색해 본다.

■ ‘모르는 것’을 알게 된 2가지 사례

일본의 생산현장은 탄탄하다. 지속적인 개선을 통해 문제를 발견하면 곧바로 해결한다. 공장의 IoT(Internet of Things)화에 의해 가동상황을 실시간으로 파악하여 문제가 발생 시에는 개선을 도모함으로써 제품품질의 안정 및 가동률 향상을 달성하는 사례가 늘고 있다.

그러나 현장에서는 IoT로 수집한 데이터에 대해 더 큰 기대를 모으고 있다. 닛케이 모노즈쿠리가 2017년 12월에 실시한 조사(‘숫자로 보는 현장’ 참조)에 따르면, 공장에서 얻은 데이터를 깊이 분석한 결과 “지금까지 알려지지 않은 지식을 (향후) 얻을 가능성이 크다”라고 기대하는 대답이 85.5%에 달했다.

지금까지 깨닫지 못했던 새로운 지식을 얻거나 참신한 시야를 갖기 위해서는 무엇을 해야 할까? 실력이 뛰어난 현장에서는 일부러 데이터를 분석할 필요 없이 담당자가 데이터를 보는 것 만으로도 조기에 이상을 발견하거나 과제를 파악하기도 한다. 한편, 데이터를 자세하게 분석하기 위해서는 전문 기술이 필요하며 비용과 노력을 필요로 한다.

만약, 데이터 분석에서 뻔한 결과만 나온다면 그 동안의 노력은 헛된 것이 되고 만다. 실력이 뛰어난 현장일 경우, 오히려 데이터 분석에 따른 비용 효과를 파악하기 어렵다는 딜레마가 있다.

데이터 분석에 의해 정말로 ‘지금까지 없었던 지식’을 얻을 수 있을까? 이것을 검증하기 위해 ‘일단은 데이터를 통해 분석하자’라는 취지로 실시한 실증실험의 결과가 최근에 밝혀지게 되었다. 여기에서는 2가지 사례에 대해서 살펴보기로 하겠다.

-- 알지 못했던 개선 과제를 검출 --
시스템 인테그레이터의 히타치 시스템즈(본사 도쿄)는 전자기기 업체의 중앙전자(도쿄)로부터 얻은 3년분의 가동 실적 데이터를 기계학습을 통해 분석하여 그 결과를 2017년 9월에 발표했다. “오랜 친분으로 데이터를 받아 분석했다. 중앙전자로부터 생산 상황 등에 대해 사전설명은 받지 않았다”(히타치시스템 산업 유통 인프라 서비스 사업부 기사 사사키 씨). 그럼에도 불구하고 중앙전자가 해당 기간에 실시한 7개 항목의 개선 활동을 모두 알아 맞췄을 뿐만 아니라, 알지 못했던 2가지 문제점을 발견하여 지적했다.

분석 대상은 중앙전자가 카드 판독기를 조립하는 셀 생산에 관한 실적 데이터이다. 이른바 ‘디지털 가판대’이며, 셀에 비치된 디스플레이에 작업지시 화면이 나오고 작업자는 1공정을 끝나면 디스플레이 화면을 다음 화면으로 넘기는 형식이다. 그렇기 때문에 ‘나사 체결’과 같은 세세한 공정의 단위로 작업 개시와 수료의 시각이 데이터로 남겨진다. 이것에 작업자가 누구인지의 정보를 추가해 분석에 사용했다.

주요 분석 방법은 기계학습의 한가지 수법인 군집법(Clustering)에 의해 데이터로부터 이상 부분을 검출하는 것이다. 오픈 소스의 분석 툴인 ‘KNIME’(독일 KNIME사)를 이용하여 히타치 시스템즈가 개발한 ‘생산성 개선 템플레이트’를 적용시켰다. 해당 템플레이트는 셀 생산에 특화된 ‘각기 다른 크기’ ‘시간에 의존한 변화’ ‘불량 값 그룹의 존재’ ‘비슷한 작업간의 평균값의 차이’와 같은 시점에서 분석내용을 정리하는 것이다.

-- 자성체 씰의 박리지(剝離紙)에 불량 --
이번 분석으로 검출된 이상 중 하나는 구입자재인 자성체 씰의 특정 로트에 발생한 불량이다. 이것은 데이터를 취득하고 있던 기간에도 그 이후에도 중앙전자는 알아차리지 못했으며 히타치 시스템즈의 지적을 통해 양사가 논의한 결과, 처음으로 밝혀지게 된 것이다.

불량 내용은 자성체 씰의 뒷면에 붙어 있는 박리지가 잘 벗겨지지 않는 로트가 있었던 것이다. 자성체 씰을 제품에 붙이는 공정으로 작업을 원활하게 진행하는데 방해가 되고 있었다. 데이터 상으로는 씰 접착 공정의 시점부터 갑자기 소요 시간이 불규칙적이게 되었고 시간이 지연되는 사례가 보이기 시작했다. 만약 데이터 분석이 확실하게 실행되고 있었다면 조기에 로트 불량을 판명했을 것이다.

동일한 분석으로 중앙전자가 이미 실행하고 있던 개선활동의 효과가 정량적으로 입증되었다. 예를 들어 나사를 조이는 작업에서 기존에 사용하던 와이어리스 충전식 자동 드라이버에서 유선 전동 드라이버를 천정으로부터 늘어뜨리는 방식으로 변경한 개선활동. 충전식으로는 전지의 잔량이 적어지면 드라이버의 회전력이 떨어지게 되어 후공정의 검사에서 체결력이 부족한 것이 발각되어 재 작업이 발생하게 된다. 그 결과, 작업시간이 자주 늘어나게 되었다고 한다.

히타치 시스템에서는 그런 사정을 모른 체, 데이터 상에서의 작업시간이 불규칙적이었던 것이 어느 시점부터는 다시 일정해 진 것을 발견. 무언가의 변화가 있었다고 파악했다. 해당기간 중에 중앙전자가 실시한 개선에 의한 작업 시간 단축은 30% 정도였다. 만약 데이터 분석으로 새롭게 검출한 2가지 과제에 대하여 해결했다면 ‘15%를 더 단축시켰을 가능성이 크다“(히타치 시스템즈 사사키 씨). 중앙 전자로부터는 “데이터 분석의 유효성이 증명되었다”라는 평가를 받을 수 있었다. 히타치 시스템즈는 분석에 이용한 생산성 개선 템프레이트를 셀 생산뿐만 아니라 작업 공정이나 라인 생산 등도 커버할 수 있게 하여 데이터 분석 서비스 등에 적용해 나갈 방침이다.

-- 제면공장의 데이터를 분석 --
IoT에 의한 스마트 공장 실현을 추진하는 단체인 인더스트리얼 밸류 체인 이니셔티브(IVI)가 추진하는 실증실험 중에서도 분석을 통해 기존의 생산 현장에서는 없었던 지식을 얻은 사례가 있었다. ‘IVI 공개 심포지엄 2017–Spring‘(2017년 3월)에서 오다케면기(大竹麵機)본사 도쿄) 등의 워킹 그룹이 오다케면기의 고객인 이토멘(제면(製麵)라인)에서 데이터를 수집, 분석한 작업을 발표. 이토멘에 새로운 지식을 제공할 수 있었다고 밝혔다.

워킹 그룹은 실증실험을 목표로 ‘설비 가동률 향상’과 ‘제품 품질의 안정’의 2가지를 내걸었다. 그 양쪽에게 도움이 되기 위한 데이터를 수집하기 위해 새로운 센서를 설치하거나 제어장치로부터 데이터를 판독하는 시스템을 구축했다. 얻은 데이터는 클라우드에 집약시켰다.

-- 실내의 온도∙습도와 면의 질량에 깊은 상관관계 --
워킹 그룹은 실증실험을 통해 면 질량에 영향을 미치는 새로운 요소를 찾을 수 있었다. 그것은 바로 작업 장소의 온도 및 습도이다. 워킹 그룹으로부터 지적을 받은 이토멘의 현장 담당자는 작업 공간의 공조 시스템에 대한 세밀한 조정을 엄수하게 되었다. 그 결과, “수율이 상당히 개선되었다고 한다”(오다케면기 경영기획부 부장 구로타 씨).

이와 같은 실적을 얻어 이토멘의 현장 담당자가 가동상황 데이터를 실시간으로 테블릿을 통해 확인 할 수 있는 시스템의 구상이 시작되었다. 또한 원료의 밀가루에 대해 데이터 수집 방안을 검토하고 있다. 신흥국에서는 밀가루의 수급이 일정하지 않아 제품 품질에 영향을 준다고 판단하기 때문이다. 현재, 밀가루의 수분량 등을 감지하는 적절한 방법은 없으나, 외부 업체와의 협력을 통해 방법을 모색하고 있다.

이상, 앞에서 본 사례에서는 공장의 데이터 분석에 의해 담당자가 몰랐던 지식을 얻을 수 있었다. 여기에서 분석을 한 것은 현장을 가지고 있는 기업(중앙전자나 이토멘)이 아니라, 외부기업의 데이터 분석 담당자가 대신 맡아서 하고 있었다. 공장의 현장 담당자에게는 없는 외부의 객관적인 시선이 새로운 지식을 찾는데 큰 역할을 한 것이다.

■ 불량발견에 특화된 제조업용 분석 툴

외부 담당자의 협력과 더불어 데이터를 넓은 범위에서 대략적으로 자동 분석하는 기술을 통해 새로운 지식의 힌트를 얻을 수 있는 경우도 있다. 예를 들어 제조업에 특화된 ‘평상시와 다른’ 상태를 검출하는 자동 분석기술이 그것이다. NEC, 히타치 제작소, 후지쓰 등의 대형 IT밴더 그룹 등이 네트워크 시스템에서의 가동 상황의 분석 기술을 응용하는 등의 형태로 제공하고 있다.

-- 정상상태를 시스템이 스스로 학습 --
“평상시와 다르다”라는 것의 검출 기술의 특징은 센서 등으로부터 데이터(시계열)를 별도로 보는 것이 아니라 여러 센서간의 상관 관계를 모두 따져봄으로써 “평상시의 상태(정상 상태)”의 모델을 결정하는(학습하는) 것이다. 센서 간의 관계를 시계열로 보고 있기 때문에 어떤 센서에서 데이터 값이 늘어났어도, 동시에 다른 센서의 값이 줄어들어 있으면 정상, 그렇지 않으면 이상 등으로 판정이 가능하다. 센서를 1개씩 따로 감시하는 것에 비해 정상인지 여부를 보다 정밀하게 판정할 수 있다. 그러나 그 결과를 보고 원인을 추정하여 대응책을 실시하는 것은 아직까지는 인간의 몫이다.

무엇을 정상이라고 하는지에 대한 모델은 툴(도구)에 따라 다르다. 예를 들어 NEC가 개발∙운용하고 있는 ‘Invariant(불변성) 분석’은 정상시의 센서간의 관계를 나타내는 수식을 도출하여 그것을 모델화한다. 수식을 충족시키는 상태를 정상, 그렇지 않은 상태를 이상으로 정의한다. 수식은 센서끼리 항상 같은 관계를 유지하고 있다는 것을 의미하며, 불변성(Invariant)을 나타내는 것으로 해석할 수 있다. 모델의 수식은 모든 센서간에 작성되어 상관 관계를 잘 설명할 수 있는 것(데이터에 적합한 것)을 남긴다. “5,000개의 센서가 있다고 가정하면 조합은 2,500만개가 되지만, 그 중에서 3~5만개 정도가 남게 된다. 계산 부담이 적으며 특히 고성능 컴퓨터가 아니더라도 산출하는데 1분도 걸리지 않는다”(당사 클라우드 플랫폼사업부 전문가 가토 씨)라고 말한다.

히타치제작소는 독자적인 ‘벡터 양자화 군집법(VQC, Vector Quantization Clustering)’, ‘국소부분 공간(LSC)법’을 ‘고장예후 진단서비스’ 및 그룹사의 데이터 분석 툴에 포함시키고 있다. n개의 센서로부터 데이터를 n차원 공간의 점으로서 표시하여 정상상태의 점의 군집을 둘러싼 다차원 도형을 만들어 그것을 모델화한다. 실측 데이터가 모델과 차이가 날 경우에는 이상으로 판정하게 된다. 이와 같이 ‘평소와 다른’ 것에 대한 검출기술이 주로 설비의 가동률 향상을 목적으로 한 것에 반해, 제품 품질의 저하 요인을 없애고 개선의 힌트를 제공하는 기술도 개발되고 있다.

NEC가 2016년에 발표한 ‘요인분석 엔진’은 센서 등으로부터의 시계열 데이터를 제품 품질의 좋고 나쁨을 나타내는 시계열 데이터와 대조하여 품질이 좋을 때와 나쁠 때의 차이를 밝힌다. 품질이 떨어졌을 경우, 어떤 센서의 영향이 큰 지를 순위로 매겨, 평균치가 얼마나 다른지, 퍼져있는 상태가 어떻게 다른지 등을 함께 제시한다.

-- 데이터 사이언티스트의 눈으로 재검토 --
이들 기술은 분석내용을 유저가 상세하게 지정하지 않아도 세밀하게 분석하는 속에 가설이나 시점에서 힌트를 얻을 수 있게 지향한다. 그러나 진정한 지식을 얻기 위해서는 힌트를 재검토하여 가설을 세워 새롭게 상세히 검증할 필요가 있다. 거기에는 데이터 분석의 스킬을 가진 전문가, 데이터 사이언스의 도움이 필요하다.

데이터 사이언스는 대부분의 경우, 제조현장에서 일어나는 것에 대해 자세한 지식을 가지고 있지 않지만, 데이터 분석의 내용 및 분석 결과의 해석을 타당한 방향으로 이끌어 낼 수 있다. 예를 들어 무언가의 값을 예측할 경우, 그 예측을 모든 데이터에 투입하는 것이 좋은 것만은 아니다. 예측에 방해가 되는 데이터가 혼입되어 의미가 없는 예측이 되고 마는 사태는 데이터사이언티스트에 의해 막을 수 있다.

그렇지만 새로운 지식을 얻는 기점은 제조 현장의 담당자가 가진 “아직 모르는 것이 어딘가에 있을 것”이라는 문제 의식이다. 제조업용 데이터분석 서비스를 클라우드 상의 시스템 ‘Data Veraci’로 제공하는 신닛테츠스미킨(新日鉄住金) 솔루션즈(NSSOL) IoX솔루션 사업부 추진부 전문부장인 하타케야마(畠山) 씨는 “IoT는 사양을 처음부터 정할 수 없는 세계이다. 데이터 분석에 대해서도 전체를 처음부터 정하기보다는 부분적인 분석부터 시작해서 대상 영역으로 조금씩 넓혀가면서 PoC(Proof of Concept, 개념실증)로 확인해 가는 것이 적합하다”라고 지적한다. 중앙전자 및 이토멘에서의 실증실험에서도 나타난 것처럼 우선, 현상에서 가능한 범위에서부터 데이터 분석을 시작하는 것이 결국은 지식획득으로 이어진다고 할 수 있다.

 -- 끝 --