일본산업뉴스요약

Nikkei X-TECH_2021.10.12

Industry 4.0과 산업용 IoT의 현실
금형의 마모를 하중 데이터로 예측, 정밀도 99% 이상
IVI가 대응하는 제조 현장의 ‘곤란한 일’ 해결①

'Industrial Value Chain Initiative(IVI)'는 IoT(사물인터넷) 기술 등을 활용한 차세대 제조를 위해, 다양의 기업의 연계를 목표로 2015년에 발족하였다. 마쓰다나 고베제강소 등의 대기업부터 중소기업까지 폭넓게 참가하면서 2021년 8월 시점에 회원은 239사, 704명에 이른다.

특히 심혈을 기울이는 활동 중 하나가 서로 다른 기업의 사원 10명 정도로 그룹을 만들어, 각 제조 현장의 공통된 ‘곤란한 일’의 발굴∙분석∙실증실험을 1년간 실시하는 ‘업무 시나리오 WG(워킹그룹)’이다. 20년도에 활동하며 IVI 내에서 표창을 받은 WG의 대책을 4회에 걸쳐 해설한다. 제1회인 이번에는 CKD나 구리타산업(시즈오카시) 등의 사원으로 이루어진 WG ‘6B01’이 전개한 금형의 예지보전에 대해 소개한다.

예지보전의 대상으로 한 의약품용 블리스터 포장기는, 여러 개의 알약을 나란히 봉입한 큰 시트를 금형으로 뚫어, 환자가 사용하는 10정 단위 등의 패키지로 하는 기구를 갖추고 있다.

시트를 뚫는 금형이 마모되면 패키지의 가장자리에 버(Burr)가 생기기 때문에 사용자는 포장기를 수 개월~수 년에 1회 금형을 수선한다. 다만 금형의 마모는 겉으로 보기에는 알 수 없고, 뚫는 소재에 따라서도 마모 정도가 달라지므로 수선해야 할 시기를 정확히 예측하기 어렵다. 사용자는 아직 마모가 적은 금형을 오래 사용해 수리 시기를 놓치는 경우가 많아서 결과적으로 생산 활동에 낭비가 생기고 있었다.

한편, 포장기를 공급하는 CKD는 금형을 수선하는 기술자 확보에 고전하고 있다. CKD는 고객에게 수선을 의뢰 받아 금형을 연마하고 조립했었다. 그러나 기술자의 수가 제한적이기 때문에 몇 주 동안 고객을 기다리게 하는 경우가 있었다. 서비스 향상을 위해 보다 계획적으로 금형을 수리하는 방법을 모색하고 있었다.

-- 금형을 줄로 깎아 마모를 재현 --
그래서 WG ‘6B01’은 금형이 시트를 뚫을 때의 하중 데이터로 금형의 마모를 예측하려고 시도했다. 갈지 않은 부엌칼로 재료를 자를 때 힘이 들어가는 것처럼 마모한 금형으로 시트를 뚫으려면 마모되기 전보다 큰 하중이 필요하므로 데이터와 상관이 있다고 생각했던 것이다. CKD의 본사 공장에서 실증실험을 실시했다.

예지보전의 대상이 되는 프레스 금형은, 약을 포장한 시트를 위에서 뚫는 ‘펀치’와 펀치하는 부분에 구멍이 뚫린 토대인 ‘다이 플레이트’로 구성된다. 시트는 펀치와 다이 플레이트 사이에 끼여 펀치의 하중으로 10정 단위 등으로 네모나게 뚫린다.

실제로 금형이 마모될 때까지 기다리면 시간이 걸리기 때문에 실증실험에서는 줄로 인위적으로 금형을 마모시켜 며칠 만에 필요한 데이터를 얻었다. 구체적으로는 금형 중에서도 뚫을 때에 부하가 걸리기 쉬운 다이 플레이트의 네 귀퉁이를 줄로 깎았다. 줄을 10회 움직여 깎고, 폴리염화비닐로 만든 시트를 100~200회 뚫는다. 그리고 다시 줄을 10회 움직여 깎은 후에 다시 시트를 뚫는 시험을 반복했다. 그러자 금형을 80회 깎은 단계에서 시트에 버가 발생했다.

금형이 시트에 가하는 하중은 설비에 힘센서를 부착하여 측정하고, 전용 데이터 수집기로 CSV 파일로 변환하여 출력했다. 80회 깎은 금형을 사용해 뚫었을 경우, 통상보다 큰 하중이 걸렸다는 것을 확인할 수 있었다.

-- 모델의 정밀도는 99% 이상 --
시트에 걸리는 하중에서 금형의 마모 정도를 예측하기 위해서 기계학습을 시행했다. 우선 드래그&드롭 조작으로 간단하게 데이터를 분석할 수 있는 소프트웨어 ‘RapidMiner’의 알고리즘을 사용하여 모델을 작성했다. 금형의 마모 정도를 '정상' '경고' 'NG'의 3단계로 분류한 결과, 시트에 걸리는 하중 데이터를 통해 99.93%의 정밀도로 마모 정도를 정확하게 분류할 수 있었다.

게다가 도쿄일렉트론디바이스가 제공하는 시계열 데이터의 분석과 추론 모델의 생성을 자동화하는 ‘CX-M’도 사용해, RapidMiner와 동일하게 하중에서 금형의 마모 정도를 예측할 수 있는지 확인했다.

CX-M에서는 ‘Random Forest’와 ‘Linear SVC’라는 2종류의 알고리즘을 사용했다. 1,400여건의 데이터 세트 중 70%를 모델 작성용 학습데이터로서 사용하여 금형의 마모를 판별하는 모델을 2종류 제작했다.

금형의 마모는 ‘정상’ ‘주의’ ‘경계’ ‘이상’의 4단계로 판별할 수 있도록 했다. 학습에 사용하지 않았던 나머지 30%의 데이터로 모델의 정확성을 평가한 결과, 2종류의 모델 모두 99% 이상의 높은 정밀도로, 시트에 걸리는 하중을 통해 금형의 마모를 판별할 수 있었다.

이번 실증실험을 통해서 하중 데이터에서 금형의 마모를 예측하고, 예지보전으로 연결시킬 수 있다는 것을 확인할 수 있었다. WG의 멤버는 “여러 분야에서 프레스기 금형의 예지보전 등에 응용할 수 있을 것으로 생각한다”라고 말한다.

 -- 끝 --

Copyright © 2020 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.