(공개SW기반)

제조 설비로부터 IoT를 이용한 실시간 Raw Data를 수집하는 방법

 

 

Raw Data 수집해야 하는 이유

 

4차 산업혁명과 더불어 중소기업에서 중요시 되는 것 중 하나는 제조의 스마트화이다. 과거 수년간 제조업의 중요도는 사실상 IT산업에 밀리면서 약화되었다. 제조의 영역 구분과는 무관하게 특정 제품의 대량 생산과 대기업 납품에 목표가 맞추어져 IT 산업처럼 일반 소비 시장을 목표로 제품의 다양성, 유연성, 확장성은 고려하지 않은 이유가 크다. 이러한 경향은 비단 국내 뿐 아니라 국외의 제조 강국에서도 동일한 현상으로 대량 생산해야 할 특정 제품이 일반 소비자의 관심에서 벗어나거나, 품질에 문제가 발생할 경우 수시로 업데이트되는 IT 제품과는 다르게 막대한 손실이 발생하게 된다.

이러한 문제에서 벗어나기 위해 중소 제조 업체에서는 보통 두가지 시도를 진행하는 추세이다. 첫번째는 기존의 낮은 수준의 설비 자동화 시스템을 강화하여 제품의 품질을 일정하게 유지하는 것이고, 두번째는 기업고객 대량 납품 중심에서 벗어나 일반 소비자에게 직접 제품을 제공하는 것이다. 그러나 제품의 품질의 향상과 일반 소비자 공급은 사실 기계적 자동화로는 이루어지기 힘들다. 생산 품목과 환경에 따라 차이가 있겠지만, 제품을 생산하기 위해서는 많은 복잡한 공정이 요구될 것이고, 각 공정마다 일정 수준의 자동화 시스템을 도입하겠지만, 최종 제품의 품질을 결정할 수 있는 요인을 찾는 것이 어렵고, 소비자에게 필요한 정보를 제공하는 것 역시 기계적 생산 과정과는 별개의 것이기 때문이다.

이러한 문제를 해결하기 위해 최근 몇년간 국내외 제조 업체에서는 다양한 영역의 공개 SW를 이용하여 생산 데이터의 가공과 분석을 통해 제품의 품질향상을 도모하고, 사업 모델에 기존의 대량 생산에 일반 소비자를 위하 서비스를 추가하는 추세이다. 품질 향상을 위해서는 각 생산 설비에 설치된 온도, 압력, 습도 등의 환경 센서 데이터와 영상 데이터를 복합적으로 활용하여 설비의 상태를 분석하고, 품질에 악 영향을 끼치는 요소를 찾을 수 있다. 양질의 제품은 실제 사용될 환경 데이터를 결합하여 소비자에게 제공함으로써, 소비자는 물질적 만족 뿐 아니라 제품 데이터 기반의 서비스를 경험할 수 있다.

 

 

수집 방법

 

제조 설비가 높은 수준의 정밀도를 요구하는 경우 대부분 고 정밀 센서가 연결된 PLC, PID제어기 등이 기계 설비를 제어할 것이다. 이들 제어기는 대부분 필드 버스를 이용하여 직렬 통신,  유, 무선 Ethernet 통신을 이용 설비와 산업용 패널과 연결하여 상태를 관찰할 수 있다. 과거에는 직렬, 유선 Ethernet 통신을 이용하여 일정 용량 이하의 센서 데이터를 파일로 저장하거나, 로컬 데이터 베이스에 저장하였으나, 현재는 제어기에 직렬 또는 유선 Ethernet을 이용하여Gateway를 연결하고 WiFi, LTE, LoRa등의 장거리 무선 고속 네트워크를 이용하여, 고속의 연속성을 가진 센서 데이터를 목적시 서버에 전송하며, Gateway는 범용적으로 ARM기반에서 작동하는 오픈 소스인 rt-thread나 회로와 구동 코드가 공개되어 있는 Arduino를 사용하여 쉽게 구축이 가능하여 다양한 공개 커뮤니티에서 많이 활용하고 있다.

 

 

수집방법_01.png

 

 

Gateway는 제어기에서 발생하는 필드 버스 형태의 센서 데이터를 전처리 서버로 전송하는데 해당 데이터가 환경 센서일 경우 사용자가 보기 어려운 형태의 16진수 형태로 표현되며, 다양한 설비에서 동시 다발적으로 전송하기 때문에 고속의 실시간 변환이 요구된다. 만약 대규모 설비에 적용하였다면 대용량의 데이터를 안정적으로 처리하기 위해 오픈 소스 라이선스인 BSD로 제작된 Nginx를 이용하여 부하를 분산 시킬 수 있다.

 

 

수집방법_02.png

 

전처리 서버는 변환된 센서 데이터는 MQTT 프로토콜을 통하여 데이터 수집 서버로 전송된다. MQTT는 오픈소스 라이선스로 개발된 RabbitMQ, Mosquitto, ZeroMQ 등을 이용한다. 일반적으로 TCP통신을 사용하며 메시지를 누락 없이 안정적으로 전송하면서, 자체적으로 QoS를 지원하기 때문에 제조 데이터를 M2M 시스템에 최적화 되어있다. 수집 서버는 수신한 데이터를 시계열 데이터베이스 실시간으로 저장하게 되며, 일반적인 RDBMS와는 다르게 R/W 트랜잭션 과정 중 Lock을 생성하지 않아 저장 즉시 조회가 가능하다.

지금까지 기술한 방법은 National Instrument, Advantech, Siemens, LS 산전등 최근 국내외 업체에서 스마트팩토리 구축에 적용하는 범용적인 방법이다.

 

 

엣지 시스템의 등장

 

최근 임베디드 시스템 설계 기술, 소형 IT기기의 발달, 인공 지능의 영향을 받아 기존의 Gateway가 한단계 진화하였다. 과거에는 8에서 16비트 MPU를 사용하여 제약된 기능을 수행하였으나, 현재는 Gateway를 ARM기반의 32비트 이상의 CPU와 GPU를 결합한 엣지 시스템으로 전환하고 있다. 엣지 시스템은 오픈소스 운영체제 커뮤니티인 Ubuntu의 지원으로 동작하는 경우가 많다. 특히 빠르고 쉽게 사용할 수 있으며, 정확한 데이터 분석을 위해 BSD 라이선스 기반 scikit-learn을 이용하며, 내포된 다양한 라이브러리를 이용하여 센서 데이터 패턴 기반 설비 이상 감지, 잡음 제거 등이 가능하며, 다수의 엣지 시스템을 응용하여 고사양 서버에서만 가능하던 AI 서비스를 가능하게 한다.

 

 

엣지 시스템의 등장_01.png

 

 

인공지능에서의 설비 데이터

 

제조 설비 데이터는 설비 구동에서 발생하는 아날로그 데이터로 다양한 물리적 현상을 내포하며, 이러한 데이터는 해외 기업에서 제공하는 고비용 라이선스를 구매하지 않아도 공개 라이선스로 배포되는 SW이용하여 인공지능, DeepLearning 기술에 적용하면 이상 감지를 통해 설비의 건강 상태를 실시간으로 확인 할 수 있으며, 이것은 설비 예지 보전 기술로 순간적인 피로를 지속적으로 감지, 분석하여 향후 설비가 정지될 가능성을 예측하여 사전 보수를 통해 유지 비용과 생산 정지로 인한 피해를 줄일 수 있다.

설비에 이상이 생겨 제품에 불량이 지속적으로 발생할 경우, 누적된 과거의 각 설비 센서 데이터를 활용하여 불량이 발생하는 원인을 분석할 수 있으며, 제품의 품질 향상에 도움을 줄 수 있다. 또한 과거 사람이 직접 수행하던 양품과 불량품의 판단을 영상 기반 DeepLearning 기술을 활용하여 자동으로 판단할 수 있다.

물론 이러한 기술이 노력없이 쉽게 이루어지지는 않는다. IT기술과 설비 기술이 공개 커뮤니티를 통해 공유되어 IT 근로자가 부족한 중소 제조 업체에서도 접근이 가능해야한다.

또한 기존의 단순한 설비 관리를 벗어나 공장 근로자가 제품, 설비 상태, 센서 데이터를 육안으로 확인하여, 센서 데이터 패턴에 대한 정의를 해줄 필요가 있다. 제품은 일정 시간이 되면 다른 제품을 생산함으로, 이에 따른 양품과 불량에 대한 정의 또한 근로자의 몫이 된다.

이러한 과정을 수행하면서 제조 업체는 기존의 단순 생산에서 벗어나 제조 데이터 기반 서비스를 수행할 수 있을 것이다.

 

 

(신홍중 / (주)애드포시스 기술연구소 차장 / prismdata@add4s.com)