스마트 팩토리, 데이터로 완성된다
스마트 팩토리, 데이터로 완성된다
  • 오현식 기자
  • 승인 2017.02.07 18:15
  • 댓글 0
이 기사를 공유합니다

즉각적으로 결과값 도출되는 스트리밍 데이터 분석 ‘주목’

스마트 팩토리가 화두다. 단순하게 말하면, 스마트 팩토리는 ‘똑똑한’ 제조 공정을 구현하자는 말이다. 똑똑한 제조가 되기 위한 수단은 ‘데이터’다. 데이터를 통해 확보한 가시성을 바탕으로 통찰력과 효율성을 얻어내야 한다. 그러나 이를 위해서는 수많은 데이터를 어떻게 분석하는가의 문제가 남는다. 특히 엄격한 실시간성이 요구되는 제조 산업에서는 보다 빠른 데이터 분석이 요구되며, 이에 패스트 분석 방법인 스트리밍 데이터 분석이 주목받고 있다.

오늘날 제조 혁신의 주요 수단은 바로 정보기술(IT)의 융합이다. 물론 IT 융합이 새로운 것은 아니다. 1969년 PLC의 등장이 상징하듯 컴퓨팅 기술을 통해 제조업에서는 자동화가 확산됐다.

그러나 오늘날 제조 혁신의 동력으로 이야기되는 IT 융합은 사물인터넷(IoT)·빅데이터·인공지능(AI) 등의 활용이다. 차이는 과거 수동적으로 작동했던 자동화와 달리 오늘날의 제조 혁신에서는 기계가 스스로 판단해 작업을 수행한다는 점이다. 시장의 다양한 요구에 맞춰 유연하게 변화하면서 소비자가 필요로 하는 제품을 적시에 공급하는 맞춤 제조로의 변화도 기대된다.

이러한 흐름을 뒷받침하는 것은 바로 데이터다. 과거 자동화를 위해 컴퓨팅 기술을 받아들였다면, 이제 데이터를 보다 더 효과적으로 활용함으로써 더 똑똑한 제조를 이뤄낸다는 것이다. ‘데이터 중심’의 제조 혁신이다.

데이터 중심 제조, 분석이 먼저다
제조 산업에서 데이터를 활용하기 위해 관건이 되는 것은 실시간성이다. 실시간성이란, 시간에 맞추어 동작한다는 의미로, 실제로 작업을 원활히 수행하기 위해 필요한 최소한의 시간이라고 정의할 수 있다.
일상 생활의 경우에는 ‘실시간’의 의미가 보다 유연하지만, 제조 산업의 경우에는 실시간성에 대한 요구가 매우 엄격하다. 특히 공정에서 단 1초의 차이가 최종 생산량 측면에서는 막대한 차이로 나타날 수 있기 때문에 극한의 실시간성을 요구한다.

이는 데이터 활용에서도 마찬가지다. 공장 설비의 이상을 파악하기 위해 IoT 센서를 설치했다고 했을 경우, 관련 데이터를 분석해 설비의 장애 발생 이전, 조치를 수행할 수 있는 시간적 여유를 두고 결과가 도출되어야 의미를 지닌다. 윤활유 부족으로 베어링 마모가 예상된다는 분석 결과가 도출되자마자 모터 고장이 발생한다면 이는 데이터 분석의 의미가 없는 것이다. 즉 활용 데이터가 의미를 갖기 위해서는 높은 수준의 실시간성을 지녀야 한다.

이에 부각되는 것이 스트리밍 데이터 분석(Streaming Data Analytics)이다. 또 다르게는 데이터 발생 지점의 가장 가까운 곳에서 분석하는 에지(edge) 컴퓨팅도 데이터를 활용한 제조 혁신에서 주목되는 요소다.
먼저 스트리밍 분석은, 글자 그대로 ‘흐르는 데이터의 분석’이다. 데이터를 수집·축적하여 분석하던 기존 데이터 분석과 달리 데이터의 수집 없이 데이터가 이동하는 상태에서 의미를 포착하는 기술이 바로 스트리밍 데이터 분석인 것이다.

▲ 스트리밍 데이터 분석 원리
간략하게 원리를 살피면, 사전 정의된 모델과 알고리즘이 기반이다. 이를 활용해 데이터가 통과하는 순간 비교하여 찰나의 분석을 진행한다. 데이터 저장 전에 자동으로 분석을 수행하기에 실시간으로 특정 패턴을 확인하고 검사하여 밀리 초 단위의 반응이 이뤄지도록 지원한다.

산업 현장 실시간성 충족
스트리밍 분석은 센서 데이터와 같이 데이터값이 시간과 연속성을 지닐 때 특히 유용하다. 센서 데이터는 동작마다 발생하기 때문에 데이터가 끊임없이 계속 들어오는 특성이 있다. 이러한 데이터를 쌓고, 정제하여 분석하려면 시간이 소요될 수밖에 없다. 반면 데이터 유입 시점에서부터 분석을 수행해 원하는 데이터 뷰로 만드는 스트리밍 데이터 분석은 끊임없이 생성되는 센서 데이터 분석에 보다 유리할 수밖에 없다.

이정권 한국IBM 실장은 “센서 데이터와 같이 대량으로 발생하는 다양한 유형의 데이터에 대한 빠른 처리 보장이 스트리밍 분석의 가장 큰 특징”이라며 “빠른 데이터 처리를 진행하면서 동시에 통계적인 분석과 같은 고급 분석도 가능하기 때문에 제조 산업을 비롯해 운송·에너지 등 다양한 산업군에 새로운 기회를 부여한다”고 설명했다.

스트리밍 데이터 분석은 이미 곳곳에서 활용되고 있다. 제조·에너지·유통 산업 등에서 방대한 데이터를 빠르게 분석하여 적시성을 확보하기 위해 스트리밍 데이터 분석에 나서고 있는 것이다.

SAS코리아는 한 글로벌 석유 기업의 사례를 제시했다. 이 석유 기업은 펌프나 송유관의 이상을 빠르게 감지하기 위해 IoT 센서 기술 도입을 검토했는데, 문제는 가시성 확보를 위해 요구되는 센서의 수가 210만개에 달하며, 이들 센서에서 매분 3트릴리온의 막대한 데이터가 생성된다는 점이었다. 다시 말해 방대한 센서 데이터를 보다 빠르게 처리할 수 있는 방안이 없다면 IoT 센서를 통한 가시성의 확보는 불가능했다.

이 기업의 해결책은 스트리밍 데이터 분석 솔루션인 ‘SAS Analytics for IoT’ 도입이었다. SAS 솔루션을 통한 스트리밍 데이터 분석으로 원유 전달 경로의 이상징후를 빠르게 감지할 수 있게 된 것이다. 이 기업은 IoT 센서 기반의 펌프·송유관 도입 효과가 300만달러 이상에 달한다고 평가하고 있다.

SAS의 이벤트 스트림 프로세싱 엔진은 매우 빠른 속도(초당 수백만 건)와 매우 짧은 주기(1000분의 1초)로 데이터를 처리할 수 있어 제조 현장 등 산업에서 요구되는 엄격한 실시간성의 요구를 충족시킨다. 또 인텔리전트 필터링으로 모든 데이터에서 노이즈를 분리해 내기 때문에 저장이 필요한 데이터와 불필요한 데이터를 쉽게 구분할 수 있으며, 에지 영역의 데이터에 대한 통합·시각화 및 분석은 물론 사용자가 원하는 스토리지 플랫폼에 저장된 데이터에 대한 빅데이터 분석도 지원한다.

국내 제조 기업 도입 개시

▲ 스트리밍 데이터 분석 기반 설비 장애 예측 예시
우리나라 제조 기업들도 스트리밍 데이터 분석에 관심을 기울이고 있다. IoT 센서 데이터에 스트리밍 데이터 분석을 적용함으로써 나타나는 효과가 뚜렷하기 때문이다. SAS코리아에 따르면 2016년 국내 제조업체 두 곳이 PoC를 진행해 만족스러운 결과값을 도출한 상황이다. A사의 경우, 불량률이 높아 이의 원인 파악과 해결을 위해 SAS IoT 애널리틱스 솔루션을 검토했다. 진행된 PoC에서는 오랜 골칫거리가 됐던 불량 발생의 원인을 빠르게 파악하고, 불량률을 극적으로 낮추는 성과를 끌어냈다.

이광열 SAS코리아 상무는 “PoC에서 원인 파악을 빠르게 하여 90% 이상의 불량을 감소시키는 효과를 검증했다”면서 “충분한 효과를 입증한 만큼 국내 제조 산업군에서도 스트리밍 분석이 본격 확산될 것으로 기대한다”고 말했다.

‘MapR Streams’라는 스트리밍 분석 솔루션을 선보이고 있는 맵알코리아도 국내 제조기업 두 곳에 솔루션 공급에 성공했다고 전했다. 이들 기업은 각각 센서 데이터와 이미지 데이터를 활용해 불량 제품을 검출하고 있는데, MapR Streams 기반으로 평시와 다른 데이터값을 갖는 제품을 빠르게 파악함으로써 불량 제품의 출하를 방지하고 있다는 설명이다.

수년 전부터 패스트 분석을 강조해 온 팁코 역시 반도체 제조 공정에서 이미지 분석을 통해 불량을 파악하는데 자사 솔루션이 활용되고 있다고 전했다. 출하 제품의 이미지를 즉시 분석함으로써 불량 여부를 빠르게 파악하고 있다는 설명이다.

최근 국내 스마트 팩토리 사례로 주목받는 현대제철의 철분말 공장에서도 스트리밍 데이터가 적용됐다. 현대제철은 차세대 소재로 꼽히는 철분말 생산 공정에 빅데이터 분석을 기반으로 ‘설비 예지진단 시스템’을 구축했다.

용광로의 온도 센서를 비롯해 애토마이저 압력 센서·건조기 수분 센서 등 모든 설비에 센서를 부착하고, 이들 센서 데이터를 기반으로 공정·품질·설비 상태의 가시성을 확보하기 위함이다. 이 때 수많은 센서가 발생하는 데이터를 스트리밍 분석 기반의 빅데이터 플랫폼인 ‘Splunk’로 분석을 수행함으로써 스마트 팩토리의 기틀을 마련하고 있다.

제우석 SAS코리아 이사는 “IDC 등의 시장 보고서를 살피면, 제조 분야에서 IoT 도입이 뚜렷하게 나타나고 있는데, 이는 생산 설비와 IoT 센서 조합으로 운영과 유지보수의 이점이 즉각적으로 실현되기 때문”이라며 “우리나라 제조기업에서도 그동안의 PoC를 통해 효과를 체감한 상황으로, 2017년을 기점으로 빠르게 확산될 것으로 보여진다”고 말했다.
 

 

에지 컴퓨팅, 혹한 환경의 난제 해결
스트리밍 데이터는 에지 컴퓨팅과 긴밀하게 연결된다. 에지 컴퓨팅이란 데이터 소스와 더 가까운 물리적인 위치에서 수행되는 컴퓨팅을 말한다. 네트워크의 가장자리라는 의미에서 에지(edge)로 지칭되는 것으로, 데이터를 생성하는 센서·기계와 가장 가까운 위치에서 데이터를 분석한다는 의미다. 즉 분석 기술을 실제 필요한 위치에 설치하여 실시간으로 성능을 최적화하는 것이 바로 에지 컴퓨팅인 것이다.

안전이 매우 중요한 분야의 산업 기계는 에지 컴퓨팅의 필요를 단적으로 보여준다. 사막의 물 분사 펌프, 석유 시추지에 설치되는 해저 폭발방지기, 비행 중인 항공기 엔진 등 안전이 제1조건인 산업 기계들은 중앙 서버에서 멀리 떨어진 위치에서 미약한 링크로 연결된다. 이에 네트워크로 데이터를 이동시켜 분석하는 것보다 가장 가까운 위치에서 곧바로 데이터 분석을 수행하는 게 더 효과적이다. 이처럼 중앙의 네트워크 시스템과 원활한 연결이 어려운 환경에서 데이터 분석을 수행하기 위해 에지 컴퓨팅이 요구된다.

그런데 폭발방지기 등 가혹 환경에 위치한 기기까지 데이터의 분석을 적용하는 경우를 생각해 보면, 곧바로 분석되어야 하는 즉시적 실시간성을 갖는 것이 대부분이다. 안전을 위해 신속한 이상징후 파악을 필요로 하는 것이다. 이를 위한 가장 적절한 데이터 분석 방안이 저장 이전부터 분석이 가능한 스트리밍 데이터 분석임은 당연한 귀결이다.

이와 관련하여 한국IBM은 석유 시추 기업의 경우를 예로 들었다. 석유 시추 사업의 경우, 시추 장비가 1m 더 전진하는데 드는 비용이 매우 높다. 따라서 시추를 진행하면서 주변 환경을 즉각적으로 파악하여 진행의 가/부를 빠르게 결정해야 한다.

이정권 실장은 “석유 시추는 네트워크의 환경이 열악한 경우가 많아 높은 컴퓨팅 자원을 통해 심도 깊은 분석을 하기 어렵다. 그러나 시추 비용을 고려하면 빠르고 정확한 판단이 요구된다”면서 “에지 컴퓨팅과 스트리밍 데이터 분석은 이러한 상황에서 보다 적절한 판단을 내리는데 도움을 준다”고 강조했다.

산업용 사물인터넷(IIoT) 운영체제인 Predix의 새로운 버전으로 ‘Predix Edge System’을 2016년 선보인 GE는 GE운송의 에볼루션 시리즈 티어4 기관차를 에지 컴퓨팅의 이점을 보여주는 사례로 제시했다. 이 기관차는 기가비트급 정보를 수집하는 센서를 200개 이상 장착하고 초당 10억개 이상의 명령을 처리할 수 있는데, 에지 컴퓨팅으로 차량에서 데이터를 분석함으로써 더 효율적인 운행을 실현하게 된다. GE는 이를 통해 매년 수십만건의 예상치 못한 운행 지연으로 수십억 달러의 비용을 지불하고 있는 철도 산업의 비효율을 제거할 것으로 기대했다.

제조 설비의 경우도 마찬가지다. 데이터 분석을 위해 공장 내부의 네트워크를 불필요하게 확장할 필요 없이 에지 컴퓨팅과 스트리밍 데이터 분석을 통해 데이터 병목을 방지하면서 자산과 물리적 운영을 최적화할 수 있는 통찰력을 얻을 수 있게 된다.

클라우드·AI 접목으로 진화
궁극적으로 미래의 모든 기계는 클라우드와 연결될 것으로 예견된다. 수많은 다양한 기기들을 연결하고, 이들이 발생하는 방대한 처리하기 위해서는 클라우드 컴퓨팅 활용은 피할 수 없다고 여겨진다. 에지 컴퓨팅과 더불어 더 강력한 리소스를 비용효과적으로 활용하기 위해 클라우드와 조합되어야 하는 것이다. 스트리밍 데이터 분석 역시 클라우드로 연결된다.

세계 최대의 클라우드 서비스 기업인 AWS는 보다 더 빠른 실시간 분석을 요구하는 기업 고객의 요구에 대응하기 위해 클라우드 기반의 스트리밍 데이터 분석 서비스를 선보이고 있다. ‘Kinesis Stream’이 바로 그것이다. AWS코리아에 따르면, 제조 산업에서 요구하는 실시간성을 충분히 만족시킬 수 있는 빠른 분석이 Kinesis Stream에서 가능하다.

일례로 한 온라인 게임 기업은 게임의 클릭 스트림 데이터를 Kinesis Stream을 통해 분석하고 있다. 온라임 게임 역시 실시간성이 중요한 요소로, 이러한 사례는 Kinesis Stream이 제조 산업에서의 엄격한 실시간성 요구도 충분히 만족시킬 수 있음을 보여준다.

AWS Kinesis 서비스는 클라우드 서비스인 만큼 확정성 측면에서 경쟁우위를 지닌다. 무한한 확장성을 제공할 수 있는 구조로 설계돼 IoT 센서 등에서 시간 순서대로 연속적으로 들어오는 데이터를 실시간으로 수용할 수 있는 것이다. 또 AWS는 클라우드 스토리지 서비스로 데이터를 손쉽게 이동시키는 Kinesis Firehose도 2016년 선보이면서 고객 편의성을 높였다.

AI 접목도 주목되는 부분이다. 인지(cognitive) 컴퓨팅 기술인 ‘Watson’을 선보이고 있는 IBM은 Watson과 IoT의 결합을 적극적으로 추진하고 있다. IoT 데이터를 실시간으로 수집·분석해 Watson이 문제점을 스스로 파악·조치하도록 하겠다는 것. 이 과정에서 스트리밍 데이터 분석 기술인 IBM Streams가 주요한 역할을 할 것이 분명하다. IBM Streams의 출발도 IBM Watson 연구소와 미국 국방성의 공동 연구라는 점은 이러한 예측에 힘을 더한다.

이정권 한국IBM 실장은 “스트리밍 데이터 분석에 있어서도 IBM이 원조”라며 “다양한 성능 테스트에서도 경쟁 솔루션 대비 14배의 적은 하드웨어 자원을 사용하면서도 12배 이상의 더 많은 데이터 처리가 가능한 IBM Streams의 장점에 Watson이 더해지면 한층 강력한 해법이 될 것”이라고 주장했다.

MapR Streams·SAS Analytics for IoT 등 소개한 기술 외에 스트리밍 데이터 처리를 위한 오픈소스 기술로는 Hadoop을 기반으로 하는 ‘Storm’, ‘Kafka’ 등이 존재하며, 시스코·호튼웍스 등 다수의 기업이 스트리밍 분석 기술을 통해 시장에 접근하고 있다. 국내 기업으로는 인피니플럭스가 국산 기술로 회사명과 같은 ‘InfiniFlux DBMS’라는 제품을 개발해 선보이고 있다.

InfiniFlux는 수많은 센서로부터 발생하는 방대한 데이터를 실시간으로 처리하기 위해 스트리밍 데이터 분석 기술을 적용한 DBMS란 점에서 변별력을 지닌다. 제조 산업에서의 적용 사례는 부족하지만, 센서 데이터와 유사하게 데이터값이 시간과 연속성을 갖는 보안로그 데이터 분석을 위한 대규모의 적용 사례를 갖고 있으며, 이를 기반으로 제조 시장 접근을 강화할 태세다.

효과적인 데이터 처리 방안
오늘날 제조 산업에서의 혁신은 거스를 수 없는 흐름이다. 생산 설비의 장애를 예측하고 조치함으로써 생산성을 극대화하며, 제조 과정의 불량을 빠르고 정확하게 색출하고, 불량 발생의 원인을 빠르게 파악하는 등 한 단계 발전된 제조로 빠르게 이동이 시작되고 있다. 이에 스마트 팩토리, 스마트 제조는 선택이 아닌 필수가 됐다.

유의할 점은 데이터가 제조 혁신을 위한 가장 중요한 요소 중 하나라는 점이다. IoT·AI 등은 모두 데이터 인사이트 확보를 전제로 하며, 만약 데이터로부터 가치를 시의적절하게 도출할 수 있는 프로세스를 마련하지 못한다면, 이러한 도입은 의미를 잃을 것이 분명하다. 스마트 제조로의 이동을 위한 고민에 효과적인 데이터 분석 방안을 함께 마련해야 하는 이유다. 그리고 이에 대한 해답 중 하나는 즉시 분석이 가능한 스트리밍 데이터 분석이 될 것이다.


주요기사
이슈포토