타겟 마크 3D 기능으로 단 몇 번의 클릭만으로 로봇 시스템 제어 독일계 자동화 솔루션 기업 센소파트가 머신비전 카메라 'VISOR Robotic'을 소개했다. 머신비전 VISOR Robotic은 산업 현장에서 정확한 작업을 위해 로봇의 ‘눈’의 역할을 하는 머신비전 카메라로, 최근 자동차와 전자 산업에서 활발히 사용되고 있다. 센소파트에 따르면, 최근 독일 유명 자동차 기업은 차체 공정에 VISOR Robotic을 적용했으며 품질과 공정 효율성을 크게 향상시켜 세계적으로 자동차 업계의 주목을 받고 있다. 머신비전 카메라 VISOR Robotic에는 '타겟 마크 3D(Target Mark 3D)'가 탑재됐다. 이 기능을 통해 단 몇 번의 클릭만으로 로봇 시스템을 제어할 수 있어, 핸들링 및 조립을 위한 공간 인식이 용이하다. 제조 라인에서 스크류 드라이버가 지정된 위치가 아닌 작업대 임의에 곳에 위치하는 경우, 로봇은 캐리어의 부정확한 피딩(feeding)이나 모바일 로봇의 부정확한 도킹과 같이 작업 위치에서 오프셋이 발생할 수 있어, 프로세스가 불안정해진다는 문제가 있다. 이전에는 이러한 문제를 해결하기 위해 복잡한 재프로그래밍이 필요했지만, 센소파트가 제
스마트 제조, 스마트 팩토리는 제조업에 생산성과 효율성을 높여준다. 특히 4차 산업혁명 시대, 디지털 전환을 통한 스마트 팩토리로는 미룰 수 없는 과업이다. 빅데이터, 클라우드, 인공지능과 같은 첨단 기술과의 접목으로 비즈니스 혁신이 가속화되고 있는데, 제조 기업을 위한 디지털 제조 혁신 방법은 무엇이 있을까? 제조 기업을 위한 디지털 제조 혁신 세미나에서 인타운 이용은 박사의 발표 내용을 정리했다. 4차 산업혁명은 시작됐는가? 사람과 환경, 기계가 연결되며 지식 정보의 바다로 일컬었던 3차 산업혁명의 시대가 끝났는지에 대해 학자들의 의견이 분분하다. 4차 산업혁명이라는 단어를 처음 언급한 세계경제포럼 클라우스 슈밥은 “4차 산업혁명은 이미 시작됐고, 그 범위 복잡성을 고려할 때 과거 인류가 겪었던 그 무엇과도 다르다”고 말한 반면, 경제학자 제레미 리프킨은 “4차 산업혁명은 아직 도래하지 않았으며, 3차 산업혁명의 연장일 뿐”이라 말했다. 4차 산업혁명 시대에 대한 학자의 의견이 분분한 가운데 확실한 점은 빅데이터, AI, IoT, CPS 등 첨단 기술과의 접목으로 기존과 전혀 다른 현장으로 변하고 있다는 것이다. 산업혁명의 개요 18세기 후반 증기기관의
조선업계는 업황의 개선에도 기술자의 리턴이 거의 없어 외국인 노동자로 채울 수밖에 없는 큰 어려움을 겪고 있다. 조선3사의 경우 이러한 인력난을 타개하기 위해 최근 무인자율운향, 스마트조선소를 추진하고 있다. 특히, 많은 용접 작업이 수행되는 공정 특성상 용접용 로봇 자동화 대한 필요성은 점점 부각되고 있다. 따라서 대조립, 중조립, 소조립 공정을 중심으로 용접로봇의 설치 및 운영에 대한 연구가 활발히 진행되고 있다. 조선 분야 제조혁신을 위한 최근 연구사례와 로봇 적용사례에 대해, 한국조선해양미래기술연구원 윤대규 전문위원이 제조혁신 세미나에서 발표한 내용을 정리했다. 지금 조선산업은 우리나라 조선업계는 올해 수주 목표를 조기에 달성할 정도로 호황기이다. 발주 시장이 활기를 띠면서 액화천연가스(LNG) 운반선, 석유화학제품(PC) 운반선 등의 수주 선가도 역대 최고가로 계속 오름세에 있다. 9월말 기준 조선 빅3(한국조선해양·대우조선해양·삼성중공업)는 각사 연간 수주 목표의 80~120%를 달성 중이다. 현대중공업그룹의 조선 중간지주사인 한국조선해양은 2022년 연간 수주 목표 174억4000만 달러를 일찌감치 넘겼다. 한국조선해양은 LNG 추진 컨테이너선과
딥러닝이란 컴퓨터가 스스로 외부 데이터를 조합, 분석하여 학습하는 기술로, 빅데이터, 계산능력(Computational Power), 알고리즘 3가지 요소에 의해 발전해왔다. 그리고 이러한 딥러닝 모델 성능 향상은 인공지능(AI)이 획기적으로 도약하게 된 계기가 되었다. 제조 현장에서 AI(인공지능) 적용은 설계 지능화, SCM 지능화, 검사 지능화, 예지보전, 공정 지능화를 가져왔다. 그러나 AI 적용시 발생하는 여러 이슈도 있었다. 그 해결 방안은 무엇인지, 제조 기업을 위한 디지털 제조 혁신 세미나에서 한국생산기술연구원 윤종필 수석연구원이 발표한 내용을 정리했다. 데이터란? 데이터는 일반적으로 딥러닝 입력 데이터와 정답 데이터로 구성된다. 입력 데이터는 의사 결정을 내리기 위한 정보로서 센싱, 음성, 텍스트, 진동, 온도 데이터가 여기에 해당된다. 정답 데이터는 내가 인공지능 학습을 시켰을 때 원하는 것, 풀고자 하는 것, 바라는 것이 출력됐으면 좋겠다 하는 데이터를 말한다. 따라서 딥러닝이 잘 풀 수 있도록 충분한 양의 입력 데이터와 정확한 정답 데이터를 확보하는 것이 중요하다. 딥러닝은 우리가 만든 정답 데이터대로 학습하기 때문이다. 그렇다면 생산
센서 및 액추에이터와 같은 단순한 필드장치는 이더넷을 필드버스 인터페이스로 통합하는 것에 대해서 오랫동안 거부를 해왔다. 왜냐하면 이더넷을 산업용으로 사용하는데 있어서 경험이 없고 신뢰성에 대한 믿음이 없으며, 기기 통합의 관점에서 자세히 들여다보면, 제한 요인은 이더넷 인터페이스 자체의 크기, 전력 및 비용이 문제가 되었다. 지난 몇 년 동안 통신기술은 많은 발전을 이루었고, 그간 막연히 품었던 의구심을 해결하기 위해 이더넷 환경을 크게 변화시켰다. 이 백서는 ‘복잡도가 낮은 이더넷’의 개념에 대해 정의를 하고 이 개념을 사용, 센서 및 액추에이터와 같은 에지(Edge) 장치에 신뢰할 수 있는 EtherNet/IP 통신을 제공하는 방법을 설명 하고자 한다. 또한, 브라운필드(Brownfield) 설치가 EtherNet/IP를 에지(Edge)로 가져오는 이점을 활용할 수 있는 미래의 방향을 확인해 줄 것이다. 배경 이 백서는 주로 산업용 이더넷 노드의 하드웨어 비용과 복잡성을 줄이기 위한 새로운 접근 방식에 관한 것이다. 지원해야 하는 프로토콜과 모드 측면에서 소프트웨어의 복잡성 감소를 구체적으로 다루지는 않지만, 이 또한 중요한 연구 분야의 하나이다. 이러
지금까지 동사에서는 기계·공장 전체의 가동률 향상을 목표로 가동 상황의 시각화, 예방 보전에 도움이 되는 소프트웨어를 개발해 왔다. 종래 첫 제품의 양산 시작에는 실제 기기의 가공 프로그램 작성과 시뮬레이션, 그리고 테스트 가공을 할 필요가 있어 양산가공에 이르기까지의 가동률 저하를 피할 수 없었다. 그래서 디지털 공간상에 실제 기기와 동일한 조건을 충실하게 재현하는 디지털 트윈 기술을 개발, 이들 작업을 디지털 공간에서 실시하는 ‘디지털 세팅’으로 생산성 향상을 지향했다. 또한, 공장 내에 있는 기계의 가동 상황 시각화와 가동 실적을 분석함으로써 생산 프로세스의 개선과 생산성 향상에 도움이 되게 했다. 디지털 세팅 1. 디지털 세팅의 개요 유저의 공장에 있는 기계를 사무실의 퍼스널컴퓨터 안에 재현해 가상 공간상에서 프로그램 작성, 간섭 확인, 가공 조건의 조정을 한다. 이것을 동사에서는 디지털 세팅이라고 부른다(그림 1). 2. 도입 효과 디지털 세팅을 함으로써 종래보다 기계의 가동률을 향상시킬 수 있다. 지금까지의 작업 방식에서는 공장 안에서 기계 1대에 작업자 1명이 붙어 워크의 실제 가공뿐만 아니라, 프로그램 작성과 테스트 가공을 하고 있었다. 앞으로
동력이나 운동을 전달하는 기계요소의 상징인 기어는 자동차나 항공기, 공작기계를 비롯해 폭넓은 업계에서 이용되며, 소형화와 고경도화, 고정도화, 복잡화, 저진동화, 저코스트화, 변종변량화 등 여러 가지 시장 요구에 대응하는 것이 항상 요구된다. 오늘날 급속하게 진화하는 자동차의 하이브리드화나 EV(전동)화에 의해 엔진이 모터로 대체됨으로써 감속기구에서 발생하는 기어의 소음이나 진동이 종래보다 주목받게 됐다. 저소음, 저진동 등의 정숙성에 대한 요구를 만족시키기 위해 기어에는 지금까지 이상의 고정도화가 요구되고 있다. 로봇 산업에서도 노동자 부족이나 신형 코로나바이러스 감염증 확대를 배경으로 현장의 인력절감화·자동화가 추진되어 협동로봇 등의 관절부에 이용되는 감속기는 수요 증가 경향이 계속되고 있다. 감속기의 소형경량화와 저진동화를 위해 기어는 소형 및 소모듈화가 추진되어 고정도 가공의 필요성은 더욱 높아지고 있다. 기어를 고정도로 안정되게 고능률 가공하는 기계가 요구되는 가운데, 스위스 아폴터사(Affolter Group SA)는 시계용 기어의 생산으로 오랜 기간 축적한 가공 기술을 토대로 CNC 호빙머신을 개발해 왔다. 특히 최근에는 자동차 업계의 고속 정밀
시바우라기계(주)에서는 세계 최대급의 초대형 플라노밀러 MPA-70265 그림 1 (a)를 비롯해 여러 가지 대형 기계를 제작하고 있다. 초대형 기계는 수주 생산이므로 그 활용법을 기계 납입 후에 고민하거나 검토하거나 하는 것이 아니라, 일반적인 공작기계(문형 머시닝센터 MPF-2614FS 그림 1 (b))와는 거래할 때의 사고부터 다르다. 그러면 초대형 공작기계는 무엇이 다른가 하면 기본적으로 특정 업종의 워크, 경우에 따라서는 1종류의 워크 특정 부위를 가공하기 위해 제조되는 전용기이다. 그 대상이 되는 워크는 어떠한 특징을 가지고 있다. 기본적으로 다음의 어느 한 개 또는 여러 개에 해당된다. ①크다 ②무겁다 ③(보통 기계로는) 가공이 어렵다 또는 효율이 나쁘다. 그렇기 때문에 초대형 공작기계는 그러한 모든 문제를 해결해 고도 활용하는 것을 전제로 제작된다. 그렇지 않으면 제작에 1년 5개월~2년, 유저와의 협의를 기초로 기본 구상에서부터 기간을 생각하면 3~4년 이상, 실제 기계의 가동까지라면 5년은 시간이 걸리는 기계를 제작하는 것은 엄두도 낼 수 없다. 보통의 생산 기술자라면 공정을 생각하고 제조하는 기계의 유무를 검토해 없다면 외주를 낸다. 더구
일본에서는 해마다 국지적인 호우가 발생한다. 기억에 생생한 것으로는 2018년 7월 호우와 2020년 7월 호우 등을 들 수 있다. 이러한 국지적 호우가 한번 발생하면 그 지역에 막대한 인적․경제적 피해를 초래하기도 한다. 이러한 장마철에 발생하는 호우의 강수 지역은 선 모양으로 되어 있는 경우가 많아 선상 강수대라고 한다(그림 1). 기상청에 따르면 ‘잇따라 발생하는 발달한 비구름(적란운)이 줄을 이룬 조직화된 적란운군에 의해 수 시간에 걸쳐 거의 같은 장소를 통과 또는 정체함으로써 만들어지는 선 모양으로 뻗은 길이 50~300km 정도, 폭 20~50km 정도의 강한 강수를 동반하는 강수 지역’을 선상 강수대라고 한다. 기상청은 기상 레이더 관측 등으로 선상 강수대를 검지해 웹상으로 선상 강수대의 발생 장소를 공표하는 시스템을 2021년부터 운용하고 있다. 이러한 현황을 파악하는 나우캐스트는 선상 강수대로 인한 위험 지역을 명시해 대피 환기에 매우 효과적이다. 한편, 대피 행동의 리드타임을 보다 길게 확보하기 위해서는 선상 강수대에 동반하는 호우의 예측 정확도를 더욱 향상시킬 필요가 있다. 선상 강수대의 예측 정확도를 향상시키기 위해서는 대기 하층의 수증
대기 중의 에어로졸은 태양광을 직접 산란하고 흡수함으로써 기후에 중요한 역할을 하고 있다. 에어로졸은 구름의 핵으로 기능하며 구름 입자의 특성을 변경해 간접적인 영향을 초래하고 에어로졸의 침착과 강우를 변화시켜 기후의 영향을 예측할 때의 불확실성에 큰 영향을 미친다. 인간의 건강 면에서도 호흡기 계통이나 눈 및 코 점막의 염증 등에 영향을 미치거나, PM2.5와 같은 인위적인 기원의 에어로졸에 의한 꽃가루 알레르기 촉진에 영향을 미치거나 한다는 보고도 있다. 이러한 영향의 정도는 에어로졸의 조성이나 입자지름에 크게 의존한다. 대기 에어로졸은 발생원이 국소적이며 공간․시간적으로 매우 변동이 크다. 더구나 에어로졸의 조성이나 입자지름도 발생원에 의존한다. 그렇기 때문에 대기 에어로졸의 영향을 정확하게 평가하기 위해서는 대기 에어로졸의 조성이나 미세 물리 특성(농도, 입자지름, 형상, 상태 등)에 관한 정보가 필요하다. 라이다는 대기 에어로졸의 연직 분포를 높은 시간․고도 분해능으로 계측할 수 있으며, 여러 지점에서 라이다를 통한 연속적으로 계측함으로써 공간적․시간적인 에어로졸의 확산을 입체적으로 파악할 수 있다. 인위적인 기원의 에어로졸이나 황사, 삼림 화재 에
공정의 효율을 이끌어내기 위한 기본적인 방법 중 하나는 ‘끊김 없는 공정’이다. 문제 발생 후 해결을 위한 공정 중단은 생산성을 저하시키고, 시간 연장 등의 비효율을 가져오기 때문이다. 그렇다면 문제가 생기기 전, 미리 이상 징후를 탐지할 수 있는 예지보전은 무엇보다 중요하다. 마크베이스의 AIoT Suite 적용 사례로 본 프레스 장비 모터의 이상 감지를 돕는 방안에 대해 소개한다. 예지보전은 데이터를 수집해서 데이터 내부에 포함된 이상징후를 감지하고, 탐지된 결과를 분석 후 조치하는 과정이다. 때문에 유지보전은 공정의 효율을 높이기 위한 필수사항이다. 최근 OT 단의 컴퓨팅 파워가 좋아지면서 실시간으로 쏟아지는 데이터를 안정적으로 수집하고 저장해 전처리 과정을 거쳐 현장이 원하는 데이터의 형태로 만드는 것이 무엇보다 중요해지고 있다. 예지보전의 과정에는 수집/저장, 전처리/학습, 실시간 데이터 흐름, 패턴, 사용자 유지보수 등의 어려움이 있다. 예지보전을 예측하기 위해선 학습을 위한 장기간 데이터 모두의 수집이 필요하다. 데이터 수집 후, 대용량 수집 데이터에 대한 학습 데이터 추출이 필요한데, 데이터 전처리 시간 및 비용이 기하급수로 증가해 큰 어려움을
산업AI 기반 예지보전 솔루션은 핵심 산업 설비의 건전성과 고장 진단 및 예측하여 산업 사고 예방, 다운타임 및 불필요한 관리비용 최소화, 설비 운용 최적화 등 현장의 고질적인 문제를 해결하고 디지털 트랜스포메이션을 견인한다. 산업AI 예지보전 솔루션으로 완성하는 스마트제조 환경은 어떤 모습인지 솔루션 사례를 들어 살펴본다. 산업AI가 필요한 이유 국내 산업이 직면한 도전 과제와 산업AI 기반 예지보전 솔루션의 필요성에 대해서 알아보겠다. 먼저, 국내 제조 산업에 산업AI가 왜 필요한지부터 간단하게 짚고 넘어가 보자. 첫째, 지속적인 품질 개선이 필요하기 때문이다. 한국데이터산업진흥원이 발표한 2020년도 자료에 따르면, 제조 산업에서 품질 이슈로 인해 낭비되는 비용이 매출 대비 10%에서 많게는 15%에 이른다. 이 비용을 2~3%만 줄여도 상당히 많은 낭비 요소를 없앨 수 있다. 둘째, 인력의 노후화에 따른 지식의 증발 때문이다. 현재 우리나라 제조 산업의 근로자 평균 연령은 42.5세로, 이 수치는 10년 전보다 3.3세~3.5세 높다. 선진국과 비교해서도 매우 빠른 속도로 증가하고 있어 산업 현장에서 큰 문제로 대두될 우려가 있다. 근로자들이 노후화가
예지보전의 첫 걸음은 데이터를 통해 의사결정할 수 있는 시스템을 마련하는 데부터 시작된다. 그리고 예지보전 목표를 향해서 구축 단계 및 프로세스 정립을 해나가는 것이 반드시 필요하다. 하지만 최종 목표를 향해가는 여정의 단계는 결코 쉽지만 않다. 예지보전을 목표로 중소·중견기업의 단계별 추진 방안과 설비 데이터를 활용한 통합 모니터링 및 분석 플랫폼 도입 사례를 소개한다. 예지보전의 첫 걸음은 데이터를 통해 의사결정할 수 있는 시스템을 마련하는 것이 가장 중요한 포인트이다. 그 단계를 보면, 먼저 제조 현장에는 설비나 로봇, 센서에서 다양한 데이터가 발생한다. 이러한 하위 레벨의 데이터들은 ERP, MES, CMMS, SCM 등 제조 인프라 시스템과 연동하여 모니터링 및 분석을 통해 생산과 품질에 영향을 미치는 문제점을 파악할 수 있다. 그리고 이렇게 도출된 데이터들은 생산, 품질뿐만 아니라 설비, 에너지에 대한 부분까지 정확한 의사결정을 돕는다. 최근엔 데이터 기반의 스마트공장들이 구축되면서, 근무환경 개선 및 불필요한 업무를 제거해 생산성과 업무 효율성이 증가하고 있다. 또한, 관리자가 문제 원인을 파악하고 구체적인 개선 계획을 수립해 데이터를 통한 관리
최근 디지털 트윈(Digital Twin)이 디지털 전환(DX)의 핵심 키워드로 부상하고 있다. 디지털 트윈이란 ‘현실 세계에서 수집한 다양한 정보를 가상 사계에서 분석하고 최적의 방안을 도출해 이를 기반으로 현실 세계를 최적화하는 지능화 융합 기술’을 의미한다. 디지털 트윈 및 디지털 전환 분야는 매우 광범위하다. 이 솔루션은 전체 제조공정 중 제품 생산 공정, 물류(부품 공급, 배포,….) 분야에 적용 가능하다. 본 내용을 통해 디지털 트윈 기술의 적용 방안 및 이에 연계되어 활용될 수 있는 기술에 대해 살펴본다. 기존까지는 공장을 새로 짓거나 특정 라인을 수정할 경우 사전 검토를 위해 물류 시뮬레이션을 활용하고 있다. 하지만 물류 시뮬레이션 분야는 대부분 숙련자 또는 전문가의 의존도가 높은 가정 분석(What-if) 방식을 사용하고, 생산 계획 단계에서 사전 분석 및 검증용으로 주로 사용된다. 그리고 시뮬레이션에 현장 데이터를 반영하는데 대용량 데이터 처리와 시뮬레이션 가속 성능 등의 한계로 다양한 제약 조건이 발생할 수 있다. 이는 디지털 트윈을 구현하기 위해 생산 운영 단계까지 연계하는 과정에 중요한 요소이며 본 내용을 통해 실제 활용
최근 IoT·AI 기술이 발전·보급됨에 따라 절삭가공 중인 공구 상태를 실시간으로 감시해 이상 검지나 공구의 수명 예측․판정을 할 수 있는 기술에 대한 관심이 높아지고 있다. 한편 아직도 많은 절삭가공 현장에서는 다음과 같은 문제가 코스트 개선의 장벽이 되고 있다. 예를 들어 ‘기술자의 노하우에 의존한 공구 수명 판정’이나 ‘가공 수나 가공 거리와 같은 일률적인 공구 수명 설정’이다. 전자는 소리나 절삭칩 형상 등 기술자의 경험에 의존하는 정성적인 기준으로 수명을 판정하고 있기 때문에 기술 전승의 문제나 인력절감화·자동화의 폐해가 되고 있다. 후자는 공구마다 수명 편차가 있기 때문에 공구 수명에 달하지 않아도 교체하는 경우가 많아 공구 코스트 절감의 폐해가 되고 있다. 이와 같은 배경에서 ‘절삭가공 중인 공구 상태의 가시화’나 ‘경험․노하우의 디지털화’ 등에 대한 요구가 많아지고 있다. 이 글에서는 이러한 요구에 대응하기 위해 절삭가공 중인 공구 상태 실시간 감시의 기반 기술로서 밀링 가공 중에 취득한 가속도 데이터를 AI(기계학습)에 의해 해석하고, 공구 상태를 추정하는 방법에 대해 소개한다. 공구 상태 추정의 흐름 우선 이 글에서 소개하는 공구 상태 추정