제철소 및 석유화학플랜트, 발전플랜트 같은 대규모 산업 분야 등에서 밸브에서의 누설은 빈번히 발생하는 현상으로 고압과 고온수증기 등을 취급하는 발전플랜트나 부식성 가스, 용액 또는 가연성 가스 등을 취급하는 석유화학 플랜트에서 중대한 사고 발생을 미연에 방지하기 위해 누설을 조기 검출하는 것이 요구되고 있다. 또한 미세누설이 시작 되는 경우에는 사전 인지가 어렵고 단위시간당 누설량은 적더라도 장기간에 걸쳐 누설이 계속되면 손실량은 막대하게 늘어나게 되므로 이것이 원인이 된 경제적 손실도 증가하게 된다. 또한 유해가스의 경우 안전보건 등의 심각한 인적, 물적 자원의 위해를 일으키게 된다. 따라서 누설이 일어나고 있는 밸브들을 조기에 발견하여 그 누설량으로 인한 손실을 정량적, 정성적으로 평가할 수 있는 검사 기술이 매우 중요하게 인식되고 있다. 해당 기술은 다양한 산업 현장에서 사용 중인 각종 중요 밸브에 대해 음향방출(Acoustic Emission) 센서 및 고속, 정밀 데이터 수집 및 분석기술을 이용하여 내부 미세 누설 및 설비 이상 상태를 실시간 감시와 사전 진단이 가능하도록 개발하여, 요즘 4차 산업혁명의 화두인 스마트 팩토리 구축을 위한 예지정비 및
리튬이온 축전지는 1991년에 최초로 상품화되었는데, 이전의 축전지에 비해 상당히 고출력, 고에너지 밀도를 가지고 있었기 때문에 혁신적인 축전 디바이스로서 세상에 기술 혁신을 일으켰다. 보급 초기에는 휴대전화나 퍼스널컴퓨터, 태블릿 단말 등과 같은 초소형 경량 디바이스의 큰 진화를 가져왔다. 최근에는 유럽과 중국을 중심으로 저탄소화에 대한 요구로 전기자동차의 급속한 보급이 추진되고 있다. 그러나 너무나 급속한 수요 증가 때문에 리튬이온 축전지의 재료가 되는 리튬과 코발트, 니켈과 같은 희소금속 공급 부족이 될 우려가 커지고 있다. 따라서 희소금속을 사용하지 않는 축전지로 전환하거나 재활용을 요구하는 등 축전 시스템 개발에 큰 변화가 일어나고 있다. 또한 보다 안전하고 고출력, 고에너지 밀도의 전고체 전지로 발전하기를 크게 기대하고 있다. 한편 저탄소사회 실현에는 태양광이나 풍력, 지열과 같은 자연 에너지의 유효 활용이 강하게 요구되고 있는데, 자연 에너지는 기본적으로 출력의 변동이 커서 그 안정화를 위해 대용량 축전지 시스템과의 연계가 필수적이다. 전기자동차 1대에 탑재되는 전기에너지는 일반 주택 1채용 축전 시스템의 3～5배 용량이기 때문에 전기자동차 축전
자동차 산업이 100년에 한 번 있는 변혁으로서 자동차의 전동화·지능화에 대응하는 가운데, 닛산자동차에서는 세계 최초로 2010년에 전기자동차(Electric Vehicle: EV 또는 Battery EV, BEV) ‘닛산 리프’을 양산하기 시작했다. 그 후 많은 전기자동차가 BEV 시장에 진출해 경쟁력을 유지하기 위해 차량의 모델 체인지에 맞춰 전동 파워트레인의 성능을 향상시키고 또한 그 제어도 개량·발전시켜 왔다. 2016년에는 BEV의 전동 파워트레인과 구동계를 공용하는 100% 모터 구동 e-POWER를 일본 시장의 ‘닛산 노트’용으로 선보였다. e-POWER는 파워트레인 방식으로서 시리즈 하이브리드로 분류되는데, 다른 하이브리드 시스템과 차별화해 높은 가속 성능과 액셀 조작성을 BEV의 개발로 얻은 전동 파워트레인의 제어를 통해 실현하고 있다. 현재는 BEV를 비롯해 100% 모터 구동 차량이 많이 시장에 투입되고 있는데, 전동 파워트레인 제어의 관점에서 정리된 문헌은 많지 않다. 이 글에서는 닛산자동차의 전동 파워트레인 발전을 사례로 BEV와 e-POWER 모두를 다루어 보고, 특히 양산차에 채용된 전동 파워트레인의 제어에 대해 설명한다. 전동 파
산업에서 활용되는 산업용 로봇과 협동로봇은 도입비용뿐만 아니라 유지비용 또한 높은 것으로 알려져 있다. 이에 로봇과 인공지능(AI)의 융합이 새로운 해결책으로 등장했다. 로봇을 현장에 도입했음에도 제대로 된 가치 발현이 안 되거나, 로봇 자체에 대한 변수 그리고 로봇을 공정에 활용하는 데 발생한 이슈 등에는 필연적으로 사람이 관여해야 하는데, 이를 해결하기 위해 로봇과 AI의 결합이 해결책으로 제시됐다. 로봇 AI 스타트업 플라잎이 제안하는 AI 로봇 솔루션을 소개한다. 현재 부상하는 ‘혁신기술’ 가운데 로봇은 그중에서도 핵심으로 평가받는다. 바야흐로 ‘로봇의 시대’가 개막한 것인데, 로봇은 산업 자동화 분야의 핵심 솔루션으로 자리매김하는 중이다. 최근에는 제조·물류 현장과 더불어 서비스 영역까지도 로봇의 영향력이 미치고 있다. 그러나 단순 조립 공정부터 물품 분류, 서비스 제공 등에서 로봇의 적용은 아직 기술적 한계가 따른다. 아울러 로봇의 원활한 동작을 위해서도 자원 및 인력이 뒤따른다. 예를 들어 환경, 생산 제품 등에 변수가 생겼을 때 앞선 요소는 더욱 요구된다. 사람을 대체하겠다는 포부로 등장한 로봇의 궁극적 목적에는 완벽히 다다르지 못한 양상이다.
인더스트리4.0 시대 분야를 막론하고 AI 도입은 선택이 아닌 필수다. 특히 제조업 현장에서 AI 기술은 품질 관리, 생산 최적화, 예지 유지 보수에 획기적인 도움을 준다. AI는 획기적인 기술이지만, 성공적으로 도입하고 활용하기는 쉽지 않다. 데이터 수집 및 전처리, 모델 개발, 학습, 배포, 운영 등 어려움이 존재하기 때문이다. 라온피플의 ‘EZ PLANET’은 AI 개발에 도움을 주는 플랫폼이다. 머신러닝은 국가 운영 시스템, 기업, 개인 생활 등 다양한 분야에 활용되고 있으며 그 범위는 지속적으로 확대되고 있다. 로봇의 눈, 제품 품질, 속성별 분리, 객체 인식 자율주행 등 다양한 분야에서 활용되고 있다. 이렇듯 머신러닝의 중요성은 더욱 커지고 다양하게 적용이 되고 있지만, 아직도 개발이 어려운 것이 사실이다. 예를 들어 제품마다 양불판정 기준이 다 다르다. 즉, 제품이 바뀔 때마다 재학습이 필요하다는 것이다. 머신러닝 개발은 프로젝트 수집, 데이터 수집 및 레이블링, 모델 학습, 평가, 배포 및 적용 등의 단계에서 무한 반복이다. 전문 지식을 갖춘 엔지니어가 비효율적인 작업을 반복하게 된다. 제조업 현장에서 기존 머신러닝 기술은 데이터 수집 및 전처
최근 산업 내에서 급속도로 구축되고 있는 자동화 설비는 주로 압축공기를 이용한다. 이에 기체류를 다루는 설비 및 배관이 구축되는데, 이때 설비 및 배관에서 누출되는 압축공기·스팀·가스 등 기체를 감지하는 것이 중요하다. 음향 카메라는 이 과정에서 중추적인 역할을 한다. 음향 카메라를 활용해 기체의 누출 위치 및 상황 파악이 가능하다. 여기서는 소리를 시각적으로 구현해 설비의 결함까지 순각포착하는 한국플루크의 음향카메라를 소개한다. 현재 산업 안에는 기술 하나만으로 각종 문제를 해결하는 ‘원스톱’ 기술에 대한 요구가 증가하고 있다. 단 하나의 핵심 기술로 여러 영역을 다루는 개념인데, 고도화된 효율성이 곧 산업 경쟁력인 시대에서 존재감이 부각되고 있다. 음향 카메라는 소리를 시각적으로 구현해 현황을 파악하는 데 기여하는 기술이다. 제조 분야에서는 제조 공정 및 설비의 상태를 파악하는 데 주로 활용되고 있다. 최근 산업 내에서 급속도로 구축되고 있는 자동화 설비는 주로 압축공기를 이용한다. 이에 기체류를 다루는 설비 및 배관이 구축되는데, 이때 설비 및 배관에서 누출되는 압축공기·스팀·가스 등 기체를 감지하는 것이 중요하다. 그러나 통상적으로 소음 수준이 높은
AI를 배워가는 과정들이 대기업 위주에서 이제는 중견 중소기업까지 확산되고 있다. 그만큼 AI에 대한 인식이 높아져 잘 이해 하고 있다는 방증이다. 제조나 산업 분야에서는 AI를 도입하고자 할 때 어떤 부분들을 고려하면 되는지 살펴보고, 그런 측면에서 마키나락스의 솔루션과 서비스를 소개하고자 한다. AI 기술은 놀라운 속도로 발전하고 있다. 2016년 전만 해도 AI가 글자나 이미지 등을 인식하는 정도의 수준까지 오는데 약 10년이 걸렸다면 2016년 이후엔 사람의 인식 능력을 따라 잡는데 2~3년 밖에 걸리지 않을 정도로 급속히 빨라지고 있다. 이게 가능할 수 있었던 이유는 AI를 활용할 수 있는 기반 기술들이 성장했기 때문이다. AI를 잘 하려면 여러 가지 데이터 특성들을 분류할 수 있게 모델 사이즈가 커져야 하는데, 최근 강력한 컴퓨팅 파워를 보유한 기업들이 등극하며 산업적으로 기술적으로 성장하면서 연간 10배 정도 모델 사이즈가 커지고 AI 성능도 크게 향상되고 있다. 제조 산업과 AI 바야흐로 AI 시대가 시작됐다. 그렇다면 제조와 산업에서 AI는 어떻게 활용되고 있을까? 제조 산업은 상대적으로 ICT나 IT 산업보다 AI 활용도가 높지 않다. 그러
최근 몇 년 동안 TSN(Time-Sensitive Networking)은 학문적 기술에서 현실 세계의 실제 애플리케이션으로 도약하는데 성공했다. 이 혁신적 기술의 이점을 활용하고자 하는 기업들은 관련 업계의 요구사항을 바탕으로 TSN 적용이 가능한 시스템을 구축하기 시작했다. Moxa는 IEEE TSN 작업 그룹이 구성되기 전부터 업계 파트너들과 협력하여 산업화 4.0(Industry 4.0)으로 잘 알려진 제조 분야의 디지털화와 산업 자동화를 위한 모든 핵심 기술을 촉진시키는데 주력해 왔다. TSN은 Moxa가 널리 기여하고 있는 산업 디지털화 애플리케이션의 중요 원동력이기도 하다. 실제로 Moxa는 수많은 업계 이해관계자들과 협력하여 TSN이 적용된 시스템을 구축하고, 실제 애플리케이션 및 여러 기술적 발전을 통해 입증된 TSN의 이점을 공장 현장에 제공하고 있다. 그동안 산업 자동화 애플리케이션은 각기 다른 장비와 인터페이스 및 프로토콜로 인해 적시에 대량의 데이터를 전송, 수신 및 처리하는데 상당한 어려움이 있었다. TSN은 연결된 모든 장치들이 공통의 시간 레퍼런스를 공유하여 특정 작업을 위한 특정 시점에 모든 데이터를 이용할 수 있도록 네트워크상
사람의 시각 시스템은 우리가 세상을 이해하기 위한 주요 수단 중 하나이다. 빛이 눈에 들어오고 정보가 시신경을 통해 뇌로 전달되면 뇌가 그 정보를 해석해 ‘이미지를 생성’한다. 그 중 뇌가 관여하고 있는 과정은 특히 복잡하고 난해한데, 이것이 인식과 의사 결정, 그리고 모든 행동의 기반이 된다. 즉, 시각 시스템은 뇌의 구조를 알고 싶어하는 과학자의 주된 목표 중 하나가 된다. 그리고 동시에 시각 시스템은 이미지 정보 처리를 위한 궁극 모델 중 하나이다. 공학자는 시각 시스템을 이해하고 이것을 모방함으로써 기계가 복잡한 문제를 해결한다는 오랜 목표에 대응해 왔다. 양쪽의 대응 목적은 다르지만, 동일한 연구 대상을 다른 형태로 쫓고 있다. 최근 심층 신경망이라는 기술은 이들 양쪽의 합류를 촉진해 각각의 목표를 실현하는 데 공헌하기 시작했다. 심층 신경망은 뇌의 신경세포 네트워크의 일부를 모방해 이미지 인식, 물체 탐지 및 이미지 생성과 같은 시각 과제에 대해 탁월한 성능을 보여주고 있다. 그리고 자율주행차, 의료영상 진단, 비디오 분석, 가상현실, 증강현실, 대규모 언어 모델 등 많은 분야에서 혁신적인 응용이 이루어지고 있다. 그리고 이 놀라운 기술은 뇌의 모
에너지 비용의 상승과 지정학적 갈등의 고조, 여기에 공급 불안이 계속됨에 따라 기업들은 기업 경영의 탄력성과 유연성, 지속가능성을 높이기 위한 투자를 강화하고 있다. 로크웰 오토메이션(Rockwell Automation)은 이 같은 도전적인 환경에 직면한 제조 기업들을 돕기 위해서 MagneMover® LITE 지능형 컨베이어 시스템이라는 스마트한 솔루션을 내놨다. MagneMover LITE는 유연한 모듈형 방식을 채택한 지능형 이송 시스템으로서, 리니어 모터 섹션으로 구성된 각각의 모듈들을 연결해서 현장의 요구사항에 맞게 무한히 다양한 레이아웃이 가능하다. OEM/인-머신(in-machine) 애플리케이션과 까다로운 모션 요구사항에 대해 기존의 벨트 및 체인 컨베이어보다 월등한 성능을 제공함으로써 새로운 차원의 프로세스 최적화와 쓰루풋을 가능하게 한다. 로크웰 오토메이션에 따르면, 실제로 MagneMover LITE는 애플리케이션에 따라 기존의 컨베이어 시스템에 비해 가동시간을 최대 10배까지 높이고, 에너지 비용을 25%까지 절감하며, 플로어 레이아웃을 25~30%까지 줄일 수 있다. 유연성을 높이는 이러한 혁신을 이루기 위해, 로크웰 오토메이션은 아나
신경과학 분야에서는 계측 기술의 급속한 발전으로 신경 활동의 측정 방법과 그에 의해 얻어지는 데이터가 급속하게 진화하고 있다. 전극을 직접 대상 영역에 꽂아 신경세포의 활동을 전기적으로 측정하는 전기생리학적인 측정에서는 동시에 100개 오더(최신 Neuropixels에서는 1,000개 오더)의 세포를, 대상 동물이 과제를 수행하는 동안에 실시간으로 몇 시간 이상 측정할 수 있다. 또한 칼슘 이미징 등의 신경 활동을 광학적인 활동으로 변환해 측정하는 방법이라면, 시간 정도가 떨어지지만 1000개 오더(100000개를 취할 수 있다는 이야기도 있다)의 세포 활동을 며칠에 걸쳐(!) 측정할 수 있게 됐다. 즉, 신경과학 분야에서 연구자는 매우 큰 데이터에서 신경계 정보 처리의 바탕에 있는 원리·기구를 추출해야 하는 과제에 직면해 있다. 이 글에서는 이 대자유도 데이터와 씨름하고 있는 신경과학에서 급속히 발전하고 있는 역학계적 견해·해석 방법을 소개한다. 여기서는 데이터 해석뿐만 아니라 순환 신경망(RNN)을 이용한 데이터 구동형 모델의 접근법이 많이 이용되고 있으며, 이 접근법을 중심으로 설명하고자 한다. 대자유도 데이터로서의 신경 활동 일찍이 2000년대 초반까
아나로그로 운용되던 프로세스계장 분야가 바야흐로 미래의 디지털로 향하고 있다. 현장에는 CVVSB 2ㅁ × 2C 아나로그 케이블 대신, 단일 쌍(Single Pair Ethernet/SPE)케이블로 바뀌고, 클라우드가 가능한 디지털이 일상인 시대로 바뀐 것이다. 2019년 9월 IEEE802.3cg(EtherNet/IP=802.3) 태스크 포스가 10BASE-T1S 및 10BASE-T1L 이더넷 표준 개발을 완료한 이후 ODVA는 이러한 이더넷 기술을 자체적으로 채택한 뒤 변화하기 시작했다. 기존의 PLC 자동화 기술은 물론이고 한발 더 나아가 이제 10BASE-T1S 이더넷 기반의 캐비닛 EtherNet/IP 사용 프로파일과 10BASE-T1L 이더넷 기반의 이더넷-APL 프로세스계장 프로파일이 EtherNet/IP 사양에 플러스가 된 것이다. 이 글에서는 잠재적인 EtherNet/IP 사용 프로파일인 On-Machine 센서와 EtherNet/IP 사용 프로파일에 대해 연구한 결과를 해부해 보고자 한다. OMSPE 시스템 아키텍처(물리적 토폴로지, 미디어, 인프라 탭, SPE 센서), 통신아키텍처, 전력 전달아키텍처, 네트워크, 시운전, 진단 기능을 갖춘
인간 대뇌 시각계는 망막에 투영된 모든 정보를 동일하게 처리할 수 없다. 시야 내에서 가장 중요할 것으로 예측되는 물체나 공간 위치를 선택하고, 이를 중점적으로 처리함으로써 실제 환경에 적응한다. 이러한 정보의 취사선택 기능이 주의 선택이다. 최근에는 이 주의 선택은 인공지능 개발에서도 크게 주목받는 기능이다. 생체의 시지각을 실현하는 가장 중요한 기능인 주의 선택은 신경세포(뉴런)의 활동을 기록하는 대뇌생리학적 기법뿐만 아니라, 인간 시지각을 계측하는 심리물리학적 기법 등을 이용해 학제적으로 연구되어 왔다. 또한 주의 선택의 뇌 메커니즘과 특성을 이해하기 위해서는 이들 실험에서 얻은 지식을 통합한 신경회로 모델의 구축과 시뮬레이션이 중요하다. 이러한 신경회로 모델의 응답을 정량적으로 평가하기 위해 자연 이미지에 대한 인간의 시선 데이터가 지표로 활용된다. 최근에는 이들 시선 데이터를 학습 데이터로 활용하는 기계학습적인 기법에 기초한 주의 선택 모델 획득 연구도 활발히 이루어지고 있다. 이 글에서는 시야 이미지에 대한 인간의 주의 선택 특성을 재현하는 계산 모델에 대해 설명한다. 특히 인간의 시지각을 담당하는 대뇌 시각 피질의 신경회로에 기초한 주의 선택 모
고객 기대치의 변화와 전기차의 부상, 예상치 못한 글로벌 공급망의 혼란으로 자동차 및 제조 업계는 새로운 수준의 서비스와 효율성을 달성해야 한다는 압박을 받고 있다. 이에, 아시아 태평양(APAC) 지역의 기업들은 소비자 행동 변화를 인식하고 앞서 나가기 위해 분주히 혁신하고 있다. 예를 들어, 싱가포르에서는 자율주행 및 전기차 연구 개발 계획을 지속적으로 수립해 왔는데, 주롱(Jurong) 지구에 위치한 ‘현대차 그룹 혁신 센터’가 그 예다. 싱가포르는 전기차 생산을 포함한 새로운 자동차 기술을 개발하기 위해 40여 년 만에 최초의 자동차 조립 공장을 구축했다. 그러나 지속적인 혁신은 난항을 겪을 수 있다. 극도로 복잡한 환경에서 차량을 생산, 운송 및 서비스하고 완벽한 개인 맞춤형 고객 경험을 제공하기 위해서는 보이지 않는 곳에서 많은 공정이 요구되기 때문이다. 디지털 전환으로의 여정에는 많은 어려움이 존재하지만 지금이야 말로 전체 자동차 생태계가 부품, 차량, 재사용 가능한 차량용 수납함 및 심지어 도구의 추적 기능 개선을 위해 무엇을 할 수 있는지 살펴볼 때다. 바코드 솔루션 보완 바코드는 제조 공정에서 여전히 필수적인 요소다. 그러나 오늘날의 기업은
Society 5.0 등 사회 시스템 변혁에 대해 DX화의 요망이 있는 가운데, 필요 정보의 획득·전송·기록에 관련된 기반 기술로서 센싱 기술에 큰 기대가 집중되고 있다. 말할 것도 없이 센싱 기술은 도량형으로 시작되어 현재에 이르기까지 매우 오랜 역사를 가지고 있으며, 사회가 변천함에 따라 새로운 기능을 부가·실현하는 동시에 그 시대의 요청에 대응한 다양한 역할을 수행해 왔다. 제2차 세계대전 후 시작된 제조업의 기기 계측화·자동화 속에서 이른바 오토메이션의 실현에 크게 공헌했지만, 지금 다시 비제조업으로 적용 분야를 확대하는 기운이 높아지고 있어 센싱 기술의 복합 계측화, 예측 기술의 필요성이 논의되는 등 잠재적이지만 다량의 센싱 요구가 있다고 여겨지며 그 표면화가 주목받고 있다. 한편, 새로운 계측 시즈의 출현 등도 있어 그 사회 실장화가 요망되고 있다. 실제로 사회의 DX화에 있어 기반 기술을 담당하고 있으며, 이 글에서는 센싱 기술의 향후 역할과 장래 전망에 대해 개인적인 견해와 함께 설명한다. DX 사회와 빅데이터, 그리고 센싱 기술 이미 알고 있듯이 DX(Digital Transformation)란 스웨덴의 우메오 대학 교수인 에릭 스톨터만(Er
상호명(명칭) : ㈜첨단 | 등록번호 : 서울,아54000 | 등록일자 : 2021년 11월 1일 | 제호 : 오토메이션월드 | 발행인 : 이종춘 | 편집인 : 임근난 |
본점 : 서울시 마포구 양화로 127, 3층, 지점 : 경기도 파주시 심학산로 10, 3층 | 발행일자 : 2021년 00월00일 | 청소년보호책임자 : 김유활 | 대표이사 : 이준원 |
사업자등록번호 : 118-81-03520 | 전화 : 02-3142-4151 | 팩스 : 02-338-3453 | 통신판매번호 : 제 2013-서울마포-1032호
copyright(c)오토메이션월드 all right reserved
UPDATE: 2025년 04월 30일 15시 46분
/pdf.png)
/smartmap_2_01.png)
/smartmap_2_04.png)
/smartmap_2_big_04.jpg)
/smartmap_2_05.png)
/smartmap_2_big_05.jpg)
/smartmap_2_08.png)
/smartmap_2_big_09.jpg)
/smartmap_2_09_2.png)
/smartmap_2_big_10_2.jpg)
/smartmap_2_11_2.png)
/smartmap_2_big_12_2.jpg)
/smartmap_2_02.png)
/smartmap_2_03.png)
/smartmap_2_06.png)
/smartmap_2_big_07.jpg)
/smartmap_2_07.png)
/smartmap_2_big_08.jpg)
/smartmap_2_12.png)
/smartmap_2_big_13.jpg)
/smartmap_2_13.png)
/smartmap_2_big_14.jpg)
/smartmap_2_14.png)
/smartmap_2_big_15.jpg)
/smartmap_2_15.png)
/smartmap_2_big_16.jpg)
/smartmap_2_16.png)
/smartmap_2_big_17.jpg)
/smartmap_2_17_2.png)
/smartmap_2_big_18_2.jpg)
/smartmap_2_18_2.png)
/smartmap_2_big_19_2.jpg)
/smartmap_2_19._2.png)
/smartmap_2_big_20_2.jpg)
/smartmap_2_20.png)
/smartmap_2_big_21.jpg)
/smartmap_2_21.png)
/smartmap_2_22.png)
/smartmap_2_23.png)
/smartmap_2_24.png)
/smartmap_2_25.png)
/smartmap_2_26.png)
/smartmap_2_27.jpg)