연락처
피드백

4.0 NOW 공장에 관한 인터뷰: "혁신을 하나로 결합한다"

2020. 6. 2

2019년에 SICK는 프라이부르크에서 4.0 NOW 공장의 문을 열었습니다. 그사이 단체 방문객들은 그곳에서 생산에 대한 흥미진진한 통찰을 얻었습니다. 그리고 광전 센서 & 화이버 사업 본부장인 Joachim Schultis 역시 공장에 대한 통찰을 얻을 수 있었습니다. Schultis와 그의 팀이 지난 몇 달 동안 공장을 운영하면서 무엇을 배웠을까요? SICK 센서 블로그와의 인터뷰에서 Schultis가 그것을 말합니다.

What have Schultis and his team learnt from the operation during recent months? He spoke about this with the SICK Sensor Blog.
Joachim Schultis(왼쪽), 광전 센서 & 화이버 사업 본부장
What have Schultis and his team learnt from the operation during recent months? He spoke about this with the SICK Sensor Blog.
Joachim Schultis(왼쪽), 광전 센서 & 화이버 사업 본부장

 

Schultis 본부장님, 본부장님께서는 인더스트리 4.0 원리로 작동하는 공장의 생산 책임자이십니다. 본부장님이 수행하는 과제가 기존 공장의 생산 책임자가 수행하는 과제와 어떤 점에서 다릅니까?

Schultis 기존 공장에서는 잘 알려진 절차와 방법을 사용하여 전체 효율을 지속적으로 높이는 것이 중요합니다. I4.0 공장의 목표도 정확히 똑같습니다. 즉 전체 효율을 높이는 거죠. 하지만 목표에 이르기 위한 방법이 다릅니다. 일차적으로 중요한 사항은 우리가 보는 것으로부터 배우고 미래로 향하는 올바른 길을 정하는 것입니다. 우리가 어떤 분야, 기술 또는 방법에 대해 말하든 전혀 상관없이, 새로운 것은 '기존' 세계의 한계를 극복하고 전체 효율을 새로이 정의할 수 있는 가능성을 제공합니다. 생산 책임자에게는 새로운 절차를 배우고 알려진 것의 한계를 극복하려는 용기를 가지는 것이 중요합니다. 이때 신기술은 실제로 한계를 옮기기 위해 필요한 전제 조건을 우선 마련해 줍니다.

 

지난 몇 달 동안 공장을 운영하면서 어떤 중요한 사항을 배우셨습니까?

Schultis 우리가 이곳에서 만들어낸 새로운 생산 시스템의 복잡성은 조직을 새로운 도전에 직면하게 했습니다. 우리는 한편으로는 고객 니즈와 시장에 맞게 제품을 생산하고, 다른 한편으로는 새로운 이형을 통합하면서 생산 시스템 전체를 더욱 발전시키기 위해 조직을 재정비해야 했습니다. 기존의 계획 및 통제 시스템은 금방 한계에 부닥쳤지요. 이러한 요구사항에 발맞춰 우리는 민첩한 업무 형태를 도입했습니다. 덕분에 역동적으로 변화하는 요구사항에 훨씬 더 유연하게 대응할 수 있습니다. 우리의 민첩한 팀은 스탠드업 미팅과 스프린트에서 실시간 데이터 또는 데이터 마이닝 프로세스를 통해 얻은 사전 처리된 정보를 활용하여 결정을 내립니다. 사실 우리는 이 영역에서도 이제 겨우 출발점에 서 있으며 매일 배워 나가고 있습니다. 어떤 '중요한 사항'을 배웠느냐는 질문으로 다시 돌아가죠. 우리는 기술 혁신과 조직 혁신을 결합해야만 훨씬 더 신속하고 효과적으로 행동하고 새로운 부가가치를 활용할 수 있다는 점을 배웠습니다.

 

 

 

그 이점들에 대해 더 자세히 설명해 주실 수 있습니까? 

Schultis 우리는 지난 몇 달 동안 예컨대 신제품을 제조 로직에 구현했습니다. 이때 우리는 프로토타입 단계에서부터 고도 자동화 설비로 이득을 보았고 프로토타입을 위한 별도 설비를 직접 구축할 필요가 없었습니다. 그리고 생산은 잘 돌아가고 있어요. 공장의 유연성은 말할 것도 없고요. 우리는 계열 생산과 프로토타입 생산을 병행하고 있습니다.

 

그런 유연성을 어떻게 실현하셨습니까? 

Schultis 우리 공장은 모듈식 구조를 갖췄습니다. 각각의 전자동, 부분 자동 제조 모듈은 작은 자동 가이드 카트(AGC)를 통해 서로 연결되어 있습니다. 기존의 계열 생산과 달리 이곳에서 우리는 간단히 실험을 진행하거나 신제품을 구현할 수 있지요. 작은 장애가 발생했을 때 전체 제조 설비가 즉시 멈추지 않습니다. 그야말로 유연하지요. 그 결과 여기에서는 시동 단계에서 전체적으로 스트레스를 훨씬 덜 받습니다. 우리는 훨씬 더 안정적으로 움직이고 훨씬 더 많은 자유를 누립니다.

 

설비에 장애가 발생하면 어떻게 됩니까? 다른 설비가 쉽게 역할을 대체할 수 있습니까?

Schultis 예, 가능합니다. 우리는 모든 것을 이중화하지는 않았지만, 전자동 또는 수동으로 실행할 수 있는 프로세스를 가지고 있습니다. 이때 특별히 공장을 위해 개발된 상위 제조 제어 시스템(Manufacturing Control System)이 자재 흐름을 제어합니다.

 

작년에 본부장님은 다섯 가지 제품 라인을 말씀하셨습니다. 어떻게 되어 가고 있습니까? 

Schultis 그동안 우리는 두 가지 제품 라인을 추가로 구현했고 이로써 현재 생산 공정에는 일곱 가지 제품 라인이 있습니다. 연말에 두 가지 제품 라인이 여기에 추가될 예정입니다. 이 라인들 안에서 이형이 늘어나고 있습니다. 현재 우리는 네 자리 수의 이형을 구현했습니다. 기계는 늘어나는 이형들에 문제없이 대응하고 있습니다. 우리는 현재 심지어 안전 제품뿐 아니라 비안전 제품도 동일한 모듈에서 생산하고 있습니다.

The flexibility of the factory speaks for itself. We produce prototypes parallel to serial production.
The flexibility of the factory speaks for itself. We produce prototypes parallel to serial production.

 

음에 데이터 마이닝을 언급하셨습니다. 본부장님이 알게 된 내용을 공유해 주실 수 있습니까?

Schultis 우리는 생산 환경에서 우리의 데이터를 세 가지 주요 카테고리로 분류했습니다. 스마트 매뉴팩처링 카테고리에서는 품질 개선과 OEE(Overall Equipment Effictiveness) 제고 등을 위해 공정 레벨을 다룹니다. 이것은 중점 주제입니다. 두 번째는 예측 정비 주제입니다. 여기에서 우리는 디지털 신호를 이용하여 정비 관련 활동을 최대한 효율적으로 실행합니다. 그러므로 정비 주기가 늘 고정적이지는 않으며, 정비가 필요할 때 센서와 액추에이터가 이를 알립니다. 세 번째 카테고리는 에너지 관리 주제입니다. 우리는 전체 공장이 한 해 동안 에너지를 얼마나 소비하는지 알게 되었습니다. 이러한 투명성은 앞으로 가급적 에너지 효율적이고 지속 가능한 생산을 구현하는 데 도움이 될 것입니다. 왜냐하면 우리는 더 저렴한 시간대에 생산 작업을 할 수 있을 것이기 때문입니다.


데이터로부터 결과를 이끌어내실 수도 있습니까? I 4.0과 관련해서? 

Schultis (웃음) 이 질문에는 아주 공손하게 '그렇기도 하고 아니기도 하다'라고 답해야겠군요. 예, 우리는 이미 첫 결과들을 이끌어낼 수 있습니다. 그리고 예, 우리가 여기에 더 매진할수록 잠재적 가능성의 공간은 더 커집니다. 작은 예를 하나 들어 보죠. 지금 우리는 생산 모듈의 압축공기를 디지털로 감시하고 있습니다. 예전에는 그러지 못했죠. 압력이 5Bar 이하로 떨어졌을 때 우리는 생산에 오류가 생겨야 비로소 그것을 알았습니다. 이제 우리는 경고 한계를 이용하여 디지털로 압력을 감시합니다. 한계를 초과하거나 한계에 미달하면 우리는 BPM(Bosch Performance Manager)을 통해 지원을 위한 티켓을 발생시키죠. 또 하나의 예는 실린더의 이송 속도입니다. 일반적으로 그 속도를 보고 마모 현상을 알 수 있지요. 이 데이터는 앞으로 우리가 온갖 액추에이터/센서의 정비 경고 한계를 높이는 데 도움이 됩니다. 그 목표는 장애/고장을 발생 전에 감지하는 것이어야 합니다.

 

데이터가 없었더라면 발견하지 못했을 일이 일어난 적이 있습니까? 

Schultis 우리 SICK 센서 FTMg가 내부 압축공기를 감시하는 모듈에서 그런 상황이 벌어진 적이 있습니다. 센서 자체는 게이트웨이(TDC-E)를 통해 클라우드와 연결되어 있습니다. 이 클라우드에서 우리는 데이터 시각화를 돕는 BPM을 호스팅했습니다. 이로부터 우리는 공급 압축공기의 맥동을 감지하고 적절한 조치를 취할 수 있지요. 오류가 발견되지 않았더라면 전환 밸브가 죽어 버렸을 겁니다. 우리는 전환 밸브를 조기에 교체하여 기계 정지를 막을 수 있었습니다. Deep Learning이 미래의 공장에서도 무언가 역할을 수행합니까? 물론입니다. Deep Learning은 우리의 발전에 다양한 방식으로 보탬이 될 수 있는 기술입니다. 현재 우리는 품질 검사에서 신경망을 활용할 수 있는 솔루션을 개발하고 있습니다. 구체적으로 말하자면 납땜부의 인라인 자동 광학 검사(AOI)가 그것입니다. 보시다시피 우리는 매일 배워 나가고 신기술을 테스트하고 있습니다.

 

이 문장을 완성해 보시겠습니까? 미래의 공장은… 

Schultis … 현재에서 시작되어야 한다. 그렇지 않으면 미래는 '영원한' 미래로 남는다. 지금 우리에게는 데이터를 이용하여 부가가치를 창출하고 이로써 생산을 최대한 효율화할 수 있는 기회가 주어져 있습니다.

 

 

기타 기고문:

실내 및 실외 위치 결정: 자재 흐름의 완벽한 투명성

센서가 협동 로봇의 미래를 제어한다

누설 감지를 위한 새로운 유량 센서로 훌륭한 에너지 관리 실현

 

 

위로