1. 서 론
금융위기 이후 미국은 경제회복을 위해 제조업의 본 국 회귀를 뜻하는 ‘리쇼어링(Reshoring)’을 추진하였으며, 현재 각종 지표에서 실질적인 성과로 이어지고 있다. 또 한 전례 없는 코로나 19 팬더믹 상황에서 세계 경제는 글로벌 교역이 둔화가 되고 있으나, 이를 타파하기 위한 미국, 중국 등의 정책 패러다임 전환이 다양한 방면에서 이루어지고 있다. 특히 코로나 19사태에도 일자리 버팀 목이 된 산업이 제조업이었으며, 국가 기간 산업 및 안보 산업으로서의 중요한 위치를 차지하고 있는 것이 확인되 고 있다[25].
이와 같이 주요 선진국은 제조업이 가져오는 경제적 파급 효과를 인식하고 각국의 특성을 반영한 다양한 정 책을 진행하여 제조산업 부흥에 나서고 있다[19].
이와는 대조적으로 국내 제조기업은 자국산업 우선의 선진국 경제 논리와 규제, 높은 국내 노동비용 등으로 인 하여 제조 경쟁력이 지속적으로 약화되고 있는 상황이다. 이를 반영하듯, 2015년 딜로이트 글로벌이 발표한 ‘글로 벌 제조업 경쟁력 지수 보고서’에 의하면 한국의 2020년 경쟁력 지수는 한단계 하락한 세계 6위로 조사되었다[4].
이러한 상황을 극복하기 위해서 한국 또한 해외에서 생산활동을 하고 있는 중소기업이나 대기업을 ‘리쇼어링’ 하려고 하고 있으나, 국제 무역 통상연구원의 2021년 보 고[8]에 의하면 한국의 리쇼어링 현상은 가속화 되고 있 지 않고 있다고 보고되었다. 그러나 4차산업 혁명 기술과 스마트 공장의 확산으로 기업의 생산성 향상과 고용창출 효과가 가시화되면, 한국 ‘리쇼어링’의 매개체가 될 수 있 다고 예측하고 있다[8].
정부에서도 산업 경쟁력 강화를 위해 제조업 혁신 정 책을 발표하였으며, 핵심 추진과제로 스마트 공장 보급에 중점을 두고 있다[17]. 그러나 한국의 스마트 공장 수준은 소수 대기업만이 해외 기업 사례를 모방한 공장자동화 수 준에 그치고 있으며, 대부분 IT부분 자동화와 일부 업무 영역의 정보화에 치우쳐 있다. 이를 반증하듯 국내 스마 트 공장 시스템 활용에 대해 분석한 통계에 따르면 생산 현장에는 제조실행시스템(Manufacturing Execution System, 이하 MES)이 53.8%로 가장 많은 비중을 차지하고, 전사적 자원관리(Enterprise Resource Planning, 이하 ERP) 53.1%, 홈페이지 47.5% 등으로 조사되었다[21]. 그리고 스마트 공장에 대한 정의 또한, 출처와 관점에 따라 다양한 뜻으 로 정의, 해석되고 있어, 스마트 공장을 구현하고자 하는 기업에게도 명확한 정의가 필요한 현실이다.
스마트 공장은 4차산업 혁명에서 파생되었으며, 핵심 기술은 사이버 물리 시스템(Cyber Physical System, 이하 CPS)과 IoT(Internet of Things)로 정의하고 있다[7]. 그러 나 국내 스마트 공장 시스템 활용 통계에서 볼 수 있듯이 국내 스마트 공장의 수준은 ERP/MES와 같은 정보시스템 을 도입하였거나, SCM같은 확장형 ERP를 사용하는 수준 이며, 자금이나 인적자원이 부족한 중견기업 이하에서는 스마트 공장 구현에 대한 구체적이고 명확한 기준과 방법 론이 없는 것이 현실이다.
Radziwona et al.[32]는 현재까지 스마트 공장과 관련된 대부분의 기술은 대기업을 위한 솔루션이기 때문에 제조 업 발전을 위한 미래의 도구로서는 아직 미성숙하다고 하 였다. 그리고 제조 분야의 중소기업에 초점을 맞춘 연구 와 투자가 필요하다고 주장하였다.
본 연구에서는 중소기업이 스마트 공장으로 진입하기 위한 합리적인 방안을 제시하고자 한다. 우선 ICT 수준이 기초 수준인 중소기업의 ERP와 MES 구현에 대한 사례 연구를 하였다. 그리고 이를 토대로 스마트 공장으로 성 장해야 할 고려사항이 무엇인지 조사하였다. 즉, 사례 기 업과 같은 중소 기업에서 스마트 공장으로 진입하기 위한 방안으로 지능형 MES구현을 제시하였으며, 프로토타이 핑 테스트 기법으로 가능성을 확인하였다. 테스트 방안으 로는 MES에서 추출한 대량의 샘플 데이터로 공정 불량 의 원인을 시나리오 기반의 데이터마이닝 분석기법으로 탐색하였다. 그리고 중소기업이 스마트공장으로 점진적 으로 발전하기 위하여 ERP와 MES가 보완하고 확장해야 할 기능적 요소를 제시하였다.
2. 이론적 고찰
2.1 선행연구 조사
스마트 공장과 관련된 국내외 연구에서는 구현 사례를 분석한 경우가 가장 많았으며, 추진 정책, 품질 예측, CPS, 플랫폼 순으로 연구가 보고되고 있다.
He and Wang[5]은 차세대 스마트 제조 혁신의 주요 과 제로 빅데이터 분석의 중요성을 강조하면서 스마트 제조 의 핵심 중 하나는 실시간 데이터에서 제조 인텔리전스 를 생성하여 정확하고, 시기 적절한 의사 결정을 지원하 는 것이라고 하였다.
황세웅 등[6]은 섬유산업 공정을 통하여, 머신 러닝 방 법론의 한 종류인 의사결정나무(CART)를 이용하여 제품 불량률을 개선할 수 있는 방안을 제시하였다. 스마트 공 장을 구현 하기 위해서는 공정에서 발생되는 센서데이터 와 작업데이터를 수집, 분석하여 공정관리와 품질관리에 적용해야 한다고 주장하였다. 즉 설비나 공정에서 생성 된 빅데이터를 통하여 지능화된 의사결정을 하는 것을 스마트 팩토리 구현이라고 하였다.
이현정 등[21]은 생산하는 제품 및 업종, 규모에 따라 각기 다른 방법의 스마트 공장 도입 전략이 필요하다고 하였으며, 그에 따른 제조 현장의 실태와 요구사항 분석 이 중요하다고 주장하였다. 즉 요구사항을 파악하여 기 업의 환경, 비용, 인력 문제를 감안한 스마트 공장 도입 전략이 구축의 중요한 요소라고 정의하였다.
신승준 등[38]은 스마트공장의 고도화 수준 모델을 CPS 라고 하였다. CPS는 과거의 행태를 학습하여 예측적 시뮬 레이션 분석을 수행하는 자가학습형 공장이 가능하도록 하는 것을 목적으로 하며, 연구자는 이를 위한 모델링 절 차를 제시하였다.
그 외 다수의 선행연구 조사에서 다음 <Table 1>과 같 은 3가지의 연구 동향을 관측하였으며 주요 내용은 아래 와 같다.
첫 번째, 스마트 공장 추진전략 및 정책, 방안 제시이다. 주로 스마트 공장의 정의, 추세를 조사하고 그에 따른 구축 정책이나 방법론의 논문이 주류를 이룬다. 정책 부 문에서는 공통적으로 한국형 스마트 공장 구현과 기업 상황을 고려한 구현이 많이 등장하였으나, 보다 구체적 인 세부적인 정책이나 방법론은 제시하지 않은 것으로 판단된다.
두 번째, 스마트 공장 추진 사례 연구의 경우 해외의 일부 대기업을 제외하고 국내 중소기업의 스마트 공장 구현 사례가 대부분이었다. 대기업은 정보보안 정책의 영향으로 연구 발표가 힘들었던 것으로 사료된다.
세 번째, 빅데이터에 기반한 지능형 MES 연구이다. 스마트 공장의 핵심적인 기능이며, 이와 연관된 CPS, 데 이터마이닝, 딥러닝 등의 동반 연구가 조사되었다. 데이 터마이닝, 딥러닝 관련 논문의 경우 설비 고장 예측, 품 질관리 모형 제시 등의 연구를 구축 사례로 그 적용분야 가 아직 기초적이고 제한적임을 알 수 있다. CPS관련 연 구에서는 스마트 공장을 대표하는 기술이라고 대다수의 논문에서 주장하고 있으나, 국내 대기업을 포함하여 이 를 직접 구현한 사례 연구는 부족하다. 또한 스마트 공장 에서 기본 구성요소인 MES와 스마트 공장과의 사례분 석 관련 연구는 다수 있었으나, ERP와 스마트 공장과의 상호 영향성 및 통합성에 대한 연구는 극히 적은 것으로 조사되었다.
선행 연구 조사 및 동향 분석을 통하여 나타난 시사점 은 아래와 같다.
스마트 공장 관련 연구는 양적 연구보다는 질적 연구 의 비중이 높았으며, 그에 따른 구축 사례연구나 정책 논 문이 주류를 이루었다. 예를 들면 심재훈[40]은 스마트공 장의 지속적인 추가 연구를 통하여 규모와 산업 특성에 맞는 스마트 공장 솔루션을 확보하는 것이 중요하다고 하였다. 그리고 스마트 공장 지속성을 위하여 중소기업 스스로 주도하는 스마트 공장에 대한 방안 연구가 필요 하다고 지적하였으며, Wang et al.[43]은 스마트 공장 도 입의 가장 큰 장애요인은
제조업의 낮은 수익성과 비교되는 불확실한 미래에 대한 대규모 투자라고 하였다. 때문에 작업장에서부터 점진적인 도입 전략이 필요하다고 하였다[43].
양적 연구에서는 데이터마이닝이나 딥러닝을 적용하 여 데이터를 해석하고 원인을 예측하는 연구의 비중이 높았으며, 그 중 설비 고장 및 품질관리 모형에 대한 연 구 대상이 주류를 이루었다. 그리고 ICT기술을 활용하여 설비 센서를 통한 공정 데이터 통합과 빅데이터 분석을 통하여 이상징후를 조기에 감지하는 플랫폼이 제시되었 다. 빅데이터 기술을 활용한 스마트 공장 연구는 활발하 게 진행되고 있으며, 궁극적으로 스마트 공장의 핵심기 술인 CPS의 바탕이 된다고 할 수 있다. 국내의 연구는 현재까지 주로 시뮬레이션과 미들웨어, 연동 등 모델링 과 통합에 집중되어 있으나 제조업 중심의 CPS 구현 사 례 발굴이 필요하다[12].
무엇보다도 전사적 자원관리 시스템인 ERP와 생산공정 관리 시스템인 MES의 통합은 스마트공장 구현 이전에 선 결되어야 할 통합정보시스템의 전형적인 모델이다. 결국 스마트 공장 구현을 위해서 해당 시스템 혹은 콤포넌트가 우선적으로 고려해야 할 사안이 무엇인지에 관한 연구 조 사가 필요하다. 이러한 측면에서 스마트 공장으로 진입하 기 위해서는 지능형 MES의 구현이 중요하다[4, 18].
2. 스마트 공장에 대한 이해
‘스마트 공장’이란 독일 정부의 제조업 성장 전략 ‘인 더스트리 4.0’에서 출발된 개념이다. 제조업 경쟁력 및 체 질을 강화하기 위해 우수한 품질로 제조리드타임을 최소 화하려는 독일 정부의 계속된 시도는 결국 ‘스마트 공장’ 이란 개념을 탄생시켰다[35].
스마트 공장에 대한 정의는 다양하고, 그 의미 또한 넓 다. 아직 개념과 정의가 정립되지 않은 미래의 공장에 대 한 비전적 의미가 강하다고 볼 수 있다. 따라서 자동화 공 장과 스마트 공장과의 차이를 통해서 보다 쉽게 스마트 공장을 이해할 수 있을 것이다.
자동화 공장과 스마트 공장의 가장 큰 차이는 제어 시 스템이 공정관리에 영향을 미치는 방법에 있다. 자동화 공장의 경우 사전 정의된 프로그램과 설정된 프로세스에 따라 생산하고, 공정을 제어한다. 만약 공정이나 환경이 변경되면, 프로그램이나 설정된 매개변수 등을 변경해 주 어야 한다. 반면 스마트 공장의 제어 시스템은 IoT와 설 비 센서 등을 통하여 서로 통신하면서 지능적으로 판단하 고, 공장 환경 및 상황에 능동적으로 대응하면서 생산을 수행한다. 즉 통신에 의한 데이터의 축적을 통해 지능형 공정관리를 수행함을 의미한다[23].
다른 측면에서 2016년 산업 통상 자원부 보도자료에 의하면 스마트 공장을 통합과 IoT관점에서 다음과 같이 정의하였다. 스마트 공장은 제품의 기획, 설계, 제조, 유 통, 판매 등 전 생산, 공급 과정을 정보통신기술로 통합 하여 최소의 비용으로, 고객 맞춤형 제품을 생산하는 진 보된 공장이며, 궁극적으로는 IoT, CPS를 기반으로 공급 망 전체가 하나의 공장처럼 실시간 연동되는 생산 체제 라고 주장하였다. 이는 기존의 물리적인 공장 및 ERP, MES중심의 기간 시스템과 가상세계 기반의 시뮬레이션 시스템의 융합으로 구현된 것이라고 할 수 있다.
스마트 공장을 구현하기 위해서는 먼저 현재 수준을 확 인하거나 진단해야 하며, 대한상공회의소 산업혁신운동 3.0중앙 추진본부에서 정의한 스마트 공장 수준(<Table 2 참조)을 사용한다.
스마트 공장의 수준 정의가 필요한 이유는 다음과 같다.
이정철[22]은 스마트 공장을 도입하려는 기업들의 어 려움은 스마트 공장에 대한 중장기 전략의 수립이며, 전 략 및 목표 수립을 위해서는 먼저 현 수준에 대한 이해 가 선행되어야 한다고 하였다. 따라서 해당 기업은 현 수준에 대한 진단 후에 요구사항을 파악하고, 비용 및 인력 문제, 기업 현황 등을 고려하여 스마트 공장을 도 입해야 한다. 이 과정에서 스마트 공장의 다양한 혁신 Tool이 산업에 따라 다른 가치를 갖기 때문에 각 기업이 속한 산업에 효과적인 혁신 Tool을 도입하는 것이 중요 하다[14].
또한 비용 절감 및 공정관리 개선의 목적을 달성하기 위해서는 다소 높은 수준의 스마트 공장 구현을 목표로 장기적이고, 일관적인 대응이 필요하다[4]. 스마트 공장 의 각 수준에서 MES가 공정 자동화, 공장관리, 기업자원 관리 부분에서 그 비중이 매우 높기 때문에 스마트 공장 에 미치는 영향력이 많다는 것을 알 수 있다. 즉, 첨단화 지능화된 MES는 제조 공정의 효율적 관리 및 개선을 위 한 핵심 도구로 인식된다[37].
3. ERP와 MES
MES는 제조현장에서 발생하고 있는 정보를 실시간으 로 수집, 분석하여 관련자 또는 관련 시스템에 신속하고 정확한 정보를 제공한다. 그리고 MES에서 수집된 정보를 바탕으로 의사결정하여 최적화된 생산관리가 가능하게 된다. 또한 품질관리, 인적 생산성관리, 설비 가동률관리, 설비보전관리 등의 기능을 제공하여 생산의 효율화를 기 할 뿐만 아니라 각종 개선과제를 도출하여 품질, 비용, 인 도 기간 등을 향상시키고 현금흐름을 개선시킨다.
ERP의 생산관리 모듈은 SOP(Sales and Operation Planning), 수요관리(Demand Management), 주생산계획(Master Production Planning), 자재 소요량 계획(Material Requirement Planning), 생산 행(Production Orders)의 프로세스와 기능을 사용한다.
그러나 생산 실행 프로세스의 경우 제조 산업의 다양성, 공정관리의 특수성과 복잡성 때문에 ERP에서 제공되는 생 산관리 기능으로 관리하고 통제하는데 태생적인 한계점을 가지고 있다. 따라서 일반적으로 ERP시스템을 구축한 다 수의 제조업의 경우 마치 바늘과 실처럼, ERP를 Main System으로, MES를 Sub System으로 사용한다. 즉 MES를 통하여 세부 공정관리를 수행하고, 공정 현장 데이터에 기 반한 의사결정이 실시간으로 이행될 수 있도록 한다[16].
MES는 시스템 간의 정보 정합성 유지를 위하여 표준 화 기반의 양방향 통신 체계가 필요하며, 제어 가능한 양 방향 인터페이스를 위한 표준 통신 절차가 필요하다. 이 기능은 스마트 공장 구현에 있어서 중요한 요소이며, 다 양한 기술적 방법이 사용되거나 생성되고 있다.
ICT기술의 발전은 설비, 공정, 센서 데이터를 통합하 여 실시간으로 공장 상황을 파악할 수 있게 하는 스마트 공장의 플랫폼을 제공한다[24].
스마트 공장의 핵심 기술인 시뮬레이션 기반의 CPS 구 현을 위해서는 제조 현장의 실시간 제약 사항, 요구 사항 등을 반영해야 한다. 공장에서는 다양한 공정 정보가 MES, ERP 등의 시스템과 상호 연계되어 관리된다. 그리고 CPS 에서는 제조 빅데이터 관리와 분석을 통한 사이버 모델을 구성하고 가시화를 수행하며, 이를 바탕으로 최적화된 스 마트 공장이 구현된다[27]. 이 과정에서 MES의 정확한 공정 실적 데이터가 중요하며, 생산 스케줄 및 공정 물량 과 생산성을 고려한 설비/공정별 작업 지시의 최적화를 실현할 수 있다.
그러나 자동화 공정이 구현 되지 않은 제조업의 경우, ERP 시스템과 MES와의 실적 인터페이스 과정에서 정보의 비 동기화 문제가 수작업 공정 혹은 이산 공정(Discrete Operation)등에서 발견되고 있다. ICT기술이 적용되지 못 하는 수작업 공정의 한계점도 있지만, ERP에서는 공정 특성이 같은 그룹 단위의 대 공정 코드로 관리를 하고 있 으며, MES에서는 공정관리를 위하여 세부 공정 코드로 구현이 되어 사용하고 있어서 상호 두개의 시스템의 관리 목적상 차이점이 존재하기 때문이다. 따라서 <Figure 1> 의 예시에서 같이 각각 공정 정보의 관리 범위가 서로 달 라 물리적인 생산 정보를 제대로 전달하지 못하는 현상이 발생된다[16].
이 경우 ERP와 MES구축을 고려한 기준 정보 설계가 선행되어야 하며, MES는 목표 생산라인의 특성을 제대 로 반영해야 한다. 또한 공정 실적에 대한 집계 Point를 정의할 필요가 있다[17].
3. 구현 사례 연구
Yin and Kaynak[44]은 스마트 공장을 효과적으로 적 용하기 위해서는 제조공정에서 생성되는 센서 데이터나 작업데이터를 수집, 분석하고, 도출된 결과를 생산관리 및 품질관리에 적용해야 한다고 하였다.
본 연구에서는 스마트 공장 수준이 기초 수준인 자동 차 제조 협력회사를 대상으로 ERP와 MES구축을 통하여 ERP통합시스템의 효과를 고찰하고, 동시에 스마트 공장 과의 차이점을 파악한다. 스마트 공장 진입 여부 가능성 을 판단하고자, MES에서 집계된 공정, 설비데이터를 활 용하여, 지능형 MES 확장 모형이 가능한지 프로토타이 핑을 진행하며, 분석 방법은 데이터마이닝 기법을 적용 하고자 한다.
3.1 현상에 대한 이해
연구 사례 회사 ‘K’사는 자동차 제조 협력회사로 자동 차 내장재인 시트 및 헤드라인용 원단과 에어백을 생산 하는 제조업체이다. 자동화된 공정과 사람 중심의 수작 업 공정이 혼재되어 있으며, FTA 체결과 더불어 전기차 의 시장확대에 따른 산업 환경의 급격한 변화에 직면하 였다. 정확한 납기와 품질향상에 대한 원청사의 요구 증 가로 시스템 전환을 통한 제조 혁신이 필요하게 되었다. 그리고 제조 혁신의 주요 현안 중 생산현장관리에 대한 핵심 이슈들이 존재하고 있는 상황이었다.
생산관리 프로세스에서는 본사와 공장 간의 생산 계 획이 이원화되었기 때문에 생산능력 및 재고를 고려한 생산계획 수립이 불가능하였으며, 데이터 정합성에서는 서류기반으로 인하여 실시간 정보공유가 되지 않았다.
즉, 적시성 있는 데이터 제공이 불가능하므로 실제 제 조원가 관리가 되지 않았으며, 재고자산 수불부가 부재 하였고, 월 결산 작업시간의 과다가 발생하였다. 이러한 사유로 ERP 기간 시스템 구축과 스마트 공장 진입을 위 한 MES 구현을 기업 제조혁신의 도구로 선택하였다.
이러한 통합 시스템을 구현하기 위해서 <Figure 2>와 같이 현재의 문제점을 조사하여 핵심이슈로 그룹화한 뒤 이를 해결하기 위한 개선과제를 도출하였으며, 도출한 개선과제를 시스템화하기 위한 작업을 수행하였다.
개선 과제에서 ERP와 MES구현이 필요한 개선 과제 가 다수 도출되었으며, 구체적이고 세부적인 시스템 구 축 범위가 필요하였다.
그 중 1) 생산계획 수립 및 운영 최적화 2) 실제조원가 관리 체계 구축 3) 경영층 의사결정 신속성 및 가시성 확보 4) 생산현장의 가시성 및 효율성 확보 5) 설비 데이 터 활용 기반 강화의 개선 과제는 ERP와 MES구현 및 통합 정보시스템이 필수적인 요소라고 정의하였다.
구축 범위에 대한 세부 정의는 다음 <Table 3>과 같이 스마트 공장 정의 Matrix에 현재의 모습을 투영한 뒤, 다 시 설정해야 할 미래의 목표를 설정하였다.
현장 자동화, 공장운영, 제품개발관리 프로세스에서는 ICT미적용의 단계로 파악되었으며, 기업자원관리, 공급 망 사슬관리에서는 기초 수준의 단계로 파악되었다.
구현해야 할 수준의 시스템 단계는 중간수준 1, 또는 2로 판단하였다. 현실적으로 스마트 공장에 진입하는 고 도화 수준보다는, 영업 생산 물류부터 원가, 회계 부문의 통합을 위한 ERP시스템 구축과 현장 자동화와 공장 운 영을 위한 MES시스템을 우선적으로 구현하기로 하였다.
3.2 구현 범위
구현 범위는 <Table 3>의 “To-be”영역과 같이 생산라인 자동화, 공장관리, 기업 자원관리, 제품개발, 공급사슬관리 등 5가지 메가 프로세스를 구현 범위 수준으로 하고 기업 상황에 맞게 “스마트 공장 진입 전의 통합시스템 단계”로 구현 목표를 설정하였다. 그 결과 아래 <Figure 3>과 같은 구조도를 수립하였으며, 그에 따른 ERP와 MES의 To-Be Process를 정의하였다. 데이터 기반의 지능형 공장을 추후 구현하기 위하여 아래와 같이 설비를 구성하였다.
MES구현을 위한 장비는 크게 바코드와 KIOSK, PDA 로 공정 실적을 관리하기로 하였으나, 원사를 풀어서 천 을 만드는 제직기 공정의 경우 자동화 설비를 감안하여 PLC에 의한 TCO/IP 통신을 통하여 공정 POP단말기로 전송하게 하였다. 그리고 원재료 입고와 제품 출하를 제 외한 모든 공정에는 <Figure 4>와 같이 산업용 KIOSK를 설치하였다.
KIOSK는 보통 터치스크린(Touch Screen)을 사용하며, 스마트 공장이나 현장에서는 공정 특성에 따라 PLC가 연 결되고, 센서가 없는 공정, 봉제 공정 같은 수작업 특성이 강한 경우에는 독립적인 KIOSK가 사용되었다. 터치 스 크린과 바코드 스캐닝으로 공정데이터를 관리하고 송수 신하였으나, 그 외 자동화된 공정의 경우 센서와 PLC를 통하여 KIOSK에 정보가 수신되게 하였다.
주 생산 공정은 자재 입고 이후 원사를 재단용 천으로 만드는 제직 공정과 염색, 재단, 봉제, 검사, 폴딩, 포장 공 정으로 되어 있으며 ERP의 생산 계획 정보, 작업지시 정 보를 ERP서버에서 MES서버로 송신한 후, 공정에서는 산 업용 PC나 KIOSK를 통하여 작업 확인 지시를 할 수 있 도록 하였다. 이 과정에서 생산을 위한 자재가 투입되면, PDA, KIOSK, PC를 통하여 실시간으로 자재 투입 실적이 ERP에 전송되어 실시간으로 재고관리와 수불 관리가 가 능하게 되었으며, 구매 관리의 경우도 구매 계획과 구매 오더 프로세스 일부에 MES가 적용되었다.
발주된 원재료의 경우 입고된 시점에 PDA로 바코드 를 스캔하여 구매처, LOT번호, 품목, 입고수량정보를 마 찬가지로 ERP서버에 전송하고, ERP에서는 재고 수량과 평가액을 관리하게 하였다.
일부 수작업 공정의 경우 작업지시서의 바코드를 스캐 너로 읽거나 작업지시 번호를 선택한 후 작업이 시작되었 으며, <Figure 5>와 같이 KIOSK의 스크린을 터치하여 시 작시간을 입력하고 종료가 되면 다시 시간을 입력하여 공 수를 관리하도록 하였다. 또한 작업 공수 외에 품질관리 및 설비 보존을 위한 다양한 설비가동정보를 KIOSK에 표 시하고 궁극적으로 해당 정보가 ERP로 전송되게 하였다.
3. ERP와 MES구현 효과
스마트 공장 진입을 위한 ERP와 MES구현 효과는 다음 과 같다. 우선 실시간 기반의 생산실적처리시스템이 개선 되었다. 공장 현장 실적 Interface를 통하여 생산 Line의 물 류정보를 생산 시점에서 즉시 필요한 Data로 전환되었다. 즉 정보와 현물의 동기화 및 정물 일치화로 생산실적 모니 터링을 통한 일 단위 실적 관리가 가능하게 되었다.
ERP시스템으로 실적을 실시간으로 전송하는 것은 물 론, 각 설비와 공정 별로 집계된 원천데이터를 <Figure 6> 과 같이 모니터링 시스템에 실시간으로 전송하여 현장 및 관리자 사무실, 경영자 사무실에서 공장 현황을 실시간으 로 확인할 수 있었다.
또한 원자재의 입고에서 제품 출하까지 생산 LOT에 관한 생산 공정 추적이 가능하게 되어 고객 품질 문제 발생시 생산 단계의 LOT 추적을 하게 되었다.
그러나 이러한 시스템 구축은 스마트 공장을 구현한 것이 아니라, ERP에 기반한 통합 시스템을 구현한 것이 며, 스마트 공장으로 진입하기 위한 기본 환경을 구성한 것이라고 평가할 수 있다.
4. 스마트 공장으로 가야 할 과제
중소 및 중견 기업의 경우 ERP와 MES구현 만으로 스 마트 공장이 구현되는 것은 아니다. 스마트 공장 구현을 위해서는 ERP와 MES, 그리고 그 외 Legacy System을 통 합할 수 있는 Platform준비가 필요하다. 또한 ICT기술을 통하여 설비와 공정의 다양한 데이터를 관리하여, 빅데이 터를 통한 예방 정비(Preventive Maintenance)가 가능하며, 수준 높은 경영정보를 제공해야 한다[34]. 즉 설비에서 생 성되는 빅데이터를 통하여 의미 있는 정보를 찾고, 의사 결정을 하는 것이 스마트 공장 구현의 기본 목표라 할 수 있다.
본 연구에서는 ERP와 MES를 구현한 ‘K’사가 스마트 공장으로 진입해야 할 과제로 지능형 MES를 선택하였다.
4.1 지능형 MES
ERP와 MES구축으로 유의미한 대량의 데이터가 존재 하게 된다. 즉 ERP와 MES, IoT에서 발생되는 다양한 데 이터가 인터페이스와 시스템 통합에 의하여 수집 및 관 리된다. 이를 통하여 생산, 공장관리 현장에서의 문제점 을 사전에 해결하거나 지원할 수 있다.
기존 MES는 <Figure 7(A)>과 같이, ERP시스템에서 생 산계획 정보를 수신하고 생산 현장에 작업을 지시한다. 그리고 공정 실적을 다양한 실적 방법을 통하여 취합하고 다시 ERP시스템으로 송신한다. 공정을 통제하며, 생산공 정 실적을 취합하여 ERP를 전송하는 것이 MES의 주 목적 이다.
ERP에서 Data는 품질관리, 설비 가동률, 공수 및 제조 원가를 위한 기초 데이터로 사용되고 있으나, 스마트 공 장의 최종 목표인 지능형 공장으로의 전환을 위해서는 지능형 MES가 필요하다.
지능형 MES는 공정 센서 데이터와 실적데이터를 활 용하여 예방 정비가 가능하며, 머신러닝 기법이 포함된 데이터 애널리틱스가 가능한 진보된 MES 프레임워크이 다. 또한 독립적인 MES가 아닌 ERP와의 통합 연계된 시스템을 의미한다. 그리고 센서 및 로봇, IoT를 통한 다 양한 정보를 빅데이터 저장소에서 전처리(Pre-Processing) 하여 예방정비시스템, 딥러닝 기반의 품질관리시스템을 추구하며, 물리세계와 가상세계를 연결하여 주는 시뮬레 이션 기반의 사이버물리시스템을 구현하는데 그 목적이 있다.
본 연구에서는 지능형 MES구현방식에 관하여 2가지 방안을 제시한다.
<Figure 7(B)>는 ERP와 MES기반 하에서 MES는 데이 터를 취합하고 데이터마이닝, 딥러닝을 하기 위한 전처 리 작업을 수행한다. 또한 패턴 분석, X bar-R chart같은 독자적인 품질 모니터링 시스템을 구현할 수 있다. 전처 리 된 데이터는 ERP로 전송이 되며, ERP에서 학습하고 결과를 도출하는 다양한 분석 기법의 컴포넌트를 확장하 는 방안이다.
두 번째 방안으로는 지능형 솔루션과의 연계방안이다. 이 방안은 검증된 지능형 분석 솔루션과 ERP, MES와의 전략적 시스템 통합 또는 연계를 의미한다. 데이터마이 닝 기법이나 딥러닝 같은 분석 엔진의 구현에 대한 투자 비용이 상대적으로 매우 적으며, 분석데이터에 대한 신 뢰도가 검증이 되어 있다는 장점이 있다. 즉 <Figure 7(C)> 와 같이 ERP와 MES는 지능형 분석 3rd Party솔루션과 연계가 되어, MES와 ERP에서는 관련된 데이터를 전송 하고, 결과에 대해서 다시 정보를 수신하고 재가공한다. 단 상호 시스템과의 연계 내지 통합의 방법이 매우 중요 하다.
위 2가지 지능형 MES구현에서의 공통점은 MES가 독자 적으로 그 기능을 수행하는 것은 매우 제한적이며, ERP 와 정보 연계를 이루면서 각자 영역에서의 역할이 중요하 다는 것이다. 따라서 각 방안은 구현 회사의 상황에 맞게 적절하게 선택이 되어야 한다. 그리고 공정 실적 정보를 기반으로 데이터의 전처리 기술이 있어야하며, 신뢰 있는 데이터마이닝 기법의 활용이 필요하다. 데이터마이닝 방 법은 여러 물리량에 대한 데이터베이스를 구축한 후, 이 를 다양한 모델에 적용하여 데이터 변화(Pattern)를 분석 하거나 예측하는 기법이다[10].
데이터마이닝 기법을 활용하려면, MES에서 수집된 빅 데이터를 통하여 아래와 같은 2가지 영역의 연구와 라이 브러리개발이 필요하다고 판단된다.
본 연구에서는 지능형 MES의 핵심기능을 아래 <Figure 8>과 같이 정의하였다. MES의 공정 실적 등 다양한 빅데 이터를 통하여 변수를 추출하고 목표 변수의 최적화된 해 를 탐색할 수 있도록 지원하며, 공정 불량 추적 모형 모델 링 등이 대표적인 구현 대상이다.
MES를 통하여 채집되는 데이터의 종류는 아래 <Table 5>에서 사례회사 ‘K’사의 MES 데이터 범주 예시에서 알 수 있다. 다양한 범주의 데이터가 MES에서 수집되며, 데이 터 전처리를 통하여 데이터마이닝 기법을 사용할 수 있다.
데이터마이닝 기법으로는 회귀분석(Regression), 의사 결정 나무(Decision Tree), 인공신경망(Artificial Neural Networks) 등이 대표적으로 사용되고 있다. 그 중 의사결정 나무는 수집된 데이터를 기반으로, 이들 사이에 존재하는 의사결정 규칙을 스무고개 하듯이 반복적이고 순환적 분 할(Recursive Partitioning) 방식으로 분류하여 예측치를 구 하는 머신러닝 기법 중의 하나이다. 그리고 데이터를 분 류하고 전개하는 모습이 나뭇가지와 유사하여, 의사결정 나무라 부른다. 분석자는 회귀분석, 인공신경망등과 같은 기법에 비하여 시각적, 논리적으로 쉽게 이해하고 설명할 수 있다는 장점이 있다. 따라서 ERP와 MES기반에서 발 생된 다양하고 많은 양의 데이터를 기반으로 의사결정나 무 기법을 활용하면 다양한 예측 결과치를 빠르고, 정확 하게 도출할 수 있다.
지능형 MES에서는 POP를 통하여 데이터 채집이 되며, 공정 특성에 따라 PLC, Bar Code, PDA를 통하여 전송된 다. 이 데이터에 전처리 과정을 통하여 공정 불량 추적 모 형 모델링을 할 수 있다. 구현 사례 회사의 경우 <Table 5>과 같이 MES를 통하여 다양한 범주의 실적 데이터를 수신하고, 가공 처리를 하고 있다.
지능형 MES는 불량 원인에 대한 파악이 힘든 공정에 대하여, 데이터마이닝을 통한 리스크 관리와 품질관리가 가능하다[11].
본 연구에서는 K사 입장에서 지능형 MES구현 방안에 대한 가능성을 시나리오에 의한 프로토타이핑으로 검토 하였다(<Figure 9> 참조).
대상 시나리오는 3rd Party Solution에 의한 연계방안 <Figure 7(C)>의 방안으로 수행하였다.
주된 이유는 3RD Party Solution에 대한 시스템 통합 내지 연계의 용이성, 테스트 결과의 신속성, 정합성 등을 고려하여 결정하였다. 솔루션으로서는 SPSS 통계 솔루 션을 사용하였으며, K사에 구현된 ERP가 타 시스템 연 계에 대해서 매우 유연하고, 정합성이 뛰어나기 때문에 데이터 전송 및 EAI에 대해서는 프로토타이핑에서 배제 하였다.
본 연구의 테스트 대상 변수는 <Table 5>의 MES실적 범주에서, 화학적 민감도가 심한 염색 공정의 불량 원인 을 추정하는 것으로 시나리오를 결정하였다. 이 경우 결 점 수를 목적 변수로 하고 그에 따른 작업 실적 정보를 설명 변수로 <Table 6>과 같이 정의하였으며 데이터 전 처리 과정을 진행하고 의사결정나무 기법을 통한 데이터 마이닝을 진행하였다.
또한 교차분석, Random Forest모형 구축을 통하여 결점 수, 설비 고장에 대한 추적 모형을 제시할 수 있다.
MES와 POP의 실적 데이터에 기반한 불량 원인 추정 을 위하여 염색 공정의 30,054개의 테스트 데이터를 준 비하고 전처리 하였으며, 의사결정 나무 기법과 회귀분 석을 사용하여 불량 인자를 도출하였다.
의사결정나무 분석 결과, 첫 단계에서 <Figure 10>와 같이 Main RPM기준으로 나무가 분리되었다. 즉 염색 공 정 로터리의 회전 RPM속도가 0.465 이하일 경우 불량이 발생할 확률이 89.2%로 나타났다. 마찬가지로 반복적으 로 4단계 분리까지 확인을 하면, 염색공정에서 불량을 발생시키는 원인은 로터리 회전에 기인한 Main RPM, 처 리시간, 온도, 노즐 압력이 중요한 요인이라는 것을 파악 할 수 있다. 그리고 이들 요인 간 분리되는 각각의 파라 메터 값을 참조로 작업표준을 재설정하여, 사전에 불량 이 발생하는 것을 예방할 수 있다.
다른 측면에서, 회귀분석 또한 동일한 데이터 양으로 Binary Logistic Regression으로 분석하였다.
<Table 7>에서 의미 있는 독립 변수는 Main RPM, 삶 는 시간(Period Time), 교대 시간(Shift Work), 온도(Temperature) 인 것으로 판명되었다. 즉 해당 독립변수는 불량 발생과 유의하다는 것으로 나타났으며, 특히 Main RPM 의 경우 매우 유의하면서, Odd Ratio(Exp(B))가 3.389이기 때문에 염색 공정 불량에 많은 영향을 미치는 것으로 되 어 있어, 의사결정 나무와 같은 결과임을 알 수 있다. 또 한 인공신경망 분석 등 데이터의 볼륨과 공정 특성을 감 안하여 공정관리자는 MES에서 발췌한 대량의 데이터를 통하여 다양한 의사결정을 할 수 있다.
5. 결 론
본 논문에서는 스마트 공장에 대한 이해와 연구 동향을 조사한 후, 사례연구를 통하여 중소기업이 스마트 공장으 로 진입하기 위해서는 ERP와 MES가 중요한 요소라는 것 을 확인하였다. 그리고 중소 제조기업에서는 투자 효율성 과 시스템 안정화 차원에서 단계적이고 점진적으로 스마 트 공장을 구현하는 것이 유리하다는 점을 파악하였다.
단계적 접근 방식의 스마트 공장 구현을 위해서는 지 능형 MES가 필요하다. 즉, 기존 제조원가 계산 및 공정 관리 용도의 MES에서 기능이 확장되어야 한다. 공정 센 서 데이터 및 대량의 빅데이터 실적을 활용하여, 데이터 마이닝 기법 및 딥러닝 기반의 데이터 애널리틱스가 가 능한 지능형 MES 구현이 스마트 공장 진입에 필요한 요 소이다.
또한 구현 방법론 측면에서 현재의 시스템에 대한 이 해와 요구사항을 명확하게 파악하고 개선사항을 도출해 야 한다. 확인된 개선사항을 통하여 구축해야 할 스마트 공장의 수준과 목표를 정의하고, 그에 타당한 시스템 구 현 범위를 규정해야 한다. 만약 현재 수준을 잘못 진단하 여 과도한 목표를 정하거나 흉내내기 식의 구현 목표를 정한다면, 해당 기업에 적합한 스마트 공장 구현이 불가 능하다.
사례연구에서, ‘K’기업은 ERP시스템과 바코드, KIOSK, PLC를 활용한 MES시스템을 동시 구현 방식(BIG BANG 방식)으로 개발하였다. 효과적인 작업 지시와 공정 관리 를 위하여 KIOSK를 사용하였으며, 바코드를 활용한 정 보의 입출력을 실시간으로 구현하였다. 또한 자동화된 설 비의 경우 센서 접점과 PLC를 통하여 설비 정보 및 다양 한 생산현장 정보를 수집하여 유의미한 데이터로 사용하 였다.
이러한 중소 제조기업의 경우 확장된 지능형 MES의 도입이 그 다음 단계인 스마트 공장에의 안정적이고 효 율적인 구현이라고 판단하였다.
본 연구에서는 중소 기업에서 사용하고 있는 ERP와 MES의 적절한 기능개선으로 지능형 MES구현이 가능하 다는 것을 확인하였다. 그에 대한 구체적인 방법으로 의 사결정나무 기법과 회귀분석을 적용하였다. MES에서 수 집된 대량의 데이터를 채집하여, SPSS 소프트웨어를 통 하여 프로토타입을 진행하였다. 그리고 MES와 ERP간의 정보 흐름 프로세스 안에서 학습과 패턴, 의사결정 규칙 을 통하여 불량 원인을 도출하였다.
추후 진행되어야 연구는 다음과 같다. 지능형 MES구 현에 중요한 요소인 딥러닝, 데이터마이닝 기법 등 빅데 이터 처리를 하기 위한 엔진 개발 연구이다. 대표적인 ERP솔루션의 ABAP이나 JAVA같은 ERP개발언어로 구 현되어야 하며, 별도의 3RD Party 분석솔루션의 통합 연 계까지 고려해야 할 것이다.
