4차 산업혁명과 스마트 플랜트 (smart plant) · 스마트 디지털 엔지니어링...

26 … NICE, 제36권 제1호, 2018

2030년 12월 대한민국 울산광역시 울주군 청량명 상남리 A화학공장: 펌프, 컴프레서, 열교환기, 증류탑, 반응

기가 인터넷을 통해 서로의 운전상태를 교환하고, 이를 바탕으로 실제 공장과 동일한 가상의 공장은 언제나

최적의 상태로 유지되며 최고 품질의 제품이 최단 시간 내에 최소의 비용으로 생산되고 있다. 3D 안경을 쓴

공정 엔지니어는 증강현실에서 컴프레서의 내부로 들어가 예지 정비 결과를 확인하여 트러블 인지 및 자동

교정 그리고 최적으로 자동 운전되는 스마트 플랜트(Smart Plant)에서 근무하고 있다. 십여 년 전 종종 일어나

던 안전 사고는 일어 난지 이미 오래 되었고, 배출가스와 폐기물도 전혀 발생하지 않는다. 스마트 플랜트 공

장은 사물인터넷을 통하여 업스트림과 다운스트림 공정이 서로 실시간으로 연결되어서 모든 공정 정보가 빅

데이터로 저장되고 인공지능기반 스마트 통합시스템이 운전을 학습하고 적응하면서 최적 운전을 통하여 스

스로 운전하고 있다.

공장의 모든 생산/에너지/탄소/폐기물/판매 시스템이 스마트 플랜트 프로그램에 따라 운영되는 스마트 화학

공장을 구축하여 글로벌 경제, 정치 및 사회적 변화에 실시간으로 대응하는 꿈 같은 미래의 스마트 플랜트가

4차 산업혁명을 통해 현실로 다가오고 있다. 본 특별기획에서는 4차 산업혁명과 스마트 플랜트의 중요한 요

소기술인 빅데이터(Bigdata) 및 인공지능(AI)에 대해 살펴보고 공정장치산업에 가져올 변화를 가늠해보고자

한다. 또한 현재 국내외 산업계의 성공사례와 이를 통해 앞으로 나아갈 방향과 극복해야 할 과제에 대해서도

살펴보고자 한다.

특 별 기 획

4차 산업혁명과 스마트 플랜트

(Smart Plant)

문 일

연세대학교 화공생명공학과

[email protected]

스마트 플랜트 주요기술(빅데이타와 인공지능)

유 준1, 유창규2, 이재형3

1부경대학교 화학공학과, 2경희대학교 환경공학과, 3KAIST 생명화학공학과 [email protected], [email protected], [email protected]

1. 서론

제조업 중 화학공학과 밀접한 관련이 있는 공정

장치산업은 원유 등의 원료로부터 기초 및 중간재

등을 생산, 타 산업에 공급하여, 궁극적으로는 우리

NEWS & INFORMATION FOR CHEMICAL ENGINEERS, Vol. 36, No. 1, 2018 … 27

특 별 기 획 ( I )

가 일상생활에서 사용하는 수많은 제품의 생산을 가

능케하는 기반 산업이다. 석유화학산업을 예로 들면

세계적으로 매출이 5조달러 이상이며, 국내 시장의

규모도 1,500억 달러 이상으로, 공정장치산업에 일

어날 변화가 다른 연관산업은 물론 국가경제에 미칠

파급력이 매우 클 것은 자명하다.

최근 4차 산업혁명, 인더스트리 4.0, 또는 스마트

제조(manufacturing)가 제조업은 물론 모든 산업계 전

반에 걸쳐 많은 변화를 불러 일으키고 있으며, 공정

장치산업 또한 예외가 아니다. 2016년 다보스 포럼

에서 4차 산업혁명은 “디지털 혁명인 3차 산업혁명

에 기반을 두고 있으며, 디지털, 물리적, 생물학적인

기존 영역의 경계가 사라지면서, 융합되는 기술적

인 혁명”이라고 정의되었다. 이를 제조업의 관점에

서 구체화한 것이 인더스트리 4.0인데, 사물인터넷

에 내재된 연결 기술을 바탕으로 빅데이터 분석, 인

공지능(artificial intelligence, AI), 증강/가상 현실 등

을 포함하는 정보기술(Information Technology, IT)

및 3D 프린팅, 로봇공학, 첨단 소재공학 등을 운영기

술(Operations Technology, OT)과 결합해 실제 물리

적인제조 행위를 유도하는 것을 골자로 한다. 인더

스트리 4.0의 궁극적인 목표는 제조 경쟁력의 강화

이며 이는 사이버물리시스템(Cyber-Physical System,

CPS)을 통해 물리-디지털 사이클이 이루어지면서

달성된다(그림 1).

사실 4차 산업혁명의 개념을 비즈니스에 적용하려

는 움직임은 이미 수년 전부터 몇몇 기업에 의해 시도

되었는데, 2010년경 디지털 산업기업으로 전환을 천

명한 GE의 경우 디지털 트윈을 이용하여 전세계 60개

가 넘는 나라의 2천여 개 터빈을 실시간으로 모니터링

하고 있다고 한다. 본 고에서는 4차 산업혁명의 구성

요소기술 중 제일 중요한 기술인 빅데이터(Big data)와

인공지능에 대해 자세히 살펴보고자 한다.

2. 빅데이터

정확하진 않지만 빅데이터란 용어는 1990년대부

터 사용되었다. 처음에는 단순히 방대한 양의 데이

터 그 자체를 의미하여, 그 특징을 세가지 또는 4가

지 ‘V’로 나타내곤 하였다. 생성 수집되는 방대한 데

이터의 양(Volume)과 그 수집/처리 속도(Velocity),

매우 복잡한 데이터의 형태(Variety), 그리고 데이터

의 정확성(Veracity)이 그것이다. 하지만 점점 그 범

위가 확장되어 방대한 양의 데이터를 수집, 저장하

고, 기계학습(machine learning)과 통계등 분석기술을

사용하여 데이터로부터 정보를 추출하고 지식을 도

출해내는 하드웨어와 소프트웨어 기술을 망라하는

광범위한 분야를 의미한다.

4차 산업혁명의 등장으로 빅데이터가 모멘텀을

얻게 됨에 따라 산업계는 전혀 새로운 차원으로 성

능을 높일 수 있는 기회를 얻게 되었다. 여기서 성

능은 기업운영, 경제 및 시장 관련 측면에서부터 공

정 안전 및 환경까지 이르는 넓은 의미를 갖는다. 이

러한 기회를 가능하게 한 요인을 빅데이터의 세가

지 핵심요소로 설명하면 데이터(data), 정보통신기술

(technology), 분석기술(analytics)이다(그림 2).

사실 데이터(data)는 그 어느때보다 풍부하고 그

축적속도는 빨라지고 있다. IBM에 따르면 2013년 기

준 1.6 zetabytes의 사용 가능한 데이터가 있다고 하

며, International Data Corporation은 2025년엔 163

zetabytes의 데이터가 축적될 거라고 예상하였다(1

zetabyte = 1.0Ⅹ109 terabytes). 이러한 데이터는 정형

그림 1. 사이버물리시스템의 개념 모델 (NIST CPS PWG).

28 … NICE, 제36권 제1호, 2018

특 별 기 획 ( I )

데이터뿐 아니라 텍스트, 영상, 음성 등의 비정형 데

이터까지 포함한다.

이러한 데이터의 대홍수는 여러 경로를 통해 정

보를 수집하여 데이터베이스에 저장하고 언제 어디

에서나 사용할 수 있도록 하는 정보통신기술(tech-

nology)의 발전으로 가능하다. 특히 사물인터넷의 발

달과 보급이 이러한 현상을 가속화하고 있는 것은

자명하다. 정보통신기술은 세번째 요소인 분석기술

(analytics)을 사용하여 많은 양의 데이터를 처리하는

데 필요한 계산 자원(고성능 컴퓨팅, 클라우드 서비

스, 분산 및 병렬 컴퓨팅 등)을 제공하여 방대한 양의

데이터를 유용한 시간에 유용한 정보로 변환할 수

있게 한다.

3. 인공지능(기계학습)

인공지능은 기계로부터 만들어진 지능으로 컴

퓨터 공학에서 이상적인 지능을 갖춘 존재, 혹은 시

스템에 의해 만들어진 지능을 말하며 또한 그와 같

은 지능을 만들 수 있는 방법론이나 실현 가능성 등

을 연구하는 과학 분야로 최근 자율주행자동차, 의

학 진단, 예술, 수학 정리 증명, 게임 등에서 많이 응

용되고 있다1. 화학 공장의 경우 인공지능은 단순한

공장 자동화를 넘어서 마이크로/매크로/제품 일련의

정보, 화학 정보, 운전/제어/최적화의 통합을 통하여

데이터로부터 학습하고 스스로 성능을 증진시켜서

능동적으로 운영하는 스마트 플랜트(smart plant)의

주요기술로 정의할 수 있다.

최근 인공지능에 대한 관심과 기대가 높아진 데

는 여러가지 이유가 있지만 빅데이터의 축적과 상

업적 가치상승, GPU를 비롯한 계산 하드웨어의 비

약적 발전, 그리고 새로운 딥러닝 알고리즘들의 개

발 등을 들 수 있다. 기계학습은 “컴퓨터 프로그램

이 경험을 바탕으로 학습하여 연관된 업무를 수행

하고, 이에 대한 수행을 측정하고 경험을 통해 성능

을 증진시키는 것”으로 정의할 수 있다1. Deep neural

network란 많은 수의 hidden layer를 포함한 인공신경

망을 지칭하는데 기존에 쓰여져 온 hidden layer가 하

나인 얕은 구조의 네트워크와 구분해서 쓰여지는 용

어이다. 여러 hidden layer를 통해서 입력 데이터 그

룹에서 중요한 특색(feature)을 스스로 도출해낼 수

있어서 유용도나 기능이 뛰어나지만 학습의 어려움

이 장애물이 되어왔다. 이러한 상황에서 기존 인공

신경망 학습알고리즘의 한계를 극복하기 위한 기계

학습 방법으로 제프리 힌튼 교수가 2004년 Restricted

Boltzmann Machines(RBM)를 바탕으로 비지도학

습을 통해 pre-training을 하는 Deep Belief Network

(DBN)이라는 새로운 학습 알고리즘을 제안하면서

딥러닝이 주목을 받기 시작한다. 곧바로 Drop-out이

라는 알고리즘도 등장해 고질적으로 비판 받는 과적

합 등을 해결할 수 있게 됐고. 신경망의 Pre-training,

ReLU함수, GPU병렬 연산 등 기존 인공신경망의 문

제점을 보완할 수 있는 방법들이 제안되면서 기존의

인공신경망에서 딥러닝으로 도약이 가능해졌다. 딥

러닝의 핵심은 수많은 데이터 속에서 패턴을 발견해

인간이 사물을 구분하듯 컴퓨터가 데이터를 분류하

고 학습하는데 있다. 구글은 음성인식과 번역을 비

롯해 로봇의 인공지능 시스템 개발에도 딥러닝 기술

을 도입하였고 페이스북은 딥페이스 알고리즘으로

전세계 이용자의 얼굴인식 시스템을 개발하였고 인

식 정확도는 97.25%로 인간의 눈과 거의 차이가 없

다(인간의 눈은 97.53%의 정확도).

인공지능 중 강화학습(reinforcement learning)은

주어진 환경에서 agent가 상태를 인지하고 선택 가능

그림 2. 빅데이터의 3대 요소.


특 별 기 획 ( I )

한 행동 또는 정책 중 보상을 최대화하는 행동 또는

정책을 찾는 기술이다. 어떠한 환경이 주어지고 현

재 상태에서 특정 행동을 취했을 때 다음 상태를 예

측할 수 있고, 또 그 상태가 정의된 보상과 어떻게 연

결되는지 알 수 있다면, 우리는 그 환경을 완벽하게

제어할 수 있게 된다. 문헌에서는 이러한 환경과 행

동 관계를 마르코프 결정 프로세스(Markov decision

process, MDP)로 정의한다1. 기존에는 dynamic

programming(DP)을 통해 최적 제어를 수행하였다.

하지만, DP의 경우, state dimension이 늘어나면서 계

산량이 기하급수 적으로 증가하고, MDP 모델을 알

고 있어야 한다는 한계를 지닌다. 강화학습의 핵심

은 환경에 대한 MDP 모델을 사용하지 않고 샘플링

을 통해 환경의 MDP 모델을 추정함으로써(정확히

말하면 action에 대한 가치 혹은 정책을 추정함) 계

산량을 획기적으로 줄이고 모델 없이도 환경과 상호

작용하여 학습이 가능하다는 점이다. 최근 강화학습

은 환경에 대한 MDP 모델 추정에 심층신경망(deep

neural network, DNN) 기법을 적용하면서 많은 발전

을 이루었다.

강화학습의 대표적인 예는 알파고(AlphaGo)이다.

2016년 알파고가 이세돌 9단에게 승리하면서 강화

학습에 대한 관심이 커졌다. 알파고는 기보를 통해

훈련된 심층신경망과 몬테카를로 트리 탐색(Monte

Carlo Tree Search, MCTS)를 통해 최선의 수를 선택

한다. 이세돌 9단을 이긴 알파고 리(AlphaGo Lee)2

및 커제 9단을 이긴 알파고 마스터(AlphaGo Master)3

는 인간의 기보를 이용하여 지도학습(supervised

learning)을 통해 정책망(policy network)을 학습하고

이후, 정책망과 가치망(value network)의 강화학습을

통해서 전체적인 학습이 이루어졌다. 2017년 최근에

발표한 논문에 따르면 기존의 기보를 통해서 지도학

습단계를 배제하고 알파고 스스로 바둑을 학습하는

알파고 제로(AlphaGoZero)4의 경우, 이전의 알파고

리/알파고 마스터보다 더 좋은 성능을 나타내었다.

그 이후에 구글 딥마인드에서 유투브에 공개한 동영

상에 나타나는 것과 같이 구글 딥마인드는 앞으로

인공지능을 의료서비스, 신약개발 및 새로운 화학물

질합성에 적용할 예정이고5 화학공장의 경우 마이크

로그리드 설계 및 확률론적 결정시스템6과 화학/에

너지/환경 플랜트 Smart O&M7 등에 적용할 수 있을

것으로 예상된다.

4. 맺음말

4차 산업혁명은 정보에 입각한 비즈니스와 기업

운영에 대한 결정을 위해 연결된 데이터로부터 통찰

력과 정책을 이끌어내는 과정이라고 할 수 있다. 이

점에 비추어 볼 때 공정장치산업계는 꽤 오래전부터

데이터 중심 모델링 접근법을 사용하여 이러한 여정

을 시작하였다. 4차 산업혁명 시대의 가장 중요한 주

제는 데이터의 양과 형태가 기하 급수적으로 계속

증가한다는 것이고, 이와 관련된 기술, 플랫폼, 그리

고 문화적 도전이 우리 앞에 놓여있다는 것이다.

참고문헌

1. 위키백과, ko.wikipedia.org, 20172. 2. V. Mnih et al., Nature, 518, 529 (2015).3. D. Silver et al., Nature, 529, 484 (2016). 4. D. Silver et al., Nature, 550, 354 (2017). 5. DeepMind, AlphaGo Zero: Learning from scratch,

deepmind.com, UK. (2017). 6. J. Lee et al., Comp. & Chem. Eng., in press (2017). 7. S. Lee et al., Ph.D Thesis, Kyung Hee University (2018).

30 … NICE, 제36권 제1호, 2018

특 별 기 획 ( II )

스마트 디지털 엔지니어링 산업

조재현

서울대학교 EDRC [email protected]

1. 서론

4차 산업혁명 지능정보기술과 화학공정기술을 융

합한 스마트 플랜트는 전통적인 플랜트 엔지니어링

과 대별하여 스마트 디지털 엔지니어링 기술이라 할

수 있다. 주된 핵심적인 기술적 차이점은 모든 공정

및 설비에 대한 운전 및 운영 데이터 경험지식의 디

지털화에 있으며 이를 바탕으로 공장의 설계관리,

공정관리, 자산관리 단위 의사결정을 지원함에 있

다. 전통적 O&M(Operation & Maintenance) 방식인

공정운영환경과 단절된 설비의 단순 운영 및 유지보

수로부터, 지능형 디지털 엔지니어링 기술의 적용을

통하여 실시간/축적 데이터 모니터링 및 분석을 통

한 예지 기반의 공정시스템 최적설계 및 최적운영

등 전주기 통합 디지털 엔지니어링 실현이 가능하게

되며 이는 비용절감 및 효율증가로 이익의 극대화를

실현 가능케 한다(Operation & Maintenance → Opti-

mization & Maximization). 또한 스마트 디지털 엔지

니어링 서비스 산업의 중요한 파급효과중의 하나는

스마트 엔지니어링 서비스를 제공하는 고급 두뇌중

심의 소프트파워 중소/중견 기업의 탄생을 통한 고

부가가치 신시장 창출이 된다는 점이다. 이러한 현

상이 제조업 전 분야에 파급되어 활성화된다면 고급

일자리 창출은 물론 한국의 건강하고 안정된 산업구

조 혁신의 걸림돌이 되고있는 대기업위주의 시장구

구분 As-is (현재 공정장치산업) To-be (스마트 디지털 엔지니어링 산업)

플랜트 운영및 유지 보수

(단순 기자재 운영/유지 보수)- 인력과 개인경험에 의존하여 고장 발생시 수리하는

사후관리 중심- 사내 시설관리팀 또는 외부 용역기업이 담당하는

오프라인기반 저부가가치 서비스- Operation & Maintenance

(예지 기반 시스템 운영최적화 및 성능극대화)- 실시간 감시, 진단 및 운전 빅데이터 분석을 통한 시스

템적이고 예측 가능한 기계 및 플랜트 운영관리- 실시간 장비 진단, 고장예측, 그리고 최적운전을 지원하

는 IoT기반 고부가가치 전문 서비스- Optimization & Maximization

기계 부품/기자재/

공정시스템의설계 및 제작

(HW 중심 제작 및 공급)- 설비판매 이후 A/S 활동을 통한 부분적인 서비스에

만 간여

(부품/기자재/시스템 HW와 디지털 엔지니어링 서비스 함께 제공)- 운전 데이터 확보를 통해 사업영역을 설비 O&M 서비스

로 확대- 운전 데이터를 제품설계에 적용하여 시장선도형 신제품

개발에 활용

제조 SI/SW/엔지니어링

(오프라인 O&M)범용 솔루션의 제조현장 활용을 지원하는 SW 및 관련 서비스 제공에 국한

(지능정보기술 기반형 O&M 서비스 시장창출)다양한 기계장비 속성 예측모델, 디지털 엔지니어링기술 활용 솔루션 개발과 디지털 엔지니어링 플랫폼 개발 및 활용 지원 제조 엔지니어링 서비스로 확장

제조엔지니어링

전주기

(분절화된 제조 엔지니어링)설계/제작/설치/운영·유지관리 단계별로 분절화된 엔지니어링 수행

(제조 엔지니어링 전주기 업무 통합 수행)스마트 디지털 엔지니어링 플랫폼이 연결고리가 되어 설계-생산-운영-유지보수 전주기에 걸쳐 최적설계, 최적생산, 최적운영 및 예지보전으로 통합

제조 엔지니어링 산업 패러다임

(대량 생산 체제)대량 생산과 생산자 중심의 제조 산업 환경

(시장 맞춤형 소량 생산체제하의 스마트 제조)제품 종류/생산량 변화 요구에 대한 제조시스템의 유연한 대처 및 진화 가능



조로부터 중소/중견기업의 파이가 확장됨으로써 산

업구조의 혁신을 위한 출발점이자 대기업과 중소/중

견기업간의 합리적인 상생 관계로 구성된 산업 생태

계 조성도 가능하리라 예상된다. 전통적인 현재 공

정장치산업과 스마트 디지털 엔지니어링 산업과의

차별점을 요약하면 다음과 같다.

2. 해외 기술동향

Cyber Physical System(CPS) 세계시장 규모는

WiseGuyReports(2017)1에 의하면 2013년 3,650백

만 달러에서 연평균(GAGR) 8.64% 성장하여 2016

년 4,680백만 달러로 성장하였으며 2021년 8,120 백

만 달러로 급속한 성장이 예상된다고 전망한 바 있

다1.오래전부터 디지털 엔지니어링 기술기반의 플

랫폼, Predix를 개발한 GE는 라이선스 및 서비스 매

출을 2016년 60억 달러에서 2010까지 150억 달러 연

매출 목표로 예상했으며 MindSphere 플랫폼을 개발

한 Siemens는 2016년 라이선스 매출 33억 유로,디지

털 엔지니어링 서비스 부문 매출10억 유로를 달성한

바 있다. 선진국의 스마트 디지털 엔지니어링 기술

수준은 현재 도입단계를 벗어나 영향력과 용도가 확

산되고 있는 혁신 잠재력를 갖춘 기술이나 향후 5년

내로 전환점에 도달할 빠르게 성장하는 기술 트렌

드를 의미하는 10대 전략기술 트랜드로 선정한데 이

어 향후 5~10년 사이에 ICT 선진국를 중심으로 급속

한 발전이 예견된다2. 최근 개발제품을 출시한 선진

기업들의 공통점은 자사의 엔지니어링 기술 및 데이

터와 실시간 모니터링 기술을 융합한 설비 예지보전

및 자산관리로 새로운 비즈니스 창출 형태를 보이고

있다. 최근 화학공정관련 스마트 디지털 엔지니어링

제품을 소개하면 다음과 같다.

1) 선진 해외 출시된 제품

(1) 미국 Honeywell Uniformance3:

실시간 공정 데이터연결을 통해 운전데이터 분석

및 문제발생 탐색 및 예지 엔진을 적용, 예상 이슈를

가시화하여 공장운영 및 의사결정을 지원하는 스마

그림 1. Honeywell社의 Uniformance.

32 … NICE, 제36권 제1호, 2018


트 O&M 엔지니어링 서비스 플랫폼

(2) 미국 Honeywell Connected Performance Services

(CPS)3:

화학공정 라이선스 기업으로서의 세계 1인자로서

공정기술의 경험지식을 적극 활용, 클라우드 기반

의 실시간 고객공장 운전데이터와 연결된 시스템을

통하여 공장운영의 성능극대화 및 공정최적화를 위

한 솔루션을 제공하는 스마트 O&M (Optimization &

Maximization) 서비스 플랫폼

(3) 노르웨이 DNV-GL 선급 Veracity:

2017 2월 8일 출시된 빅데이터 플랫폼 시제품으로

서 Data Providers와 End consumers사이의 데이터 가

교역할 제공을 목적으로 개발

(4) 미국 GE Predix:

제조업 용도의 산업 인터넷 플랫폼을 통한 고객

서비스 제공을 목적으로 개발된 제품으로서 운영체

제, 클라우드, 빅데이터, 분석 SW 등이 하나의 플랫

폼 환경에 통합되어 클라우드 기반의 오픈 소스 플

랫폼으로 GE의 업종별 현장 데이터,산업 빅데이터

분석 툴 및 관련 서비스를 제공

(5) 독일 Siemens Mindsphere:

고객 스스로 사용자 위주의 제품을 개발할 수 있

는 환경을 제공하는 개방형 인터페이스를 채택, 기

존 기계, 자동화 기업들과의 파트너쉽 혹은 직접 참

여를 유도

3. 스마트 디지털 엔지니어링을 위한 디지털

트윈 플랫폼 프레임워크

스마트 디지털 엔지니어링 기술의 화학공장 운영

에 활용될 주요 시나리오 별 필요한 4차산업혁명 지

능정보 요소기술과 표는 다음과 같으며 이에 기반

다목적 (general-purpose) 공통 디지털 트윈 플랫폼

프레임워크를 그려볼 수 있다.

- 실시간 데이터연결 (real-time Data-connected):

A. 실시간 운전 모니터링:

B. 비정상 운전상태인 설비에 대한 원격 운전을

통한 공장 관리/유지/보수

- 축적된 데이터 연결 (historical Data-connected)

C. 운전 혹은 장치관련 문제발생 예지 혹은 예방적

보수/관리

그림 2. Honeywell社의 Connected Performance Services.



D. 운전개선에 대한 연구(예: 안전, 에너지/유티리

티 소비량 절감)

E. 생산성 향상을 위한 재료투입변경, 단위장치/공

정구조 변경, 혹은 운전조건의 변화

F. 신공정개발을 위한 기존생산설비의 증설, 제거

혹은 변경

•‌‌필요한 4차산업혁명 정보 요소기술

(Requirements)

1. 3D digital twin of plant

2. Real time Operation Data

3. Sensors

4. IoT

5. Cloud system

6. Process Operation Database

7. Data Analytics (Data Analysis Algorithm)

8. Operation Diagnostics Algorithm

9. Alarm

10. Problem Solution Provider

11. Historical Operation Database

12. Maintenance manual

13. Historical Maintenance Database

14. Operation Failure Detection Algorithm

15. Maintenance Recommendations

16. Process Simulation

17. Data mapping between process simulator and

digital twin

18. HAZOP report

4. 맺음말

스마트 디지털 엔지니어링 산업의 세계 선진 기

술동향을 분석한 결과, 4차산업혁명기술과 연계한

소프트 산업관점에서 보면 선진국과 출발점이 유사

한 바, 관련 세계 선진시장 성공 진입장벽의 높이는

RequirementsScenarios

A B C D E F

1 ● ● ● ● ● ●

2 ● ● ●

3 ● ● ●

4 ● ● ● ● ● ●

5 ● ● ● ● ● ●

6 ●

7 ● ●

8 ●

9 ●

10 ●

11 ● ● ● ●

12 ●

13 ●

14 ●

15 ●

16 ● ● ●

17 ● ● ●

18 ●

34 … NICE, 제36권 제1호, 2018


지금부터 주도 면밀한 계획과 실천에 달려있다고 본

다. 한편 선진 기술경쟁력 수준에 도달하기 위해 반

드시 극복해야할 세가지 핵심 기술은 다음과 같다.

- 공정 빅데이터 분석 지능형 알고리즘 기술

- 공장 운전 및 운영 경험지식의 디지털화(지능형 지

식베이스)

- CPS(Cyber Physical System) 기반의 지능형 플랫폼

개발 기술

글로벌 선진 대부분 산업의 패러다임이 고부가

소프트파워 중심으로 변화를 요구하고 있으며 이러

한 트렌드에 선제적으로 대응할 타이밍을 놓치면,

뒤쳐진다기보다는 생존의 위험을 느끼게 되는 승자

독식(A winner takes all)의 환경에 살고있다는 느낌을

감출 수 없는 시대에 살고 있으며 더욱이 우리의 후

세를 위해 소프트파워 인재양성 시스템 구축을 위한

고민을 산/학/관이 함께 서둘러 시작해야 할 때임에

틀림이 없다.

참고문헌1. WiseGuyReports: http://www.abnewswire.com/

pressreleases/cyber-physical-system-2017-market-segmentationapplicationtechnology-market-analysis-research-report-to-2021_150981.html (2017)

2. Gartner Group: Hyper cycle for emerging technologies (2017)

3. https://www.honeywellprocess.com/library/news-and-events/presentations/hon-emea17-honeywell-connected-plant-analytics-and-beyond.pdf (2017)

그림 3. Conceptual framework of Digital Twin Platform.


특 별 기 획 ( III )

[국내 성공사례1]디스플레이 제조에서의

Big Data 기반 기계학습 응용

홍정진, 장원혁

㈜삼성디스플레이 [email protected], [email protected]

1. 배경

시장에서 요구되는 고해상도 등의 디스플레이 제

품의 품질 수준을 만족하기 위하여 디스플레이 제조

공정은 기존 대비 공정은 복잡해졌으며, 공정 관리

수준 또한 고도화해야 할 필요가 생겼다. 이를 위해

빅데이터 DB(Database) 구축을 통해 다양한 설비 센

서 데이터를 수집하고 이로부터 기계학습 방법론을

통해 수율 및 품질 관리를 고도화에 기여 할 수 있는

solution들의 개발이 필 수적으로 요구되고 있다.

OLED(Organic Light-Emitting Diode) 제조 공정

은 크게 TFT(Thin Film Transistor) 소자를 구성하

는 LTPS(Low-Temperature Polycrystalline Silicon) 공

정, 발광 소자를 구성하는 Color Pattering 공정, 그리

고 디스플레이 패널을 조립하는 Module 공정으로 이

루어져 있고, 각 공정은 도합 수백 개의 세부 공정

step으로 구성된다(그림 1). 최근 스마트폰 디스플레

이에 대한 시장에서의 요구가 HD(High-Definition),

FHD(Full HD)로 부터 초 고해상도인 QUHD(Quad

Ultra HD) 그리고 향후 UHD(Ultra HD)로 이동해가

면서 이에 요구되는 제품 사양을 만족하기 위해서는

수백 개의 세부 공정 step에 대한 정밀한 공정 제어,

공정 이상상황에 대한 정확한 판단 및 조기 감지, 그

리고 정밀한 계측과 자동화된 검사 시스템이 필요하

게 되었다.

그림 2는 FAB Platform, Big Data Platform, 그리고

이러한 platform들을 기반으로 개발된 다양한

solution들로 이루어진 디스플레이 제조 공정의 Smart

Factory 구성도를 보여준다. FAB platform은 생산

라인의 자동화를 위하여 도입되는데 일반적으로

MES(제조 전반에 대한 관리), YMS(수율 관리),

EES(설비 제어 관리), RTD(물류 및 반송 관리),

공정, 검사, 계측 DB 등으로 구성된다. 최근에는

여기에 Smart Factory를 지향하며 공정, 검사, 계측

DB에 축적된 빅데이타를 기반으로 수율 및 품질

향상을 위한 다양한 기계학습 기반 공정 제어, 진단,

모니터링 및 검사 solution 들이 추가되고 있다.

2. 주요 Machine Learning Solutions 개발

사례

1) VM(Virtual Metrology) 및 APC(Advanced

Process Control)

공정 제어, 공정 이상 진단 및 모니터링의 수준 향

상을 위한 solution 들은 기본적으로 공정 결과 data

를 필요로 한다. 전수 glass에 대한 공정 결과가 공정

즉시 측정 될 수 있다면 이상적이겠지만 계측 step

및 설비 증가에 따른 생산 감소와 투자비 증가로 이

그림 1. OLED 제조 공정 구성도1.

36 … NICE, 제36권 제1호, 2018


는 현실적으로 이루어지기 어렵다. VM은 계측에 의

한 생산성 감소와 투자비 증가를 최소화 하면서 공

정 결과 data를 얻을 수 있는 수단을 제공한다. 그림

3은 전형적인 디스플레이 공정의 VM을 보여주고 있

다. VM은 통계 모델을 기반으로 공정 data를 이용

하여 공정 완료 직 후 전수 glass에 대한 공정 결과를

엔지니어에게 제공하는 시스템이다. VM은 기존의

sampling 기반 실 계측 data와 달리 전수 glass에 대한

공정 결과를 볼 수 있게 함으로써 sampling data 사이

의 공정 이상을 볼 수 있게 해줄 뿐 아니라 공정 이상

발생 시 계측 delay 없이 빠른 조치를 가능하게 하는

장점을 가지고 있다.

그림 4는 VM이 적용된 실 사례를 보여주고 있다.

기존 실 계측 data 기반 공정 관리의 경우 sampling rate

이 매우 낮거나 계측 delay가 매우 긴 경우공정의 경

우 제어, 진단, 모니터링 solution 들의 개발이 제한 적

이었으나 VM을 통해 이러한 제약들을 줄여가고 있다.

그림 5는 APC 시스템의 구성도와 적용 사례를 보여주

는데, APC 시스템은 엔지니어를 대신해 실 계측 또는

그림 2. OLED 제조 공정 스마트 플랜트 구성도.

그림 3. 디스플레이 공정 VM2-3.

그림 4. VM 적용 결과.



VM data를 분석하여 공정 output이 목표값(Setpoint)에

유지될 수 있도록 공정의 input을 최적화하여 단위 공

정의 공정능력 개선에 크게 기여하고 있다.

2) 다변량통계 분석에 의한 공정이상 진단

공정 이상 및 불량 모니터링은 FDC(Fault Detec-

tion & Control)나 SPC(Statistical Process Control) 시스

템 등을 포함한 다양한 방법에 의해 이루어지고 있

다. 공정에 이상이 발생 할 경우 그 이상 원인계 분석

은 일반적으로 ANOVA(Analysis of Variance)에 의해

서 이루어 지는데, 공정 이상이 복합적인 원인계에

의해서 발생한 경우는 이 방법으로 탐지되지 않는

경우가 발생한다. 이러한 복합적인 원인계에 기인한

이상 분석을 위해 PCA(Principal Component Analysis)

등 다변량 통계 분석 방법론을 활용 한다4. 그림 6은

공정 이상 진단 개념도를 보여주는데, 측정 또는 검

사 data로부터 공정 이상 유무를 판단하고 공정 data

와의 다변량 통계분석을 통해 이상의 원인 인자들을

찾아내고 이를 이용하여 이상을 조기 감지할 수 있

는 예측 모델을 개발하고 있다.

공정의 이상 형태 및 원인계는 매우 다양하여

경우에 따라 여러 복합적인 통계적 방법론이

요구되기도 한다. 한 예로서, 그림 7은 PCA와 LDA

(Linear Discriminant Analysis)가 결합된 방법론의

flowchart와 결과 비교를 보여 준다. 먼저 data 정규화

(preprocessing)를 거치고 PCA를 통해 상관 패턴

(Correlation Pattern)들을 얻고, 이때 얻어진 상관

패턴을 input 인자로 그리고 대응되는 glass 별 이상

유무를 판정 결과를 output 인자로 활용하여 LDA를

통해 최종적으로 주요 상관 패턴(Key Correlation

Pattern)들을 결정한다5. 실제 공정에 적용한 결과,

원본 data set의 분산에 대한 기여도가 큰 순서로 주요

상관 패턴을 결정하는 일반적인 PCA 방법론 대비, 이

방법을 통해 얻어진 주요 상관 패턴을 이용해 얻어진

T2 Chart가 공정 이상에 보다 민감하게 반응 함을

확인하였다(그림 7-(b)와 (c)). 이 방법론을 기반으로

Software tool을 개발하여 양산 공정 이상 분석 및

해결 방안 도출에 활용하고 있다.

그림 5. (a) APC 구성도 (b) APC 적용 결과.

그림 6. 디스플레이 공정 이상 진단.

38 … NICE, 제36권 제1호, 2018


3) Deep Learning 기반 Defect 분류

디스플레이 패널 제조 공정에는 여러 종류의

visual 검사 step이 존재한다. 그림 8은 AOI(Automatic

Optical Inspection)로부터 얻어진 image를 이용한 de-

fect 분류 구성도를 보여준다. 기존의 방법은 image로

부터 (defect 판정에 적합하도록) 미리 정의된 다양한

수치 feature들을 얻어내고 이를 이용한 rule 기반의

분류 알고리즘으로 defect을 분류 했다. 하지만 defect

별로 적합한 feature를 정의하는 것은 많은 시행착오

를 필요로 하고 또한 defect 별로 관련 feature들의 한

도값(threshold)을 최적화하는 것 또한 많은 노력이

요구되어 판정 정확성을 개선하는데 한계가 있었다.

이를 개선하기 위해 기존의 defect 분류 시스템에

Deep Learning 모델에 의한 learning 기반 알고리즘

을 추가 함으로써 defect 판정 정확성을 대폭 향상시

킬 수 있게 되었다. 일반적으로 디스플레이 제조공

정에 나타나는defect의 형태, 크기, 위치가 매우 다양

하여 단일의 CNN(Convolutional Neural Network) 분

류 모델로는 판정 정확성을 확보하기 어렵다. 이 때

문에, 그림 9에서 보여지는 것처럼 복수의 CNN 분

류 모델과 이들로부터 얻어진 판정결과들을 다시 활

용하여 최종판정을 내리는 Random Forest 모델로 구

성된 Ensemble 모델을 개발하여 분류 성능을 개선

할 수 있었다. 디스플레이 제조공정에서는 Defect 분

류 외에 패널 외관 검사나 얼룩 수준 판별 등도 Deep

Learning 기반의 분류 모델 개발이 요구된다.

3. 맺음말

디스플레이 제조공정에서는 그림 2에서 보여준

FAB 및 빅데이터 인프라를 바탕으로 위에 소개된

사례 외에도 다양한 기계학습 기반 solution들을 적

용되고 있으나, 인공지능이 접목된 진정한 의미의

그림 7. (a) PCA+LDA이상 진단 Flowchart (b) T2 Chart: PCA Only (c) T2 Chart: PCA+LDA [5].

그림 8. Image 기반 Defect 분류구성도.


특 별 기 획 ( IV )

Smart Factory 구현을 위해서는 여전히 수많은 난제

들을 극복해내야 한다. 이를 위해서는 혁신적인 기

계학습 기반 solution들을 개발해 낼 수 있는 우수한

인력의 양성이 필수 적이다. 양산 라인에 적용될 수

있는 수준의 기계학습 기반 solution을 성공적으로 개

발하기 위해서는 예측 모델의 정확성(Accuracy), 강

건함(Robustness), 그리고 적응성(Adaptiveness)확보

가 매우 중요한데, 이를 위해서는 빅데이터 분석 및

기계학습 방법론에 대한 이해와 공정에 대한 이해

(Domain Knowledge)가 동시에 요구된다. 따라서 화

학공학 등 엔지니어링을 전공하여 제조 공정에 대한

학습 능력을 갖추고 있으면서, 기계학습 또는 공정

시스템 (제어, 모델링, 최적화 등) 분야를 세부 전공

한 인력들이 향후 스마트 플랜트 고도화에 크게 기

여 할 수 있을 것으로 기대된다.

참고문헌1. 삼성디스플레이 뉴스룸, http://news.samsungdisplay.com/2. T.-H. Lin, M.-H.Hung, R.-C.Lin and F.-T. Cheng,

Proceedings of the 2006 IEEE International Conference on Robotics andAutomation, 1054 (May 2006).

3. P. Kang, H. Lee, S. Cho, D. Kim, J. Park, C. Park and S. Doh, Expert Systems with Applications, 36, 12554 (2009).

4. L.H. Chiang, E. L. Russell and R. D.Braatz, Fault detection and diagnosis in industrial systems, Springer-Verlag, London (2001).

5. J. Hong, K. Park, S. Park, Y. Park and W. Jang, Proceedings of the APC Conference 2017, (October 2017).

그림 9. Defect 분류를 위한 Ensemble 모델 구성도.

[국내 성공사례2]ECMiner™와 공정장치산업

빅데이터 인력 양성

민광기

㈜이씨마이너

1. ECMiner™

㈜이씨마이너는 2000년 설립 이래 빅데이터 분

석 컨설팅과 빅데이터솔루션인 ECMiner™와 빅데

이터 응용 소프트웨어를 개발해 온 전문회사이다.

ECMiner™은 NEP(New Excellent Product) 인증과

GS(Good Software) 인증을 받아 제품의 품질을 검증

받았다. 특히 NEP 인증은 국내 최초, 유일, 그리고

수입 대체가 100%인 SW에 주는 인증을 받음으로써

빅데이터 분야의 선두주자임을 입증하였다.

㈜이씨마이너는 통계, 데이터마이닝 SW로 시작하

여, 2011년 빅데이터 시대의 도래로 정형데이터 분석

뿐만 아니라 비정형 데이터인 텍스트와 이미지를 분

석할 수 있는 모듈을 내장하여 정형, 비정형 데이터

를 동일한 분석화면에서 데이터의 타입과 상관없이

분석할 수 있는 환경을 마련하였다. 또한 2016년 알

파고의 열풍과 함께 인공지능이 전 부문에 걸쳐 붐이

일어나면서 인공지능의 딥러닝 알고리즘과 강화학습

알고리즘을 포함하여 통계, 빅데이터, 그리고 인공지

40 … NICE, 제36권 제1호, 2018


능을 활용할 수 있는 통합분석환경을 제공하고 있다.

ECMiner™은 다양한 분야에 적용되어 왔는데 공

공, 금융, 서비스 부문과 제조부문, 그리고 국내 30

여개 대학교에 기증하여 교육용으로 활용되고 있다.

공공, 금융, 서비스 부문 적용은 고객관계관리(CRM:

Customer Relationship Management), 범죄수사(예: 자

금세탁방지, 범죄유형분석, 불법 유사석유 유통방

지, 외환거래위험관리 등), 최근에는 원/부원료 수요

예측 등에 활용되어 왔다. 제조부문에 있어서는 반

도체, 철강, 화학, 디스플레이 부문에 품질향상, 에너

지절감, 안전, 환경 등에 적용되어 왔다. 그림 1은 공

정장치산업을 포함한 제조산업의 빅데이터 활용 분

야를 보여주고 있다.

2. 데이터 과학자 양성

4차 산업혁명 환경에서는 기계와 기계, 기계와 인

간, 그리고 인간과 인간 간의 트래픽 데이터가 사물인

터넷을 통해 연결되어 정형, 비정형, 반정형의 방대

한 양의 데이터가 실시간으로 생성되고 있다. 이러한

빅데이터를 활용하기 위해 1) 데이터 수집, 저장, 관

리 기술, 2) 분석기술, 그리고 3) 활용 기술이 요구되고

있으며, 이중 데이터를 분석하고 활용할 수 있는 데이

터 과학자가 현재 매우 각광받고 있다. 그러나 산업현

장에서 활동할 데이터 과학자가 매우 부족한 상황이

고, 데이터 과학자 한 명을 양성하는데 평균 3~5년이

걸린다는 보고서가 나와 있어 이에 대한 접근 방법을

새로이 할 필요가 있다. 즉 현업 엔지니어에게 손쉽게

데이터에 접근하고 분석할 수 있는 환경을 제공하고,

빅데이터 분석 역량을 향상시켜 자신의 업무를 분석

을 통해 개선할 수 있도록 지도할 수 있다면 현업엔지

니어가 데이터 과학자가 되는 것이다.

㈜이씨마이너는 제조부문 200여개의 다양한 프로

젝트를 수행한 경험을 통해 개발된 빅데이터 분석방

법론을 엔지니어에게 교육한 결과, 현업엔지니어가

충분히 빅데이터 분석을 수행할 수 있음을 확인하였

다. 이러한 내용을 고객사 경영진과 협의하여 기업

내 빅데이터 경진대회를 진행하였다. 빅데이터 경진

대회가 진행됨에 따라 엔지니어가 분석업무를 이해

함으로써 업무 개선의 폭이 넓어졌으며, 또한 부서

간 선의의 경쟁을 통해 업무향상 효과가 배가 되었

다. 빅데이터 경진대회의 분석결과 보고서는 사례

집으로 발간되어 문제해결 은행으로 발전하고 있으

며, 특히 분석 데이터와 분석 절차가 SW로 보관됨으

로써 후임자가 분석 내용을 따라해 봄으로써 이해를

빠르게 하였다.

빅데이터 경진대회는 2015년 롯데케미컬 여수공

그림 1. 제조부문 빅데이터 활용분야.



장이 처음 시작하여 설비 투자없이 최적운전조건 도

출을 통해 수십 억원의 비용절감이라는 좋은 성과를

달성하여 이후 매년 진행하고 있으며, 올래 3회 경진

대회를 진행하고 있다. 롯데케미컬을 벤치마킹하여

롯데첨단소재에서 빅데이터 경진대회를 진행하고 있

다. 2016년 시작한 해군군수사령부 빅데이터 경진대

회는 사령관과 지휘관들의 관심과 참가자들의 열정

이 어우러져 좋은 성과를 냈으며, 올해 2차 경진대회

를 진행하였다. 올해에는 작년에 진행 시 미흡한 점

을 보완하고 체계적으로 진행하여 기존 수요 예측에

많은 팀이 참여했으나, 올해에는 다양한 부문에 걸쳐

개선사례가 발표되었다. 해군군수사령부는 빅데이터

경진대회를 정례화하였으며, 일상 업무에서도 빅데

이터 분석 기반 의사결정을 통해 업무 효율성과 효과

성을 향상시키고, 구성원들이 빅데이터 분석능력을

배양하여 개개인의 경쟁력을 향상시키고 있다.

4차 산업혁명의 시대에 데이터 분석능력은 조직

과 개인의 경쟁력을 향상시키는 매우 중요한 인자임

을 빅데이터 경진대회를 통해 검증할 수 있었다. 4차

산업혁명이 지향하는 바가 산업체 환경과 거리감이

많이 있는 것도 현실이지만, 대부분의 화학공장은

실시간 데이터베이스가 구축되어 타 산업에 비해 분

석에 좋은 환경을 갖고 있다. 데이터로부터 정보를

추출, 활용할 수 있는 능력을 배양하여 기업과 개인

의 경쟁력이 향상되기를 기대한다.

3. 빅데이터 적용의 성공요소

산업 현장에 빅데이터의 성공적 적용을 위해서는

데이터, 분석 소프트웨어, 그리고 데이터과학자에

대한 신중한 접근이 필요하다.

첫째, 데이터의 수집, 저장, 관리 시 데이터는 분

석 관점으로 수집, 저장 관리되어야 한다는 점이다.

예를 들어 품질분석 시 개별 제품 품질과 생산조건

을 연계하여 분석할 수 있는 추적성(traceability)을 사

용자에게 제공하여야 한다. 가장 기본적인 부분이지

만, 많은 기업에서 빅데이터 활용을 어렵게 하는 심

지어는 실패의 주요인이므로, 빅데이터 시스템 구축

시 데이터 수집/저장/관리를 설계할 때 분석업무를

이해하는 현업 엔지니어의 참여가 반드시 필요하다.

둘째, 분석 소프트웨어는 통계, 데이터마이닝,

그리고 빅데이터 분석 시 사용자 쉽게 사용할 수

있는 편리성을 제공하여야 하며, 수집/저장된

데이터에 쉽게 접근할 수 있는 기능과 대용량의

데이터를 가시화 할 수 있는 기능을 제공하여야

한다. 현재 대부분의 산업 현장에는 엑셀이나

미니탭(식스시그마 활동을 위한 분석 소프트웨어)을

제외하고는 엔지니어가 빅데이터를 분석할 툴이

없는 실정이다. 특히 중소기업의 경우에는 더

실정이 열악한 상황이다. 최근 빅데이터 분석을

위해 오픈 소스 분석 소프트웨어가 엔지니어에게

제공되고 있으나, 현장 엔지니어가 사용하기에

시간과 노력이 많이 들어 사용상 제약성이 많이 있는

것이 현실이다. 아쉽게도 기업에서는 하드웨어적인

비용은 많이 지출하면서 분석 소프트웨어 선정 시

비용절감을 위해 오픈 소스를 선택하는 경향이 있다.

엔지니어가 쉽게 사용할 수 있고 가격 경쟁력이 있는

그림 2. 해군군수사령부 빅데이터 경진대회.

그림 3. 포스코 광양제철소 빅데이터 경진대회.

42 … NICE, 제36권 제1호, 2018


국산 소프트웨어인 ECMiner™을 고려하는 것도

하나의 대안이 될 수 있다.

마지막으로 데이터와 분석 소프트웨어를 사용하

여 분석을 실질적으로 수행할 데이터과학자는 앞에

서도 언급했듯이 업무를 이해하고 있는 엔지니어가

분석 기법을 습득하여 자신이 관리하고 운영하고 있

는 공정 데이터를 접근하여 사용하기 편리한 분석

소프트웨어를 이용하여 업무의 효율성과 공정효율

을 극대화하는 것이 빅데이터의 핵심 성공요인이다.

아래 그림에 성공적인 빅데이터 수행을 위한 3대 요

소를 나타내었다.

4. 맺음말

초 연결, 초 지능 기술적 토대 위에 진행되고 있

는 4차 산업혁명은 궁극적으로 경제적인 측면에서

중국을 견제하기 위한 그리고 자국의 경쟁력을 향상

시키려는 노력으로 나타나고 있다. 예를 들어, 독일

은 기존 강세인 제조산업에 ICT기술의 융복합을 통

하여 경쟁력을 강화하고 있으며, 미국은 구글, 애플

등을 통해 전세계적으로 확보한 데이터를 활용하여

인공지능을 강화하고 있으며, 일본은 노후화에 따른

노동력 확보를 위해 로봇 산업을 중점으로 육성하고

있다. 이에 우리나라는 4차 산업혁명에 능동적으로

대응하고 국가 경쟁력을 확보하기 위한 방안이 무엇

인가 심도 있게 고민해야 하는 상황이다. 지난 20여

년간 산업계에서 분석 프로젝트를 수행한 필자는 최

근 빅데이터 경진대회를 통해 우리나라 엔지니어의

일에 대한 열정과 주어진 문제에 대해 빅데이터를

활용함에 있어 창의적으로 해결해 나가는 것을 보았

다. 이를 통해 4차 산업혁명에 있어 대한민국의 경

쟁력은 빅데이터를 활용할 수 있는 엔지니어 양성이

며, 엔지니어가 빅데이터를 활용할 수 있는 환경을

만들고 지원하는 것이 기업뿐만 아니라 국가 경쟁력

을 향상시키는 방안이라 확신한다.

그림 4. 성공적인 빅데이터 수행을 위한 3대 요소.


특 별 기 획 ( V )

4차 산업혁명과 스마트 플랜트: 도전과 나아갈 길

저자일동

본 특별기획에서는 4차 산업혁명과 빅데이터, 인

공지능 등 중요 요소기술, 그리고 국내 성공사례를

살펴보았다. 또한 스마트 디지털 엔지니어링 산업

등 4차 산업혁명이 공정장치산업에 미칠 영향에 대

해서 알아보았다. 앞에서도 언급했듯이 4차 산업혁

명 시대에는 데이터의 양이 기하 급수적으로 증가한

다는 것이며,이와 관련된 여러 도전은 우리 앞에 놓

여있다. 이 글에서는 공정 산업 분야에서 4차 산업혁

명과 관련된 몇 가지 중요한 문제를 짚어보고 가능

한 해결 방향을 제시하고자 한다.

보안

연결되어 있는 기기는 노출된다. 스턱스넷 사건1은

개방형 아키텍처에 기반한 제어 시스템을 갖춘

모든 프로세스에 대한 잠재적 위협을 부각시켰다.

사물인터넷 플랫폼과 애플리케이션을 설계할 때는

사이버 침입의 위협에 상당한 주의를 기울여야 한다.

미국의 4차 산업혁명을 주도하는 Smart Manufacturing

Leadership Coalition의 기술이사인 Jim Davis교수는

또한 보안의 방법 중 하나로 “human in the loop”를

강조하였는데, 이는 앞서 보았던 사이버물리시스템의

개념도에서 사람이 구성요소 중의 하나임과 무관하지

않다.

기업문화(보수성)

위험에 민감한 산업은 장기간의 안전이 보장된

1 2010년 6월에 발견된 스턱스넷(Stuxnet)은 산업시설을 감시하고 파괴하는 최초의 웜 바이러스이다. 마이크로소프트 윈도를 통해 이란의 핵시설을에서 사용되던 지멘스의 소프트웨어 및 장비를 감염시켰다.

후에야 비로소 신기술을 채택한다. 공정장치산업은

이 밖에도 다양한 이유로 인해 사물인터넷에서 뒤쳐

지고 있다. 업계의 보수적 문화, 분기 실적에 대한 단

기 집중, 장년층의 비중이 높은 노동 인력구조 등이

그 원인이다. 또한 상당수의 산업 영역은 아직도 "그

리드 밖”이며, 선진기업에서도 연결의 일관성을 유

지하는 문제는 존재한다. 예를 들면 제어 엔지니어

는 정보기술팀이 시스템을 유지 관리하는 것을 신뢰

하지 않으며 정보기술 엔지니어는 다른 부서의 직원

이 오늘날의 복잡한 산업 시스템을 이해할 수 있다

고 생각하지 않는다. 이러한 실질적인 문제는 업계

전반의 집중적인 노력으로 해결할 수 밖에 없다.

기술의 상호연결성(표준)

다양한 플랫폼 및 솔루션 간의 상호 운용성 부족

은 반드시 극복해야 할 과제이다. 상호 운용성은 인

더스트리 4.0 개념의 중요한 요소이기 때문에 반드

시 확보되어야 한다. 4차 산업혁명을 위해서는 여러

솔루션 제공 회사의 플러그 앤 플레이 구성 요소가

운영 공장 및 시설의 이익을 위해 함께 협력할 수 있

도록 표준을 정의해야 한다.

교육, 인력양성 그리고 국가 정책

4차 산업혁명의 시대를 맞아 ICT 기술(빅데이터,

AI, CPS), 기술적 플랫폼 및 문화적 도전은 화학공학

자인 우리 앞에 놓여있다. 4차 산업혁명시대와 화학

공학이 결합된 스마트 플랜트의 경우, 현재 공정장

치산업 현장의 스마트 융합화를 선도해 나갈 핵심인

력 공급은 매우 미흡한 실정이다. 이를 해결하기 위

44 … NICE, 제36권 제1호, 2018

특 별 기 획 ( V )

해서는 학계, 산업계 그리고 정부가 인력 개발 및 기

술 혁신을 위해 반드시 협력해야 한다. 미국, 독일,

일본의 경우와 마찬가지로 학계, 산업계, 정부가 같

이 참여하는 기구를 만들어 스마트 플랜트 관련교

육, 인력양성 그리고 전략 연구를 체계적으로 접근

하는 것이 필요하다.

특별히, 화학공학 및 플랜트 산업의 경우 4차 산

업인 빅데이터와 인공지능 기술이 중요하지만 이 기

술이 모든 문제를 해결해주는 master key는 아닌 것

을 명심해야 한다. 단순한 기술적용이 아니라 화학

공학과 공정장치산업에 대한 이해가 반드시 선행되

어야 한다. 이를 위해 대학 및 대학원은 현재 교육과

정에 화학공학 및 스마트 플랜트 관련 교과목인 스

마트 설계, 고급 통계, Python/Pytorch 언어, 빅데이

터 분석 같은 교과목 및 track program을 도입하는 것

이 필요하다. 특히, 화학공학의 domain knowledge(전

공지식)을 바탕으로 4차 산업의 중요기술인 빅데이

터와 인공지능의 ICT 기술이 융합된 스마트플랜트

in 화학공학 (Smart plant @ chemical engineering)이

대학/대학원 교육은 물론 국가 정책에도 반영되어야

한다.

기업은 기존의 식스시그마 경험과 4차 산업혁명

의 최신 기술을 융합하여 실제 현장에서 적용 가능

한 방향으로 학계와 회사가 공동연구를 진행하는 것

이 바람직하며 이를 통해 스마트 플랜트 원천기술을

공동 개발을 통하여 공정장치산업의 수익모델에 부

가가치를 더한 스마트 플랜트 운영으로 전략적으로

대응하는 것이 필요하다.

우리나라 산업구조에서 공정장치산업의 중요도

를 고려할 때, 국내 플랜트, 정유 및 석유화학, 반도

체/디스플레이 등 관련 기업들이 4차산업혁명 시대

에서 글로벌 퍼스트 무버(Global First Mover)로서 세

계를 주도해 나간다면 국내 경제에 미치는 영향은

막대할 것이다. 그러므로, 국내 스마트 플랜트 분야

기술인력의 고급화 및 핵심 엔지니어 양성을 위한

인력양성 프로그램을 마련하고, 스마트 플랜트 현업

에서 창의적 프로젝트 리더급 핵심인력을 양성하는

것이 매우 시급하다고 할 수 있다.

4차 산업혁명이 플랜트의 운영을 포함한 전체 비

즈니스의 성과를 더 높은 수준으로 끌어 올릴 수 있

고, 새로운 시장 또한 만들 수 있는 가능성을 가진 것

은 분명해 보인다. 하지만 그러한 잠재력을 십분 활

용하는 과정은 결코 쉬운 일이 아니다. 앞에서 설명

했듯이 새로운 기술, 전략, 절차, 사고 방식 및 숙련

도가 필요하다. 그리고 4차 산업혁명에 대한 맹목적

인 믿음이나 불신, 전제 또한 진화하고 성숙해질 필

요가 있다.

논의한 바와 같이 빅데이터X와 인공지능만으로

는 모든 것을 해결할 수 없다. 공정은 제한된 운영 조

건 하에서 시간이 지남에 따라 진화하며 데이터는

이러한 현실을 측정값으로 표시하지만, 데이터가 데

이터에 포함된 정보 그 이상을 알려줄 수는 없다. 그

러나 도메인 지식과 결합된 빅데이터는 한걸음 나아

가 중요한 질문에 답하고 더 나은 실험을 설계하며

최적화를 하는 등 시너지 효과를 발휘할 수 있다. 그

러므로 여기서 우리가 대답해야 할 질문은 “과연 우

리가 4차 산업혁명 시대에 진입을 해야 되는가?”가

아니라, “우리가 4차 산업혁명 시대로의 진입을 거부

할 수 있을까?”가 아닌가 생각된다.

4차 산업혁명과 스마트 플랜트 (smart plant) · 스마트 디지털 엔지니어링...

Documents