기술과 솔루션
스마트공장(Smart Factory)을 위한 사출성형 모니터링 및 최적화 기술
작성자 : 취재부
2021-03-08 |
조회 : 2699
최근 사출성형 산업계에서는 복잡한 제품 구조와 복합 성형 공정의 증가, 그리고 다양한 사용 환경에 대한 더욱 엄격해진 품질요구에 직면하고 있다. 이러한 변화에 이해하고 대응하기 위하여, 사출성형 모니터링에서 얻어지는 데이터를 기반으로 사출성형 공정을 최적화하고 활용하는 방법과 이에 필요한 기본적인 지식에 초점을 맞추어 기사를 연재하고자 한다.
RJG사는 사출성형 교육, 기술 및 리소스 분야에서 세계적인 리더로 인정받고 있는 회사이며, 사출성형 공정 모니터링에 사용되는 센서와 장비를 생산/공급하고 있다. 본 기사에 게재된 자료들은 씨에이프로(주)와 RJG사에 모든 권한이 있다.
자료제공 : 이길호 (RJG공식 컨설턴트/트레이너)
Ⅴ. 사출공정 모니터링 시스템의 미래
모니터링 시스템 및 압력/온도 센서는 로봇(Robot)이나 제어기기(Control Instrument)와 함께, 스마트 공장(Smart Factory)을 구현하기 위한 여러 기술 중에 한가지로써 필수적으로 확보하여야 할 요소기술이다. 또한, 스마트 공정을 보다 저비용으로 단기간에 구축하고, 최적화하기 위하여 물리적인 가상현실 엔지니어링을 이용하는 디지털 트윈(Digital Twin) 기술이 사용되어야 한다.
여기에서는 사출성형 공정 모니터링 시스템이 스마트 공장(Smart Factory)과 디지털 트윈(Digital Twin) 영역에서 어떻게 활용되고 있고, 이를 토대로 앞으로 어떠한 방향으로 발전될 것인 지에 대하여 고민하고자 한다. 일반적으로 사이버 물리 시스템과 사물 인터넷(IoT)이 결합된 스마트 공장(Smart Factory)의 시대 또는 기술영역을 인터스트리 4.0(Industry 4.0)이라고 부르기도 한다.
“인더스트리 4.0이란 무엇입니까?” 우리가 많이 듣는 질문이지만, 인더스트리 4.0의 적용은 시장마다 크게 다름으로 하나의 답으로 모든 것을 설명할 수 없기 때문에 잘못된 질문이다. 일반적인 관점에서 보면 인더스트리 4.0은 사용 가능한 기술을 사용하여 프로세스를 간소화하고 워크플로(Workflow)의 효율성을 높이는 것이라고 간단히 말할 수 있을 것이다.
위의 목적을 이루기 위해서는 생산 설비에 원격으로 액세스가 가능하고, 자동화 및 표준화에 이용되는 데이터를 생산/공유할 수 있어야 하며. 이런 데이터를 이용하여 스마트 제조 시설과 자율 시스템을 만드는 데 사용되어야 한다.
사이버-물리 시스템과 사물 인터넷(IoT)의 결합 덕분에 스마트공장이 현시대에 가능하게 되었으며, 사이버-물리적 시스템은 네트워킹을 통하여 물리적 프로세스(로봇 및 자동화) 및 분석을 통합하여 구성된다.
사출성형 공정에서 얻어진 데이터를 생성(Create), 수집(Gather), 분석(Analyze) 및 확장(Broaden)을 하면, 공정 모니터링과 QC 및 유지보수를 동시에 관리할 수 있는 스마트 제조 공정을 이룰 수 있으며, 과거의 추세(Trend)를 AI 분석의 데이터로 사용하면, 문제 발생을 사전에 예측할 수 있게 된다.
인더스트리 4.0의 핵심은 조직 전체에서 데이터를 효과적으로 사람과 기계에 정보를 제공하여 품질을 개선하고 비용을 절감하며, 이전에는 불가능했던 기회를 창출하는 것이다.
1. 스마트 공장(Smart Factory)에서의 적용
사출성형 공장에서 작업자나 엔지니어에게 다음과 같은 질문을 던졌을 때, 대부분이 명쾌한 답을 내놓을 수 없는 경우가 대부분이다. 이러한 모호성이 불량에 대한 판단을 어렵게 하고, 신속한 의사결정의 부재가 되어 회사에 심각한 경제적, 시간적인 피해를 주게 된다.
1. 사출 공정이 문서화된 설정과 일치하는지 어떻게 알 수 있습니까?
2. 각 작업에서 얼마나 많은 프로세스 변경이 발생합니까? 올바른 변화입니까?
3. 지속적인 프로세스 개선을 위해 프로세스 변경 기준/내역이 사용됩니까?
4. 모든 성형 기술자가 설정 변수를 올바르게 선택할 수 있는 충분한 지식을 보유하고 있습니까?
스마트공장의 필수 요건인 자율 프로세스와 정보의 수집 및 분산을 결합하면, 사출성형 산업 내에서 무한한 활용 가능성의 문이 열릴 수 있다. 위의 질문에 대한 확신을 가지기 위하여, 사출성형 공장을 스마트화하면 다음과 같은 경제적, 기술적 많은 혜택을 누릴 수 있다.
• 문제점 사전 예측 및 분석
• 원격 모니터링 및 제어
• 생산 위치에 상관없는 글로벌 표준화
• 품질 향상과 결합된 매우 낮은 불량률
• 더 빠르고 효율적인 프로세스
• 작업공정 / 제품의 위험도 감소
• 더 낮은 비용의 시사출 및 제품 출시 기간 단축
• 무인 제조
스마트공장을 구축하기 위해서는 데이터의 흐름과 사용 목적에 따라 여러 단계로 나누어질 수 있으며, [그림 210]은 층(Layer) 간의 데이터의 이동 경로와 필요한 요소(H/W, S/W)를 보여준다.
모니터링 시스템과 센서들은 물리적 단계(Physical Layer)에서 시작하여, 장치단계(Device Layer), 데이터 수집단계(Data Acquisition)를 거쳐 데이터베이스 단계(Database Layer)까지의 영역에서 이용되고 있음을 보여주며, 그 위의 단계에서는 제조실행시스템(MES, Manufacturing Execution System)과 전사적 자원관리시스템(ERP, Enterprise Resource Planning)과 연계되고, 수집된 데이터를 분석/가공하여 회사의 경영 효율성을 극대화하는 데에 사용된다.
전 세계적으로 널리 이용되고 있는 사출성형 모니터링 시스템인 RJG사의 eDart(기존 제품)와 CoPilot(신규 제품)의 구성과 기능을 예를 들어, 현재 사출성형 스마트공장의 상황과 앞으로의 발전 방향을 기술하고자 한다.
위의 [그림 211]은 물리적/장치단계(Physical/Device Layer)에서 필요한 모니터링 시스템과 각종 센서의 기본적인 구성을 보여주며, 이 외에도 재료관리나 제품관리에 필요한 습도 측정기, 냉각수 유속 측정기 등의 추가적인 장치들을 모니터링 시스템과 결합시킬 수 있다.
위의 [그림 212]은 사출기 동작 상태 표시창(Screen)을 보여주며, 이를 위해서는 사출기에 압력/거리 센서와 동작 신호를 얻기 위한 링스(Lynx) 모듈이 설치되어야 한다. 이러한 데이터는 금형 캐비티 내에서 얻어지는 데이터와 연계되어, 불량 발생 시에 원인 파악과 사출기 입력조건 최적화, 그리고 유지보수 등의 부가적인 업무를 손쉽게 처리할 수 있도록 지원한다.
위의 [그림 213]은 사출기 동작과 금형 내압 및 온도 센서에서 얻어지는 데이터를 동시에 보여주는 표시창(Screen)이며, 이러한 곡선 데이터는 사출기의 동작에 의한 금형 내의 재료의 변화를 검토할 수 있도록 작업자에게 도움을 준다.
이러한 데이터를 기반으로 사출기의 동작에 관련한 알람(Alarm)을 설정할 수 있으며, 이는 20 샷(Shots) 이상의 축적된 데이터를 통계적으로 처리하여 4.5σ를 기준으로 상/하한선을 결정한다. 미래에는 AI(Artificial Intelligence)를 기반으로 보다 정밀한 공정관리와 품질관리를 수행할 수 있을 것으로 기대된다.
위의 [그림 214]는 설정된 품질관리 기준값들의 매 사이클마다 변화를 모니터링하는 표시창(Screen)을 보여준다. 이를 위해서는 사출품의 품질에 연관된 변수의 이해가 필요하며, 이를 토대로 적절한 기준값을 설정하여야 한다.
앞의 장에서 강조한 4대 변수(4-Variables; 압력, 온도, 속도, 냉각속도)의 변화를 기본으로 이에 영향을 주는 사출기의 인자들을 분석하여야 하며, 캐비티의 압력과 온도 데이터와 더불어 양산 품질관리의 기준값으로 설정하여 계속 모니터링을 하여야 한다. 추후 관리 인자에 대한 수동적 설정이 축적된 데이터 기반의 AI 분석으로 전환될 전망이다.
[그림 215]의 하단의 3개 창은 모니터가 아이들(Idle) 상태에서 공정운전 상황을 보여주는 메시지이다. 상단의 창은 사출기의 동작 이상이 발생하거나 재료의 변화가 발생하여, 금형 내의 상황이 기준 설정치를 벗어나는 경우에, 이에 대한 사출기의 조정값을 자동 계산하여 나타내 주는 것이다.
이러한 어드바이스(Advice) 기능은 숙련되지 않은 작업자나 엔지니어들이 손쉽게 조건 변경을 하는 것을 도와주어, 계속된 양품 생산이 이루어지도록 하는 것을 지원한다.
데이터 수집 단계(Data Acquisition)를 거쳐 데이터베이스 단계(Database Layer)에서는 서버에 설치된 HUB 시스템(S/W)을 사용하면, 위의 [그림 216], 아래의 [그림 217]과 같이 공정의 상태를 분석하고, 효율성과 생산성을 검증하기 위한 다양한 결과들을 얻을 수 있다. 이러한 데이터는 사출성형 공정의 현 상황과 문제점을 손쉽게 파악할 수 있도록 도움을 주며, 회사의 경영과 관련된 의사결정이 손쉽게 처리할 수 있도록 지원한다.
사출성형이 수많은 산업 응용 분야에서 가장 일반적으로 사용되는 플라스틱 성형기술 중 하나이기 때문에 시장규모는 지속해서 확장/진화하고 있다.
특히 맞춤형 플라스틱 부품은 의료산업 분야에서 가장 빠르게 성장하는 시장이다. 예를 들어 임신 테스트 장치, 혈액샘플 분석 큐벳(Cuvettes), 바늘용 하우징(Housing)은 사출성형 기술을 이용하여 효율적으로 양산화를 이룰 수 있는 제품들이다.
Grand View Research의 보고서에 따르면, 전 세계 사출성형 플라스틱 시장규모는 2019년에 2,582억 달러(약 300조 원)로 평가되며, 추후 더 성장할 것으로 예상된다. 특히 선진국 시장에서는 품질에 대한 보다 강력한 규제와 요구가 발생할 것으로 예상되며, 이에 부합하여 모니터링 시스템과 생산과 품질에 관련된 각종 센서의 수요가 증가할 것이다.
미래에도 계속하여 발전이 요구될 분야는 고성능 재료의 사용, 재활용에 대한 책임, 그리고 소프트웨어와 AI 기술의 광범위한 사용이 될 것으로 예측된다. 특히 소프트웨어와 AI 기술은 제조업체가 처음부터 부품의 설계 품질과 정확성을 개선하고, 양산과 품질관리 비용을 절감할 수 있게 지원하게 될 것이다. 사출성형 업계는 더 나은 기술, 환경 조건 및 더 정밀한 재료 사양으로 계속 발전할 것이며, 이에 동참하기 위해서는 데이터를 수집하고 관리하며 분석할 수 있는 능력을 키우는 것이 선행되어야 한다.
2. 디지털 트윈(Digital Twin)에서의 적용
Digital Twin은 4차 산업혁명에서 중요한 역할을 할 것이 명백하다. 실제 공간의 실제 제품과 가상 공간의 가상 제품, 즉 물리적 공간과 가상 공간을 연결하는 디지털 트윈은 데이터와 정보의 연결 및 분석을 통하여 개발 기간 단축과 비용 절감을 손쉽게 이루게 하며, 무한경쟁 시대에 살아남을 수 있는 최선의 길을 제시한다.
디지털 트윈(Digital Twin)에서의 가장 중요한 점은 시스템에 사용되는 디지털 모델에서 실제 물리적 생산 시스템으로의 복제가 어느 정도 정확도를 가졌는지 이며, 이에 따라 인공 지능과의 통합을 통한 최적화, 모니터링, 진단 및 예측, 물리적 시스템의 대량 데이터를 사용한 기계 학습 및 소프트웨어 분석 기술 등의 발전이 요구되고 있다.
사출성형 분야에서도 공정 중에 용융된 플라스틱이 흐르는 방식을 시뮬레이션(Simulation)하는 소프트웨어를 이용하여, 설계 프로세스 초기에 발생하는 문제점을 사전에 방지하고, 효과적으로 부품 제조 가능성을 평가 및 수정하는 작업을 수행하고 있다.
그러나 현재의 시뮬레이션 소프트웨어는 설계 단계의 방향성과 문제점을 파악하는 수준에 머물고 있는 것이 사실이며, 궁극적인 디지털 트윈을 이루기 위해서는 공정 매개 변수에 따른 제품의 품질 결함 예측, 실시간 공정 최적화, 공정 모니터링 등의 연구와 적용이 동반되어야 한다.
동일한 사출성형기인 경우에 기계 사양과 모델은 동일하지만, 동일한 성능의 기계로 볼 수 없으며, 모든 사출기는 각각의 고유한 성능과 특성을 가지고 있음을 명심해야 한다. 생산이 수시로 진행될 때 상태가 변경되고, 게다가 재료의 일관성을 보장하기가 어렵기 때문에, 이로 인하여 제품 품질이 불안정해질 수밖에 없다.
그러므로 금형 제작단계에서 금형 테스트 결과에 따라 설정된 생산 전의 초기 매개 변수는 생산 과정에서 얻어진 데이터를 통하여 검증되고 수정되어야 한다. 여기에 사용되는 데이터는 각 사출기에 설치된 센서를 통하여 얻어지며, 제조 공정에서 업데이트된 생산 데이터는 시스템 및 가상 모델로 피드백(Feed Back)되어 새로이 계산된 템플릿(Template)을 생성하고, 이를 사출기의 공정 매개 변수를 수정하는 데에 사용되어야 한다.
시뮬레이션은 지난 30년 동안 먼 길을 걸어왔지만, 양산 과정에서 치수 변화 등과 같은 제품의 문제점을 정확하게 예측하기에는 무리가 있다. 이를 방지하려면 시뮬레이션의 정확도를 결정하는 요인이 무엇인지를 이해하여야 올바른 엔지니어링 결정을 내릴 수 있어야 한다. 시뮬레이션의 정확성은 다음과 같은 5가지 사항에 영향을 받으며, 현재로서는 정확성을 완벽하게 보장하지는 못함을 인지하고, 결과를 현장에 적절하게 적용하여야 한다.
1. 적절한 메시(Mesh)의 형성 및 개수
2. 알고리즘(Algorithms)의 한계성
3. 일치하는 재료 물성(Material Properties)
4. 시뮬레이션에서 금형 형상의 정확한 구현
5. 실제 성형기 성능 정보
메시를 만들 때 정확도와 컴퓨터가 계산을 수행하는 데 필요한 시간 사이에는 반비례의 관계가 있으며, 대부분의 경우 500,000개의 메시 요소가 몇 시간 내에 결과를 제공할 수 있는 반면, 12,000,000개의 요소는 완료하는 데 거의 36시간이 걸릴 수 있다. 그러므로 정확도와 해석시간 사이에 균형이 필요하다.
소프트웨어 내에는 정확한 결과를 제공하기 위해 직/병렬로 발생하는 엄청난 양의 계산을 수행하여야 하지만, 모든 변수를 포함하여 계산되지는 않는다.
예를 들어 충진 과정 중의 제품과 금형의 변화는 압력, 온도 및 속도의 계산이 포함되지만, 그 외의 많은 변수들이 고려되지 않는 비교적 간단한 냉각 계산을 수행한다.
다양한 압력, 속도 및 온도에서의 재료 거동 물성은 정확도를 높이는 요소 중에 중요한 사항이나, 현실적으로 수백 수천 가지 재료에 대한 정확한 물성을 입력하여 시뮬레이션을 수행할 수 있는 것은 아니다.
그러므로 시뮬레이션 결과를 이용할 때에 실제와의 갭(Gap)을 인지하고 적용하여야 하며, 미래에는 측정기술과 알고리즘의 발전, 그리고 AI 기술의 적용으로 정확도가 개선될 것으로 예측된다.
현장에서 시뮬레이션 결과와 실제 제품의 품질 사이에서 상당한 차이가 종종 발생하며, 이는 성형기의 성능과 특성을 고려하지 않고 해석조건을 성형기의 조작 변수로 바로 입력하여 발생하는 경우가 대부분이다.
이를 해결하기 위해서는 사출기의 성능과 특성을 고려한 정규화(Normalization)된 템플릿(Template)을 사용하여, 입력조건을 시뮬레이션과 사출기가 공유하여 사용하여야 한다.
모니터링 시스템과 각종의 물리적 변수를 측정하는 센서들은 시뮬레이션과 실제 제품과의 갭(Gap)을 메울 수 있는 역할을 수행하며, 시뮬레이션 소프트웨어의 정확도 향상에 유용한 데이터로 활용된다. 또한, 이러한 데이터는 사출성형 분야에 인공 지능 기술을 적용하는 데에도 필수적으로 필요하다.
사출성형 산업에서 디지털 트윈(Digital Twin)을 구현하기 위해서는 사물 인터넷(IoT)과 Cyber Physical System(CPS)을 기반으로 금형 설계에서 최종 사출성형 공정까지의 데이터 축적과 분석 기술이 수반되어야 한다. 현재에는 데이터 자동 획득, 센서의 개발, 실시간 자동 육안 검사 시스템, 최적화 및 예측 분석 모델과 같은 몇 가지 해결되지 않는 문제들이 존재하며, 이를 해결하기 위하여 다양한 전문가와 연구가들이 계속적으로 노력하고 있다.
스마트 공장(Smart Factory)과 디지털 트윈(Digital Twin)은 현재의 사출성형 산업에서의 잠깐의 유행이나 장기적인 관점에서의 트랜드(Trend)가 아니라, 가까운 미래에 회사의 명운을 좌지우지할 수 있는 이슈(Issue)임을 알아야 한다.
“스마트공장(Smart Factory)을 위한 사출성형 모니터링 및 최적화 기술”이란 제목으로 1년 동안의 연재를 마무리하며, 부족한 점이 많았던 부분에 대하여 죄송스럽게 생각합니다.
여러분들께서 기사의 오류나 개선되어야 할 점에 대해서 피드백을 주신 것에 감사드립니다. 그리고 그 동안 부족함에도 불구하고 읽어 주신 모든 분들께 감사의 마음을 전합니다.
< 연재 끝 >
