제조 라인의 디지털 트윈: 유지보수 의사 결정 지원

개요: 디지털 트윈이 어떻게 그리고 왜 만들어지고 자동차 생산 라인에서 시험되었는가?

CNH Industrial은 캐피탈 분야의 글로벌 리더사다. 이탈리아 투자회사 엑소르가 재정적으로 관리하고 있으며 케이스, 뉴 홀랜드, 아이베코 등 12개 브랜드로 구성되어 있다. CNHI는 브랜딩을 통해 다양한 농·산업·상업용 차량과 파워트레인을 설계, 생산, 판매한다. 180개국 66개 제조공장, 53개 연구개발센터 등에 6만3000명 이상을 고용하고 있다. 이 회사는 뉴욕증권거래소에 상장되어 있으며 이탈리아 증시 지수의 구성 요소다.

Fair Dynamics는 주로 밀라노에서 운영되며 은행, 제조, 공공 서비스 등 다양한 산업에서 광범위한 컨설팅 서비스를 제공한다. 이 회사는 최근 이탈리아와 국제적으로 소프트웨어와 IT 서비스 제공업체인 엔지니어링 인게그네리아 인포마틱카 S.p.A에 인수되었다. 2017년 연결 수익은 10억 유로가 넘었다.

페어 다이내믹스는 혁신적인 기술을 적용하여 산업 문제를 해결하고 효율성을 개선한다. 이들의 핵심 접근방식은 모델링과 시뮬레이션인데, 이 회사는 2010년부터 애니로직 플랫폼을 사용하고 있으며 이탈리아 유통업체이기도 하다.

문제

제조 공정은 점점 더 디지털화되고 있다. 이제 4차 산업시대(4.0산업)에 접어들고 스마트공장으로의 전환이 시작된 것으로 평가된다. 스마트 공장 내에서 사이버 물리 시스템은 물리적 프로세스를 모니터링하고, 물리적 세계의 가상 복사본을 만들고, 분산된 결정을 내린다. 디지털 트윈은 이 시스템 운영의 핵심이다.

이미 디지털화가 진행 중인 상황에서 많은 기업들이 점차 스마트공장으로 전환해 새로운 현상의 혜택을 볼 목적으로 인공지능, 클라우드 컴퓨팅과 같은 새로운 기술을 시도하고 있다.

CNH Industrial은 유지보수 프로세스를 새로운 Industry 4.0 기술 적용을 시작할 수 있는 유망 영역으로 파악했다. 자동차 및 관련 업계에서는 다운타임 비용이 클 수 있다. CNHI와 같은 글로벌 기업의 경우 1분간의 다운타임 비용은 16만 달러 이상이 될 수 있으며 이러한 수치는 매년 증가하고 있다. 이와 같이 다운타임을 줄이기 위해 유지보수를 개선하면 상당한 성공을 거둘 수 있다. 가장 중요한 영역을 파악함으로써 아주 작은 비율의 개선이라도 많은 돈을 절약할 수 있었다.

따라서 CNH Industrial은 서로 다른 유지보수 정책을 평가하고 선정하기 위한 디지털 도구를 테스트하고자 했으며, 시범 프로젝트에 대해 Fair Dynamics와 합의하였다. 이들은 이베코 데일리 밴 섀시 용접(이탈리아 스자라 공장의 마스체론 라인)을 다루는 단일 제조라인에 주력하기로 했다. 가상 환경에서 선을 나타내는 디지털 트윈이 만들어질 예정이었다. 시뮬레이션은 CNHI 경영진이 다양한 시나리오에서 가능한 유지보수 정책의 이점을 확인하고 정보에 입각한 유지보수 결정을 내릴 수 있도록 한다.

디지털 트윈을 위한 스자라 공장의 선택은 무작위가 아니었다. 씨엔에이치인더스트리얼은 지속적인 개선을 위한 혁신 프로그램인 월드클래스제조(WCM)의 원칙을 적용한다. 당시 CHNi는 WCM 골드 레벨 상이 1개뿐이었고, 스자라의 이베코 공장은 2차 공장에 매우 가까웠다. CNHI는 새로운 기술이 어떻게 그것을 달성하는 데 도움을 줄 수 있는지 보고 싶었다.

해결책

용접선

디지털 트윈 프로젝트는 특정 제조 라인인 아이베코 판 섀시 용접에 초점을 맞췄다. 이 선은 다수의 역을 관통하는 컨베이어라고 설명할 수 있다. 페어 다이내믹스는 자동 용접 스테이션(사진 속 오렌지 블록)에 주의를 집중하도록 했다. 승합차가 이 역들 중 한 곳에서 멈추면 로봇들은 일제히 용접을 완성한다.

용접 건에는 아킬레스건 – Lamellar 팩(작동 중에 구부러져야 하는 전기 도체)이 있다. 그 움직임은 점차 한 갑의 구리 층의 손상으로 이어진다. 손상이 치명적이 되어 전도성을 충분히 변화시키면, 라멜라 팩 자체가 녹는 결과를 초래할 수 있다. 일반적으로 이 부품은 몇 분 안에 교체할 수 있지만, Lamellar 팩이 손상된 경우 몇 시간이 걸릴 수 있다. 이 구성 요소의 상태를 모니터링하고 예측하는 디지털 트윈은 다운타임을 크게 줄일 수 있다.

페어 다이내믹스는 다음과 같은 에이전트와 함께 에이전트 기반의 디지털 트윈을 구축했다.

• 밴 — 제작되는 밴의 종류에 따라 다양한 종류의 밴 에이전트가 있다. 각 형식은 서로 다른 취급(다른 조작, 스테이션 및 로봇이 관련될 수 있음)을 요구하며 이는 구성 요소 열화에 영향을 미친다.
• 스테이션 — 각 스테이션 에이전트는 포함된 로봇의 개수로 특징지어지며 특정 규칙에 의해 규제된다.
• 로봇 — 각 로봇에는 로봇의 실제 상태에 대한 신호를 시뮬레이션 모델에 전송하는 센서가 장착되어 있다. 각 로봇 에이전트에는 수신된 신호에 따라 로봇의 성능 저하를 예측하는 특정 PHM(Propositive & Health Management) 모델이 제공된다.

이러한 방식으로 디지털 트윈을 구축함으로써 Fair Dynamics는 테스트 및 사용을 위한 세 가지 기본 유지보수 정책을 도입할 수 있다.

• 예정된 유지보수(구성요소는 일정에 따라 교체됨).
• 상태 기반 유지보수(경고 신호에 따라 구성 요소가 교체됨).
• 예측 유지관리(구성요소는 해당 상태 및 사용 정보에 따라 스케줄에 따라 교체됨).

프로젝트 내에서 AnyLogic 소프트웨어는 디지털 트윈 생성에 유용한 것으로 입증되었다. 에이전트 기반 모델링을 가능하게 하는 것 외에도, 그것은 Fair Dynamics가 예측이 가능한 ELF(머신 학습) 모델을 포함할 수 있도록 하는 커스터마이징을 가능하게 했다. 모델링과 머신러닝 기법의 통합은 그러한 시스템에서 큰 잠재력을 가지고 있다.

AnyLogic을 사용함으로써, 디지털 트윈은 외부 데이터 소스에 연결할 수 있었다. 생산순서, 밴 종류별 용접점, 로봇 수명주기 곡선, 기타 데이터는 외부 출처에서 가져와 런타임에 에이전트에서 자동 판독했다. 또한, 시스템을 여러 기기로 독립형 애플리케이션으로 수출하여 전달할 수 있어 데이터 제약과 IT 부서에 대한 요구가 완화될 수 있다.

결과

디지털 트윈의 도움으로 CNHI 경영진과 전문가는 서로 다른 유지보수 정책 구성에 따른 경제적 및 생산적 결과에 대한 상세하고 입증된 정보를 얻을 수 있다. 이는 사용자가 서로 다른 핵심 변수(예: 유지보수 정책, 생산 계획, 작업 일정 등)를 변경할 수 있는 다양한 What-if 시나리오를 실행함으로써 이루어진다. 필요할 경우 라인이나 로봇의 특성을 바꿀 수도 있다.

시스템은 가까운 미래와 먼 미래를 모두 처리할 수 있으며, 게다가 시뮬레이션을 위해 디지털 트윈을 사용하는 것은 시나리오를 분석하고 비교하기 쉬운 도구를 제공하여, 변화가 유지보수 비용에 어떤 영향을 미칠 수 있는지 빠르게 이해할 수 있게 해준다. 디지털 트윈은 총 생산량, 유지보수 시간, 예비 부품의 총 비용, 유지보수 작업 비용 등 매우 다양한 데이터를 제공한다. 요컨대, 디지털 트윈은 효율적인 생산라인 운영을 확립하기 위한 상세하고 포괄적인 툴이다.