AI 기반 데이터 최적화 바람… ‘엔지니어 경험’ 의존 탈피 강조

AI 기반 데이터 최적화 바람… ‘엔지니어 경험’ 의존 탈피 강조

[2023 AMWC] AI 기반 데이터 최적화 바람… ‘엔지니어 경험’ 의존 탈피 강조
수소환원제철 전환 과정 데이터 신뢰성 확보 관건, 강화학습 기반 예측기법 제시

[인더스트리뉴스 최용구 기자] 대표 후방산업인 철강산업은 제조업이 부진하면 가장 먼저 타격을 입는다. 제조업 불황에 따른 수요 부진과 수출감소, 중국발 공급과잉 이슈 등은 위기의 원인이다.

산업연구원에 따르면 올해 4월 기준 국내 제조업 평균가동률은 68.4%로 전월 대비 2.4% 하락했다. 특히 전자부품, 기계·전기장비 부문 생산능력이 지난해보다 떨어졌다. 제품의 라이프 사이클이 단축되는 등 제품 변동성 또한 높아진 상황이다. 전문가들은 ‘제조 효율화’ 등 사업재편의 필요성을 제기한다.

철강산업은 엔지니어의 경험에 대한 의존도가 높다. 현장관리자의 온도제어 등에 따라 품질 편차가 발생하기 일쑤다. 다만, 예측불가능한 변수를 통제하는 과정의 한계도 존재한다.

철강업계는 ‘수소환원제철(HylS)’로 근본을 바꾸고 있다. HylS는 철광석에서 철을 추출하는 과정에 화석연료가 아닌 수소를 사용하는 방식이다. 철광석을 고온으로 가열된 수소와 접촉하는 과정이 수반된다.

'수소환원제철'로의 전환은 철강업계의 숙제다. 데이터의 신뢰성과 안전성에 근거한 정책이 강조된다. [사진=gettyimages]

정부는 수소환원 원천기술 개발에 관한 정책을 마련 중이다. 냉정한 정책적 판단을 위해선 업계가 제시하는 데이터의 신뢰성과 안전성이 담보돼야 한다. 직관 및 경험에 의존한 의사 결정 방식은 한계에 직면한 분위기다.

지난 6월 21일 코엑스에서 열린 2023 자율생산 월드 콩그레스(2023 AMWC) 컨퍼런스에서도 ‘데이터 기반 최적화’는 화두였다. 공정이 복잡하고 데이터가 부족한 상황에서 AI 기반 제어가 필요하다는 공감대가 형성됐다. 직관적인 이해는 예상된 상황에서만 안전하다는 전문가 평가가 나왔다. PID 제어, On·Off 제어 등 전통적 방식은 ‘비선형’ 형태로 복잡한 상황에선 적용이 어렵다는 데 의견이 모아졌다.

대안으로는 AI를 활용한 △강화학습 기반 제어 △신경망 기반 제어 △알고리즘 기반 제어 등이 제시됐다. 컨퍼런스장에는 400여명이 모였다. 철강업계 한 관계자는 “철강 furnace의 경우 컨트롤 과정의 사소한 실수로 큰 문제가 발생할 수 있다. 그동안 쌓아놓은 다량의 데이터에 기반해 안정적으로 컨트롤하는 것이 중요하다”며 AI 기반 제어의 활용성에 의문을 표했다.

지난 6월 21일 코엑스에서 열린 '2023 AMWC 컨퍼런스'에선 AI 강화학습에 기반한 furnace 온도 제어 기법 등이 제시됐다. [사진=인더스트리뉴스]    

마키나락스 고한승 이사는 “데이터 자체가 부족한 상황에선 당장의 시뮬레이션이나 강화학습을 수행하는 것이 어려울 수 있다”면서도, “엔지니어가 직접 제어를 해온 분야 및 여러 화학공정 등에 적용성을 높이기 위한 추가 강화학습 기법을 고민하고 있다”고 밝혔다.

이날 마키나락스 측은 디지털 트윈과 연계한 제어 솔루션 ‘MRX·CtRL’을 활용한 청사진을 제시했다. MRX·CtRL에는 복잡한 생산라인 및 장비에 적용성을 높이기 위한 인터페이스 기법이 심어졌다. 회사에 따르면 전기자동차 공조시스템의 열에너지 최적화, 산업용 장비 파라미터 튜닝 자동화, 철강 furnace 열 제어 최적화 등 시너지를 기대할 수 있다.

전기차 열관리 시스템 제어에는 Dynamics model 학습 및 시뮬레이터로 도출된 제어 로직이 활용된다. 장비 튜닝의 경우 command와 파라미터 튜닝 값을 통해 동작 결과를 예측하는 ‘ML 기반 시뮬레이터’를 구현한다. 작업자의 수련도에 따라 튜닝 품질 및 소요시간 등 편차가 발생하는 변수를 줄인다.

ML 기반 시뮬레이터는 제철(製鐵)의 과정에서 furnace 온도를 제어할 때도 활용이 가능하다. 목표 재질의 철 생산을 위한 ‘열 제어 로직’을 도출한다. 강화학습 환경을 구현함으로써 최적의 온도 제어 효과를 낸다. 마키나락스 고한승 이사는 “시뮬레이션 기반의 재질 예측의 경우 1.11MAE(예측치와 실제 값 사이 평균 절대오차) 수준을 보였으며, 강화학습 기반의 목표재질 생산 성능 테스트 결과는 1.31MAE로 나타났다”고 말했다.

 

Use Cases
See how AI technology in anomaly detection, optimization, and predictive analytics is making industries intelligent