적정 수요에도 불구하고 타이어 산업은 어려운 시기를 맞았다. 타이어 시장의 연간 성장률은 2027년까지 6%에 이를 것으로 예상하고 있찌만, 타이어 산업은 코로나 팬데믹으로 인한 공급망 문제로 인해 어려움을 겪고 있는 실정이다.

최근 많은 타이어 생산업체가 끝이 보이지 않는 노동 부족 현상을 겪고 있다. 지난 수십 년간 근무했던 근로자들이 떠나고 있으며 이러한 근로자의 수는 가히 기록적이다. 기업은 고임금과 기타 인센티브를 제공하지만 대체 인력 찾기가 쉽지 않다.

해결책은 없을까. 이제 여러분은 노동력에 대한 의존도를 줄이고 지속해서 프로세스를 최적화 할 수 있는 새로운 패러다임을 구축할 수 있다.

자동화에서 자율로
타이어 산업 전반에 걸쳐 기술 동력은 자동화라는 기존 개념에서 인공 지능(AI) 및 머신 러닝 기술의 발전을 통한 자율 운영으로 바뀌기 시작했다.

이 두 가지의 근본적인 차이점은 무엇일까. 자동화 시스템은 인간의 개입 없이 업무를 수행하도록 프로그래밍 돼 있는 반면, 자율 시스템에는 강화 학습 기술을 활용해 더욱 효과적으로 업무를 수행하는 방법을 학습하는 능력을 추가한 것으로 이해하면 된다.

즉, 자율 시스템은 인간이 자동차 운전 등의 일상 활동에서 학습과 결정에 사용하는 인지 능력을 복제하도록 구축돼 있다. 이 부분과 관련해 잠시 생각을 해자. 여러분은 정지 신호를 보면 어떤 행동을 취하는지를. 정지 신호를 본 순간 어느 정도의 압력으로 브레이크를 밟아야 하는지 직관적으로 예측할 것이다. 그리고 이러한 과정에서 정지 신호에서 완벽하게 정지할 수 있도록 시야와 현재 자동차 속도에 대한 이해를 바탕으로 브레이크에 가하는 압력을 조절한다. 매번 정지할 때마다 여러분은 본능적으로 자신의 행동을 평가하고 향후 이와 관련한 이해력을 강화하게 된다.

자율 제어 기술을 사용하면 이와 동일한 강화 학습 역량을 여러분의 타이어 공장 기계에 적용할 수 있다.

닫힌 루프 최적화의 힘
자율 시스템에서는 예측을 위해 실시간 감지, 데이터 및 모델링 역량을 사용하며, 지속적인 고품질 제품 생산과 같은 원하는 결과를 얻기 위해 실시간으로 기계를 조정하는 결정 최적화를 사용한다. 닫힌 피드백 루프는 최적의 결과를 얻을 수 있게 한다.

닫힌 루프 최적화는 점탄성 소재의 특성 때문에 응용 분야 개선이 매우 어려운 타이어 공장에서 상황을 역전할 수 있는 게임 체인저가 될 수 있다.

오늘날 작업자들은 원자재 변동 및 환경 문제에 대응해야 하며 작업자의 기술 수준에 따라 처리량도 크게 차이가 난다. 실제로 필자가 방문했던 공장에서는 어느 작업자가 기기를 가동하는 지에 따라 최대 50%의 생산량 차이를 보였다. 그 이유는 명확하다. 숙련된 작업자는 장비를 직관적으로 이해하고 사양 범위를 유지하기 위해 어떻게 파라미터를 조정해야 하는지 알고 있다. 하지만 새로운 작업자는 이러한 고급 전략을 이해하지 못한다.

이처럼 작업자에 따라 숙련도 차이가 있다 할지라도 자율 제어를 사용하면 일관성 있는 성과와 품질을 유지할 수 있다. 그리고 여기에서 한 단계 더 나아가 수동적인 개입에만 의존했던 기존의 시스템에서는 불가능했던 일정 수준의 지속적인 개선이 가능하다.

실제 성과 개선 주도–현재
자율 제어는 타이어 공장의 거의 모든 응용 분야에 적용되며 이를 채택한 혁신적인 기업에서는 이미 상당한 성과 개선을 실현하고 있다.

예를 들면, 한 로크웰 오토메이션의 고객은 공차 범위를 벗어난 스플라이스를 예측하고 바로잡기 위해 자율 제어를 사용했으며 그 결과 장비 중단이 45% 감소했다. 로크웰 오토메이션은 이러한 역량을 통해 결과를 예측하고 일관성과 품질을 개선할 수 있음을 증명하고 있으며 매일 500개 이상의 타이어 생산량 증가가 가능하다.

타이어 공장 전반에 걸쳐 최적화의 기회는 무수히 많다. 먼저 특정 작업의 한 가지 구성 요소에 자율 제어 역량을 적용해보면, 이러한 개념을 어떻게 다양한 응용 분야에 광범위하게 적용할 수 있는지 분명하게 이해할 수 있다.

훌륭한 연결 고리 - 엔지니어링 & 데이터 과학
그렇다면 이러한 성과 개선을 위해 무엇부터 시작해야 할까. 이는 엔지니어와 데이터 과학자의 협력으로 시작되며, 이들은 모델링 및 최적화 프로세스와 관련해 각자의 전문 지식을 제공한다.

엔지니어는 ‘제1원칙 기반의 사고방식’과 시스템 프로그램 지식을 적용한다. 데이터 과학자는 방대한 양의 이력 데이터를 기반으로 의견을 추가한다. [기고=Jordan Konst 로크웰오토메이션 자동차/타이어 부문 글로벌 산업 컨설턴트]