머신 러닝을 통한 최적화 결과를 실제로 공정 운영에 적용할 수 있는가?

많은 최적화 툴이 존재하고, 실제로도 많이 쓰임. 

그러나 이를 실제 공정 최적화에 활용하기 힘든 이유는 아래와 같음. 

 

(1) Instrument Data의 정확도에 대한 불확실성 

최적화 툴은 매우 많은 instrument data를 사용함.  

현실적으로 하나의 ethylene 공장에 대략 8000개의 instrument를 통해서 remote data를 수집함. 

이 중 일부는 부정확한 data를 제공할 수 있음. 

Instrument가 단 1개라도 부정확한 data를 제공한다면 원하지 않는 방향으로 운전조건을 변경해야 할 수 있음. 

따라서, 머신러닝을 통한 공정최적화를 직접적/전적으로 적용하려면 instrument의 data reliability가 우선 확보되어야 함. 

 

(2) 최적화 결과와 실제 plant 사이의 간극 (gap) 

머신러닝은 모든 설비가 항상 최적의 상태로 작동한다는 가정이 전제함. 하지만 실제  공장에서는 영향을 미치는 무수한 요인들과 그 불확실성이 존재함. (예) 작업자 결근, 숙련된 작업자 퇴사, preventive maintenance 기간 내 부품 고장 등

더 현실적인 최적화 결과 및 신뢰성을 도출하기 위해서는 영향을 미치는 요인 등을 인지하고 그 failure rate 및 불확실성에 근거한 safety margin 등을 적용해야 함. 이 data 들과 현실과의 gap을 simulation에 적용해야 함. 그러나 현실적으로, 최적조건에 영향을 미치는 요인이 많고 safety margin을 적용한다 해도 이 data에 대한 reliability도 불확실함. 

 

위의 문제가 해결된다면 머신 러닝을 통한 공정최적화를 충분히 신뢰하고 적용할 수 있는가? 추가적인 현실적인 문제들이 아직 있다. 

(1) 공장내 test 및 안정화하는데 소요되는 기회 비용 

 

 

(2) 조직 내 의사결정의 philosophy 및 control tower의 부재 

Refinery complex에서 각 공장 단위의 최적화 프로그램이 적용되고 하나의 공장을 최적화하기 위해 다른 공장은 최적화 되기가 힘듬. 단위 공장별 최적화 결과는 의미가 없음. Complex 단위의 최적화 결과에 따른 의사결정이 필요함. 

소위 , 공장A와 공장 B의 최적화 결과가 상충될 경우, complex 단위의 최적화 결과에 따라 일부 공장은 최적 생산이 불가할 수 있음. 이때, 공장별 이해관계의 문제가 발생함. 이를 위한 complex단위의 의사결정 philosophy 등이 필요함. 

간혹, 의사결정을 위한 philosophy가 존재한다고 해도 higher hierarchy(complex단위)일수록  최적화 결과는 실제 plant와의 gap이 더 큰 경향이 있다고 함 ((2)번의 영향 요인이 증가하는 이유라고 판단됨) 

 

최적화 결과 활용하고 있는 현실은 어떠한가?  

[Company E 공정 운영담당자의 경험적 의견]

(1) Pilot test 혹은 개선 방안 도출을 위한 아이디어로 활용함.  

 

(2) 최적화의 결과만 받고 그것을 실제 온라인 공정에는 연결하지 않고 참고만 함. 

• 이상적인 최적화를 위한 데이터가 아직까지는 너무 부족합니다. 완벽한 최적화를 위해 데이터가 100 필요하다면, 현재는 30정도만 있는 상황이라고 판단함. Pilot test에선 나왔던 결과물이 실제 생산에서는 전혀 다르게 나오는 경우가 있음. 실제 걸어다니는(혹은 날아다니는) 로봇 여러개가 실시간으로 현장 data를 수집해서 보내준다면 그래도 어느 정도의 최적화가 가능할 것으로 예상함. 
• 현재 운전 조건이 최적화결과와 deviation이 크다면, 사람이 주기적으로 눈으로 보고 판단을 함. 경험상 최적화 툴이 사람들의 판단보다 옳았던 적은 10% 이내였음. 현재 수준에서는, 필드 (해당 공정 운전) 경험이 많은 전문가가  공장 가서 한번 보라고 하는 것이 더 나을 수 있다.
• 결국 지속적인 시행착오와 실험, 그리고 데이터 수집을 통해야만 화학공정 최적화가 가능하다 보니, plant manager가 생산시설 다운시키고 수익성이 당장 안 보이는 실험을 승인시켜줄 가능성이 높지 않음.

향후 머신러닝의 공정최적화의 신뢰를 높이는데 필요한 것은?

(1) Instrument Data 확보 

Remote data 말고도  field data (from local gauge) 들을 어떻게 수집하고 이를 최적화에 어떻게 적용할 것인가에 대한 고민이 필요함.  Local instrument를 모두 transmitter를 설치하여 remote data화하는 것이 심플한 대안이 될 수 있을 것으로 보이지만 이도 쉽지않음. 이를 remote data화 하는데 물리적인 설치 비용, 그리고 그 data의 reliability를 확보하기 위한 PM등에 많은 resource가 소요됨. 특히, Local data는 accuracy가 낮아져도 운전에 미치는 impact가 크지 않음. 그러나 remote data는 전체 공정 최적화에 큰 영향을 끼침. 절대적으로 instrument 수가 증가하면 instrument  failure 개수 또한 같은 비례로 증가함. 공정 최적화 결과의 신뢰성 확보를 위해 resource가 많이 필요함. 그리고 이는  공정 운영 수익에 영향을 미침. 소요비용 보다 얻는 추가적인 이득이 더 많아야 실행할 수 있음. 그래서 머신 러닝을 공정 최적화를 위해서는 설비 reliability 측면에서 신뢰도가 확보되어야 함. 짧은 시간에 이루어질 일이 아님. 

 

그렇다면 머신러닝을 공정 운영에 적용하는데 적절한 분야는 무엇일까?

머신러닝을 통해 공정 operation 최적화가 아닌, 설비의 performance 및 수명을 예측하여 PM 최적화를 하는 것은 좋은 적용이고 시도해 볼 만함. Target을 분명히 하고 PM resource 최소화, 교체 주기 등 최적화. reliability 극대화. 

여기서도 불확실성(Uncertainty)을 어떻게/어느 정도의 safety margin을 적용할지가 중요함.  

 

Further studies 

(1) 공정 최적화를 위한 tool은 무엇이 있는가? 

DMC가 가장 대표적인 툴이고, 머신러닝 테크닉은 아님.

[사례] Company E의 ethylene 공장 

DMC는 Process unit단위에서 적용됨. 그 상위인 공장 단위는 CLP/RTO 적용함.

그 상위 tool이 PIMS임. online으로 직접 연결/적용되어 있지는 않음. 

 

(2) 디지털 트윈은 무엇인가? 

공장의 instrument 데이터를 취합해서 현재상황을 실시간으로 monitoring하기 쉽게 종합적으로 잘보여주는 tech임.