Yokogawa Electric Corporation과 JSR 코퍼레이션(이하 JSR)이 AI로 화학 공장을 35일 동안 자율적으로 운영하는 세계 최초의[*1] 현장 테스트를 성공 리에 마쳤다고 발표했다. 이번 테스트는 강화 학습 기반 AI를 실제 공장에 안전하게 적용할 수 있다는 것과, 이 기술이 기존 제어 방식(PID 제어[*2] 또는 APC[*3])의 성능을 능가하고 지금까지 필요했던 공장 작업자의 판단에 따른 밸브 수동 조작까지 제어할 수 있다는 것을 입증했다. 이 보도자료에 기술된 이니셔티브는 일본 경제산업성의 2020년 산업 안전 고도화 보조금 프로그램 추진 프로젝트로 선정됐다.
Yokogawa와 JSR, 35일 연속 AI 기반 화학 공장 자율 제어 현장 테스트 최초 성공
공정 산업의 제어는 정유, 석유화학, 고성능 화학, 섬유, 철강, 제약, 식품 및 수자원 등 광범위한 분야에 이용된다. 이런 업종에서는 화학 반응을 비롯한 다양한 요소들에 대해 매우 높은 수준의 신뢰가 필요하다.
이번 현장 테스트에서 사용된 AI 솔루션은 제품의 품질을 보장하는 동시에 증류탑의 액체를 적절한 수위로 유지하면서 폐열을 열원으로 최대한 활용하는 데 필요한 복잡한 조건을 성공적으로 처리했다. 그 결과 품질 안정화, 높은 수율 달성[*4], 에너지 절약이 가능했다. 비, 눈 등의 다양한 기상 조건은 대기 온도를 급격하게 변화시켜 제어 상태를 방해할 수 있는 주요 요인이었지만 실제 생산된 제품은 엄격한 기준을 충족한 상태로 출하됐다. 또 좋은 품질의 제품만을 생산함으로써 규격 외 제품을 생산할 때 발생하는 연료, 노동력, 시간 및 기타 손실을 모두 제거했다. AI 솔루션은 3단계 공정을 통해 안전 운영을 성공적으로 수행했다.
통제 구역 및 결과
Zoom
다음과 같은 과정을 통해 안전한 운영을 보장한다:
플랜트 운영의 안전 보장
Zoom
이 제어 테스트에 사용된 AI인 FKDPP(Factorial Kernel Dynamic Policy Programming) 프로토콜은 Yokogawa와 나라첨단과학기술대(NAIST)가 2018년에 공동 개발한 것으로 IEEE 국제 자동화 과학 및 공학 콘퍼런스에서 공장 관리에 활용할 수 있는 세계 최초의 강화 학습 기반 AI[*7]로 인정받았다. Yokogawa는 2019년에 제어 트레이닝 시스템[*8] 실험과 2020년 4월 시뮬레이터를 사용해 전체 공장[*9]을 재현한 실험을 성공으로 이끈 이니셔티브를 통해 자율 제어 AI[*10]의 잠재력을 확인하고 이론에서 실제 적용에 적합한 기술로까지 진전시켰다. 이 AI 솔루션은 기존의 제어 방식(PID 제어 또는 APC)으로는 자동화가 불가능했던 영역에서 활용할 수 있으며, 상충되는 목표인 높은 품질과 에너지 절약을 동시에 충족한다.
실제 공장의 운영에 영향을 주는 수많은 복잡한 물리적이고 화학적인 현상을 고려하면 숙련된 작업자가 개입해 제어해야 하는 상황이 여전히 많이 존재한다. PID 제어 및 APC로 작업을 자동화하는 경우, 강우 또는 기타 기상 조건으로 기온이 급격하게 변하면 숙련된 작업자가 자동화 제어를 중단하고 구성 및 출력값을 변경해야 한다. 이는 많은 회사의 공장에서 공통으로 발생하는 문제다. 산업 자율화[*11] 전환 문제에 있어 지금까지 수동 개입이 꼭 필요했던 상황에서 최소한의 인력으로 높은 수준의 안전성을 보장하는 자율 제어를 도입하는 것이 매우 중요한 과제였다. 이번 테스트의 결과는 Yokogawa와 JSR 간의 협력이 이처럼 고질적인 문제를 해결하는 길을 열었다는 것을 보여준다.
Yokogawa는 전 세계적으로 이러한 도전에 관심이 있는 고객을 환영하며, 산업 자율성을 실현하는 제품과 솔루션을 신속하게 공급하는 것을 목표로 한다.
JSR은 이번 시연이 이전의 화학 플랜트에서 해결할 수 없었던 문제를 처리하는 AI의 잠재력을 증명한다고 믿고 있으며 생산성 개선을 목표로 다른 공정과 플랜트에도 이를 적용할 방안을 모색하고 있다.
두 회사는 앞으로도 지속적인 협력을 통해 플랜트에서 AI를 활용할 다양한 방법을 연구할 계획이다.
마스타니 마사타카(Masataka Masutani) JSR 생산 기술 총괄은 “석유화학 업계는 본격적인 5G 채택과 디지털 사회로의 발전을 주도하는 요소뿐 아니라 공장 안전성을 유지할 인력의 고령화와 대체 인력 부족으로 변화하는 환경에서 IoT, AI 등의 신기술을 활용해 생산 활동의 안전성과 효율성을 개선해야 한다는 큰 압박을 받고 있다. JSR은 드론, IoT 센서, 카메라를 아우르는 다양한 신기술을 적극적으로 통합해 스마트한 생산성을 달성하기 위해 노력하고 있다. 이번 실험에서는 AI의 제어 기술을 활용해 플랜트 공정 제어 자동화에 도전했다. 작업자의 경험을 바탕으로 수동으로 진행되던 공정을 AI가 자율적으로 제어할 수 있다는 것을 확인했고 AI를 활용한 제어의 효율성과 잠재력에 대한 확신이 생겼다. 우리는 작업자의 부담이 줄었을 뿐 아니라, 이 신기술에 도전하고 성공했다는 사실 자체가 디지털 혁명(DX)의 미래를 주도하는 계기가 될 수 있다는 의견을 현장에서 들었다. 앞으로 AI로 제어하는 작업을 확대하고 화학공장의 안전성·안정성·경쟁력 제고를 위해 노력할 것”이라고 밝혔다.
마츠바라 타카마츠(Takamatsu Matsubara) NAIST 부교수는 “이번 현장 테스트가 성공적이었다는 소식을 들어 매우 기쁘다. 데이터 분석과 머신 러닝은 화학공장 운영에 적용되고 있지만, 자율 제어 및 운영 최적화 기술은 아직도 완전하지 않다. 강화 학습 기반 AI인 FKDPP 알고리즘은 2018년 Yokogawa와 NAIST가 화학 공장의 자율 제어를 실현하기 위해 공동으로 개발한 것이다. 이 AI는 많은 센서와 제어 밸브를 조회해야 하는 상황에도 제한된 횟수의 학습을 통해 고신뢰성의 제어 정책을 생성할 수 있다. 이러한 기능은 개발 프로세스의 효율성을 높였고, 840시간이라는 긴 현장 테스트 기간 자율 제어를 성공시켰다. 실제 증류탑의 자율 제어라는 고난도의 작업에 성공하고 전체 생산 공정과 안전이 하나의 시스템으로 통합될 정도로 실용화 수준이 높아졌다는 사실은 산업 전체에 큰 의미를 부여한다고 본다. 이 기술이 앞으로 일으킬 혁신에 기대가 크다”고 말했다.
하세가와 겐지(Kenji Hasegawa) Yokogawa 부사장 겸 제품 본부장은 “현장 테스트의 성공은 고객사만이 제공할 수 있는 생산 공정 및 운영에 대한 깊은 지식과 이를 기반으로 측정, 제어 및 정보를 활용해 가치를 창출하는 Yokogawa의 강점을 결합한 것이 주효했다. 또 자율 제어 AI(FKDPP)가 전 세계적으로 생산 자율화, ROI 극대화 및 환경 지속 가능성에 크게 이바지할 수 있다는 것을 증명했다. Yokogawa는 공장 생산 시설 운영을 제어하고 모니터링하는 분산 제어 시스템 개발에서 세계를 주도하고 다양한 산업의 성장을 지원해왔다. 우리는 산업의 미래에 적합한 모델을 생성하는 자율 운영의 세계에 집중하고 산업 자동화에서 산업 자율화로의 전환을 의미하는 AI2IA 개념에 집중하고 있다. 에너지, 재료, 제약 및 기타 여러 산업 분야에서 인간, 기계, 재료 및 방법을 의미하는 4M의 차이가 만들어내는 영향을 고려하는 강력하면서도 유연한 생산을 위해 전 세계 고객사들과 함께 자율 제어 AI의 개발에 더욱 박차를 가할 것”이라고 밝혔다.
*1 Yokogawa 전기가 화학 공장의 조작 변수를 직접 변경하는 AI에 대해 2022년 2월에 실시한 설문 조사 기반
*2 비례-적분-미분 제어. 1922년 니콜라스 미노스키(Nicolas Minorsky)가 처음 제안한 공정 산업의 인프라 제어 기술로 수량, 온도, 수위, 압력, 성분 등의 항목을 제어하는 데 사용된다. 현재값과 설정값의 편차에 따라 P, I, D 각각의 계산 결과를 기준으로 목푯값을 추종하는 제어를 실행한다. 이 제어 모드는 여러 외적인 방해 요인(날씨, 기후, 재료 구성 변경)을 처리할 수 없고 목푯값이 자주 변경돼 수동 제어가 필요하다는 문제가 있다.
*3 고급 공정 제어(Advanced Process Control). 공정 대응을 예측할 수 있는 수학적 모델을 바탕으로 생산성, 품질 및 제어력을 향상하기 위해 PID 제어 루프에 실시간으로 설정값을 제공한다. 생산량 증대, 노동시간 단축, 에너지 절감을 목적으로 하는 제어에도 쉽게 적용할 수 있다. APC를 통합하면 데이터 편차가 줄어들고 운영 성능의 한계(즉, 최적의 성능을 얻을 수 있는 상태)에 더 가까워질 수 있다. 그러나 유체의 급격한 기화 및 기타 화학 반응, 재료 구성의 중대한 변화, 기계의 변화에 적응하지 못한다는 제약이 있다.
*4 원재료에서 정제 과정을 거쳐 실제로 획득되는 목표 물질의 부피
*5 CENTUM VP 통합 제어 시스템은 압력, 유속, 온도 등의 요소를 모니터링 및 제어하면서 전체 생산 공정을 진행할 뿐 아니라 안전하고 안정적인 작동과 사고 예방을 위한 다양한 연동 기능이 통합돼 있다. 공장 사고를 예방하기 위해 안전계장시스템(SIS), 비상차단장치(ESD), 화재방지시스템(F&G) 등과 연결해 운영할 수 있다.
*6 작동 전에 특정 조건이 충족되지 않으면 시동을 방지하는 메커니즘이다. 조작 오류, 절차상의 실수 등을 방지해 안전성을 높인다.
*7 비닐 아세테이트 모노머 공장 모델 제어를 위한 팩토리얼 커널 동적 정책 프로그래밍(Factorial Kernel Dynamic Policy Programming for Vinyl Acetate Monomer Plant Model Control, 2018년 8월). IEEE(전기 전자 기술자 협회(Institute of Electrical and Electronics Engineers) 링크: https://ieeexplore.ieee.org/document/8560593/ IEEE는 전기 및 정보 공학 분야에 중점을 둔 미국 기반 학술 연구 및 기술 표준화 기관이다. 전 세계 160개국에 40만 명 이상의 회원을 두고 있다.
*8 가장 낮은 단계의 수위 제어를 전반적인 목표로 설정하고 물의 흐름을 하나의 높이에서 다른 높이로 제어하는 것과 관련된 교육과 실험을 수행하는 데 필요한 3개의 탱크 액체 수위 제어 시스템. 물의 흐름을 무작위로 변경하는 교란을 인위적으로 생성하는 장치도 포함된다. 유체의 특성을 고려할 때 유속 제어는 가공 산업에서는 어려운 과제다. 이 제어를 적절하게 수행하는 경우 생산 현장의 생산성이 향상된다.
*9 비닐 아세테이트 모노머 공정의 공장 전체 제어를 위한 확장 가능한 강화 학습, 제어 엔지니어링 실습(Control Engineering Practice) 97권, 2020년 4월 출판. 링크: https://www.sciencedirect.com/science/article/pii/S0967066120300186
*10 Yokogawa는 자율 제어 AI를 자체적으로 최적의 제어 방법을 추론하고 과거에 경험하지 못한 상황을 어느 정도 자율적으로 처리할 수 있는 높은 수준의 강력한 AI로 정의한다.
*11 Yokogawa는 산업 자율성을 ‘공장 자산과 운영이 최소한의 인적 상호 작용을 허용하는 학습 및 적응 기능으로 작업자가 더 높은 수준의 최적화 작업을 수행하도록 지원하는 것’으로 정의한다. Yokogawa가 2021년에 390개 제조업체 534명의 의사 결정권자를 대상으로 실시한 산업 자율성 구현(Implementation of Industrial Autonomy)에 관한 설문조사에서 응답자의 42%가 공장 공정 최적화에 AI를 적용한다면 앞으로 3년간 산업 자율성에 상당한 영향을 미칠 것이라고 답변했다.
(참조 링크: //cdn-nc.yokogawa.com/25/32536/details/The_Acceleration_of_Industrial_Autonomy_English.pdf)
Contact
About Yokogawa
Yokogawa는 에너지, 화학, 재료, 제약, 식품 등 다양한 산업의 고객사에 계측, 제어, 정보 분야의 첨단 솔루션을 제공하고 있다. Yokogawa는 효과적인 디지털 기술 응용 프로그램을 통해 생산 최적화, 자산, 공급망과 관련된 고객사의 문제를 해결하고 자동 운영으로의 전환을 뒷받침한다. 1915년 도쿄에 설립된 Yokogawa는 세계 61개국, 119개 기업으로 이뤄진 글로벌 네트워크에서 일하는 1만 7500명의 직원과 더불어 지속 가능한 사회를 구현하기 위해 노력하고 있다. 웹사이트(www.yokogawa.com)에서 자세한 정보를 확인할 수 있다.
About JSR Corporation
JSR 코퍼레이션은 전 세계에 9000명 이상의 직원을 고용하고 있는 다국적 기업으로 다양한 기술 중심 시장을 선도하는 재료 공급업체로서 재료 혁신을 주도하고 재료를 통해 가치를 창출함으로써 사회, 사람, 환경을 풍요롭게 하는 데 도움을 주고 있다. JSR의 글로벌 네트워크는 도쿄(일본)에 본사를 두고 유럽, 미국, 중국, 대만, 한국 및 태국에서 공장과 사업부를 운영하고 있다. JSR은 생명 과학, 전자 재료, 디스플레이, 플라스틱, 합성 고무 등 인류 사회의 현재와 미래 복지에 핵심이 되는 여러 산업 분야의 선도적인 혁신기업들과 긴밀한 협력을 추구하는 연구 중심 조직이다. 웹사이트(https://www.jsr.co.jp/jsr_e/)에서 JSR 코퍼레이션에 대한 자세한 정보를 확인할 수 있다.
이 보도자료의 기업, 조직, 제품, 서비스 및 로고의 이름은 Yokogawa Electric Corporation, JSR 코퍼레이션 또는 해당 소유자의 등록 상표 또는 상표다.
현장 테스트 개요
1. 현장 테스트 목적
- 강화 학습 기반 AI(FKDPP: Factorial Kernel Dynamic Policy Programming 알고리즘)를 안전을 절대적으로 요구하는 공장에 안전하게 도입할 수 있다는 것을 입증한다.
- 강화 학습 기반 AI로 기존 제어 방식(PID 제어 또는 APC)이 자동화할 수 없는 영역을 제어할 수 있다는 것을 입증한다.
2. 상세 내용
| Location |
|
|---|---|
| Areas controlled |
|
| Control AI |
|
| Products & technologies used | Yokogawa:
|
| Operation |
|
| Process to AI implementation |
|
| Project period |
|
| Period of continuous operation |
|
3. Company roles
| JSR |
|
|---|---|
| Yokogawa |
|
4. Results and comparison with conventional control
| Summary |
|
|---|---|
| Human intervention |
|
| Quality |
|
| Yield |
|
| Energy saving |
|
| Cost |
|
| Time |
|
| Safety |
|
5. [Reference] Main characteristics of AI used in plant control
| Type | Features | Benefits | |
|---|---|---|---|
| Autonomous control | For areas that cannot be automated with existing control methods (PID control/APC), the AI deduces the optimum method for control on its own and has the robustness to autonomously control, to a certain extent, situations that have not yet been encountered. | Based on the control model it learns and deduces, the AI inputs the level of control (manipulative variable) required for each situation. | The benefits of FKDPP are as follows:
|
| Support for areas with automation built in | AI can take over the task, currently performed by operators, of inputting target values (set value) for areas where automation has been implemented using existing control methods (PID control/APC). | AI uses past control data to perform calculations, and enters target values (set value). |
|
| Operational support for people | AI proposes target values (set value) that operators will refer to when performing operations. | AI uses past control data to suggest target values (set value) to humans. |
|