제조시스템공학 및 생산관리의 회고 및 전망

1970년대 들어 제조산업이 성숙하고 보편화되면서 제조기업 간의 경쟁이 치열해지고 고객의 요구가 높아지고 다양화되면서 여러 가지 제품이나 부품을 같은 제조라인에서 동시에 생산하는 혼류생산 체제가 확산하고 컴퓨터에 의한 자동화, 정보화가 급속히 진행되었다. 1950년대에 컴퓨터 및 정보통신기술이 제조공정 자동화, 제품설계, 생산 운영에 NC 기술로 개발되어 자동차, 철도, 선박, 항공기, 전자제품 등의 제품뿐 아니라 다양한 산업용 기계 제조에 필요한 기계 부품과 금형을 제조하는 선반, 드릴링, 밀링 등의 공정이 컴퓨터로 제어되어 자동화되기 시작하였다. 한편 부품 또는 제품설계 시 제도기구로 수작업으로 2차원 도면을 작성하던 것이 1980년대에 들어 급속히 발전한 컴퓨터 및 그래픽 기술을 활용한 CAD(Computer Aided Design)가 도입되어 디지털화, 자동화가 급속히 진행되어 이제는 3차원(3D) CAD뿐 아니라 컴퓨터 모델로 다양한 공학분석 및 시뮬레이션까지 가능한 CAE(Computer Aided Engineering)가 비약적으로 발전하였다(Lee, 1999). CAD로 설계된 형상 모델(Geometric Model)과 가공할 재료를 고려하여 가공공정 및 순서를 결정하고 가공 공구 및 가공경로 선택, 공구의 토크, 속도, 압력 등을 결정하는 CAPP(Computer Aided Process Planning), 이들 정보를 받아서 NC 장비의 세부 동작과 순서를 제어하는 NC 프로그램을 생성하여 가공을 진행하는 CAM(Computer Aided Manufacturing) 기술이 개발되어 널리 확산하였다. 이러한 CAD/CAM/CAPP 기술은 다양한 부품, 프로펠러 및 금형 등과 같은 복잡한 자유곡면을 정확하게 모델링하고 가공할 수 있도록 지원하였다. 2차 대전 중 GE에서 불필요한 기능을 제거하여 원가를 절감하기 위한 VE(Value Engineering)를 시작으로 제품설계 및 개발의 중요성이 인식되었다. 품질의 기준을 이미 설계된 사양을 충족하는 Conformance Quality에서 한 단계 더 나아가 고객의 요구를 정확히 파악하고 이를 충족하도록 품질의 개념을 확장하였다. 이에 따라 제품의 기획, 개념 설계, 제품설계 및 개발 프로세스 관리 방법이 많이 개발되었고 CAD/CAM, 기술문서 등의 제품설계 및 공정 정보와 프로세스를 통합 관리하는 PDM(Product Data Management), PLM(Product Lifecycle Management) 기술이 확산하였다. 동시에 설계단계에서 제조공정의 품질과 효율을 고려하는 DFM(Design for Manufacturing), CE(Concurrent Engineering)가 활발히 개발, 적용되었다(Hitomi, 1996).

한편 제조 현장에서는 기계 부품 및 금형 제조를 위한 개별 가공공정이 자동화되었지만, 부품과 금형의 형상과 기능이 다양하고 복잡하여 부품들의 가공 장비의 방문 경로가 다양하고 복잡한 전형적인 Job Shop 방식의 다품종 소량생산 체제로서 관리가 어렵고 운용효율이 대단히 낮았다. 예를 들어, 1980년대 전형적인 기계 부품 가공공장은 총 흐름 시간 중 실제 가공 시간 비율은 3~5%에 불과하고 나머지 시간은 대기, 이동 시간으로 낭비되었다. 따라서 다양한 부품의 흐름과 설비의 상태를 모니터링하고 운용효율을 극대화하기 위해 생산 정보시스템과 생산계획 및 스케쥴링을 최적화하기 위한 다양한 최적화 기술 및 방법이 활발히 연구, 개발되어 적용됐다. IBM에서 1960년대 다양한 제품의 복잡한 부품 구성 정보를 체계적으로 담는 BOM(Bill of Materials) 관리와 제품 및 부품의 재고 및 재공 정보와 생산계획 및 통제를 수행하는 MRP(Material Requirements Planning) 시스템을 창안하여 생산 및 재고관리에 컴퓨터를 활용하는 계기를 만들었고 이후 회계 및 재무와 인사관리 등의 경영관리 업무 프로세스까지 통합 관리하는 ERP(Enterprise Resource Planning)로 발전하게 되었다. MRP가 기업들이 컴퓨터 및 정보시스템을 본격적으로 도입하기 시작한 계기가 되었다. 90년대 들어 제조라인 내, 기업 내 운영 효율화를 넘어 부품이나 자재 공급업체, 유통업체들과의 정보공유, 협업으로 재고 및 운송 비용을 절감하고 납기를 단축하는 공급체인관리가 널리 확산하였다. 유통업체인 월마트의 성공사례와 다양한 기법이 제조업체에도 확산하여 제조기업 중심의 구매 및 조달, 배송 및 유통의 계획 및 관리를 정보시스템과 프로세스 혁신 및 최적화 방법이 개발, 확산하였다(Russell and Taylor, 2019).

제품 및 부품이 다양해지고 제조공정도 복잡해지고 시장경쟁이 격화됨에 따라 품질, 속도, 원가를 혁신하는 노력이 확산하였다. 일본 제조업체들은 2차대전 이후 미국에서 도입, 학습한 관리도(Control Chart) 등의 통계적 품질관리와 품질혁신 기법을 활용하여 ‘Made in Japan’으로 대변되는 세계 최고의 품질 역량을 구축하여 세계 제조산업을 선도하기 시작하였다. 이후 제조공정뿐 아니라 기업 전체의 업무 프로세스와 조직에 걸친 체계적인 품질 개선을 위한 TQM(Total Quality Management) 등으로 발전하였고 기존의 품질혁신 기법을 확장, 개선하여 공정의 변동성을 줄여 불량률을 수 ppm(Parts Per Million)수준으로 낮추는 체계적인 경영혁신기법인 Six Sigma를 모토로라에서 창안하여 GE(General Electric) 등을 포함하여 세계적 기업들로 전파되어 품질수준을 한 단계 도약시켰다.

다른 한편으로는 1970년대 도요타자동차 등에서 선도한 5S, JIT(Just In Time), 간반 시스템, TPS(Toyota Production System) 등을 개발하여 불필요한 대기, 재고 및 재공재고, 셋업, 고장, 정지, 불량 등의 낭비를 체계적이고 효과적으로 제거하는 제조산업의 경영혁신기법을 개발, 보급하여 세계 최고의 제조산업 경쟁력을 갖게 되었다. 이후 미국은 제조산업 부흥을 위해 이를 모방하고 공급체인관리를 추가하여 Lean Manufacturing 기법을 개발, 보급하였다(Shingo, 1989).

1980년대 말부터 단위 공정 CNC(Computer Numerical Control) 장비, 센서 및 액추에이터를 감시, 제어하는 제어기인 PLC(Programmable Logic Controller), AGV(Automatic Guided Vehicle), 모듈식 컨베이어, 물류 로봇, 자동창고 등의 물류 자동화시스템을 다양한 필드 버스(Fieldbus)나 Ethernet 및 TCP/IP 기반 LAN(Local Area Network)으로 연결, 연동하고 CAD/CAM 시스템과 연결하여 설계부터 제조까지 전 과정을 통합 운영하는 CIM(Computer Integrated Manufacturing)이 구축되기 시작하였다(Groover, 2008). 동시에 CNC 가공 장비들과 물류 로봇, AGV, 팔레트나 지그를 다양하게 구성하여 다양한 부품의 제조과정을 통합한 자동화 제조시스템인 FMS (Flexible Manufacturing System)가 등장하였다.

1980년대 말 들어 워크맨, 스마트폰 등의 경박단소화된 휴대용 전자제품이 보급되면서 회로기판에 구멍을 뚫지 않고 미세화된 부품을 표면에 바로 접착하는 표면 실장기술이 확산하였다. TV 등 전자기기의 디지털화에 따라 수요가 급증한 반도체 및 평판디스플레이 제조 팹들이 많이 늘어났다. 반도체는 반도체 신호 처리 속도를 높이고 소비전력을 줄이고 웨이퍼당 다이(Die: 외부 전극을 붙이고 패키징하기전 칩) 수를 늘리기 위한 회로선폭 미세화를 위한 경쟁과 혁신이 계속되면서 제조공정에도 많은 변화가 일어났다. 최고 수준의 청정도를 유지하는 클린룸에서 천대가 넘는 초정밀 화학공정을 수행하는 공정장비들과 자동화된 웨이퍼 반송 장비들로 구성된 팹에서 수만 장의 웨이퍼가 진행되고 있으며 각 웨이퍼는 1,000 스텝이 넘는 초정밀 화학공정을 거친다. 수년마다 새로운 팹을 건설해야 하며 팹당 15~30조 원이 투자되어 3~5년이 소요된다. 회로선폭이 1970년대 10μm, 2000년 130nm 이후에도 10단계 정도 단축되어 2024년 현재 5nm, 3nm를 양산하고 있다. 트랜지스터 구조도 평면구조에서 FinFET, GAA(Gate All Around) 등의 3차원 형상을 갖게 되어 공정이 더욱 어려워지고 있다. 그리고 DRAM도 선폭 극미세화에 따라 칩당 트랜지스터의 집적도가 높아지면서 이들 간의 연결선(Interconnect)도 너무 많아져서 연결선을 다층구조로 만들게 되었다. 플래시메모리는 데이터를 저장하는 커패시터(Capacitor)를 트랜지스터 하단에 가져 구조적으로 트랜지스터 회로를 복층으로 쌓아 올리고 많은 수의 TSV(Through Silicon Via)라는 관통 전극으로 서로 연결하는 경쟁이 가속되어 최근에는 300층 이상까지 고집적화하고 있다. 완성된 DRAM 다이(Die)를 여러 개 적층하고 TSV로 연결하고 하단에 GPU 등의 프로세서를 바로 장착하는 전극을 갖춘 Base Die를 가진 HBM(High Bandwidth Memory)이 AI 용 GPU에 필수가 되고 있다. 반면에 DRAM은 트랜지스터 소자와 커패시터를 외부에 두어 트랜지스터를 복층으로 만들기 어려웠으나 근래에는 한 칩 내에서 12층까지 트랜지스터 회로를 적층하고 6만 개의 TSV로 연결하여 3차원으로 복층화한 3D DRAM이 개발되었다. 웨이퍼 크기도 100mm에서 200mm를 거쳐 현재 대부분 300mm로 생산된다.

회로선폭이나 웨이퍼 크기가 한 단계 진화할 때마다 웨이퍼당 칩 수가 2.25배 정도 늘어나서 원가경쟁력이 높아진다. 그러나 선폭 극미세화, 칩의 3차원 구조화, 웨이퍼 대구경화에 따라 아주 미세한 먼지나 공정 스텝 후 잔여 케미컬만으로도 불량이 나고 웨이퍼 내 화학반응의 균일도를 유지하기 어려워져서 수율을 높이기가 몹시 어려워지고 있다. 또한, 팹 투자 비용이 막대하고 웨이퍼 가격도 고가이기 때문에 공정 설비의 이상 등으로 불량 발생 때 피해를 입는 웨이퍼 수도 많아서 품질비용도 막대하다. 따라서 작업자가 하던 웨이퍼 로트의 반송도 2000년대에 완전 자동화, 무인화하고 공정 스텝 간의 웨이퍼 품질 계측(Metrology)을 강화하고 데이터 기반의 실시간 공정 제어, 품질관리를 고도화, 지능화하고 있다(Chien et al., 2011). 포토리소그래피, 식각, 박막증착, 확산 등의 각 공정 단계별로 수십 대의 유사 장비가 병렬로 웨이퍼를 처리하지만, 장비들의 상태와 특성이 미세하게 달라서 진행 중인 웨이퍼별의 상태에 따라 할당할 수 있는 공정장비에 제약이 많고 웨이퍼 품종이 달라질 때 공정장비의 셋업 및 튜닝이 발생한다. 그리고 공정 스텝 간에도 웨이퍼가 다음 공정을 대기하는 중에 공정 챔버 내 또는 FOUP(Front Open Unified Pod)이라 불리는 웨이퍼 반송 컨테이너 내 잔류 케미컬, 웨이퍼 표면에 주입한 이온의 탈출, 진공화시킨 FOUP 내 잔류 산소에 의한 웨이퍼 표면 산화, 원하지 않는 결정생성 등이 발생하여 수율을 저하시킨다. 따라서 공정간 웨이퍼 대기시간에도 제약을 두거나 평균 대기시간 단축하고 대기시간 변동을 줄여야 한다.

한편 선폭 미세화와 웨이퍼 대구경화에 따라 25장 웨이퍼 로트를 한 챔버 내에서 처리하던 뱃치방식으로는 웨이퍼 간, 웨이퍼 내 칩 간의 품질 균일도를 유지하기 어려워졌다. 이에 따라 1990년대 말부터 웨이퍼를 챔버 내에서 한 장씩 처리하는 매엽식 공정(Single-Wafer Processing) 기술이 도입되고 다음 공정을 위한 개별 웨이퍼 반송 노력과 위험을 줄이기 위해 여러 개의 매엽식 공정 챔버들과 챔버 간 웨이퍼 반송 로봇 등을 결합한 클러스터 툴(Cluster Tool)이 도입되어 현재 70~80%의 공정에 적용되고 있다(Lee et al., 2023). 클러스터 툴 내에서 로봇작업의 순서와 타이밍은 시간당 웨이퍼 처리량 뿐 아니라 챔버내 웨이퍼 대기시간에도 큰 영향을 주어 클러스터 툴 내의 스케줄링 및 제어가 생산성뿐 아니라 품질에도 큰 영향을 준다.

디스플레이 제조도 각 픽셀의 발광을 조절하는 트랜지스터들의 회로를 형성하기 위해 반도체 공정과 유사한 팹 공정이 핵심이다. LCD(Liquid Crystal Display), OLED(Organic Light Emitting Display) 등의 디스플레이는 글래스 단위로 제조되는 데 대형화 추세에 따라 너무 무겁고 반송 과정의 진동에 의한 품질 열화를 막기 위해 클러스터 툴, 컨베이어시스템, 로봇 등을 직렬로 연결한 대규모 인라인(in-Line)화 시스템을 갖추고 있다. 최근에 급성장한 배터리 등의 이차전지, 바이오신약 등을 만들기 위한 제조시스템도 새롭게 떠오르고 있다.

제조산업이 본격적으로 시작한 1900년대 초부터 재고관리 방법이 개발되기 시작하여 1950년대에 입출고를 신속, 정확하게 기록, 조회하는 컴퓨터 기반 재고관리가 시작되었다. 동시에 수요에 대응하여 결품을 최소화하고 평균 재고를 줄이기 위한 주문정책을 최적화하는 다양한 수리 모델이 개발되어왔다. 이후 제품 및 공정이 다양해지고 복잡함에 따라 컴퓨터를 활용하여 수요와 재고 및 재공재고를 고려하여 주요 공정별 생산량을 최적으로 결정하기 위한 수리적 생산계획, 작업 총 완료 시간, 납기 준수율 등의 다양한 성과지표에 맞추어 공정 설비에서 작업의 처리순서를 최적으로 결정하는 다양한 스케줄링 알고리듬 및 디스패칭 룰(Dispatching Rule)이 개발되어 활용되었다. 한편 공장 내 설비 대수 및 배치, 작업물의 이동 경로를 최적화하기 위한 레이아웃 설계 방법도 본격적으로 개발되었다. 많은 종류의 기계 부품을 형상, 가공 방법 및 경로 등의 유사성에 따라 분류하여 그룹화하고 그룹 내 부품들은 동일 또는 유사하게 관리하여 생산 운영의 복잡도, 셋업, 이동 등을 대폭 감소시키는 GT(Group Technology)가 창안되어 널리 활용되었다. 이후 크게 발전한 센서 및 통신 기술을 활용하여 설비 이상을 조기에 탐지하여 경보하고 조처하는 예방 정비 기술, 제조기업 내 재고 및 생산공정의 효율화를 넘어서 부품·원자재 공급업체, 유통․판매 채널 및 기업들과 판매, 재고, 배송, 생산 정보를 공유하고 관련 업무 프로세스를 혁신하는 공급체인관리가 전 세계적으로 확산하였다. 생필품 유통채널을 지배하는 월마트가 주도하여 공급업체들과 정보공유, 프로세스 혁신, 협업으로 공급체인관리가 큰 성공을 거두자 제조기업에도 도입, 발전시켰다.

전술한 품질관리, 생산관리 방법의 개발과정에서 측정하고 수집한 데이터를 통계 또는 수리적 모델과 컴퓨터를 활용하여 분석, 분류, 탐지, 판단, 예측하고 최적의 의사결정을 내리게 되었다. 이를 위해 통계학, 선형계획법, 정수계획법 등의 수리계획법을 포함한 다양한 최적화 이론 및 알고리듬, 수리적 대기이론, 컴퓨터 모델링 및 시뮬레이션 등을 활용하는 기술이 많이 연구, 개발되어 널리 활용되고 있다.

설계, 제조가 자동화, 컴퓨터화, 디지털화되고 통신네트워크 및 인터넷으로 연결되고 주문, 설계, 생산, 배송의 전 과정이 온라인화, 디지털화됨으로 인해 막대한 데이터가 생성, 축적되었다. 이들 데이터를 활용한 머신러닝 및 인공지능 알고리듬으로 자동화, 지능화를 실현함으로써 품질, 원가, 속도를 혁신하고 제조 유연성을 높이고 있다. 다양한 개별 고객의 주문에 대응하는 대량 맞춤형 생산으로의 꿈도 이미 진행되고 있다. 2010년대 이후 다양한 구조의 대규모 심층 인공신경망(Deep Neural Network) 기술이 개발, 보급되어 공정 및 물류 장비의 제어를 자동화, 최적화하고, 공정, 품질, 설비의 이상 조기 탐지 및 원인진단, 대규모 물류시스템 운반차들의 실시간 상황 감지 배차, 경로 결정 및 변경, 제약이 복잡한 생산 스케줄의 실시간 상황 감지 최적화 등에 이미 널리 적용되고 있다. 특히 데이터가 충분하고 적절한 학습모델을 개발, 사용하면 기존의 SPC 및 통계적 방법, 최적화 모델 및 알고리듬 등을 보완하여 비선형, 비정상성(Non-Stationary), 자기상관(Autocorrelated), 장기상관(Long-Term Correlated), 다중 입력 및 출력(MIMO: Multi-Input Multi-Output), 확률적 변동성, 다양한 예외 상황 발생, 복잡성 등의 문제를 효과적이고 강건하게 대응할 수 있다. 특히, 강화학습(Reinforcement Learning)기법은 공정시간 등이 확률적으로 변동하고 다양하고 복잡한 예외 상황 발생하는 제조 및 생산 운영 시스템에서 상태에 따라 실시간 의사결정을 하는 데 효과적이다. 과거에는 경험과 시뮬레이션에 의한 실험과 시행착오로 Dispatching Rules 등이 운영규칙을 개선할 수밖에 없었지만, 이제는 운영규칙(Rule) 자체를 최적으로 탐색하는 것이 가능해진 것이 크게 주목할 만하다. 예를 들어 클러스터화(Clustering)된 반도체 공정장비 내의 스케줄링 및 운영 규칙의 개발에 6개월 이상 소요되던 일을 모델만 적절히 개발되면 강화학습기법으로 수 시간이내에 생산성도 높고 신뢰성이 높은 최적 운영규칙을 자동으로 생성한 사례도 있다(Hong and Lee, 2018). 또 다른 예로 반도체 및 디스플레이 제조공정의 애로공정인 포토리소그래피(Photolithography)의 수십 대의 공정 설비와 수십 종의 상이한 로트가 수백 개 대기하고 로트-설비 간 할당 제약이 복잡한 스케줄링 문제를 성공적으로 해결한 사례도 있다(Kim et al., 2024).

최근 토큰화된 단어, 문장 등의 정보들간의 연관성을 대량으로 학습하고 특정 질의에 대해 연관성이 가장 높은 것들을 찾아주는 새로운 구조의 심층인공신경망인 트랜스포머(Transformer)가 등장하였다. 이를 활용하여 인류가 생산한 대량의 텍스트 정보를 학습시킨 대형언어모델(Large Language Model)을 만들고 이를 기반으로 사람처럼 대화하여 문장, 문서 등을 작성해주는 생성형 AI 기술이 급속히 발전하고 있다. 최근에는 텍스트 이외에 이미지, 오디오 등의 정보도 토큰화하여 생성할 수 있는 멀티모달(Multi-Modal) 생성형 AI도 설계 및 운용관리에 유용할 수 있다. 특히, 최근에 활발히 개발되고 있는 공간정보 및 세계모델(World Model)에 대한 생성형 AI 기술은 작업공간 및 로봇의 상호작용을 인간 수준으로 이해하게 되어 비정형 조립 작업, 물류 작업에 적용하여 자동화 수준을 크게 높일 것으로 기대된다. 이러한 생성형 AI를 제조시스템에도 효과적으로 응용할 수 있을 것이라는 기대가 높으며 맥킨지(Achenbach et al., 2024)는 그 적용 가능성을 <Table 1>과 같이 전망하였다. 물론 기존의 방법으로도 이미 하는 것도 많지만 텍스트화된 문서와 메시지의 학습 및 생성과 자연어 인터페이스의 장점으로 훨씬 유연하고 확장된 의사결정이 가능하게 될 것이다.

Table 1.

Application Potential of Generative AI to Manufacturing Systems and Supply Chain Management(Achenbach et al., 2024)

AI는 기존의 통계 및 수리적 방법으로는 제대로 대응하기 힘들었던 생산 현장의 복잡성, 불확실성과 변동, 수시적 상황 변화, 잦은 예외 상황 발생 등의 어려움을 극복하는 유망한 방법이 틀림없다. 그러나 문제를 제대로 정의하고 모델하고 통계 및 수리적 모델과 이들로부터 얻어진 통찰력과 지식을 활용하면 AI의 효용을 극대화할 수 있다.

이상에서 설명한 제조시스템 및 생산관리의 발전과정의 주요 도전 이슈를 다음과 같이 요약할 수 있다. 첫째, 시장요구에 대응하여 동시생산 품목의 증가, 자동차처럼 수만 개의 부품이 조립되는 등의 복잡성이 폭발적으로 증대되었다. 둘째, 제조공정이 고도화, 다변화됨에 따른 변동 및 불확실성 증대하여 품질 불량, 수율 저하의 위험이 크게 증가하고 품질비용이 급등하였다. 셋째, 고객 수요 다양화해지고 경쟁이 심화되어 수요예측, 생산계획, 공급체인의 불확실성이 크게 높아지고 가격, 원가, 스피드 경쟁이 치열해졌다. 마지막으로 제품이 다품종화됨에 따라 다품종 동시 생산 및 공급을 위한 제조시스템 및 공급체인의 유연성 경쟁이 심화되고 있다. 제조기업의 경쟁력 지표가 생산성, 품질, 속도뿐 아니라 유연성이 중요하게 되었다.

이러한 복잡성, 변동성, 불확실성이 지속적으로 높아지는데 대응하여 제품 기획, 설계, 개발, 제조, 구매, 물류, 공급체인에 걸친 전 영역에서 신기술 도입, 자동화, 정보화, 디지털화, 지능화, 최적화, 관리체계 혁신 등의 제조혁신을 꾸준히 추진해왔다. 이러한 제조혁신의 영역과 방법을 <Figure 2>와 같이 정리해볼 수 있다.

Figure 2.

Manufacturing Innovation Areas and Methods