CPS란 무엇인가?
CPS(Cyber - Physical System) : 현실의 물리적인 세계와 가상의 세계이 긴밀하게 연결 및 제어하는 시스템을 의미한다. 사전적인 의미만 살펴 보았을 때는 크게 감이 오지 않을 수도 있다. 쉽게 말하면 IoT를 통해 얻은 센서 데이터를 통해 현실과 디지털 간의 일대일 대응이 이루어진 시스템이다. 이러한 CPS 시스템의 주된 목적은 생산 효율성 및 생산성 극대화를 하는 것이다. Big Data, AI 기술과 같은 최신 IT 기술 도입의 이유 역시 이러한 공정 최적화를 위한 도구로서 동작하게 된다.
이러한 CPS는 현재 여러 요인들로 인해 급변하고 있는 제조 산업에 민첩하고 효율적으로 대응할 수 있다는 장점이 있다. 바로 생산 Line을 정지시키지 않고도 공장 운영의 최적해를 뽑아내고 검증할 수 있다는 점이다. 실제 공장에서 얻어온 여러 생산 정보를 바탕으로 원인을 파악, 개선안을 수립 후 이를 시뮬레이션과 KPI와 같은 지표를 통한 검증을 통해 최적운영안을 도출할 수 있다. 이처럼 실제 공정에서 취득한 데이터를 바탕으로 실제 환경에 영향없이 시뮬레이션과 지표들을 통해 최적해를 도출하고 이를 통해 실제 공정에도 적용하여 공정의 최적화를 이루어 낼 수 있다.
사용 프로그램
해당 프로젝트에서는 에쎄테크놀로지(ESE Technology)의 S-Prodis를 이용하여 실습을 진행하였다. (그림에서는 맥북이었지만 실제로는 window 프로그램 이었다.) 가상의 문제가 있는 공장 시나리오를 바탕으로 공장의 문제를 분석하고 병목과 같이 문제가 되는 부분을 판단하여 정해진 기준에 도달할 떄 까지 공정을 최적화하는 것을 반복(일종의 divide & conquer)하여 문제를 해결하였다.
프로젝트 간략 소개
해당 프로젝트는 위 이미지처럼 어는 특정한 가상의 생산 공장을 모델링하고 해당 공장의 레이아웃과 공정, 생산계획과 버퍼와 같은 파라미터를 설정하고 실적 라인밸런싱, LeadTime, UPH와 같은 KPI 지표들을 통해 생산성이 떨어지는 원인을 분석한다. 이후 이를 해결하기 위해 문제가 발생하는 부분의 설비나 인적자원을 추가하거나 파라미터 값을 변경하는 등 가상의 공장 환경을 수정하고 이를 다시 시뮬레이션 하여 KPI 지표를 분석하는 것을 반복, 최적의 솔루션을 탐색하는 것을 목표로 프로젝트를 진행하였다.
핵심 학습 내용과 통찰
1. 현장 중심적 사고의 중요성
프로젝트를 진행하면서 가장 크게 깨달은 점은 현장의 복잡성과 다양한 이해관계자들의 요구를 종합적으로 고려해야 한다는 것입니다. 생산 현장은 단순히 효율성만을 추구할 수 있는 환경이 아니라, 비용 제약, 인력 운용, 품질 관리, 납기 준수 등 상호 충돌할 수 있는 다양한 목표들이 동시에 존재하는 복합적인 시스템입니다.
이러한 현실을 반영하기 위해서는 추상적인 최적화보다는 구체적이고 명확한 요구사항 정의가 선행되어야 함을 학습했습니다. 실제 문제 상황의 정확한 파악, 현실적인 비용 한계 설정, 달성 가능한 목표 매출 증가량 등 정량적 지표를 기반으로 한 목표 설정이야말로 성공적인 현장 적용의 핵심이라는 것을 깨달았습니다.
2. 체계적 문제 해결 방법론의 습득
두 번째로 중요한 학습은 논리적이고 단계적인 접근 방식의 가치입니다. 생산관리 분야에서의 의사결정은 반드시 명확한 근거와 논리적 정당성을 가져야 합니다. 단순히 직관적인 판단이나 경험에만 의존하는 것이 아니라, 데이터 분석을 통한 객관적 증거 제시가 필수적임을 체험했습니다.
특히 인상 깊었던 점은 문제 해결이 일회성 작업이 아니라 반복적 개선 과정이라는 인식입니다. '문제 분석 → 해결안 도출 → 검증'의 사이클을 한 번 돌리고 끝나는 것이 아니라, 이 과정을 지속적으로 반복하면서 점진적으로 최적해에 접근해 나가야 한다는 것을 실습을 통해 체득할 수 있었습니다. 이는 실제 현장에서 지속적 개선(Continuous Improvement) 문화의 중요성과도 직결되는 통찰이었습니다.
3. 데이터 기반 의사결정의 파워
프로젝트를 통해 정량적 분석 도구들의 실용적 가치를 체험했습니다. KPI(핵심성과지표) 설정과 모니터링, 다양한 정량적 지표의 활용, 그리고 시뮬레이션을 통한 시나리오 분석 등이 단순한 학습 도구를 넘어서 실제 의사결정 과정에서 얼마나 강력한 지원 도구가 될 수 있는지 확인할 수 있었습니다.
특히 여러 대안을 비교 검토할 때, 주观적인 판단보다는 객관적 데이터에 근거한 평가가 훨씬 설득력 있고 신뢰할 만한 결과를 도출한다는 점을 실감했습니다. 이는 향후 실무에서 이해관계자들과의 의사소통과 합의 도출 과정에서도 매우 중요한 역량이 될 것이라고 생각합니다.
4. 잠재적 문제 발굴과 예방적 사고
단순한 공정 최적화를 넘어서 현재 시스템이 내포하고 있는 잠재적 위험 요소들을 사전에 식별하고 분석하는 능력을 기를 수 있었습니다. 이는 문제가 발생한 후 대응하는 사후적 접근법에서 벗어나, 문제를 예방하고 시스템의 안정성을 사전에 확보하는 예방적 사고로의 전환을 의미합니다.
프로젝트의 한계와 극복 노력
현실성 부족 문제의 인식과 대응
가상 환경에서의 시뮬레이션이라는 프로젝트의 근본적 한계를 명확히 인식하고, 이를 극복하기 위한 적극적인 노력을 기울였습니다. 단순히 주어진 조건에만 의존하는 것이 아니라, 실제 현장 상황을 반영할 수 있는 다양한 제약 조건들을 스스로 설정했습니다.
근무시간 제약, 인건비 고려, 현실적인 투자 한계 설정, 계절성이 있는 상품의 수요 변동 패턴 반영 등을 통해 가상 시나리오에 현실성을 부여하려고 노력했습니다. 이러한 접근 방식은 단순한 이론적 최적화를 넘어서 실무적 적용 가능성을 높이는 중요한 학습 과정이었습니다.
통합적 솔루션 접근법
다기능 작업자 운용, 셀 생산 방식 도입 등 다양한 생산관리 기법들을 개별적으로 적용하는 것이 아니라 종합적으로 조합하여 시너지 효과를 창출하는 방법을 모색했습니다. 이는 실제 현장에서 단일 솔루션보다는 여러 방법론의 통합적 적용이 더 효과적일 수 있다는 중요한 통찰을 제공했습니다.
앞으로 나아가며...
이번 프로젝트를 통해 얻은 학습 경험은 단순한 학술적 지식 습득을 넘어서, 실무 현장에서 요구되는 종합적 사고 능력과 문제 해결 역량의 기초를 다지는 의미 있는 과정이었습니다. 특히 데이터 기반 의사결정, 이해관계자 요구사항 분석, 지속적 개선 마인드 등은 향후 어떤 분야에서 일하든 핵심적인 역량이 될 것이라고 확신합니다.
앞으로는 이러한 기초 위에서 더욱 복잡하고 현실적인 문제 상황에 도전하며, 이론과 실무를 연결하는 능력을 지속적으로 발전시켜 나가고자 합니다.
