디지털 트윈: 공장 최적화의 차세대 개척지

[힘힘]

디지털 트윈: 공장 최적화의 차세대 개척지

2024년 1월 10일| 기사

작성자: Sean Camarella , Michael P. Conway , 케빈 괴링, 그리고 마크 헌팅턴

공유하다

인쇄

구하다

디지털 트윈은 공장 내에서 의사결정이 이루어지는 방식에 혁명을 일으키고 있으며 미래 지향적인 제조업체는 효율성을 높이기 위해 기술 곡선보다 앞서 나가고 있습니다.

가장 인기 있는 통찰력

1. 2024년 1조 8천억 달러 규모의 글로벌 웰니스 시장을 정의하는 트렌드
2. CEO 역할을 준비하는 방법
3. 가장 중요한 것은? 2024년 CEO의 8가지 우선순위
4. 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
5. 여성 건강 격차 해소: 삶과 경제를 개선할 수 있는 1조 달러의 기회

전 세계 제조업체는 점점 더 어려워지는 상황에서 수요를 충족해야 한다는 극심한 압력을 받고 있습니다 . 인재 격차와 공급망 부족이 일반적인 자원이 제한된 환경에서 디지털 트윈은 용량을 빠르게 확장하고 탄력성을 높이며 보다 효율적인 운영을 추진하기 위한 선두 기술로 떠오르고 있습니다.

빠르게 진행되는 지속적인 운영에서 공장 디지털 트윈(공장의 실시간 가상 표현)은 제조업체에 더 빠르고 스마트하며 비용 효율적인 의사 결정을 지원할 수 있는 기능을 제공합니다. 예를 들어, 복잡한 물리적 시스템과 생산 운영에 대한 제조업체의 이해를 심화하고, 생산 일정을 최적화하거나, "가상" 시나리오를 시뮬레이션하여 신제품 출시의 영향을 이해할 수 있습니다.

이 기술은 빛의 속도로 발전하고 있으며 최근 McKinsey가 고위 경영진을 대상으로 실시한 설문 조사에 따르면 이제 대부분의 경영진이 생산 운영에서 디지털 트윈을 실제로 적용할 수 있는 것으로 나타났습니다. 디지털 트윈 배포는 더 이상 업계 리더만의 선택 사항이 아닙니다. "미래의 공장"이 여기에 있으며 오늘날 가치를 실현하고 있습니다.

공장 디지털 트윈은 리더의 최우선 관심사입니다.

공유하다

사이드바

디지털 트윈이란 무엇입니까?

McKinsey가 산업 부문 고위 임원을 대상으로 실시한 2022년 설문 조사에 따르면, 제조 리더들이 밤잠을 이루지 못하게 하는 두 가지 중요한 문제는 비용 증가와 인재 격차로 인한 자재 및 노동 제약, 그리고 더 나은 수요 예측, 재고 프로세스, 제조를 통한 생산 가시성 향상의 필요성입니다. 유연성과 공장 현장의 실시간 가시성을 제공합니다.1

설문 조사에 따르면 공장 디지털 트윈은 이러한 문제를 해결하기 위해 매우 인기 있는 기술이 되고 있는 것으로 나타났습니다. 산업 전반에 걸쳐 응답자의 86%가 디지털 트윈이 자신의 조직에 적용 가능하다고 답했습니다. 약 44%는 이미 디지털 트윈을 구현했다고 답했고, 15%는 디지털 트윈을 배포할 계획이라고 답했습니다(그림 1).

전시 1

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

공장 디지털 트윈의 작동 방식

공장 디지털 트윈은 공장 현장에 대한 포괄적인 모델을 제공합니다. 실시간 공장 조건의 결과를 시뮬레이션하여 프로세스 또는 레이아웃 변경과 같은 생산 시나리오 전반에 걸쳐 "가상" 분석을 가능하게 합니다. 가장 발전된 상태에서는 수동 검토 및 개입 또는 완전 자동화를 통해 생산 일정 관리와 같은 실시간 의사 결정에 통합될 수 있습니다.

디지털 트윈 사용 사례는 공장의 운영 상황에 따라 다릅니다. 예를 들어, 초기 투자 및 그린필드 공장 구축 중에 디지털 트윈은 레이아웃 설계를 검증하고, 설치 공간을 최적화하며, 재고 규모를 추정할 수 있습니다. 트윈의 세부 수준에 따라 자산의 공간 매개변수(예: 여유 공간, 인체 공학, 셀 내 직원 이동)도 평가할 수 있습니다.

보다 확립된 운영에서 공장 디지털 트윈은 스프레드시트의 기존 모델링이 부족한 생산 병목 현상을 예측할 수 있습니다. 예측하기 어려운 확률론적 프로세스, 재고 버퍼, 자재 이동 시간, 전환 등을 모두 실시간 데이터를 사용하여 높은 정확도로 모델링할 수 있습니다.

트윈의 통찰력은 라인 밸런싱 및 지속적인 개선 기회의 우선순위 지정과 같은 느린 결정부터 생산 일정 최적화와 같은 실시간 결정에 이르기까지 다양한 유형의 결정 시간 시나리오에도 적용될 수 있습니다.

공장 환경에서 가치 제공

공장 디지털 트윈은 모든 종류의 산업과 사용 사례에서 가치를 창출하고 있습니다. 산업체 기업을 위해 개발 및 배포된 공장 디지털 트윈은 최근 생산 일정을 재설계하는 데 사용되어 조립 공장의 초과 근무 요구 사항을 압축하고 월간 비용을 5~7% 절감했습니다.

생산 라인의 실시간 병목 현상을 정확하게 시뮬레이션함으로써 디지털 트윈은 제조 공정에서 숨겨진 막힘도 찾아냈습니다. 이 모델은 기존 MES(제조 실행 시스템) 플랫폼, 사물 인터넷(IoT) 장치 및 재고 데이터베이스에 통합되어 다양한 제품 라인의 최적 순서를 결정하여 가동 중지 시간을 최소화합니다. 이는 고객 배송 요구 사항과 창고 보관 및 생산 라인 용량의 물리적 한계 내에서 달성되었습니다.

마찬가지로, 금속 제조 공장을 위해 개발된 공장 디지털 트윈은 이상적인 배치 크기와 생산 순서를 식별하여 4개의 병렬 생산 라인에서 수천 개의 잠재적 제품 조합 일정을 최적화하는 데 도움이 되었습니다. 이러한 수준의 복잡성을 처리하기 위해 AI 기반 에이전트는 강화 학습(RL)을 통해 디지털 트윈을 사용하여 최적의 주문 순서를 구축하도록 훈련되었습니다. RL 알고리즘은 수동 스케줄링에 비해 상당한 비용 절감과 수율 안정성을 제공했습니다.

확장 가능한 모듈식 디지털 트윈 구축

디지털 트윈은 여러 데이터 소스를 통합하고 공통 데이터 경로("기술 스택")를 따라 기술 피드를 배열하여 데이터를 분석하고 성능을 시각화하는 방식으로 작동합니다. 최상의 결과를 얻으려면 기술 스택이 모듈식이고 확장 가능해야 하며 단일 정보 소스를 제공해야 합니다(그림 2).

전시 2

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

많은 제조업체가 맞춤형 사양에 맞춰 기본적으로 구축된 디지털 트윈을 선택하는 경향이 있지만 디지털 트윈 설계에 통합하여 상호 연결된 데이터를 지원하고 실행 가능한 사용자 인터페이스를 제공하거나 다양한 생산 투입을 위한 최적화 프로그램.

일반적으로 모듈식 기술 스택은 명확하게 분할되고 표준화된 빌딩 블록 구성 요소를 사용하여 설계됩니다. 확장 가능한 스택에는 표준 데이터 통합, API(응용 프로그램 인터페이스) 및 템플릿이 있어 최소한의 노력으로 모듈식 구성 요소를 추가할 수 있습니다. UNS(통합 네임 스페이스) 아키텍처와 같은 단일 진실 소스를 생성하면 통찰력이 지속적으로 형성되는 방식으로 데이터가 적절하게 분류, 구조화 및 액세스될 수 있습니다.

데이터 소싱, 저장 및 처리: 데이터는 기술 스택의 기본에 위치하며 라인 상태와 자산별 최신 주기 시간을 나타내기 위해 PLC 및 MES 플랫폼에서 가져온 생산 데이터로 구성됩니다. 재고 데이터에는 원자재 가용성, 현재 진행 중인 작업 및 완제품이 표시되며, 수요 데이터는 고객으로부터 직접 또는 ERP를 통해 수집됩니다.

모델링이 반복 가능하고 예상되는 방식으로 수행되도록 하려면 체계적인 데이터 정리가 중요합니다. 데이터는 일반적으로 시뮬레이션 도구에서 사용하도록 설계된 중간 데이터 테이블로 정리, 구조화 및 컴파일됩니다.

표준 언어 생성: 데이터 서비스 통합 소프트웨어를 사용하면 서로 다른 스트림의 데이터를 처리 및 분할을 위한 공통 데이터 경로로 통합할 수 있습니다. 이를 통해 데이터를 조작하고 통합을 위한 유용하고 범주적인 "언어"로 구성할 수 있습니다. 서로 다른 데이터 소스를 통합하는 하나의 공통 데이터 모델을 생성하면 운영 통찰력이 단계적으로 바뀔 수 있습니다. 하나의 아키텍처 접근 방식인 UNS는 명확하고 이해하기 쉬운 방식으로 모든 비즈니스 데이터에 공통 명명 규칙을 적용하여 사용 사례 확장의 복잡성을 크게 줄입니다.

시뮬레이션 소프트웨어의 계층화: 공장 현장을 시뮬레이션하는 가장 정확한 방법은 개별 이벤트 시뮬레이션 소프트웨어 또는 기본적으로 구축된 코드를 사용하는 것입니다. 이를 통해 수천 개의 시뮬레이션된 생산 시퀀스를 실행하여 병목 현상과 생산 제약 조건을 식별하는 공장의 가상 렌더링이 생성됩니다.

최적화: 디지털 시뮬레이션 위에 최적화 소프트웨어를 계층화하면 디지털 트윈이 수백만 개의 가상 생산 시퀀스를 실행하고 생산 시간을 최대화하는 최적의 시퀀스를 분리할 수 있습니다. 최적화 접근 방식은 수십 년 동안 존재해 왔지만 유전자 알고리즘, Baysien 기반 "옵션화", 능동 학습, 심층 강화 학습과 같은 최근의 발전은 공장을 최적화하는 새로운 방법을 만드는 데 있어 판도를 바꾸고 있습니다. 예를 들어, 기계 학습(ML) 알고리즘을 통합하면 시퀀스가 ​​과거 패턴과 실시간 변화에 모두 응답하여 생산 결과를 단계적으로 변경할 수 있는 반복 가능한 비즈니스 규칙 시스템을 만들 수 있습니다. 이러한 ML 및 최적화 접근 방식을 공장의 시뮬레이션된 복제본과 결합하고 최신 고성능 컴퓨팅을 활용하면 기업이 실시간으로 새로운 수준의 성과를 창출할 수 있습니다.

최근 공장 디지털 트윈의 배포는 이러한 요소가 어떻게 실제 가치로 변환되는지를 보여줍니다. 공장 리더들은 여러 개의 서로 다른 데이터 소스를 가상 환경에서 생산 라인을 복제한 공통 운영 그림에 연결했습니다. 이를 통해 팀은 생산 프로세스의 모든 단계에서 각 장치가 소비한 시간을 모니터링할 수 있었습니다. 즉, 처리 단계가 '굶주림'(다음 장치를 받기 위해 유휴 상태로 대기) 또는 '차단'(대기)된 시간을 측정할 수 있었습니다. 작업이 완료된 후 단위를 생산의 다음 단계로 진행하는 것).

이를 종합하여 팀은 특히 중요한 병목 지점에서 차단되고 기아된 시간을 최소화함으로써 전체 처리 시간을 줄이는 다양한 시퀀스를 식별할 수 있었습니다. 병목 지점의 생산 순서를 최적화하는 반복 가능한 순서 규칙을 식별하고 개발하기 위해 기본적인 최적화 솔루션을 활용함으로써 팀은 총 처리 시간을 약 4% 단축했습니다.

시작하는 방법

설문 조사에 참여한 대부분의 제조 경영진은 이제 디지털 트윈 애플리케이션을 확인하고 있지만, 디지털 트윈을 구현하려는 욕구가 제조업체가 항상 그렇게 할 준비가 되어 있다는 것을 의미하는 것은 아닙니다. 경영진은 종종 디지털 트윈의 전체 기능에 대한 제한된 인식을 포함하여 몇 가지 구체적인 과제를 강조합니다. 영향력이 크고 확장 가능한 솔루션을 방해하는 단편적이고 난해한 데이터 환경; 디지털 트윈 솔루션을 구축하고 배포할 수 있는 내부 인재가 부족합니다.

이러한 장애물을 극복하는 것은 지속적인 테스트, 검증 및 알고리즘 논리 개선을 기반으로 하는 반복적이고 민첩한 작업 방식을 채택하는 것에서 시작됩니다. 이 접근 방식은 배포 전에 디지털 트윈의 정확성을 높여 장기적인 채택 가능성을 높이는 데 도움이 됩니다.

인재 격차를 메우려면 외부 지원이 필요할 수 있습니다. 디지털 트윈을 설계하고 구축하기 위해 한 대형 제조업체는 산업 또는 제조 엔지니어, 운영 관리자, 데이터 엔지니어 또는 과학자, IT 설계자로 구성된 다기능 제품 팀과 협력하여 데이터 소스를 연결하고, 최소 실행 가능한 제품을 시험하고, 확장 가능한 솔루션.

디지털 트윈 개발의 첫 번째 단계에는 트윈의 타당성을 입증하고 영향 추정치를 개선하기 위한 개념 증명을 신속하게 구축하는 것이 포함되었습니다. 다음으로 팀은 데이터 피드를 완전히 식별하고 미래 상태 아키텍처를 설계하는 더 높은 충실도, 최소 실행 가능 제품 시뮬레이션을 목표로 했습니다. 이 시점에서는 인력 최적화, 제품 혼합이 라인에 미치는 영향 이해, 다양한 조건에서 병목 현상 식별 등 프로세스 변경 기회를 강조함으로써 일부 가치 포착이 이미 가능했습니다.

그런 다음 시뮬레이션을 라이브 데이터 피드에 연결하고 운영에 포함시켜 샌드박스에서 프로덕션 환경으로 전환했습니다. 마지막으로 ML 알고리즘을 사용하여 최적의 일정 패턴이나 캠페인을 실시간으로 식별하는 최적화 플랫폼이 추가되었습니다.

이러한 유형의 개발 여정은 제품 팀의 경험과 역량, 공장의 복잡성에 따라 2~3개월이 걸릴 수도 있고 1년 이상이 걸릴 수도 있습니다.

---

디지털 트윈의 잠재력을 최대한 활용하는 것은 공장 네트워크 전반에 걸쳐 확장될 때 혁신적일 수 있습니다. 많은 산업체 기업들이 다양한 노드에서 부품 제조, 조립, 유통이 이루어지는 복잡하고 수직적으로 통합된 생산 시스템을 보유하고 있다는 점을 고려하면 이 차세대 개척지는 엄청나게 강력할 수 있습니다. 이러한 각 노드에 자체 디지털 트윈이 있는 경우 엔드투엔드 네트워크는 엄청나게 복잡한 계획 문제 및 용량 분석에 최적화될 수 있습니다.

가상 모델이 생성 AI 기술과 긴밀하게 통합됨에 따라 공장 디지털 트윈은 향후 몇 년 동안 계속 발전할 가능성이 높습니다. 고성능 AI 언어 모델은 공장 경영진과 보다 원활하게 상호 작용하고 실시간으로 권장 사항을 제시하여 운영자와 관리자에게 잠재적인 개선 사항이나 예상치 못한 중단 및 예상 복구 일정을 해결할 수 있는 방법을 알려줄 수 있습니다. 이러한 모델과 AI 에이전트가 더욱 정교해지고 통합됨에 따라 공급망의 잠재적 혼란을 이해하기 위해 업스트림과 수요 패턴 변화 또는 고객 행동 변화에 대한 다운스트림과 상호 작용하기 시작할 가능성이 높습니다.

이 기술이 현재 제공하고 미래에 제공할 가능성은 제조업체가 의사결정을 내리고 효율성을 추진하는 방법에 대한 판도를 바꾸고 있습니다. 빠른 의사 결정을 통해 경쟁 우위를 확보하거나 제조업체가 혼란과 경제적 역풍에 적응할 수 있도록 돕는 세상에서 디지털 트윈은 있으면 좋은 기술에서 모든 종류의 제조업체를 위한 필수 도구로 진화할 것입니다. 결국에는 완전히 가상화된 공급망에서 상호 작용해야 합니다.

저자 소개

Sean Camarella 는 McKinsey 덴버 사무소의 협력 파트너입니다. Michael P. Conway 는 뉴욕 사무소의 협력 파트너입니다. Kevin Goering 은 샌프란시스코 사무소의 파트너이고 Mark Huntington 은 시카고 사무소의 파트너입니다.

저자는 이 기사에 기여한 Kim Borden과 Sneha Mani에게 감사의 말씀을 전하고 싶습니다.