세상에는 여러 종류의 다양한 화학제품이 넘쳐나고 있으며, 일상생활에서부터 공업, 농업 등을 널리 지탱하고 있다. 이들 제품은 결코 시험관이나 플라스크에서 만들어지는 것은 아니다. 일정한 품질을 유지하면서 안정적이고 저렴한 비용으로 안전하게 대량 생산하기 위해 화학 플랜트에서 공업 생산되고 있다. 예를 들어, 1913년에 질소와 수소를 원료로 하는 하버-보슈법(Haber-Bosch Process)에 의해 암모니아의 공업 생산이 시작됐다. 화학 플랜트에서 만들어지는 암모니아에 의해 대기 중의 질소가 대량으로 고정화되어 비료가 되는데, 이 생산량은 자연계의 질소 고정량을 웃돈다. 즉, 암모니아의 공업 생산이 없다면 현재와 같은 지구 생태계를 유지하는 것은 도저히 불가능한 상태일 것이다. 이와 같이 화학 플랜트에서 생산되는 화학제품은 비료나 자동차, 가전제품, 의류, 의료품 등에 이용되고 있으며, 우리 생활에 없어서는 안 되는 현재 세계를 지탱하는 중요한 기반이 되고 있다.
화학 플랜트를 적절하게 운전하기 위해서는 플랜트 곳곳에서 유량이나 온도, 압력, 성분 조성 등을 계측하고 감시, 제어하는 것이 필수적이다. 예를 들어 반응기 내에서 적절한 반응이 이루어지게 하기 위해서는 온도나 압력 등을 측정해 원하는 값으로 제어한 후에 원료 등을 적절히 공급해야 하며, 그렇지 않으면 설계한 제품을 확실하고 안전하게 만들 수 없다. 환경부하와 비용, 인력 등 여러 가지 제약 속에서 요구되는 품질의 제품을 안정적이고 고효율로 생산하는 것은 계측·제어를 고도로 활용해야만 비로소 가능하다. 일반적으로 플랜트의 수명은 상당히 길며, 50년 이상 운전하고 있는 플랜트도 적지 않다. 예를 들어 에틸렌 제조 플랜트의 경우 일본에서는 1962년부터 건설되어 가동되고 있으며, 현재도 많은 플랜트가 운전을 계속하고 있다. 이러한 노후화된 플랜트를 안전성과 효율성을 유지하면서 운전하기 위해 이전보다 고도의 운전 제어나 설비 관리가 요구되고 있다.
한편, 최근의 AI 발전에는 괄목할 만한 점이 있다. 십여 년 전부터 빅데이터와 딥러닝이 주도해 제3차 AI 붐이 일고, 알파고가 그 붐을 결정적인 것으로 만들었다. 또한 최근에는 ChatGPT와 같은 생성 AI가 큰 붐을 일으키고 있으며, 루비콘강을 건넜다고도 말하고 있다. 화학 플랜트를 비롯한 제조업에서도 Cyber Physical System(CPS) 개념의 보급과 맞물려 10년 정도 전부터 다양한 형태로 AI의 활용이 추진되어 왔으며, 점점 활발하게 도입되고 있다. 이 배경에는 베이비붐 세대의 퇴직 등으로 인해 플랜트 운전이나 보수에 관한 풍부한 경험과 지식을 가진 인재가 부족하다는 과제도 있다. 게다가 최근에는 카본 뉴트럴(Carbon Neutral)에 대한 대응이나 다이내믹 케이퍼빌리티(Dynamic Capability)의 강화 등도 강하게 요구되고 있어, 이러한 과제에 대응하기 위해서도 플랜트의 디지털화가 추진되고 있는 것이 현실이다.
이 글에서는 계측과의 관계도 다루면서 이른바 O&M(운전․제어와 보수)을 중심으로 화학 플랜트의 디지털 기술이나 기계학습, AI 등의 활용에 대해 설명한다.
계측과 운전·제어, 설비 관리
화학 플랜트에서 일어나고 있는 현상이나 상황을 파악하고 적절히 제어하기 위해 플랜트에는 수많은 측정장치가 장비되어 있으며 다양한 계측이 이루어지고 있다. 플랜트의 운전 조업에서 계측의 주된 목적은 제어와 감시이지만, 경험을 축적·활용해 최적화하기 위해서도 계측은 필수적이다(그림 1). 계측을 계속적으로 실시해 현재 상황을 파악하는 것이 운전 감시(모니터링)이다. 계측·모니터링은 제품 품질 유지와 에너지 효율 추구, 안전 등 다양한 관점에서 플랜트 운전에 중요한 역할을 담당하고 있다. 카본 뉴트럴 대책도 장기간에 걸친 정확한 모니터링과 취득한 데이터를 기반으로 한 해석·예측이 없이는 불가능하다.
모니터링에 의해 대상 시스템의 상황을 파악하고 관리하는 것은 물론 중요하지만, 다음 단계로는 그 정보를 바탕으로 어떤 행동을 취해야 하는지가 물어진다. 이를 위해서는 ‘가시화’된 정보 외에 대상에 대한 지식이나 경험을 바탕으로 판단하고 최적화하게 된다. 이러한 판단은 현재 인간에게 의존할 수밖에 없는 부분이 많지만, 컴퓨터를 이용한 의사결정 지원이나 자동 대응에 대해서도 여러 가지 연구가 이루어지고 있으며 상황에 따른 자동적인 운전 전환 등도 일부에서는 실현되고 있다.
모니터링에는 운전 감시 이외에 설비 보전·관리 기술 측면도 있다. 설비 관리를 통해 품질 열화나 예정 외의 다운타임 회피, 트러블 미연 방지와 최소화 등이 가능해진다. 종래의 설비 보전은 미리 정해진 기간에 정기적으로 검사·복구·교환을 실시하는 시간 기준 보전(TBM)이 중심이었다. 그러나 최근에는 설비의 가동 상태를 평가하기 위한 계측 기술이 향상됨에 따라 계측 데이터를 바탕으로 설비의 상태를 감시해 검사·복구를 결정하는 상태 기준 보존(CBM)이 가능해졌다. 이에 의해 보전 작업의 실시 시기나 보전 내용을 플랜트 상태에 맞게 최적화하는 것이 가능해져 비용과 다운타임의 삭감을 기대할 수 있다. 게다가 가동 중인 기기의 고장 부위, 시기와 수명을 고정도로 예측할 수 있는 경우도 있어 변조 징후를 포착해 보전 서비스의 질을 높이는 기술의 실용화가 추진되고 있다.
화학 플랜트의 디지털화
화학 플랜트의 운전 조업은 오랜 역사 속에서 여러 가지 효율화와 자동화가 시도되어 왔다. 1920년대의 계장기기 개발로 시작되어 1950년대 말에는 제어용 계산기가 등장해 오늘날 말하는 Cyber-Physical System(CPS)의 형태가 어느 정도 실현되게 된다.
특히 1975년 이후, 분산 제어 시스템(DCS)이 도입되면서 컴퓨터 화면을 사용한 오퍼레이션이 주요한 역할을 하게 됐다. DCS 도입 전에는 공기압을 사용해 전송하는 아날로그 계장이 중심이었지만, 4mA-20mA의 전기식 아날로그 계장으로 이행하고 그 후 디지털로 이행해 CPS에 기초한 제4차 산업혁명으로 이어지게 된다(그림 2). 현재의 계장 제어 시스템은 수직통합이 추진됨으로써 그림 3과 같은 구성이 되어 정보 시스템의 일부로서 자리매김하고 있다. 제어 시스템으로 완전히 독립되어 있는 경우와 비교하면, 보다 넓은 범위의 실시간 최적화가 가능한 구조가 실현된 것으로 AI 등도 활용하면서 고도의 판단이나 최적화, 자동화가 시도되고 있다.
디지털 기술의 활용, 즉 디지털화에는 몇 가지의 단계가 있다. 첫 번째 단계는 종래에는 아날로그였던 것을 디지털로 대체하는 것으로, Digitization이라고 불린다. 필드 계기의 값을 육안으로 관찰해 손으로 입력하던 것을 자동화하거나, 종이에 쓰던 조작 순서서(SOP) 등을 전자화하거나 하는 것이 포함된다. 이것만으로도 유용하지만 다음 단계로 나아가기 위해서도 필수적인 단계이다. 다음 단계는 디지털화된 정보를 바탕으로 해석이나 자동화, 최적화를 하는 단계로, Digitalization이라고 불리고 있다. 플랜트의 디지털화나 스마트화, AI·IoT의 활용이라고 일컬어지는 대응의 대부분은 이 Digitalization이다. 더욱 진전된 단계로서 디지털 트랜스포메이션(DX)이 있다. 이것은 각각의 기기나 장치의 최적화에 그치지 않고 보다 넓은 범위에서 최적화하거나, 자율화하거나 운전 조작 방법과 비즈니스 모델까지도 바꾸는 변혁이다. 그러나 실제로는 위의 Digitalization의 의미로 DX라고 하는 경우도 많다. 일반적으로는 이들의 디지털화를 무리하게 구별할 필요도 없을 것이다.
화학 플랜트의 디지털화에는 여러 가지 메리트가 기대되는데, 주된 것을 이하에 소개한다.
· 품질과 생산성 향상, 최적화
· 비용과 에너지 절감
· 안전성과 신뢰성 향상
· 운전원의 부담 경감
· 운전과 점검의 리모트화, 리모트 지원
· 노하우·기술의 전승
· 가시화, 자동화
또한 최근에는 이른바 그린과의 관계에서 디지털화에 대한 기대가 종종 언급된다. 실제로 디지털 기술은 에너지 효율 향상과 재생 가능 에너지 활용의 최적화, 스마트한 에너지 관리, 폐기물 절감과 환경부하 경감, 자원 관리의 최적화 등 탈탄소화로 대표되는 지속 가능 사회 실현을 위해 많은 방법으로 기여할 것으로 기대되고 있다.
대표적인 사례
화학 플랜트의 디지털화에는 여러 가지 대응이 있는데, 여기서는 대표적인 대응 사례를 몇 가지 시점에서 정리한다.
1. 이상의 검지·진단
모든 제조 설비와 기기는 조업이나 시간이 지남에 따라 열화, 마모, 고장 등을 일으킬 가능성이 있다. 따라서 설비와 기기의 고장을 방지하고 기능과 정도를 보장하기 위해서는 적절하게 관리하는 것이 필수적이며, 이러한 관점에서 이상의 검출·진단이 요구되고 있다.
한편 제품이나 시스템이 스펙을 충족하는 것도 매우 중요하며, 스펙을 충족하지 못한 제품을 생산하게 되지 않도록 운전 관리하는 것이 강하게 요구되고 있다(그림 4). 게다가 에너지 효율이나 생산 효율의 유지·향상과 안전·안심의 확보라는 관점에서도 바람직한 상태에서 일탈하는 것을 조기에(혹은 미연에) 검출해 그 원인을 진단하고 대응책을 입안·결정해 실행하는 것이 중요하다.
이와 같이 어떤 의미에서 바람직한 상태에서 벗어나는 것을 종합해 이상이라고 부르고, 운전 감시나 설비 관리에서는 이상의 검출과 진단이 중심적인 역할을 하게 된다. 지금까지 이들을 지원하는 기법이나 시스템이 여러 가지 개발되어 왔다. 그러나 한마디로 이상이라고 해도 실제로는 여러 가지 다양한 이상이 있고, 이상의 종류나 정도에 따라 그 거동은 천차만별이다.
따라서 한 가지 기법을 모든 이상에 사용할 수 있다는 것은 원리적으로 생각하기 어려우며, 만능 기법이라는 것은 존재하지 않는다. 즉, 대상에 따라 여러 가지 기법을 그 때마다 구분해서 사용할 필요가 있다.
가장 간단한 이상 검출 방법은 온도나 압력 등의 변수가 관리값 내에 있는지의 여부를 계속적으로 감시하는 기법으로, 현재까지도 가장 많이 사용되고 있는 유용한 방법이다. 이상의 종류에 따라서는 측정값의 변화 속도나 분산에 제한을 설정하는 관리도 일반적이다. 최근에는 품질이나 성능 등 보다 고도의 값을 감시할 수 있게 됐다. 또한 점점 더 대규모 복잡화되는 플랜트의 운전에 대응하기 위해 알람 매니지먼트의 기법이나 다변수 통계적 프로세스 관리 MSPC(Multivariate Statistical Process Control) 기법, 다양한 기계학습 기법이나 뉴럴 네트워크 등의 활용이 확산되고 있다.
이상이 검출된 경우에는 그 이상의 원인을 진단할 필요가 있다. 어떤 변수가 원인인지를 조사하는 방법은 여러 가지가 있는데, 근본 원인을 진단하는 것은 상당히 어려운 것이 실정이다.
이상의 검지·진단을 위해서는 소리나 진동 등 종래에는 그다지 이용되지 않았던 센서도 최근에는 활용되고 있다. 예를 들어 무선 접속 가속도 센서를 컴프레서 등에 설치해 이상 징후 검지에 활용하는 것 등이 이루어지고 있다. 카메라 화상을 이용해 제품 검사를 자동화하는 예 등 화상 해석의 활용도 활발하다. 또한 특수한 카메라를 이용한 가스 누출 검지나 온도 관리의 실시 예도 있다. 설비 관리에서는 드론 등에 탑재한 카메라 화상을 이용한 배관 부식의 진단 등이 이루어지고 있다.
2. 소프트 센서
화학 플랜트는 화학제품을 제조하고 있으므로 특정 화학 종류의 농도나 중합도와 같은 품질을 측정하는 것이 매우 중요하다. 그러나 대부분의 경우, 샘플링을 해서 실험실에서 시간을 들여 분석함으로써 비로소 계측할 수 있다. 원래는 실시간으로 온라인 분석을 실시해야 하지만, 기술적으로 혹은 비용적으로 어려운 경우가 많다. 증류탑 운전 등에서는 농도를 측정해 제어하고 싶지만, 실시간 측정이 어렵기 때문에 온도를 제어하는 운전을 하고 있는 경우가 많다.
이 문제를 해결할 수 있는 가능성을 가진 기술이 소프트 센서 혹은 가상 계측이라고 불리는 기술이다. 소프트 센서란 직접 측정하는 것이 어려운 양을 비교적 쉽게 측정할 수 있는 다른 측정값 등으로부터 추정하는 기술로, 이 기술의 이용이 확대되고 있다. 화학 플랜트나 제약 프로세스에서 자주 이용되는 소프트 센서로서 근적외분광법(NIR)이 있다. 이것은 NIR 스펙트럼에서 측정하고 싶은 성분의 함유량을 추정하는 회귀 모델로, 샘플링에 의한 분석값을 교사 데이터로 해서 기계학습에 부여함으로써 구축할 수 있다. 추정하는 회귀 모델이 생기면 몇 시간 간격의 샘플링 분석으로만 얻을 수 있었던 농도를 실시간으로 얻을 수 있게 되어 실시간 감시나 제어 시스템에 통합할 수도 있다. NIR 이외에도 온도나 압력 등 온라인에서 실시간으로 측정하고 있는 변수를 이용해 구하고 싶은 변수의 값을 추정하는 모델을 구축하기도 한다. 이 경우에는 NIR과 같이 새롭게 기기를 도입하지 않고도 소프트 센서를 구축할 수 있다.
3. 스마트 보안
화학 플랜트의 디지털화와 관련해 최근에는 ‘스마트 보안’이라는 말을 많이 듣게 됐다. ‘스마트 보안’이란 일본 경제산업성이 중심이 되어 추진하고 있는 산업 보안력을 강화하는 방안으로, 보안 업무에 IoT나 AI 등을 활용하는 신기술의 실증과 이러한 기술의 활용을 촉진하는 규제 개혁까지 포함하고 있다. 기술 혁신이나 디지털화, 다양한 환경 변화에 대응한 산업 보안에 관한 주체적·도전적인 대응으로, 구체적으로는 IoT나 AI 등의 신기술 도입을 통해 사업·현장의 자주 보안력 강화와 생산성 향상을 지속적으로 추진하는 동시에 규제·제도를 부단히 재검토하는 것이라고 기술되어 있다.
2020년 6월에는 민관의 수뇌가 이끄는 스마트 보안 민관 협의회가 설치됐다. 이 협의회에서는 스마트 보안의 중요성을 인식하고 이를 추진하기 위한 기본 방침이 책정됐다. 그 아래에는 고압가스 보안 분야나 전력 안전 분야 등의 분야별 부회가 설치되어 실천을 위한 구체적인 액션 플랜을 검토하고 매년 진척을 추적 관찰하고 있는 상황이다. 고압가스 보안 분야의 액션 플랜에 기술되어 있는 스마트 보안에 필요한 액션 항목은 그림 5에 정리했다.
액션 플랜에는 그 아래에 더욱 구체적인 액션이 배치되어 있다. 예를 들어 ‘데이터 취득’ 아래에는 센서·카메라 설치에 의한 데이터 취득, 5G 등을 활용한 기기 데이터의 실시간 연계의 2항목이 거론되어 있으며, ‘정보의 가시화와 열람’ 아래에는 플랜트 운전 상황의 가시화, 태블릿 등에서의 정보 열람·기록, 디지털 트윈에 의한 시뮬레이션과 상태 가시화의 3항목이 거론되어 있다. 협의회에서는 이들 소항목마다 중요성 순으로 단기·중기·장기의 시간축 아래에 진척 상황을 관리하고 있다.
2021년 6월에는 일본과 태국 양국의 산학관이 연계해 일본-태국 스마트 보안 컨소시엄이 설립되어 스마트 보안을 해외로 전개하는 활동도 추진되고 있다. 구체적으로는 스마트 보안에 관한 비즈니스 교류·기술 연계의 촉진, 인재 육성, 관련 기술이나 제도 설계 연구 등을 추진하고 있으며, 기술 카탈로그도 정비됐다. 2022년 1월에는 인도네시아 정부와도 MOU를 체결하고 활동을 시작했다.
DX 추진상의 과제와 대책
화학 플랜트의 디지털화가 추진되어 가는 가운데, 추진상의 과제도 여러 가지로 거론되고 있다. 이하에서는 대표적인 과제를 기술적인 과제와 그 이외로 나누고, 각각에 대해 생각할 수 있는 대책도 포함해 조금 구체적으로 설명한다.
1. 기술적 과제
(1) 데이터 부족
화학 플랜트의 가동 데이터는 DCS에 수집되어 있으며, 방대한 데이터가 축적되어 있다. 그러나 연속 운전되고 있는 플랜트는 정상 상태 근방에서 제어되기 때문에 대부분의 데이터가 거의 변동이 없다. 배치 플랜트에서는 로트마다 차이가 커서 동일한 조건의 데이터가 충분히 수집되지 못하는 경우도 많다. 이상 검지나 이상 진단을 위한 모델을 만들고 싶어도 애초에 이상 시의 데이터는 거의 존재하지 않는 경우도 많다. 또한 목적을 실현하기 위해 필요한 데이터가 애초에 측정되지 않은 경우도 많다. 이와 같이 화학 플랜트에서는 많은 경우 기계학습 기법으로 모델을 만들기 위해 도움이 되는 데이터는 압도적으로 부족한 경우가 많다는 것이 과제이다.
데이터 부족 문제를 해결하는 데 도움이 되는 기법은 여러 가지 연구·개발되어 이용되고 있다. 가장 이해하기 쉬운 방법은 어떻게든 해서 데이터를 모으는 것이다. 필요한 측정을 하기 위해 무선 센서나 소프트 센서를 설치하거나, 실험 계획법을 바탕으로 필요 최소한의 실험을 해서 데이터를 모으거나 하는 방법이 일반적이다. 물리 모델이나 시뮬레이터를 활용해 모델을 보완하거나 데이터를 생성하는 기법도 효과적이며, 디지털 트윈의 개발도 활발하게 이루어지고 있다.
AI 기법 측의 접근으로는 스파스 모델링(Sparse Modeling) 기법이나 전이 학습, 멀티태스크 학습, 자기 교사 학습이나 적대적 학습 등의 기법이 다양하게 개발되고 있으며, 종래보다 적은 데이터로도 유효한 학습을 할 수 있는 경우도 증가하고 있다. 그러나 기계학습을 하는 한, 데이터량이 많은 것보다 좋은 것은 없다.
(2) 설명성·신뢰성
기계학습은 입력 데이터와 출력 데이터 사이의 관계를 학습하는 것으로, 학습이 끝나면 주어진 입력 데이터에 대해 출력(결과)을 보내 준다. 그러나 대부분의 경우, 그 출력이 왜 나왔는지에 대해서는 설명해 주지 않는다. 이러한 특징은 신경 쓰이지 않는 응용 사례도 있지만, 설명이 없으면 납득할 수 없거나 신뢰할 수 없거나 액션을 취하기 어렵거나 하는 경우도 많아 과제로 되어 있다.
얻은 결과에 대해 어떠한 근거나 해석을 제시해 주는 설명 가능한 AI(XAI)에 관한 연구도 활발히 이루어지고 있다. 그러나 현재로서는 이용할 수 있는 기회가 아직 한정적이며, 시뮬레이터나 지식·경험 등을 활용해 인간이 해석할 필요가 있는 경우가 대부분이다.
한편, AI를 활용할 때의 신뢰성에 대해서는 결과에 대한 설명이 없어도 신뢰성을 확보하는 현실적인 방법이 제안되고 있다. 하나는 학습에 이용한 데이터로부터 모델의 적용 범위(Aplicability Domain)를 관리하는 방법으로, 얻은 결과에 대한 신뢰성이나 타당성을 판단할 수 있게 된다. 또 다른 하나는 AI를 활용하는 시스템의 신뢰성을 데이터 품질을 비롯한 다양한 지표에 기초해 평가하는 기법으로, 화학 플랜트에 대해 ‘플랜트 보안 분야 AI 신뢰성 평가 가이드라인’이 제시되어 있다. 신뢰성을 확보하기 위해서도 설명 책임을 다하기 위해서도 새로운 활용이 기대되고 있다.
2. 그 외의 과제
기술적 과제 이외에도 디지털화를 추진해 가기 위해 해결해야 할 과제가 여러 가지 거론되고 있다.
가장 자주 듣는 과제는 디지털화를 추진하는 인재가 부족하다는 점이다. 회사 외부에 아웃소싱할 수 있는 부분도 있지만, 사내에도 나름의 지식과 기술을 갖춘 인재가 없으면 원활하게 진행되지 않는다. 기계학습 등의 디지털 기술에 밝은 것만으로는 충분하지 않으며, 화학 공학이나 계측·제어 기술에도 통해야 한다. 그러한 인재를 육성하기 위한 방법에 대해서도 아직 충분한 경험이 축적되지 않은 상태이다. 한편 디지털 기술의 활용에 의해 부족한 인재를 보충하거나 기술 전승의 도구로서 유용하다는 측면도 있다.
다음으로 자주 듣는 과제는 비용에 관한 이야기이다. AI의 도입 비용이 비싸고, 도입할 때에 비용 대비 효과를 사전에 검증하기 어렵다는 말을 자주 듣는다. 보통 다양한 선행 사례를 참고하거나, PoC에 의해 기대할 수 있는 효과나 ROI 등을 예측하고 있는 경우가 많다.
기타 기업 문화나 사내 문화도 자주 듣는 과제이다. AI에 대한 이해․관심이 낮고 거부감이 강하며, 책임이나 역할이 불명확하다 등의 과제가 거론되고 있어 사내 문화를 변혁할 필요성이 제기되고 있다.
맺음말
이 글에서는 화학 플랜트의 O&M 분야에서 계측 데이터를 활용한 DX가 어떻게 발전해 왔으며, 현재 어떠한 상황에 있는지에 대해 소개했다. AI는 현재도 급속하게 발전하고 있으며, 앞으로도 할 수 있는 것이 많아질 것이다. 앞으로 그린과 리질리언스(Resilience)에 대한 대응이 강하게 요구되는 가운데 화학 플랜트의 운전․보수를 AI를 활용해 고도화하고 생산성과 안전성을 향상시켜 갈 것으로 기대되고 있다.
