Digital Twin-Enabled Dynamic Production Scheduling for Concurrent Multi-Program Manufacturing Operations

기술 요약: 동시 다중 프로그램 제조 운영을 위한 디지털 트윈 기반 동적 생산 스케줄링

문제 정의
현대 제조 시설은 점차 다수의 동시 다중 생산 프로그램을 운영함에 따라, 변화하는 주문 우선순위, 장비 열화, 인력 역량, 자재 가용성 및 납기 제약과 관련된 복잡한 조정 과제에 직면하고 있습니다. 전통적인 스케줄링 방식은 장비 가용성, 공정 시간, 라우팅 순서에 대한 정적 가정에 의존합니다. 이러한 가정은 예기치 않은 장비 고장, 점진적인 장비 열화, 긴급 주문 삽입 또는 재작업 요구와 같은 중단이 발생할 때 실패하는 경우가 많습니다. 기존 연구들이 적응형 스케줄링, 다중 에이전트 협업, 예측 유지보수를 개별적으로 다루어 왔으나, 장비 상태 예측과 전역 스케줄링 결정을 통합하여 동시 다중 프로그램 운영에 적용하는 통합된 프레임워크는 여전히 제한적입니다. 특히, 예측 기반의 장비 지능을 폐쇄 루프 제어 구조 내의 동적 재스케줄링 조치와 직접 연결하는 부분에서 격차가 존재합니다.

제안된 방법론
본 연구는 동시 다중 프로그램 제조를 위한 동적 스케줄링을 설계하기 위해 계층적 디지털 트윈(DT) 프레임워크를 제안합니다. 방법론은 상태 획득, 상태 예측, 지능형 스케줄링 결정, 가상 검증의 네 가지 통합 단계로 구성됩니다.

1. 계층적 아키텍처: 프레임워크는 로컬 워크스테이션 디지털 트윈과 글로벌 디지털 트윈으로 구성됩니다.

   • 로컬 워크스테이션 DT: 이 모델들은 개별 장비의 물리적 상태를 미러링하며, 공압, 모터 전류, 진동 RMS, 진동 첨도(kurtosis) 등의 데이터를 수집합니다. 이들은 다층 퍼셉트론(MLP) 모델을 활용하여 장비 상태를 양호(Good), 열화(Degraded), *고장(Failure)*의 세 가지 상태로 분류합니다. 이 예측은 단순한 유지보수 알림을 넘어 스케줄링의 직접적인 입력값으로 활용됩니다.
   • 글로벌 디지털 트윈: 이 계층은 로컬의 건강 상태를 생산 속도, 프로그램 우선순위, 재공품(WIP), 큐(queue), 자원 할당 등 생산 수준의 데이터와 결합합니다.

2. 의사결정 로직 및 조정:

   • TSK-FIS (Takagi-Sugeno-Kang 퍼지 추론 시스템): 글로벌 DT는 장비 상태와 생산율을 기반으로 운영 대응을 결정하기 위해 TSK-FIS를 사용합니다. 시스템은 운영 없음(No Operation), 작업자 지원(Operator Assistance), 또는 *스케줄링(Scheduling)*이라는 세 가지 주요 조치를 출력합니다. 이 계층은 관찰된 상태와 특정 퍼지 규칙을 연결함으로써 해석 가능한 의사결정을 제공합니다.
   • 다중 에이전트 시스템 (MAS): 분산된 MAS는 워크스테이션 간의 정보와 로컬 결정을 조정하며, 상위 오케스트레이션 에이전트는 불필요한 스케줄 변경을 방지하기 위해 상호 의존적인 운영을 관리합니다.

3. 동적 재스케줄링 및 최적화:

   • 오케스트레이션 계층이 재스케줄링 이벤트를 트리거하면, 진화적 다목적 최적화 도구가 후보 스케줄을 생성합니다.
   • 최적화는 세 가지 목적을 동시에 최소화합니다: 메이크스팬(Makespan, $C_{max}$), 총 장비 에너지 소비량($E_{all}$), 그리고 기존 스케줄로부터의 **장비 편차($D_{all}$)**입니다.
   • 제약 조건에는 장비 가용성, 라우팅 선행 관계, 노동 역량, 자재 가용성 및 프로그램 우선순위가 포함됩니다. 결과물은 실행 가능한 파레토 집합(Pareto set)입니다.

4. 가상-물리 검증:

   • 물리적 배포 전, 후보 스케줄은 **3D 이산 사건 시뮬레이션(DES)**을 통해 검증됩니다.
   • 물리적 PLC와 가상 환경 간의 데이터 동기화를 위해 OPC UA가 활용되어 실시간 상태 업데이트를 보장합니다.
   • 성능 지표로는 동기화 왜곡(skew), 지연 시간(latency), 그리고 디지털 트윈이 예측한 메이크스팬과 실제 물리적 실행 시간 사이의 편차 등이 포함됩니다.

주요 기여
본 논문은 스마트 제조 분야에 다음과 같은 다섯 가지 주요 기여를 제시합니다:

1. 계층적 아키텍처: 로컬 워크스테이션 지능(MLP 기반 장비 상태 예측)과 글로벌 생산 스케줄링을 연결하는 새로운 구조를 제안합니다.
2. 통합 의사결정 로직: MLP 기반의 장비 상태 예측과 TSK-FIS 의사결정 로직을 융합하여, 장비 상태가 스케줄링 조치에 직접 영향을 미칠 수 있도록 합니다.
3. 다목적 최적화: 복잡한 제약 조건 하에서 메이크스팬, 에너지 소비, 스케줄 안정성의 균형을 맞추는 다중 프로그램 대상 다목적 최적화를 적용합니다.
4. 가상 검증 단계: 3D DES와 OPC UA 동기화 계층을 도입하여 물리적 실행 전 스케줄을 가상으로 검증합니다.
5. 포괄적 평가: 장비 열화, 고장, 긴급 주문 삽입 등 다양한 중단 시나리오 하에서 프레임워크의 성능을 메이크스팬, 에너지, 스케줄 안정성 지표를 통해 평가합니다.

결과 및 예시적 발견
본 연구는 실제 산업 데이터 대신 시뮬레이션 기반의 예시적 발견을 제시합니다. 결과는 제안된 디지털 트윈 스케줄러를 두 가지 베이스라인, 즉 원래 스케줄 지연(Original Schedule Delay, 중단을 재스케줄링 없이 수용) 및 *우측 이동 재스케줄링(Right-Shift Rescheduling, 예측 건강 데이터 없이 운영을 뒤로 미룸)*과 비교합니다.

• 메이크스팬 감소: 예시적 중단 시나리오에서 제안된 프레임워크는 우측 이동 베이스라인 대비 다음과 같은 메이크스팬 감소 잠재력을 보여주었습니다:
  • 장비 열화 발생 시 5.4% 감소.
  • 장비 고장 발생 시 13.3% 감소.
  • 긴급 주문 삽입 시 11.8% 감소.
• 선제적 대응: 본 프레임워크는 상당한 운영 변화가 발생하기 전 장비 상태 데이터를 활용함으로써 선제적인 재스케줄링을 가능하게 하며, 이는 사후 대응적 접근 방식과 대조됩니다.
• 트레이드오프 관리: 파레토 분석은 메이크스팬 최소화, 에너지 소비 감소, 스케줄 안정성 유지 사이의 상충 관계를 보여주며, 이를 통해 운영자가 현재 우선순위에 따라 솔루션을 선택할 수 있게 합니다.
• 동기화: 프레임워크는 가상 계층과 물리 계층 간의 동기화를 성공적으로 모델링하였으나, 구체적인 지연 시간 값은 예시적인 수준으로 언급되었습니다.

의의 및 한계점
본 논문은 동시 다중 생산 프로그램에 걸쳐 선제적 재스케셜링을 위한 폐쇄 루프 의사결정 구조를 제공한다는 점에서 의의를 가집니다. 이는 예측 유지보수와 생산 스케줄링 사이의 통합 격차를 해결하며, 운영 변화를 감지하고 동적으로 수정된 스케줄을 생성하는 메커니즘을 제시합니다.

그러나 저자는 다음과 같은 한계를 명시하고 있습니다:

• 본 연구는 실제 산업 데이터나 현장 관측치가 아닌 시뮬레이션 기반 평가에 의존하고 있습니다.
• 산업 현장에 배치하기 전, 다양한 생산 레이아웃, 제품 믹스 및 센서 구성에 대한 추가적인 테스트가 필요합니다.
• 물리적 현장 실험 및 산업 데이터를 활용한 실제 검증이 향후 과제로 식별되었습니다.

결론적으로, 본 연구는 동시 다중 프로그램 제조 운영의 회복 탄력성과 효율성을 높이기 위해 머신러닝, 퍼지 로직, 다목적 최적화를 디지털 트윈 아키텍처 내에 통합한 이론적 및 시뮬레이션 기반 프레임워크를 제안합니다.