제조 산업에서 생산 일정 최적화는 중요한 경쟁력 요소입니다. 생산 일정을 최적화함으로써 제조 공정의 효율성을 개선하고 비용을 절감하며, 급변하는 오늘날의 비즈니스 환경에서 경쟁력을 유지할 수 있습니다. 더 나은 스케줄링을 통해 더 많은 수요를 충족시키고 자원의 낭비를 줄이며 장비 가동률을 향상시킬 수 있습니다.

이러한 스케줄링 문제는 그 중요성에 비례하여 높은 난이도를 자랑합니다. 선형 프로그래밍(Linear Programming)과 같은 고전적인 수리적 기법은 한정된 조건 (문제의 크기, 정해진 목적 함수 등)에서 학술적으로 의미 있는 결과를 내어줍니다. 하지만 매우 복잡한 비선형 구조의 제약조건, 다중 목적 함수를 지닌 크기가 큰 실용적인 문제에는 적절한 해답을 내어줄 수 없습니다. 때문에 생산 현장에서는 시뮬레이션에 기반한 스케줄링 자주 사용됩니다. 가상공장을 만들어 가상의 의사결정을 통해 스케줄링 문제를 해결하고 실시간 의사결정 및 공장 상황에 대한 유연성을 확보할 수 있게 해줍니다.

공장에서의 의사결정

그렇다면 공장에서의 의사결정은 어떤 것이 있을까요? 다양한 항목이 있겠지만 스케줄의 성능을 결정하는 의사결정은 주로 언제, 어느 장비에서, 어떤 작업물을 처리하는지 결정하는 것입니다. 이러한 의사결정을 디스패칭(Dispatching)이라 합니다. 디스패칭에는 크게 두 가지 방식이 있는데 하나는 장비가 작업물을 선택하는 방식이고 다른 하나는 작업물이 장비를 선택하는 방식입니다. 장비가 작업물을 고르는 디스패칭 문제는 디스패칭 규칙(Rule) 혹은 정책(Policy)을 통해 접근해 볼 수 있습니다. 잘 알려진 규칙으로는 먼저 온 작업물을 우선시하는 FIFO(First In First Out), 작업시간이 적은 작업물을 우선시하는 SPT(Shortest Processing Time), 납기일이 가장 빠른 작업물을 우선시하는 EDD(Earliest Due Date) 등이 있습니다. 이러한 규칙들은 적용이 매우 쉽고 직관적이지만 대부분의 경우 스케줄링 성능이 저조하고 동시에 여러 목적 함수를 고려하기 힘듭니다.

이러한 한계를 극복하기 위해 복수의 작업물 특성값을 활용한 방식이 고려될 수 있습니다. Mozart 제품군에서는 복수의 작업물 특성을 Factor라 칭하고 Factor 값들 간의 선형 가중합 (Linear Weight Sum)이 가장 높은 작업물을 택하는 정책을 주로 사용하고 있습니다. 가중합 (WeightSum) 방식의 디스패칭 정책은 단일 규칙과 비슷한 수준으로 적용이 쉽고 직관적이지만 다양한 목적 함수를 고려하면서 수리적 기법으로 풀기 어려운 복잡한 문제에 접근할 수 있도록 해줍니다. 안타깝게도 이러한 장점들이 있음에도 새로운 문제점이 발생하는데, 바로 가중합에 사용할 가중치 값을 얼마로 설정할지에 대한 문제입니다.

차원의 저주 예시: 차원이 높아질 수록 탐색해야 하는 경우의 수가 급격하게 많아지는 현상

역동적인 제조 공정에서의 Machine Learning 기반 접근 방법 및 적용방안

VMS의 WISE (What If Simulation Environment)는 쉽게 가중치 최적화를 해볼 수 있습니다. 가장 먼저 떠올려 볼 수 있는 방법으로는 높은 차원에서 효과적으로 최적해 (Optimal) 혹은 그에 가까운 해를 찾아주는 기계학습(Machine Learning) 기반의 탐색 기법 (Search method)이 있습니다. 언제, 어떤 장비에서, 어떤 작업물을 넣을지 의사결정을 내리는 정책을 개선할 방법이 확보되었으니 문제가 해결된 것으로 볼 수 있을까요? 아쉽게도 아닙니다. 실제 공장 스케줄링 문제는 시간이 흐름에 따라 끊임없이 변해가는 역동적인 (Dynamic) 환경이기 때문입니다. 작업물들은 공정들을 거치며 위치가 변해갈 것이고, 장비는 매 시각 처리하는 작업물이 달라질 것입니다. 작업이 완료되어 나가는 작업물들이 생길 것이고 동시에 새로운 수요를 충족하기 위한 신규 작업물이 투입될 것입니다. 일정량 이상의 시간의 흐름은 공장 구성요소의 유기적 관계를 크게 변화시킬 것입니다.

클라우드 서비스와의 연계

이산사건 시뮬레이션은 제조 공장의 생산 계획 및 스케줄을 생성하는 측면에서 설비와 작업물을 중심으로 비연속적으로 발생하는 이벤트를 모델링하고 분석하기에 좋은 방법입니다. 현장의 상황을 유사하게 모사하는 시뮬레이터가 갖춰지면, 다양한 시나리오들을 미리 안전하게 돌려볼 수 있습니다. 더 나아가 AI/ML 기술을 이용해서 최상의 의사결정을 내릴 수 있습니다.

MOZART Cloud에서 WISE를 활용하여 대상 모델을 지정하기만 하면 학습 대상 가중치와 목표 성능지표가 사전에 입력된 WISE 시나리오에 따라 최적화를 진행할 수 있습니다. 

MOZART Cloud에서 WISE를 활용하여 가중치를 최적화한 결과물을 보여주는 UI

Learn more: Resource Download