Operation Optimization
딥러닝을 통해 구축된 높은 정확도의 예측 함수는 산업 프로세스 전반에 다양한 방향의 최적화 가능성을 제공합니다
안정성을 위한 잉여 공급을 줄일 수 있다” 보통 에너지나 촉매 등 다양한 자원들이 공정 중 필요 소비량 이상으로 공급되고 있는 경우들이 발생하는데, 이는 현실에서의 환경 요인들로 인해 역학적 시뮬레이션만으로는 예측 오차가 크거나, 또는 공정 특성에 의해 중요 지점의 센서 설치가 불가능한 경우, 공급량 조절 시 발생하는 시간 지연에 대비해 여유분을 미리 설정해놓는 경우 등 다양한 상황들에 기인합니다. 그러나 대다수 상황들의 공통점은 현실적/비용적 이유로 정확한 필요량 예측이 어렵기 때문에 그 잉여 공급량이 더 커진다는 것입니다.
예측기반의 최적화를 통한 자원절감
아래의 그래프와 같이 공급량 조절이 연속적이지 않고 계단식으로 이루어지는 시스템인 경우 필요량 이상의 공급으로 인한 자원 소비는 더 커집니다. 공급 설비가 여러 대로 이루어져 있으며 가동 설비 대수를 조절함으로써 공급량을 조절하는 상황이 이에 해당한다 할 수 있습니다. 예를 들어 냉각열량 공급에 수십 대의 터보 냉동기를 운영하고 있는 경우가 될 수 있겠습니다. 이와 같은 경우에는 단순히 필요량을 적절한 정확도로 예측하는 것만으로도 소비를 크게 줄일 수 있게 됩니다.
위의 경우보다 더 빈번한 사례는 공급량을 연속적으로 조절하는 것은 가능하지만 세부적 설정 변경에 의한 영향을 예측하기는 어려운 상황들입니다. 앞서 기술된 냉동기 사례를 확장하면 냉동기별 출수 온도와 유량을 조절함으로써 공급되는 열량을 연속적으로 조절할 수는 있으나, 각 설정 시의 환수 온도나 소비 전력량 변화는 미리 계산하기 어려운 경우라 할 수 있습니다. 현실적으로는 여기에 외기 온/습도 영향을 받는 냉각탑 설정이 추가 되고 냉동기별 스펙 또한 다양해지며 시간대별 전기요금 변화나 ESS 등 에너지 관련 설비의 영향까지 고려해야 하므로, 상황에 따른 설비 운전 비용을 최적화하는 것은 단일 예측모델이 아닌 다수의 예측 함수를 포함하는 최적화 함수로 나타내어지게 됩니다.
최적화 과정
최적화 과정을 요약하면 아래의 그림과 같습니다. 최적화 지표 예측을 위한 워크플로우를 구축하고 해당 워크플로우를 구성하는 개별 예측 함수들을 적합한 알고리즘을 통해 구축한 뒤, 이를 최적화할 함수를 포뮬레이션하고 휴리스틱을 적용해 최적해를 탐색합니다.
-
1. Regression ML 모델
-
2. Prediction
-
3. 최적화 포뮬레이션
-
4. 최적화 휴리스틱 적용
단순한 접근법이지만 공정 운영에 있어 해당 접근법을 통해 자원을 절감할 수 있는 기회는 수없이 존재합니다. 이들 기회를 식별해 내고 최적화의 이익/위험 산정, 이익 달성을 위한 예측 워크플로우와 개별 예측 모델의 요구 정확도 평가, 필수 데이터 보유 여부 점검 등 합리적 기준으로 과제 우선 순위를 결정하고 선택 수행함으로써 AI를 활용한 운영 최적화 접근법을 정형화할 수 있습니다.