일본 국토의 3분의 2를 덮고 있는 삼림은 국토 보전이나 수원 함양, 지구 온난화 방지와 같은 다면적인 기능을 가지고 있다. 온난화나 이상기후의 영향이 현저해짐에 따라 삼림이 생활에 크게 공헌하고 있다는 것을 알게 된다. 산림의 다면적인 기능을 발휘시키면서 삼림 자원의 순환 이용을 추진해 가는 것이 SDGs나 2050년 탄소중립 실현이라는 목표 달성으로 이어진다. 그러므로 간벌이나 주벌, 그 후의 재조림과 같은 삼림 정비를 착실하게 추진해 가는 것이 필요하다. 또한 자연조건에 맞춰 침엽수와 활엽수를 혼합한 침활혼합림화를 도모하면 다양성이 회복되어 산림 생태계의 보호와 관리를 추진하는 것으로 이어진다. 일본의 경우 삼림의 약 40%는 인공림이다. 삼림 축적은 해마다 증가하고 있으며, 2020년에는 약 54억m3에 달했다고 한다. 이들 중 절반은 50년생을 넘은 상태, 즉 이용기에 있다. 따라서 벌목해서 사용하고 새롭게 심어서 기르는 순환을 촉구하는 것이 기대된다. 목재의 제조․가공에 드는 에너지는 다른 자재보다 비교적 적다는 이점이 있다. 또한 목재를 건축 자재로 사용하는 것은 장기간에 걸친 탄소 저장으로 생각할 수도 있다. 심은 새로운 나무가 자라는 과정에서
식물의 생산 현장에서는 재배하는 식물의 성장 상태나 재배 환경의 계측 정보를 바탕으로 최적의 재배 관리를 하는 정밀 농업(Precision Farming)이나 스마트 농업(Smart Agriculture)이라고 불리는 새로운 농업 스타일이 최근 제창되고 있으며, 농업을 둘러싼 세계에 변화가 일어나고 있다. 이 새로운 농업 스타일은 재배 식물이 가진 기능이나 특징, 재배 환경에 관한 정보를 수집하고 이를 분석해 최적의 생산 방법을 탐색함으로써 가장 효율적인 재배를 실현하는 것을 목표로 한다. 이를 위해 식물의 정보와 재배 환경에 대한 정보를 가능한 한 많이, 상세하게 계측하고 수집한 정보를 적절하게 분석하는 정보 해석 기술이 기술 개발의 중요한 요소 중 하나이다. 한편 식물은 스스로 이동할 수 없기 때문에 자신이 처한 환경에 적용해 생존할 필요가 있으며, 여러 가지 환경 변화에 대응하는 기능을 가지고 있다. 그래서 게놈이나 유전자 정보를 조사해 환경에 적응하는 기능을 해명하는 연구가 추진되고 있다. 그러나 해석에 필요한 게놈 해석 기술이 비약적으로 진보하고 있는 한편, 게놈이나 유전자 정보와 비교하기 위해 필요한 식물의 성장 상태 계측을 고정도로 대량 취득하는
최근 인력 부족에 대한 대응이나 생산성 향상, 위험 작업의 회피 등을 목적으로 버 제거의 자동화에 대한 요구가 높아지고 있다. 그러나 수작업으로 하는 버 제거를 머시닝센터나 로봇으로 자동화하려고 하면 목표한 대로 버 제거가 안 되는 경우가 있다. 그림 1에 나타냈듯이 버의 잔재나 워크의 과삭, 복잡한 형상의 프로그램 수고 등의 문제가 발생한다. 원인으로는 절삭공구 마모에 의한 버의 크기나 형상의 변화, 워크 치수의 편차, 윤곽의 기하학적인 형상, 로봇에 있어서는 궤적의 부정확함(스피드에 따라 궤적이 변화한다) 등을 들 수 있다. 이러한 버 제거 자동화 시에 발생하는 문제는 ‘플로팅 가공’으로 해결할 수 있다. 그림 2에 플로팅 가공에 의한 버 제거 전후의 사진을 나타냈다. 알루미늄 다이캐스트나 주물 부품을 기계 가공한 경우, 가공면은 고정도이지만 버가 발생하는 주물 표면이나 가공면의 교점은 주물의 정도이다. 즉, 치수의 편차가 크거나 형상이 부정확하거나 한다. 도면대로 정확하게 프로그래밍해도 주물 표면과 가공면의 교점을 균일하게 버 제거하는 것은 매우 어렵다. 예를 들어 미세 수정에 의해 균일하게 버를 제거할 수 있었다고 해도 금형의 열화나 수정에 의해 형상
건설업계에서는 미래의 취업자 부족 문제가 심각화되고 있으며, ‘신규 취업자 확보’와 ‘생산성 향상’이 시급한 과제로 대두되고 있다. 또한, 2024년 4월에는 건설업에서도 노동 시간 상한 규제가 시행되기도 하기 때문에 ‘근로 방식 개혁’을 더는 미룰 수 없는 상태이다. 이러한 과제의 해결책 중 하나로서 로봇에 의한 작업의 자동화나 서포트가 기대되고 있다. 다케나카코무덴 기술연구소에서는 과거 건설 로봇 개발의 사례와 현재의 건설 현장 과제를 분석해 현장에서 진정으로 요구되고 사용되는 로봇은 무엇인지를 고찰하고, 개발 방침을 책정한 후에 이 방침에 따른 로봇 개발을 추진하고 있다. 이 글에서는 최근의 로봇 개발 상황을 보고한다. 과거의 로봇 개발 필자 등은 과거에 개발된 건설 로봇을 조사해 보급에 이르지 못한 원인을 살펴봤다. 1980~2000년대까지 다케나카코무덴에서는 20종 이상, 건설업계에서는 160종 이상의 로봇이 개발됐는데, 이들 모두 건설 현장에서 시행하는 데에 그쳤으며 본격적으로 보급된 것은 거의 없었다. 필자 등은 이들 과거의 로봇이 보급되지 못한 주된 원인은 이하와 같다고 생각한다. · 기술노동자를 대체하기 위해 일련의 시공 작업을 자동화하려고
최근 고도 정보화 사회에 대한 대응, 불안정한 경제 상황, 신종 코로나바이러스 감염증(COVID-19)에 의한 정세 불안 등 어지러운 매일의 변화에 적응하기 위해 우리는 일상적으로 스트레스를 느끼는 환경에 있으며, 스트레스 관리는 큰 사회 과제 중 하나로 되어 있다. 일본 후생노동성의 조사에 의하면, 약 60%의 노동자가 ‘강한 스트레스를 받고 있다고 느끼는 경우가 있다’고 응답하고 있으며, 멘탈 헬스의 부진으로 인해 1개월 이상 휴업한 노동자의 비율은 6.7%, 퇴직한 노동자의 비율은 5.8%나 된다. 또한, 코로나19의 영향으로 자살자 수도 증가하고 있다. 40대 이하 세대에서는 전체적으로 자살자가 증가하고 있으며, 특히 20대가 가장 크게 증가하고 있다. 또한, 현대에는 사회관계망서비스(SNS)나 동영상 사이트 등으로 인해 주변에 자극적인 콘텐츠가 넘쳐나며, 이러한 자극에 장기간 노출되는 것으로도 무의식중에 스트레스가 쌓여 만성적인 피로 상태에 빠지는 경우도 있다. 만성적인 스트레스 상태가 지속되면 해마가 위축되어 우울증 등의 증상을 일으킬 가능성도 시사되고 있다. 이러한 상황에서 스트레스 관리는 앞으로 더욱 중요한 과제가 될 것으로 생각된다. 스트레스
디지털 헬스 시장은 56조엔으로 성장 ‘Big Tech’라고 불리는 세계 시가 총액 랭킹 톱 10에 드는 메가 플랫폼인 Apple, Microsoft, Google(Alphabet), Amazon, Meta Platforms(구 Facebook)은 최근 의료․헬스 케어 영역에서 연구 개발과 기업 인수를 강력히 추진하고 있다. 특히 Apple, Google, Amazon은 ‘생체 정보’의 수집, 활용에 주목하고 있다. 예를 들어 Apple은 2018년 ‘애플워치 4’에 심전도 기능을 탑재해 뇌졸중의 중요한 위험 인자인 심방세동 검지에 힘쓰고 있다. Google은 2021년에 출시한 ‘구글 네스트 허브 제2세대’에 독자의 레이더 기술을 탑재해 사용자의 수면 패턴을 해석하고 있다. Amazon도 2020년에 웨어러블 디바이스 ‘아마존 할로’를 시장에 출시해 사용자에게 식사와 운동 서비스를 제공하기 시작했다. 이와 같이 세계 유력 기업의 진입이 계속되고 있는 디지털 헬스 시장은 2025년까지 약 56조엔의 시장 규모로까지 확대될 것으로 예측되고 있는 성장 시장이다(그림 1). 집에서 일어나는 질병․사고의 ‘조기 발견’ 진화하는 디지털 헬스 기술을 이용해 ‘생체 정보
알츠하이머형 치매의 경우 치료약 개발이 어렵기 때문에 조기에 경도 인지 장애의 진행을 억제하기 위한 약물요법의 개발이 추진되고 있다. 그러나 실제로는 뇌 속 단백질의 일종인 베타아밀로이드의 축적이나 신경원섬유 변화는 치매가 발증하는 20년 이상 전부터 진행되고 있으며, 증상이 나타나기까지 상당한 시간이 소요되기 때문에 치료에 개입할 수 없는 기간이 존재한다. 또한, 초고령화 사회를 맞이한 일본에서는 의료·간병 등의 사회보장비가 큰 과제가 되고 있으므로 예지의학이나 예방의료를 통해 건강수명을 연장하고 평균수명과의 차이를 단축할 필요가 있다. 이 글에서는 그 해결책의 하나로 추진되고 있는 셀프 메디케이션에 대해 개인의 라이프스타일에 맞는 셀프케어와 최적의 셀프 메디케이션을 실현하기 위한 시점을 제공하고자 한다. 셀프 메디케이션의 동향 1998년의 WHO 보고서에서는 셀프케어란 “의료 이용 여부와 관계없이 건강을 증진하고 질병의 예방, 건강 유지, 질병이나 장애에 대응하는 개인, 가족, 커뮤니티의 힘을 돕는 것(원문 : Self-care is what people do for themselves to establish and maintain health, prev
스마트 물류를 위해서는 장애가 발생했을 때 실시간 모니터링을 통해 효과적인 초기 대응을 할 수 있어야 한다. 그러기 위해서는 복제된 패킷에 대한 고성능 심층 패킷 분석 기술이 요구된다. 즉, 네트워크 수준에서의 성능과 보안적 측면에서의 장애 감지 기능을 제공하고 IT 장애(성능/보안)에 대한 효과적인 초기 대응이 가능해야 한다. 그렇다면 스마트물류 시스템은 어떻게 구성해야 할 것인가? 이에 대한 솔루션으로 맥데이타의 스마트물류 장애 모니터링을 소개한다. 맥데이타는 IT 비즈니스 구성 요소에 대한 효과적인 장애 모니터링 솔루션을 개발하는 회사다. 5G 망, 스마트시티, 스마트팩토리 등 다양한 곳에서 맥데이타 제품을 적용하거 도입, 컨소시엄을 진행하고 있다. 국내 다양한 모니터링 관련 특허 30여 가지를 보유하고 있다. 2017년에 시작해 2018년 퀄컴과 IoT 스마트시티 파트너십을 체결해 국내 퀄컴 파트너 중 하나며, 다양한 세미나를 퀄컴과 같이 진행하고 있다. 2020년부터는 5G 보안 포럼 창립 멤버로 활동하고 있다. 제안 배경 스마트물류 시스템이 다양하게 발전하면서 지능형 통합 플랫폼이 갖춰지고 있다. 운송, 보관, 하역, 포장 등 물류 전 분야에 걸쳐
코로나19 등의 상황으로 이커머스가 활성화되며 라스트마일 시장도 급격하게 커지고 있다. 새벽배송, 당일배송 등 빠른 배송에 초점을 뒀던 라스트마일 서비스는 한 단계 더 나아가 고객 중심의 ‘유연한 배송’으로 초점을 맞추고 있다. 더 편리하고 효율적인 유연한 배송을 위해선 그에 걸맞은 기술이 필요하다. 라스트마일 배송을 위한 위밋 모빌리티의 ‘ROOUTY(루티)’ 라우티 기술이 그중 하나의 사례이다. 위밋 모빌리티는 초기 We meet place라는 친구들 간의 약속 장소를 정하는 B2C 서비스로 시작했다. 거리가 기준이 아닌 이용자들의 시간 순으로 중간 위치를 잡는 서비스였다. 이 서비스의 핵심기술은 위밋 모빌리티가 자체 개발한 ‘등시선 알고리즘’이다. 등시선 알고리즘은 교통 정보를 이용해 거리가 아닌 이동시간으로 서로 공평하게 만날 수 있는 중간 위치를 찾아준다. 아주 빠르게 다양한 포인트에서 쉽게, 도달할 수 있는 위치를 계산해낼 수 있다. 이런 알고리즘 기술, 교통정보 맵을 이용하면 새로운 B2B 서비스를 창출할 수 있겠다는 생각에 ROOUTY(루티)라는 기업용 SaaS 제품을 선보이게 됐다. 라스트마일이란? 배송에는 운송 구간에 따라서 퍼스트 마일,
디지털 트윈의 사전적 의미는 스마트 산업 전반에 걸쳐 통상적으로 사용되고 있지만 제조 산업에 적용한 사례는 조금은 다른 접근 방법이 필요하다. 제조 산업에서의 디지털 트윈의 역할은 크게 두 가지로 분류해 볼 수 있다. 첫 번째는 현장과의 실시간 데이터 연동을 통한 모니터링의 역할, 두 번째는 미래 예측 및 조기 대처를 통해 제조 생산·운영을 최적화하는 역할이다. 두 번째 역할은 다시 목적에 따라, 주기적인 시뮬레이션을 이용하여 미래 예측 및 조기 대처를 통한 제조 생산·운영의 최적화, 이상 상황에 대한 빅데이터를 수집하여 다양한 AI로직을 적용한 생산·운영의 최적화로 분류할 수 있다. 생산·운영의 최적화를 달성하기 위해 많은 기업들은 하나의 통합된 환경이 아닌 각각 다른 솔루션을 활용한 것이 대부분이며, 실제 현장과의 정합성이 다른 결과를 초래하기 때문에 진정한 의미의 최적화를 달성하기 어려운 실정이다. CARLO는 제조 생산·운영의 최적화를 달성하기 위해 통합된 환경에서 디지털 트윈을 쉽게 구축할 수 있는 PINOKIO 솔루션을 소개하고자 한다. 대용량 데이터 처리 및 실시간 모니터링 시스템 : PINOKIO 실시간 모니터링의 목적은 현장 상황을 보다 신속
사람은 ‘눈이 아니라 뇌로 본다’는 말이 있다. 우리의 뇌는 시각·청각·촉각·미각·후각 등 감각 기관에서 들어온 정보를 뇌에서 해석하여 세상을 이해한다. 특히 우리 뇌의 상당부분은 감각기관을 통해서 획득하는 정보의 80% 이상을 차지하는 시각 정보를 해석하는데 사용된다. 그래서 우리가 매일 인지하는 세계는 시각 정보가 ‘모사’된 세계가 아니라 우리 뇌가 ‘해석’한 세계이다. 로봇도 마찬가지이다. 특히 스마트 팩토리에서 다양한 작업물을 다루어야 하는 로봇이 주변 환경과 사물을 스스로 인식할 수 있는 ‘시각 지능’을 갖추어야 하며 이를 ‘로봇 비전’ 기술이라고 한다. ‘로봇 비전’은 사람의 ‘눈’에 해당하는 하드웨어인 ‘카메라’ 기술과 카메라로 들어온 시각 정보를 해석하는 ‘비전 소프트웨어’ 기술로 나눌 수 있다. 이번 편에서는 ‘카메라’의 핵심 원리와 작동 방식 및 종류에 대해 먼저 알아보고 다음 편에서는 로봇 전용 비전 소프트웨어에 대해 기술하려고 한다. 카메라의 핵심 원리 ‘로봇 비전’에서 사용하는 카메라는 크게 2D와 3D로 나눌 수 있다. 2D 카메라는 우리가 일반적으로 사용하는 핸드폰 카메라나 웹카메라 등과 같이 촬영한 3D 공간상의 피사체를 2D 평
타겟 마크 3D 기능으로 단 몇 번의 클릭만으로 로봇 시스템 제어 독일계 자동화 솔루션 기업 센소파트가 머신비전 카메라 'VISOR Robotic'을 소개했다. 머신비전 VISOR Robotic은 산업 현장에서 정확한 작업을 위해 로봇의 ‘눈’의 역할을 하는 머신비전 카메라로, 최근 자동차와 전자 산업에서 활발히 사용되고 있다. 센소파트에 따르면, 최근 독일 유명 자동차 기업은 차체 공정에 VISOR Robotic을 적용했으며 품질과 공정 효율성을 크게 향상시켜 세계적으로 자동차 업계의 주목을 받고 있다. 머신비전 카메라 VISOR Robotic에는 '타겟 마크 3D(Target Mark 3D)'가 탑재됐다. 이 기능을 통해 단 몇 번의 클릭만으로 로봇 시스템을 제어할 수 있어, 핸들링 및 조립을 위한 공간 인식이 용이하다. 제조 라인에서 스크류 드라이버가 지정된 위치가 아닌 작업대 임의에 곳에 위치하는 경우, 로봇은 캐리어의 부정확한 피딩(feeding)이나 모바일 로봇의 부정확한 도킹과 같이 작업 위치에서 오프셋이 발생할 수 있어, 프로세스가 불안정해진다는 문제가 있다. 이전에는 이러한 문제를 해결하기 위해 복잡한 재프로그래밍이 필요했지만, 센소파트가 제
스마트 제조, 스마트 팩토리는 제조업에 생산성과 효율성을 높여준다. 특히 4차 산업혁명 시대, 디지털 전환을 통한 스마트 팩토리로는 미룰 수 없는 과업이다. 빅데이터, 클라우드, 인공지능과 같은 첨단 기술과의 접목으로 비즈니스 혁신이 가속화되고 있는데, 제조 기업을 위한 디지털 제조 혁신 방법은 무엇이 있을까? 제조 기업을 위한 디지털 제조 혁신 세미나에서 인타운 이용은 박사의 발표 내용을 정리했다. 4차 산업혁명은 시작됐는가? 사람과 환경, 기계가 연결되며 지식 정보의 바다로 일컬었던 3차 산업혁명의 시대가 끝났는지에 대해 학자들의 의견이 분분하다. 4차 산업혁명이라는 단어를 처음 언급한 세계경제포럼 클라우스 슈밥은 “4차 산업혁명은 이미 시작됐고, 그 범위 복잡성을 고려할 때 과거 인류가 겪었던 그 무엇과도 다르다”고 말한 반면, 경제학자 제레미 리프킨은 “4차 산업혁명은 아직 도래하지 않았으며, 3차 산업혁명의 연장일 뿐”이라 말했다. 4차 산업혁명 시대에 대한 학자의 의견이 분분한 가운데 확실한 점은 빅데이터, AI, IoT, CPS 등 첨단 기술과의 접목으로 기존과 전혀 다른 현장으로 변하고 있다는 것이다. 산업혁명의 개요 18세기 후반 증기기관의
조선업계는 업황의 개선에도 기술자의 리턴이 거의 없어 외국인 노동자로 채울 수밖에 없는 큰 어려움을 겪고 있다. 조선3사의 경우 이러한 인력난을 타개하기 위해 최근 무인자율운향, 스마트조선소를 추진하고 있다. 특히, 많은 용접 작업이 수행되는 공정 특성상 용접용 로봇 자동화 대한 필요성은 점점 부각되고 있다. 따라서 대조립, 중조립, 소조립 공정을 중심으로 용접로봇의 설치 및 운영에 대한 연구가 활발히 진행되고 있다. 조선 분야 제조혁신을 위한 최근 연구사례와 로봇 적용사례에 대해, 한국조선해양미래기술연구원 윤대규 전문위원이 제조혁신 세미나에서 발표한 내용을 정리했다. 지금 조선산업은 우리나라 조선업계는 올해 수주 목표를 조기에 달성할 정도로 호황기이다. 발주 시장이 활기를 띠면서 액화천연가스(LNG) 운반선, 석유화학제품(PC) 운반선 등의 수주 선가도 역대 최고가로 계속 오름세에 있다. 9월말 기준 조선 빅3(한국조선해양·대우조선해양·삼성중공업)는 각사 연간 수주 목표의 80~120%를 달성 중이다. 현대중공업그룹의 조선 중간지주사인 한국조선해양은 2022년 연간 수주 목표 174억4000만 달러를 일찌감치 넘겼다. 한국조선해양은 LNG 추진 컨테이너선과
딥러닝이란 컴퓨터가 스스로 외부 데이터를 조합, 분석하여 학습하는 기술로, 빅데이터, 계산능력(Computational Power), 알고리즘 3가지 요소에 의해 발전해왔다. 그리고 이러한 딥러닝 모델 성능 향상은 인공지능(AI)이 획기적으로 도약하게 된 계기가 되었다. 제조 현장에서 AI(인공지능) 적용은 설계 지능화, SCM 지능화, 검사 지능화, 예지보전, 공정 지능화를 가져왔다. 그러나 AI 적용시 발생하는 여러 이슈도 있었다. 그 해결 방안은 무엇인지, 제조 기업을 위한 디지털 제조 혁신 세미나에서 한국생산기술연구원 윤종필 수석연구원이 발표한 내용을 정리했다. 데이터란? 데이터는 일반적으로 딥러닝 입력 데이터와 정답 데이터로 구성된다. 입력 데이터는 의사 결정을 내리기 위한 정보로서 센싱, 음성, 텍스트, 진동, 온도 데이터가 여기에 해당된다. 정답 데이터는 내가 인공지능 학습을 시켰을 때 원하는 것, 풀고자 하는 것, 바라는 것이 출력됐으면 좋겠다 하는 데이터를 말한다. 따라서 딥러닝이 잘 풀 수 있도록 충분한 양의 입력 데이터와 정확한 정답 데이터를 확보하는 것이 중요하다. 딥러닝은 우리가 만든 정답 데이터대로 학습하기 때문이다. 그렇다면 생산