1) 이중 지불 (Double Spending)

- 단일 화폐 단위가 두 번(이중) 결제되는 것.

 

은행의 경우에는 중앙제어 시스템이 있기 때문에 거래 요청이 발생한 순서대로 거래를 진행하면 이중 지불 문제가 발생할 수 없습니다. 하지만 블록체인은 작업 증명 방식의 합의 알고리즘을 이용하여 이중 지불 문제를 해결하였습니다.

 

 

 

2) 작업 증명 (Proof of Work - PoW)

- P2P(Peer-to-Peer) 네트워크에서 일정 시간 또는 비용을 들여 수행된 컴퓨터 연산 작업을 신뢰하기 위해 참여 당사자 간에 간단히 검증하는 방식, 또는 블록체인에서 정보를 논스(Nonce)값과 해시(Hash) 알고리즘을 적용시켜 설정된 크기의 해시보다 작은 값을 도출하는 과정으로, 새로운 블록을 블록체인에 추가하는 작업을 완료했음을 증명하는 방법입니다.

 

 

3) 지분 증명 (Proof of State - PoS)

- 알고리즘의 한 형태로서 이를 통해 암호화폐, 블록체인 네트워크가 분산화된 합의를 얻는 것 지분 증명 기반 화폐는 작업 증명 알고리즘 기반 화폐에 비해 에너지(예: 전기 에너지) 사용 측면에서 더 효율적입니다.

 

 

출처: 딜로이트

 

4) 스마트 컨트랙트 (Smart Contract)

- 디지털로 계약서 작성, 제3자 없이 정해진 대로 스스로 조건이 실행되는 계약입니다.

a) 블록체인에 계약서를 작성하여, 특정 조건 만족 시 계약 내용 실행

b) 대표적 예로 이더리움, 개발 중인 많은 코인들이 스마트 컨트랙트(Smart Contract)를 지원하고 있습니다.

 

 

 

5) P2P (Peer to Peer)

- 인터넷에 연결해 개인들이 각자 보유하고 있는 파일 등을 공유하여 원하는 파일을 다운로드하는 방식, 일반적인 인터넷 자료실이 특정 서버(대형 컴퓨터)를 통해 불특정 다수가 올린 자료를 다시 불특정 가수가 내려받는 형태인데 반해 P2P(Peer to Peer)는 인터넷이 접속한 네티즌 개개인의 PC를 직접 검색, 저장된 자료를 1 대 1로 주고받는 방식입니다.

 

#핀테크 #컴퓨터공학 #블록체인 #블록체인기초용어 #해시함수 #노드 #분산원장 #데이터위변조방지 #거래기록암호화 #P2P #스마트컨트렉트 #이중지불

이제 세상은 더없이 스마트함을 지향하고 있습니다. 스마트한 교통정보, 스마트한 기상정보, 스마트한 소비, 스마트한 농수산, 스마트한 공급망, 스마트한 설비관리, 스마트한 생산관리, 스마트 에너지, 스마트 도시 등 모든 것이 스마트로 통합니다.

공장에서는 설비와 사람을 배치하고 재료와 에너지를 투입하여 고객이 요구하는 제품을 생산합니다. 이것이 곧 스마트 팩토리입니다. 그동안 설비는 제품을 생산할 목적으로 어떤 기능을 수행하며, 사람은 설비나 재료가 제품을 생산할 수 있도록 자기의 역할을 수행해 왔습니다. 4M (Man, Machine, Material, Method)이 기대하는 기능과 역할을 수행하도록 사람 혹은 시스템이 감시하고 통제해 온 것입니다. 그러나 4M은 가끔 문제를 일으키기도 했습니다.

문제의 핵심은 4M의 상호간에 소통의 어려움에서 그 원인을 찾을 수 있습니다. 설비 상태 (Machine Condition)가 좋지 않은데 사람이 그것을 알아차리지 못해 고장이 나거나 불량을 만들어 내게 되었습니다. 또는 재료의 상태 (Material Condition)가 좋지 않은데 기계나 사람이 알아차리지 못해 불량을 만들기도 했습니다. 작업표준에 어긋나는 작업을 하고 있는데 아무도 알아차리지 못하고 사고를 일으키는 경우도 있었습니다. 이러한 오류는 과거에도, 그리고 오늘날에도 끊임없이 발생하고 있는 것이 현실입니다.

스마트한 공장은 지금까지 가능하지 않았던 4M 상호간의 소통 문제를 해결해 나가고 있습니다. 세상의 모든 사물(Thing)에는 센서가 존재하게 되고, 사물들은 센서를 통해 소통을 할 수 있게 됩니다. 소위 말해 사물인터넷 (IoT, Internet of Thing) 입니다. IoT가 만들어 낸 빅데이터를 해석하는 것으로 스마트한 생산이 가능해집니다. 스마트한 설비는 스스로 인식하고, 판단하고, 필요한 곳으로 움직입니다.

이러한 스마트 팩토리 역시 전혀 새로운 개념은 아닙니다. 기존의 자동화를 뛰어넘는 새로운 생각이 공장에 더해졌을 뿐입니다. 4차 산업혁명 시대에 접어든 지금, 스마트 팩토리는 우리의 산업 환경을 크게 개선시킬 수 있습니다.

 

 

 

C++은 C 언어를 계승하였기 때문에 기계 지향적인 특징을 가지면서도 클래스를 도입하여 객체 지향 프로그래밍(OOP)이 가능합니다. 그 외에 메타 프로그래밍을 비롯하여 많은 프로그래밍 개념들이 도입되면서 끊임없이 발전되는 언어 중 하나입니다.

 

따라서 C++로 프로그래밍을 하게 되면 기계 지향적인 면으로 고성능, 고효율의 프로그래밍을 할 수 있을 뿐만 아니라 최신의 프로그래밍 개념들도 사용할 수 있게 됩니다.

 

C++은 Java와 C#을 비롯하여 많은 프로그래밍 언어의 탄생에 영향을 주었으며, C++만 제대로 익힌다면 Java와 C#을 비롯한 많은 프로그래밍 언어도 쉽게 배울 수 있습니다.

 

 

2008년 글로벌 금융위기 이후, 세계 경제는 구조적 저성장 시대에 진입했습니다. 주요 제조국들은 구조적 저성장을 극복하기 위해 제조업과 정보통신 융합을 통한 제조업 혁신 정책을 추진 중에 있습니다.

 

 

미국은 민간 주도의 기술력으로 선도하고 있습니다. 구글의 알파고는 한국의 이세돌 구단과의 대국을 통해 인공지능이 우리 생활 가까이에 있다는 것을 전 세계에 알렸습니다.

 

GE의 Digital Twin

 

전통적인 제조기업인 GE는 IT기업으로 변화하고 있는 대표 기업 중 하나입니다. GE는 공장의 가동 상황을 실시간으로 가시화하고 제어하는 '디지털 트윈' (Digital Twin) 시스템을 운영하고 있습니다. 또한 자사가 판매한 항공기 엔진 상태 정보를 실시간 취득, 분석하여 최적의 유지보수 서비스를 제공하는 것으로 수익을 얻고 있는 기업 중 하나이기도 합니다.

 

 

독일은 제조 강국으로 세계 2위 수출국이지만 신흥국과의 저가 생산 경쟁, 중국.한국 등 후발주자의 기술추격에 위기를 인식하고 있습니다. 경제 성장과 일자리 창출을 목적으로 인더스트리 4.0 (Industry 4.0)을 선도적으로 추진하고 있습니다. 스마트 공장 건설을 위한 과감한 투자로 제조업을 고도화하고 있어 다른 국가들의 롤 모델 역할도 수행하고 있습니다.

 

 

 

 

일본은 4차 산업혁명에 대한 국가적 대응으로 교육, 노동, 금융 등 경제.사회 전반에 걸친 초스마트 사회 플랫폼과 11개 시스템을 민간 연계로 개발하고 있습니다. 일본은 4차 산업혁명이 사회 전반에서 일어나고 있다는 관점으로 소사이어티 5.0 (Society 5.0)을 정의하고 있습니다. 한편 자동차 부품기업인 덴소 (Denso)는 세계 130개 공장을 연결하여 2020년까지 30% 이상 생산성 향상을 목표로 하고 있습니다.

 

 

 

기술의 발전은 많은 것을 변화시키지만 기업이 재화나 서비스를 제공하여 수익을 창출한다는 근간은 변하지 않습니다. 그곳에 현장이 있고 사람이 있습니다. 산업혁명을 인간이 주도했던 것처럼 4차 산업혁명 중심에도 사람이 있습니다.

 

 

현장중심 스마트 팩토리는 ICT 솔루션 도입이 아닌 근원적인 접근을 합니다.

 

1. 개별 솔루션 간의 부분 최적화가 아니라 전체적인 관점인 기업 체질의 근본을 개선해 나갑니다.

 

2. 데이터를 통한 시스템 기반의 최적화를 추진합니다. 사람의 감, 요령에 의존하지 않고 신뢰할 수 있는 데이터와 중심으로 합니다.

 

3. 생산, 개발, 영업, 관리를 ICT로 연결한 통합 시스템을 구축합니다. 현장중심 스마트 팩토리 추진을 망설일 이유는 없습니다. 그렇지만 조급하게 서두른다고 해결되는 과제는 아닙니다.

 


 

 

 

현장중심의 스마트 팩토리 기획 단계는 아래와 같습니다.

 

Step 1: 현재 수준을 진단한다. 스마트팩토리의 체계와 기술 구현의 가능성을 진단하는 것으로 자동화, 지능화, 가시화, 연결화 관점에서 현재의 수준을 평가합니다.

 

Step 2: 스마트 팩토리 목표 및 지향점을 설정합니다. 미래의 To-Be 모습을 설정하고 개선의 방향을 수립합니다.

 

Step 3: 적용 범위와 도입에 따른 우선순위를 결정합니다. 업의 특성을 반영한 우선순위 및 재무적 효과를 검증하여 추진 로드맵을 수립합니다.

 

Step 4: 도입 과제를 정의하고 추진 체계를 정립합니다. 자동화, 지능화, 가시화 영역별 과제를 정의하고 추진 조직을 편성합니다. 이때 전사 컨트롤타워를 구성하여 중장기 액션플랜을 수립하고 강력한 추진력을 가동할 필요가 있습니다.

 

Step 5: 생산, 개발, 영업, 관리를 ICT로 연결한 스마트 팩토리를 구현합니다.

 

 

인자를 하나만 취급하는 실험계획방법을 1원배치법이라고 합니다. 예를 들면 어떤 반응 공정을 생각해 볼 때, 반응 공정의 수율에 영향을 미치는 요인으로 촉매, 온도, 습도, 반응시간 등 여러 가지가 있으나 그 중 한 가지만을 인자로 취하여 실험을 하는 방법입니다.

 

이 경우 한 가지 인자외의 다른 조건들을 일정하게 하든가, 랜덤화를 해야합니다. 즉, 장치는 동일한 것으로 사용해야 한다던지, 또는 다른 원인에 의한 데이터의 치우침(교략)을 방지하기 위해 실험순서를 랜덤하게 실험을 행하는 것입니다.

 


 

※ 이러한 1원배치법에는 다음과 같은 특징이 있습니다.

 

① 수준수와 반복수에는 별로 제한이 없다.

 

② 반복수가 모든 수준에 대하여 같지 않아도 된다.

 

③ 결측치가 있어도 그대로 해석할 수 있다.

 

④ 실험은 모든 특성치를 랜덤한 순서로 행해야 한다.

 


 

 

여기서 실험의 랜덤화에는 실험을 시간적 혹은 공간적으로 랜덤한 순서로 행하는 것이 필요합니다.

1) 시간적인 랜덤화

- 취급한 수준이 l 이고 반복수가 n 이라고 하면, 총 실험수 N = l n 이나, N회의 실험은 카드나 난수표를 이요하여 랜덤한 순서로 행합니다.

 

2) 공간적인 랜덤화

- 어떤 시료를 전기로에서 태워서 재를 얻을 경우, 산소 통기량의 영향을 보고 싶을 때, 온도도 영향이 있다고 생각되며, 전기로내의 위치에 따라 온도분포가 달라질 염려가 있으므로 그 전기로 내의 위치에 번호를 매겨 시료를 넣는 공간적인 위치를 랜덤화합니다. 그리고 시간적. 공간적으로 랜덤화하는 경우도 있습니다.

 

 

 

 

연구실에서 이루어지는 실험의 대부분은 자연법칙이나 학술이론에 관한 연구를 비롯하여 신제품이나 신기술 개발을 위한 탐색을 하거나 공정이나 품질개선을 위한 기초 자료를 작성하려는 목적으로 수행됩니다. 일반적으로 연구실 실험에서는 실험의 랜덤화가 쉽고 인자의 수준 폭이 커도 무방할 때가 많습니다.

 

 

 

 

한편, 공장현장 실험에서는 생산을 위한 각종 표준의 작성이나 제품의 특성 검토, 품질관리와 공정관리를 위한 자료의 수집 등을 목적으로 합니다. 공장현장 실험의 경우는 생산중에 실험을 하기 때문에 균일한 실험 환경의 조성이 어렵고 랜덤화가 곤란한 경우가 많습니다. 따라서 연구실 실험과 비교하면 다음과 같은 차이점이 있습니다.

 

 현장에서는 생산을 하고 있으므로, 전공정 및 후공정까지 포함해서 작업의 흐름을 어지럽히지 않도록 생산량과 품질을 유지해야 될 경우가 많습니다. 따라서 실험계획법의 적용에 여러 가지 제약이 따릅니다. 연구실에서는 생산의 흐름과는 일단 분리해서 실험을 하므로 이와 같은 제약은 없습니다.

 

 현장의 실험에는 생산단위의 설비를 사용함으로 1회의 실험단위가 크고, 실험이 실패할 때 손실이 큽니다. 경우에 따라서는 장치 자체를 손상시킬 경우도 있으며, 인자나 수준의 선정 방법에 따라서는 폐기하거나 재가공을 하지 않으면 안될 제품이 다수 나오는 일도 있습니다.

 

 현장에서는 인자나 수준을 정할 때,   같은 이유로 제약을 받는 경우가 많고 실험순서의 랜덤화도 곤란할 경우가 종종 있습니다. 연구실에서는 인자나 수준의 선정 방법이 현장에 비해서 자유롭고, 원료, 온도, 시간 등 인자의 수준이나 실온 등의 환경조건을 제어할 수 있는 경우가 많지만 현장에서는 실험환경을 균일하게 하는 것이 어렵고, 따라서 반응특성치에 영향을 주는 인자의 수도 많아지게 됩니다. 

 

이와 같은 실험 환경의 차이로 인하여 연구실에서 얻은 결과가 현장에서 재현성이 없는 경우가 종종 있습니다.

 

 현장의 실험에서는 현장의 많은 작업자가 참여하게 되고 실험의 계획에 따라 평소의 작업 표준과 다른 작업을 하게 되므로 작업자의 훈련과 실험의 관리에 특별히 주의해야 합니다. 그러나 연구실에서는 실험에 잘 훈련된 소수의 실험자가 실험을 하므로 실험의 관리가 용이합니다.

 

 현장의 실험은 일반적으로 생산부문과 기술부문이 모두 관여될 경우가 많으므로 제조부문과 기술부문, 또는 본사와 공장 등 관련 부서간의 책임과 권한을 명확히 해두어야 하며, 실험 결과에 대해서 가능한 표준화를 시도하는 것이 바람직합니다.

 

※ 현장에 있어서의 실험의 계획, 실험, 해석, 활동에 대한 표준화가 제일 중요합니다.

 

 

 

데이터가 분석되고 나면 실험자는 결과에 대한 실질적 결론을 이끌어 내야하고 조치 방안을 추천해야 합니다. 실험자가 데이터를 분석하고 검정한 결과로부터 어떤 결론을 유도할 때에는 실험의 목적, 취해진 가정, 귀무가설 등을 고려해야 하고 그 범위 내에서 검정의 결과가 가지는 기술적 의미를 생각해야 합니다.

 

특히, 실험에서 취급한 인자 수준의 범위를 넘어서는 수준으로 결과를 확대하여 해석하거나 실험에서 취하고 있는 가정들을 빼놓고 결론을 내리는 것 등을 경계해야 합니다. 데이터 분석의 결과로 최적 실험조건이 선정되면, 이 조건에서 반응특성치에 대한 추정을 실시하고, 확인실험을 실시하여 그 결과가 실제로 재현성이 있는지를 확인해야 합니다.

 

최적조건의 재현성이 확인되고 나면 다음의 실험계획에 이를 반영한다거나 작업 표준 등의 개정을 통하여 현장에 적용하도록 한다든지 하는 적절한 조치가 뒤따라야 합니다.

 

일반적으로 실험은 공정을 배우는 매우 중요한 과정이라 할 수 있습니다. 따라서 임시적으로 시스템에 대한 가설을 세우고 이 가설을 조사하기 위해 실험을 수행하고 그 결과에 기초하여 다시 새로운 가설을 세우고 실험하는 것을 반복함으로써 점차적으로 좋은 결과를 주는 방양으로 실험을 옮겨가게 됩니다.

 

따라서 연속되는 실험에서는 앞 실험에 대한 결과의 조치를 바탕으로 다음 실험이 설계되는 것이 보통입니다.

 

 

실험을 통해서 얻어진 데이터를 분석하여 객관적인 정보를 추출하고 어떤 조치를 유도하는 결론을 내기 위해서는 통계적인 방법들을 이용해야 합니다. 만약 실험이 올바르게 설계되었고 그 설계에 따라 과오 없이 수행되었다면 데이터를 분석하는 일은 그렇게 어렵지 않습니다.

 

데이터의 분석은 가급적 그래프화하여 시각화하는 것이 좋은데 이를 통하여 반응특성치의 변동 상황이나 최적조건의 위치도 짐작할 수 있습니다. 한편, 통계적 분석에 들어가기에 앞서서 데이터가(실험이) 관리상태하에서 얻어졌는지, 그리고 오차가 가정을 만족하는지를 먼저 검토해보는 것이 바람직하며, 데이터를 취하는데 실패하였거나 이상치로 판정되어 결측치가 발생한 경우에 대해서 그 처리 방법에 따라 조치를 취해 주는 것또한 좋습니다. 또한, 이 단계에서는 데이터의 모형의 타당서에 대한 검토도 중요합니다.

 

일반적으로 데이터 분석에서 많이 사용하는 통계적 기법들은 그래프, 분산분석, 통계적 검정과 추정, 상관분석과 회귀분석 등이 있습니다.

 

6시스마의 도구로서 널리 이용되고 있는 Minitab이나 사회과학자료분석에 많이 사용되는 SPSS/PC+, SAS 등의 통계 처리 프로그램들은 이러한 분석 방법들을 지원해 주고 있으며, 자료에서 발생된 결측치도 쉽게 처리할 수 있으므로 이러한 도구들을 활용하는 것이 보다 효율적일 것입니다.

 

데이터의 해석은 각 요인 효과의 크기, 정도의 상세와 효과의 추정, 최적조건 결정의 3 단계로 성립됩니다. 분산분석은 계산 과정이 다소 번거롭기는 하지만 그 계산 없이는 각 요인의 기여율에 대한 계산이 불가능하며, 또 추정 효과에 관한 그래프의 신뢰한계도 계산할 수 없게 되므로 반드시 거쳐야 합니다.

 

그러나 결론에 이르기 위해서는 분산분석보다는 효과를 도시한 그래프 쪽이 더 중요하며, 그 그래프로부터 수준에 의한 비용의 차이와 요인 효과의 양쪽을 살펴서 최적의 조건을 찾아내는 것이 중요합니다.

 

 

 

실험을 실시할 때는 모든 것이 계획대로 이루어지도록 그 과정을 주의 깊게 관찰하고 관리해야 합니다. 일반적으로 실험 과정에서의 실수는 실험의 유효성을 파괴하게 되므로 실험 방법에 대한 충분한 사전 교육을 실시하여 데이터를 취할때 산포가 적게 발생하도록 해야 합니다. 

 

또한 실험에서 채택한 반응특성치 외에도 실험과 관련한 중요한 데이터, 예를 들면 기온, 기압, 습도, 실험자, 실시시간, 재료의 품질 등을 보조 측정치로 취하여 두면 나중에 실험의 관리상태를 검토할 때나 반복 실험 등을 실시할 때 유용하게 사용할 수 있습니다.

 

이 단계에서는 특히 실험의 순서와 랜덤화에 대한 조건에 유의해야 하며 실험 순서 및 랜덤화 조건에 따라 통계적 분석 방법과 결론이 달라질 수 있으므로 주의해야 합니다.

 

+ Recent posts