머신 데이터 수집 소프트웨어: 2026년에 사야 할 것(과 피해야 할 것)
머신 데이터 수집 소프트웨어는 생산 라인과, 그 라인의 움직임을 사용해 무언가 유용한 일을 하고 싶은 모든 시스템 사이의 레이어입니다. PLC, 센서, 비전 시스템, MES, 그리고 최근에는 머신을 향한 카메라에서 신호를 읽고, 그 신호를 데이터베이스, 대시보드, AI 모델이 소비할 수 있는 스트림으로 변환합니다.
이 카테고리는 5년간 1~2개 지배적 플레이어에서 약 20개로 확장되었습니다. 절반은 2020년에는 존재하지 않던 문제를 풉니다. 나머지 절반은 한때 대형 MES 벤더가 풀던, 이제는 더 이상 풀고 싶지 않은 문제를 풉니다. 본 글은 도구를 숏리스트로 만들고 명확한 지도가 필요한 운영 또는 IT 책임자를 위한 글입니다.
머신 데이터 수집 소프트웨어가 실제로 하는 일
핵심은 3가지입니다. 데이터 소스(PLC, 센서, 카메라, MES, ERP, 수기 입력 로그)에 연결합니다. 데이터를 타임스탬프와 단위 정보를 포함한 일관된 포맷으로 정규화합니다. 그것을 소비하는 시스템(히스토리언, 대시보드, 클라우드 데이터베이스, AI 모델, 프로세스 엔지니어의 스프레드시트)에 데이터를 넘깁니다.
벤더 간의 차이는 대부분 1번째와 3번째 단계에 있습니다. 가운데는 커머디티입니다. 벤더는 네이티브로 말하는 프로토콜 수(Siemens S7, Allen-Bradley, Modbus, OPC UA, MQTT, EtherNet/IP, Profinet, 그리고 브랜드 고유 프로토콜의 롱테일)와 통합되는 소비처 수(SQL, 시계열 데이터베이스, Snowflake, BigQuery, Azure Data Explorer, Power BI, Grafana, 커스텀 REST 엔드포인트)로 경쟁합니다.
중소 규모 공장에서는 연결 레이어가 소비 레이어보다 더 중요합니다. 기존 분석 스택을 가진 대규모 공장에서는 그 반대입니다.
2026년 도구의 5가지 카테고리
2026년 시장의 대부분을 커버하는 것은 5가지 버킷입니다.
1. 클래식 SCADA 인접 미들웨어
히스토리언과 SCADA 워크플로에서 성장한 도구: AVEVA PI, Inductive Automation Ignition, Wonderware/AVEVA System Platform, GE Proficy. 대용량 PLC 데이터에는 강하지만, 모던한 클라우드 통합과 카메라 데이터에는 약합니다. 고가(태그당 또는 연결당 라이선스가 금세 쌓입니다). 신뢰성은 높습니다. 석유·가스, 대규모 화학, 대규모 디스크리트 제조의 디폴트입니다.
선택해야 할 조건: 오래 운영해 온 PLC와 히스토리언 자산이 있고, 공장 IT가 자신 있게 운영하며, 카메라 기반 모니터링이나 클라우드 분석을 급히 추가하지 않는 경우.
2. 모던 오픈소스 기반 스택
Node-RED + InfluxDB + Grafana, 흔히 MQTT 브로커링용 Mosquitto와 함께. 더 의견이 강한 오픈소스 번들로서의 United Manufacturing Hub. 본격적인 MQTT용 HiveMQ. 소유 비용은 엔지니어링 시간이지 라이선스료가 아닙니다. 천장은 높고 바닥은 낮습니다(운영할 수 있는 사람이 필요).
선택해야 할 조건: 셀프 호스팅에 익숙한 사내 팀이 있고, 벤더 락인을 피하고 싶으며, 라이선스 달러가 아니라 엔지니어 시간으로 지불하는 데 만족하는 경우.
3. 클라우드 네이티브 상용 플랫폼
Tulip, Litmus Edge, HighByte, Cognite, Element, Cumulocity, AVEVA Data Hub. 피치는 거의 모든 회사가 같습니다: 레거시 SCADA 인접 미들웨어보다 낮은 TCO, 첫 대시보드까지의 시간이 빠름, 네이티브 클라우드 배포, 조달 부서를 위한 깔끔한 IT 스토리. 가격은 디바이스당 또는 데이터 스트림당이며, 벤더가 말하는 것보다 빠르게 쌓입니다. UX와 AI 통합은 벤더 간 차이가 큽니다.
선택해야 할 조건: 모던한 도구를 원하고, 셀프 호스팅을 하고 싶지 않으며, 디바이스당 반복 요금에 대한 예산이 있고, 12개월 안에 연결하고 싶은 명확한 데이터 소스 세트가 있는 경우.
4. 카메라·AI 퍼스트 시스템
새로운 카테고리. 카메라를 후처리가 아닌 1급 데이터 소스로 다루는 도구. 카메라는 부품을 카운트하고 불량을 분류하고 프로세스 이상을 감지하는 비전 모델에 피드하며, 결과 이벤트는 PLC 데이터와 같은 파이프라인을 통해 표시됩니다. Enao Vision이 여기에 속합니다. 다른 진입 기업으로는 Augmentir, MakinaRocks, 몇 개의 전문 비전 MES 플러그인이 있습니다.
선택해야 할 조건: 병목이 라인이 실제로 무엇을 하고 있는지(PLC가 하고 있다고 생각하는 것이 아니라)에 대한 가시성이며, 카메라 데이터와 PLC 데이터를 동등하게 다루는 도구를 원하는 경우.
5. 자체 제작 통합
많은 공장이 OPC UA 클라이언트를 호출하는 Python 스크립트, 네트워크 공유에 CSV를 덤프, 그 위의 몇 개의 Power BI 리포트로 돌아갑니다. 이것은 도구 카테고리가 아니라 도구의 부재이지만, 소규모에서는 동작하기에 이름을 붙일 가치가 있습니다. 스크립트가 새벽 2시에 깨지고 아무도 고치는 법을 모를 때 동작하지 않게 됩니다.
선택해야 할 조건: 1~2개 라인, 스크립트를 유지보수하는 1명의 엔지니어, 예산 없음의 경우. 복잡도가 늘어나거나 시스템을 유지보수해야 하는 두 번째 사람이 나오면 즉시 카테고리 1~4 중 하나로 전환하세요.
각 카테고리가 무너지는 지점
클래식 SCADA 인접 미들웨어는 카메라 데이터와 클라우드 배포에서 무너집니다. PI 서버에 비전 시스템을 추가하는 것은 핵처럼 느껴집니다. 데이터를 클라우드 데이터 웨어하우스로 뽑아내는 일은 대부분의 팀이 과소평가하는 라이선스와 엔지니어링 비용이 추가됩니다.
모던 오픈소스 스택은 기술이 아니라 사람으로 무너집니다. 특정 엔지니어가 사내에 있을 때는 아름답게 돌아가고, 그 엔지니어가 떠나면 돌아가지 않습니다. 두 번째 엔지니어가 스택을 배우는 비용은 거의 항상 1년치 상용 라이선스보다 높습니다.
클라우드 네이티브 상용 플랫폼은 가격 투명성에서 무너집니다. 리스트 가격이 실제 가격인 경우는 드물고, 실제 가격은 PoC에서는 드러나지 않는 방식으로 사용량과 함께 증가합니다. 엣지 케이스에서도 무너집니다: 벤더가 아직 지원하지 않는 롱테일 PLC 프로토콜, 클라우드 송신을 금지하는 로컬 IT 정책, Ethernet 포트가 없는 1998년 컨트롤러로 돌아가는 라인.
카메라·AI 퍼스트 시스템은 기존 PLC 데이터가 충분히 좋고 카메라가 가치 없이 노이즈만 추가할 때 무너집니다. 라인 조명과 마운트가 잘못되었을 때도 무너집니다(어떤 비전 시스템이든 같은 문제).
자체 제작은 작성자의 첫 휴가 주에 무너집니다.
특정 공장에서 어떻게 고를 것인가
순서대로 3가지 질문. 오늘 연결해야 하는 데이터 소스는 무엇이고, 18개월 후에 연결해야 하는 것은 무엇인가? 데이터는 어디에 착륙해야 하는가(히스토리언, 클라우드 웨어하우스, BI 도구, AI 모델)? 시스템을 유지보수하는 것은 누구이고, 셀프 호스트 복잡도에 대한 허용 한도는 어느 정도인가?
PLC 연결 머신 20대, 기존 PI 히스토리언, 소규모 IT 팀을 가진 공장은 아마 가진 것을 확장해야 합니다. 5개 라인을 가지고, 히스토리언이 없으며, 클라우드 분석을 원하고, 디바이스당 지불할 의사가 있는 공장은 클라우드 네이티브 상용 카테고리를 검토해야 합니다. 가장 큰 가시성 격차가 PLC가 보고하는 것 이상의 라인에서 무슨 일이 벌어지고 있는지인 공장은 카메라·AI 퍼스트 시스템을 검토해야 합니다. 1명의 엔지니어와 1개 라인을 가진 공장은, 그 엔지니어가 휴가를 갈 때까지 자체 제작으로도 괜찮습니다.
실수는 이 3가지 질문에 대한 답이 아니라 브랜드 인지도로 고르는 것입니다. 정답이 옆 공장과 같은 경우는 드뭅니다.
2026년의 비용
중규모 공장(연결 머신 10~30대)의 자릿수 추정.
클래식 SCADA 인접: 선불 10만~40만 유로 + 연간 유지보수 15~25%.
모던 오픈소스: 라이선스 0 유로 + 풀타임 엔지니어 1~2명(즉 풀로드 비용으로 연 10만~20만 유로).
클라우드 네이티브 상용: 디바이스당 또는 데이터 스트림당 계층에 따라 연간 구독 3만~15만 유로.
카메라·AI 퍼스트: 라인 연간 구독 5,000~2만 유로 + 카메라를 가동하기 위한 하드웨어의 라인당 1,000~5,000 유로의 일회성 셋업 비용.
자체 제작: 1명의 엔지니어의 시간 비용과, 그 사람이 떠났을 때의 치명적 실패 리스크.
이 범위가 넓은 것은 실제 숫자가 협상, 볼륨, 분기 말에 나오는 할인에 의존하기 때문입니다. 견적이 아니라 방향성으로 다루세요.
현장 프라이머: 데이터 수집 시스템의 실제 속살
2026년의 동작하는 데이터 수집 시스템은 단일 제품이 아니라 스택입니다. 벤더와 마주 앉아 데모가 그 절반을 흐릴 때, 각 부품을 이름으로 지목할 수 있는 것이 도움이 됩니다.
센서 층에서, 입력은 보통 온도용 열전대와 RTD, 압력 트랜스듀서, 진동 트랜스듀서, 유량 트랜스듀서, 전력 분석에 쓰이는 전류·전압 트랜스듀서의 혼합입니다. 각 센서 신호는 컨디셔닝(신호 컨디셔닝에는 증폭, 절연, 필터링이 포함됩니다)되고, 아날로그·디지털 변환기에 의해 아날로그에서 디지털로 변환됩니다. 변환된 스트림은 소스의 시리얼 넘버, 타임스탬프, 공학 단위를 운반하며, 그것을 소비하는 것으로 전달됩니다.
그 변환을 수행하는 DAQ 하드웨어는 크게 3가지 형태가 있습니다. 읽기 값을 내부 메모리에 저장하고 나중에 다운로드하는 스탠드얼론 데이터 로거와 레코더(가장 단순한 데이터 로깅 워크플로, 원격 펌프, 발전기, HVAC 플랜트에서 지금도 일반적). 호스트로 스트리밍하는 Ethernet 또는 USB 백본 위의 모듈러 DAQ 하드웨어(테스트 랩과 R&D 벤치에서 지배적인 형태). 그리고 같은 디바이스에 작은 DAQ 스택과 제어 로직을 결합하는 프로그래머블 로직 컨트롤러의 프론트엔드(생산 라인에서 지배적인 형태).
하드웨어 위에는 DAQ 소프트웨어가 앉습니다. 공장 규모에서 머신 데이터 수집 도구가 하는 일과 겹치는 3가지 일을 합니다. 채널(샘플링 레이트, 레인지, 필터링)을 구성합니다. 프로세스 데이터를 기록·저장합니다(흔히 히스토리언도 함께 돌리는 Linux 호스트에). 실시간 그래프, 대시보드, 알람을 통해 오퍼레이터에게 읽기 값을 표시합니다. 사용자 향 레이어는 다양한 프로그래밍 언어로 구축됩니다: 레거시 스택용 C와 C#, 모던 웹 대시보드용 Python과 JavaScript, 그리고 벤더 스크립팅 환경의 롱테일(LabVIEW, Codesys 구조화 텍스트, Beckhoff TwinCAT).
이 프라이머가 공장 레벨 바이어에게 중요한 이유는, 같은 말이 다른 스케일에서 다른 의미를 갖기 때문입니다. "DAQ"라고 말하는 배터리 R&D 랩의 테스트 엔지니어는 보통 National Instruments의 PXI 섀시, 아날로그 입력 모듈 스택, 그 위의 LabVIEW를 의미합니다. "머신 데이터 수집"이라고 말하는 포장 공장의 운영 책임자는 보통 20대의 PLC에서 데이터를 뽑아 대시보드와 AI 모델에 피드하는 미들웨어의 한 조각을 의미합니다. 양쪽 다 옳고, 양쪽 다 같은 말을 쓰며, 두 세그먼트에 판매하는 벤더는 의도적으로 모호한 용어로 말합니다. 영업 담당자가 DAQ 이야기를 꺼내면, 센서·컨버터 스택을 의미하는지 PLC·대시보드 레이어를 의미하는지 물어보세요. 답이 도구가 맞는지 아닌지를 결정합니다.
품질 관리 팀은 어느 부서보다도 DAQ 데이터를 가장 적극적으로 씁니다. 데이터는 모든 CAPA, 모든 공급업체 감사, 추적성을 요구하는 모든 고객 클레임의 증거입니다. 손글씨 로그로 품질 관리를 운영하는 공장은 데이터 수집 시스템으로 운영하는 공장과는 다른 10년대에 있습니다. 한쪽에서 다른 쪽으로의 시프트가, 이 소프트웨어 대부분이 실제로 팔고 있는 것이며, 생산성이나 가시성으로 팔리고 있을 때조차 그렇습니다.
FAQ
MQTT는 머신 데이터 수집 도구와 같은 것인가? 아닙니다. MQTT는 트랜스포트 프로토콜입니다. 머신 데이터 수집 도구는 보통 MQTT(또는 OPC UA, 또는 독자 프로토콜)를 그 트랜스포트 레이어 중 하나로 씁니다. 도구와 프로토콜은 서로 다른 것입니다.
히스토리언과 머신 데이터 수집 도구가 둘 다 필요한가? 소규모 공장에서는 불필요. 대용량 PLC 데이터를 가진 대규모 공장에서는 필요. 히스토리언은 고빈도 시계열 저장과 조회에 최적화되어 있습니다. 수집 도구는 데이터를 거기 및 다른 소비처로 전달하는 데 최적화되어 있습니다.
OPC UA는 무엇이고 필요한가? OPC UA는 머신 간 데이터 교환을 위한 모던한 오픈 표준입니다. 대부분의 수집 도구가 말합니다. 머신이 지원한다면(대부분의 최신 PLC는 지원) 필요합니다. 오래된 머신에는 특정 브랜드 프로토콜로 폴백합니다.
MES나 ERP와 어떻게 맞는가? 수집 도구는 실시간 머신 데이터를 MES에 피드합니다. MES는 요약된 생산 데이터를 ERP에 피드합니다. 수집 도구는 양쪽의 상류에 있습니다.
가시성 격차에서 시작하기
올바른 도구는 격차에 의존합니다. 격차가 PLC 데이터에서 오는 대시보드라면, 클라우드 네이티브 상용이나 오픈소스로 갑니다. 격차가 대규모 머신 플릿에서 오는 엔터프라이즈 리포트라면, 클래식 스택에 머물고 그것을 확장합니다. 격차가 PLC가 보고하는 것 이상의 라인에서 실제로 무슨 일이 벌어지고 있는지를 아는 것이라면, 카메라·AI 퍼스트 카테고리에서 시작하고 나머지는 나중에 걱정합니다.
카메라 기반 모니터링이 무엇을 가져다주는지 더 깊이 보려면, 다른 글 "카메라 생산 모니터링"을 참조하세요. 이것이 폭넓은 가시성 프로그램에 어떻게 들어맞는지에 대해서는, 다른 글 "생산 모니터링 시스템"을 참조하세요.
