[NIA] 제조 산업 빅데이터 도입 방안 - 조성준 교수, 신훈식 연구원

 

 

 

*** 출처: [NIA] 제조 산업 빅데이터 도입 방안 - 조성준 교수, 신훈식 연구원

*** 문서:

빅데이터 기획보고서 제6호 제조 산업 빅데이터 도입 방안.pdf

 

 

 

II. 제조 산업 빅데이터 활용 가능 사업

 

 

■ 제품 개발

 

 

○ 신제품 개발

 

- 목적: 기존 제품의 단점 보안 및 신제품 설계에 이용

 

- 데이터: 제품(스마트폰)에 부착된 센서와 임베디드 소프트웨어 등을 통해 수집된 데이터

 

- 분석방법: 교사학습 및 비교사 학습, 고객의 습관과 행동을 면밀히 조사

 

- 기대효과: 사용자 로그 분석을 통하여 콘텐츠 이용 패턴과 선호도, 위치 정보 등을 파악하여 신규 사업 모델 개발을 도움

 

 

 

○ 신기능 개발

 

- 목적: 새로운 스마트 TV 기능 개발

- 데이터: 트위터 소셜 미디어 데이터

- 분석방법: 텍스트 마이닝

- 기대효과: 소셜 미디어를 활용하여 사용자들의 요구 사항을 고려한 새로운 스마트 TV 기능 개발

 

 

 

○ 가전기기 별 컨텍스트 탐색을 통한 스마트 홈 시나리오 설계

 

- 목적: UX(user experience, 사용자경험) 및 가전 기기 사용 패턴을 이용한 세탁기, 에어컨, 냉장고 등 스마트 가전기기 시나리오 설계

- 데이터: 제품 센서 로그 데이터, 소셜 미디어 데이터

 

- 분석방법: 텍스트마이닝, 비교사 학습, 교사학습

- 기대효과: UX 및 가전 기기 사용 패턴, 온라인 소셜 데이터를 이용한 세탁기, 에어컨, 냉장고 등 스마트 가전기기 시나리오 설계로 사용자 중심 디자인(user-centered design)을 구현

 

 

 

○ 자동차 부품 설계 검증 텍스트 분석

 

- 목적: 자동차 부품 설계 프로세스의 효율성 향상

- 데이터: 설계 검증 데이터

- 분석방법: 비정형 데이터에 대한 텍스트 마이닝 기법을 적용, 텍스트 속에 내재된 유의미한 정보를 추출함으로써 문제 분석

- 기대효과: 기존 조회 시스템 대비 주요 문제에 대한 파악에 소요되는 인력 및 시간을 감소하여 설계 과정의 효율성을 개선. 설계 관련 과거 문제점 및 주요 정보를 요약 제공하여 신차 설계 시 시행착오 감소 및 완성도 향상

 

 

 

 

■ 제조 공정

 

 

○ 불량품 생산 감지 및 부품 이상 탐지

 

- 목적: 불량률 감소 및 이상 부품 탐지

- 데이터: 수만 개의 부품에 대한 상태 데이터, 센서 로그 데이터

- 분석방법: 비교사 학습, 교사학습

- 기대효과: 센서와 스캐너에 의해 감지된 부품 데이터를 분석하여 불량품 생산과 부품 이상을 탐지 기존에 인간이 할 수 없었던 품질관리수준을 달성

 

 

 

○ FDC 센서 값을 활용한 수율 예측 및 관리

 

- 목적: 생산 공정에서의 품질 관리 및 수율 예측

- 데이터: 웨이퍼 생산 공정에서 측정되는 센서 데이터

- 분석방법: 웨이퍼의 최종 수율과 그 웨이퍼가 생산 될 때 측정된 센서 값 간에 정량적인 관계를 찾아내어 최종 수율을 예측 분석

 

- 기대효과: 생산 시 저수율이 예상되는 웨이퍼를 관리를 통해 수율 향상

 

 

 

○ 검사 데이터 및 필드클레임 데이터 결합을 통한 품질 예측

 

- 목적: 엔진의 품질을 조기에 예측

- 데이터: 중장비 엔진 검사 데이터, 고객 AS 서비스 필드 클레임 데이터

- 분석방법: 텍스트 마이닝, 비교사 학습, 교사학습

- 기대효과: 스마트 폰 출시 전에 수행하는 수 천 가지 기능 검사 데이터와 고객이 구매 후 사용 중에 발생한 고장 이력 데이터를 연결하여, 제조 불량을 사전에 예측할 수 있는 검사 항목과 그 검사 결과를 파악

 

 

 

○ 검사 텍스트 로그 분석

 

- 목적: 텍스트 로그 데이터 분석 및 시각화

- 데이터: 검사(inspection) 텍스트 로그 데이터

- 분석방법: 텍스트 마이닝

- 기대효과: 텍스트마이닝을 통하여 불량 추이 분석, 연관 불량 분석, 적합한 해결책 등을 파악할 수 있는 로그 데이터 시각화하여 제조 과정에 도움이 되는 유의미한 지식들을 추출하여 활용

 

 

 

○ 운송 로그를 이용한 사후공정블록(after-assembly block) 제조 공정 개선

 

- 목적: 프로세스마이닝을 통한 빈출 작업 순서(task flow) 추출

- 데이터: 과거 운송 이력 데이터

- 분석방법: 프로세스 마이닝, 비교사학습, 교사학습

- 기대효과: 과거 운송 로그 데이터를 가지고 프로세스 마이닝을 통해 가장 빈출하는 작업 순서를 추출, 사후공정블록 제조 공정에서 운송비용을 절감

 

 

 

 

■ 영업 마케팅

 

 

○ 소셜 미디어 분석을 통한 고객 피드백 파악

 

- 목적: 텍스트 로그 데이터 분석 및 시각화

- 데이터: 소셜 미디어 데이터

- 분석방법: 텍스트 마이닝

- 기대효과: 소셜 미디어 분석 솔루션 또는 실시간 정보 수집을 통해 온라인 모니터링을 수행하며, 고객의 목소리를 수렴하여 의사 결정에 활용

 

 

 

○ 선박 생산기간 예측

 

- 목적: 선박 생산 기간 예측

- 데이터: 선박 Spec 데이터 및 과거 제조된 선박 데이터

- 분석방법: 비교사 학습, 교사학습

- 기대효과: 과거 제조된 선박 데이터 분석을 통해 새로운 선박 명세(spec) 데이터가 주어졌을 때 생산 기간을 예측하여 주문자에게 제작 정보 제공

 

 

 

 

■ AS 서비스

 

 

○ 부품 상태 진단 및 교체 시기 예측

 

- 목적: 부품 상태 진단 및 교체 시기 예측

- 데이터: 센서 운용 데이터

- 분석방법: 비교사 학습, 교사학습

- 기대효과: 센서 운용 데이터를 통해 특정 부품의 교체시기 및 오작동을 판단하고 부품의 교체시기 및 상태 진단을 해주는 새로운 형태의 AS 서비스를 제공

 

 

 

○ 에너지 사용 패턴 분석

 

- 목적: 에너지 사용 패턴 분석을 통한 효율적 에너지 절약 방법 탐색

- 데이터: 시스템 에어컨디셔너 서버에 수집된 실내기 사용 데이터

- 분석방법: 비교사 학습, 교사 학습

- 기대효과: 에너지 사용량 분석, 타 건물과의 비교 분석을 통해 에너지 절감 방안 도출

 

 

 

○ 자동차 주행 패턴 분석

 

- 목적: 자동차 주행 패턴에 따른 배터리의 상태 변화를 분석 및 예상 교체 시기 예측

- 데이터: 주행 중 발생되는 자동차 및 운전자 데이터

- 분석방법: 비교사 학습, 교사 학습

- 기대효과: 자동차 배터리의 수명은 불규칙적이고 연속적이지 않은 부품의 교체시기를 예측하여 갑작스러운 고장을 미연에 방지. 배터리 수명에 영향을 주는 주행 패턴에 대해 파악

 

 

 

○ 에너지 고장 진단 시스템 개발

 

- 목적: 통계 분석 기반 건물 에너지 고장진단 시스템 개발

- 데이터: 건물 에너지 설비 데이터

- 분석방법: 기계학습*통계 분석 기반 이상치 탐지

- 기대효과: 기존 단변수 기반 이상치 탐지에서는 찾아낼 수 없는 건물 내 설비에 대한 고장 상태를 검출하여 건물 내 설비에 대한 정밀한 정보 없이도 고장진단이 가능. 고장진단 시스템을 통해서 고장진단 결과를 이해할 수 있으며 이를 통해 선제조치 수행