[kiet] 빅데이터 기반의 스마트 제조 의사결정 - 조현보 교수, 박현섭, 한형상

 

 

 

 

*** 출처: [kiet] 빅데이터 기반의 스마트 제조 의사결정 - 조현보 교수, 박현섭, 한형상

*** 문서:

 

 

 

 

■ 제조업의 보편적 문제들을 정의하는 의사결정 레벨, 데이터 분석, 최적화 솔루션, 데이터웨어하우스 등의 인프라 레벨, 의사결정문제 유형별로 관련 데이터와 데이터 소스를 정의하는 데이터 레벨의 3계층으로 구성된 아키텍처 제시

 

 

 

 

■ 해외 제조기업의 빅데이터 활용 현황

 

 

○ IBM의 예지정비 솔루션

 

- 정비기록·성능기록·모니터링데이터·검사보고서·설비환경데이터 그리고 재무 데이터 같은 정보들을 다양한 출처에서 실시간으로 수집하여 공장 설비의 잠재적 고장과 제품 불량 발생을 정확히 예측하고 문제점을 개선해 주는 예측분석 솔루션

 

 

○ Siemens의 Technomatix12 솔루션

 

- MES 및 PLM 등 유관 솔루션과의 통합을 통해 빅데이터 기반의 품질관리 솔루션에 제품 라이프사이클 관리를 부가함으로써 비용, 품질 및 납기 목표 달성을 지원

 

 

○ Bridgestone의 타이어 조립생산 시스템 Examation

 

- 빅데이터 및 AI를 비롯한 ICT 기술을 접목하여 최적의 생산조건 결정과 품질관리를 실행하고, 타이어 제조 라인에 투입되는 인력을 최소화시킴. 최소 500개에서 2,000개까지의 센서를 라인에 부착하여 데이터를 수집

 

 

○ Micron Technology

 

- 로봇과 웨이퍼의 작업순서를 논리적으로 표현하는 PetriNet 모델로 장비가 최적으로 운영될 경우의 이론적 모델을 만들고 실제 로그 데이터를 실시간으로 분석해 이상적인 로봇의 동작과 실제동작의 차이를 분석함

 

- 단위작업들이 순차적으로 진행되는 과정에서 작업별 수행 시간과 형태의 로그를 분석하여 작업 간 상관관계를 분석하는 Process Mining 방식을 사용함. 기존 장비 대비 생산성을 10% 이상 향상시켜 전사적으로 380억 원의 비용을 절감

 

 

○ Intel

 

- 2012년 코어 프로세서 칩 생산공정에 빅데이터 분석을 도입하여 신형 칩 생산에 필요한 19,000여 가지의 품질검사 과정을 단순화 했음

 

- 시간당 5TB에 해당하는 기존의 칩 생산 공정 데이터를 수집하여 패턴분석을 통해 신형 칩의 불량발생 예상 지점을 추정하고 품질검사를 이에 집중함으로써 부분 검사만으로도 관리가 가능하게 됨

 

 

○ Volvo

 

- 차량에 탑재된 센서로부터 차량운행, 부품상태 등의 정보를 수집하여 제품 개발에 활용하고 있음

 

- 생산과정에서는 발견하기 어려운 결함을 사전에 파악하여 과거에는 50만대의 차를 팔아야 알 수 있었던 신차 결함을 이제는 1,000대 판매 시점에서 파악할 수 있게 됨

 

 

○ Zara

 

- MIT와 전세계 매장 판매 데이터의 실시간 분석 알고리즘을 공동으로 개발하고, 진열상품의 수와 매출실적 간 포화지점을 찾아내어 본사가 전체 매출 최적화 관점에서 매장별 재고 투입량을 실시간으로 조절함

 

- 판매량 예측 및 재고관리, 소비자 Needs에 맞춘 Time-to-Market을 실현하여 효과적으로 비즈니스 모델을 개선함

 

 

 

■ 국내 제조기업의 빅데이터 활용 현황

 

 

○ 삼성 SDS의 스마트 공장 솔루션인 Nexplant

 

- 자체 개발한 빅데이터 분석 플랫폼인 브라이틱스와 AI를 통해 고질적인 제품불량 및 설비 이상의 원인 파악과 문제해결을 지원함

 

 

○ 삼성 SDI

 

- 국내뿐 아니라 중국과 말레이시아 공장 등 거점별로 배터리 품질관리 시스템을 따로 운영하는 한편, 거점 데이터를 국내에서 초 단위로 통합하여 분석하는 시스템을 개발함

 

- EMC 그린플럼 DB와 하둡을 이용해 하루 약 6억 건의 데이터를 분석하는 바, 100TB 데이터를 20여 분만에 분석함

 

 

○ LG디스플레이

 

- 단위 공정별 적정재고 산출, 부품수요 예측, 물동량 선행 예측, 가상계측, 설비 잔여수명 예측, 고장원인 분류/분석 등 빅데이터 분석을 다양한 업무에 적용하고 있음

 

 

○ 웅진케미칼

 

- 제조 데이터와 영업 등 기업 내 운영 데이터의 통합분석 환경을 조성하고, 통합된 데이터에 수리적 최적화 알고리즘(정수혼합계획법 등)을 적용하여 납기 준수가 가능한 최적의 생산계획을 수 분 내로 수립하고 있음

 

 

○ SK하이닉스

 

- 빅데이터 기반의 기계학습을 통해 확률적으로 Die의 양·불량을 예측하고 있음. 복잡한 FAB 공정을 거쳐 가공된 웨이퍼를 검사하는 Post FAB 공정에서 생성되는 데이터들을 이용하며, 인공신경망 등의 기계학습 기법을 이용하여 양·불량을 판단함

 

 

 

■ 빅데이터기반 제조 의사결정 지원 아키텍처 기준 모델

 

 

○ 의사결정 레벨, 인프라 레벨, 데이터 레벨의 3계층으로 구성됨

 

○ 각 레벨의 전문 기업들은 하나의 아키텍처 안에서 특화된 경험과 장점을 살려 총체적인 빅데이터 기반의 스마트 제조 지원 시스템을 개발하고 시스템을 지속적으로 개선 및 확장할 수 있음

 

 

1) 의사결정 레벨

 

 

 

 

 

- 의사결정 레벨은 보편적인 제조 의사결정문제를 정의하고 이에 기초하여 의사결정 지원 서비스를 개발하는 단계임.

 

- 보편적인 제조 의사결정문제는 의사결정 계층에 따라 기업·공장·공정·설비로 구분하고 있음

 

 

 

2) 인프라 레벨

 

 

 

 

 

- 인프라 레벨은 다양한 의사결정 지원 서비스 개발에 필요한 데이터의 수집·저장·공유·분석·최적화를 지원하는 인프라를 구축하는 단계임

 

- 다양한 의사결정 지원 서비스 개발을 위해서는 IT 및 OT 기술을 융합한 공통 인프라가 필요함

 

 

 

 

3) 데이터 레벨

 

 

 

 

 

- 데이터 계층은 효과적인 데이터 수집을 위해 의사결정 지원 문제의 유형별로 필요한 데이터와 데이터 소스를 정의하는 단계임

 

- 스마트 제조를 위한 제조 의사결정을 지원하려면 문제 유형별로 정밀하고 다양한 해석 모델의 개발과 이의 해결에 필요한 데이터 확보가 필요함. 이를 위해 Top down 방식의 데이터 요구 정의, 전처리 필요성, 가용성을 고려함으로써 제조 데이터의 활용 극대화가 필요함

 

 

 

■ 중소 제조기업 활용 시나리오