[논문]스마트공장을 위한 빅데이터 애널리틱스 플랫폼 아키텍쳐 개발

신승준; 우정엽; 서원철

doi:10.9717/kmms.2016.19.8.1516

Abstract ▼ AI-Helper

While global manufacturing is becoming more competitive due to variety of customer demand, increase in production cost and uncertainty in resource availability, the future ability of manufacturing industries depends upon the implementation of Smart Factory. With the convergence of new information an...

While global manufacturing is becoming more competitive due to variety of customer demand, increase in production cost and uncertainty in resource availability, the future ability of manufacturing industries depends upon the implementation of Smart Factory. With the convergence of new information and communication technology, Smart Factory enables manufacturers to respond quickly to customer demand and minimize resource usage while maximizing productivity performance. This paper presents the development of a big data analytics platform architecture for Smart Factory. As this platform represents a conceptual software structure needed to implement data-driven decision-making mechanism in shop floors, it enables the creation and use of diagnosis, prediction and optimization models through the use of data analytics and big data. The completion of implementing the platform will help manufacturers: 1) acquire an advanced technology towards manufacturing intelligence, 2) implement a cost-effective analytics environment through the use of standardized data interfaces and open-source solutions, 3) obtain a technical reference for time-efficiently implementing an analytics modeling environment, and 4) eventually improve productivity performance in manufacturing systems. This paper also presents a technical architecture for big data infrastructure, which we are implementing, and a case study to demonstrate energy-predictive analytics in a machine tool system.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는, 스마트공장 실현을 위한 제조시스템용 빅데이터 애널리틱스 플랫폼 아키텍쳐를 제안하였다. 플랫폼 아키텍쳐는 제조설비에 특화된 데이터 애널리틱스 모델의 생성 및 적용을 가능하게 하기 위하여 데이터 수집·저장·처리, 애널리틱스 모델링 및 제조 어플리케이션을 아우르는 데이터 애널리틱스와 빅데이터 인프라의 통합구조를 정의한 것이다.
본 논문에서는, 스마트공장 실현을 위한 제조시스템용 빅데이터 애널리틱스 플랫폼 아키텍쳐를 제안한다. 제안되는 플랫폼 아키텍쳐는 소프트웨어 구현을 위한 개념구조로서, 제조설비에 특화된 데이터 애널리틱스 모델의 생성 및 적용에 필요한 기능들을 정의한다.

가설 설정

일반적으로, 제어파라미터는 소재·형상·공구에 따른 추천절삭 조건표에 주어진 범위내에서 가공 안전성을 고려하여 사용자가 적절하게 선정한다. 본 실험에서의 제어파라미터 선정은 실험계획법(Design of Experiments)에 의거하지 않고, 작업자가 추천절삭 조건 범위내에 임의 값을 입력한 것으로 가정한다.

제안 방법

Table 3과 같이 12번의 테스트를 실시한다. 12번의 테스트를 통하여, 각기 다른 제어파라미터-이송속도(feedrate), 스핀들 회전속도(spindle speed), 절삭깊이(cutting depth)-와 측정된 전력에너지 값을 이용하여 에너지 예측 모델을 생성한다. 그 후, 예측 모델에 의한 예측 전력에너지 값과 실제 측정된 전력에너지 값과의 비교를 실시한다.
3.3절에 제시된 애널리틱스 모델링 방식에 의거하여, 한 파트의 가공을 위해 코딩된 하나의 NC 프로그램 실행에 따라 소비되는 전력에너지 예측을 위하여 실험을 실시하였다. Fig.
제안되는 플랫폼 아키텍쳐는 소프트웨어 구현을 위한 개념구조로서, 제조설비에 특화된 데이터 애널리틱스 모델의 생성 및 적용에 필요한 기능들을 정의한다. 또한, 데이터 수집·저장·처리, 애널리틱스 모델링 및 제조 어플리케이션을 아우르는 데이터 애널리틱스와 빅데이터 인프라의 통합구조를 정의한다. 나아가, 상호호환적인 데이터 교환 환경을 고려하여 표준 제조데이터 인터페이스를 활용하며, 비용 효과적인 구현 환경을 고려하여 오픈소스 솔루션을 활용한다.
MES, PLM과 같은 제조 어플리케이션은 어플리케이션 인터페이스를 통해 플랫폼과 커뮤니케이션을 실행한다. 사용자는 이러한 제조 어플리케이션을 통해 플랫폼과 연계하며, 제조데이터 및 애널리틱스 모델을 사용하여 목적에 부합하는 진단, 예측 및 최적화 등을 실시한다. 더불어, 제조상의 문제점들을 정형화하고 해당 애널리틱스 모델을 생성하여 이를 해결할 수 있다.
본 논문에서는, 스마트공장 실현을 위한 제조시스템용 빅데이터 애널리틱스 플랫폼 아키텍쳐를 제안한다. 제안되는 플랫폼 아키텍쳐는 소프트웨어 구현을 위한 개념구조로서, 제조설비에 특화된 데이터 애널리틱스 모델의 생성 및 적용에 필요한 기능들을 정의한다. 또한, 데이터 수집·저장·처리, 애널리틱스 모델링 및 제조 어플리케이션을 아우르는 데이터 애널리틱스와 빅데이터 인프라의 통합구조를 정의한다.

대상 데이터

실제가공을 위해 코딩한 공정계획 데이터(ISO 14649 프로그램)와 NC 프로그래밍 데이터(NC 프로그램), 그리고 공작기계로부터 획득한 실제 설비모니터링 데이터(MTConnect 문서)를 수집하였다. Fig.
본 플랫폼을 통해 다음의 메커니즘을 달성하도록 한다: 1) 실제 공장을 에이전트 기반 공장으로 가상화, 2) 에이전트와 빅데이터간 제조데이터 교환, 3) 제조데이터의 효율적 가공 및 처리, 4) 애널리틱스 모델 생성, 5) 애널리틱스 모델의 저장 및 관리, 6) 제조 어플리케이션과의 연계, 7) 물리적 또는 가상적 공장으로의 실시간(정시) 의사결정 피드백. 이를 위하여, 본 플랫폼은 에이전트기반 가상 공장, 빅데이터 인프라, 애널리틱스 모델링 어플리케이션, 제조 어플리케이션 레이어로 구성된다. 하위 절은 각 레이어의 상세 요구사항 및 기능을 기술한다.

데이터처리

12번의 테스트를 통하여, 각기 다른 제어파라미터-이송속도(feedrate), 스핀들 회전속도(spindle speed), 절삭깊이(cutting depth)-와 측정된 전력에너지 값을 이용하여 에너지 예측 모델을 생성한다. 그 후, 예측 모델에 의한 예측 전력에너지 값과 실제 측정된 전력에너지 값과의 비교를 실시한다. 일반적으로, 제어파라미터는 소재·형상·공구에 따른 추천절삭 조건표에 주어진 범위내에서 가공 안전성을 고려하여 사용자가 적절하게 선정한다.
예를 들어, 전체 데이터셋을 훈련 데이터셋과 테스트 데이터셋으로 분할하여 검증하는 데이터 분할 또는 교차확인 방법 등을 사용할 수 있다. 그리고, 예측값과 실제값간의 차이를 나타내는 평균제곱근오차(RMSE: Root Mean Square Error)를 계산하여 모델의 성능을 측정할 수 있다.

이론/모형

이를 토대로, 51개의 에너지 컴포넌트 모델을 생성하였다. 컴포넌트 모델 생성시에는 데이터 마이닝 툴인 KNIME에서 제공하는 Multilayer Perceptron Neural Network 함수 [16]를 이용하였다. Table 4는 12번의 테스트별 실제 측정된 전력에너지와 예측된 전력에너지 값을 나타내며, 두 값간 차이 비율 및 RMSE를 포함한다.
예를 들어, 절삭가공 공정의 공정계획 데이터를 표현하는 국제표준인 ISO14649 형태의 데이터를 JSON 형식으로 변환함으로써, 빅데이터 인프라 내에서 해석가능하고 사용가능하도록 한다. 한편, 애널리틱스 모델의 표현은 데이터마이닝그룹에서 제정한 예측모델 표현방식의 표준인 PMML(Predictive Model Markup Language) [15]를 사용한다. Table 1은 빅데이터 인프라에 포함되는 각 기능과 기능구현을 위해 사용중인 오픈소스를 서술한다.

성능/효과

그러나, 빅데이터 인프라는 구현 중이어서, 이로 인하여 데이터 애널리틱스 어플리케이션과의 통합 및 성능 검증이 완료되지 않았다. 또한, 데이터 불확실성에 대한 정량적 측정, 실제 운영중인 제조 어플리케이션으로의 통합 등이 수행되지 않은 점은 본 논문의 한계이다.
그리고, 기존의 이론적 또는 실험적 방식에 대비하여, 제안된 방식은 실용성을 향상시킬 수 있다. 기존의 연구들은 단순히 제어파라미터와 에너지간의 상관성을 규명하는데 집중하였으므로, NC 프로그램 실행에 소비되는 전력에너지의 예측이 어려웠다.
플랫폼 아키텍쳐는 제조설비에 특화된 데이터 애널리틱스 모델의 생성 및 적용을 가능하게 하기 위하여 데이터 수집·저장·처리, 애널리틱스 모델링 및 제조 어플리케이션을 아우르는 데이터 애널리틱스와 빅데이터 인프라의 통합구조를 정의한 것이다. 또한, 구현중인 빅데이터 인프라의 기술구조를 소개하고, 실험을 통한 제안된 애널리틱스 모델링 방식의 실현가능성 및 실용성을 확인하였다.
본 실험에서는 공정계획 및 NC 프로그래밍 데이터 분석으로부터 51개의 각기 다른 공정구성 조합이 존재함을 확인하였다. 이를 토대로, 51개의 에너지 컴포넌트 모델을 생성하였다.

후속연구

그러나, 빅데이터 인프라는 구현 중이어서, 이로 인하여 데이터 애널리틱스 어플리케이션과의 통합 및 성능 검증이 완료되지 않았다. 또한, 데이터 불확실성에 대한 정량적 측정, 실제 운영중인 제조 어플리케이션으로의 통합 등이 수행되지 않은 점은 본 논문의 한계이다. 향후, 지속적인 빅데이터 인프라 구현을 통한 성능 검증, 데이터 불확실성의 정량화 방법론 개발, 데이터 애널리틱스 어플리케이션 및 제조 어플리케이션과의 통합을 위한 인터페이스 개발 등을 수행할 것이다.
제안된 플랫폼의 성공적인 실현은 제조분야에서의: 1) 빅데이터 애널리틱스를 통한 제조 지능화 획득, 2) 표준 데이터 인터페이스 및 오픈소스 솔루션활용을 통한 비용 효과성 획득, 3) 한국형 스마트공장 ‘고도화’ 달성을 위한 하나의 참조모델 역할, 4) 궁극적으로는 제조시스템의 생산성 향상을 달성할 것으로 기대한다.
또한, 데이터 불확실성에 대한 정량적 측정, 실제 운영중인 제조 어플리케이션으로의 통합 등이 수행되지 않은 점은 본 논문의 한계이다. 향후, 지속적인 빅데이터 인프라 구현을 통한 성능 검증, 데이터 불확실성의 정량화 방법론 개발, 데이터 애널리틱스 어플리케이션 및 제조 어플리케이션과의 통합을 위한 인터페이스 개발 등을 수행할 것이다.

참고문헌 (16)

KIAT, Research Trend of Smart Manufacturing in U.S.A, KIAT Industrial Technology Policy Brief 2014-21, 2015.
KOSF, Industrial Reference Models for Smart Factory Propagation, KOSF Report, v.2.0, 2015.
KSA, Global Trends and Korean Standardization Strategies for Smart Factory, KSA Policy Study Issue Paper 012, 2015.
Deloitte, 2016 Global Manufacturing Competitiveness, National Competitiveness Forum, 2015.
A. Pavlo, E. Paulson, A. Rasin, D.J. Abadi, D.J. DeWitt, S. Madden, et al, "A Comparison of Approaches to Large-scale Data Analysis," Proceedings of the 2009 ACM SIGMOD International Conference on Management of Data, pp. 165-178, 2009.
G.T. Lee, G.J. Lee, and B.H. Song, Technology Trends of Smart Factory, KEIT PD Issue Report 15-4, 2015.
S.H. Baek, The-state-of-the art and Standardization Strategies for Smart Manufacturing, KISTEP Issue Paper 2016-03, 2016.
KDB, The Feasibility of Smart Factory for Advancing Korean Manufacturing Industry, KDB Industrial Issue Paper, 2015.
Y.M. Song, and C.S. Lee, "A Study on the Big Data Analysis System for Searching of the Flooded Road Areas," Journal of Korea Multimedia Society, Vol. 18, No. 8, pp. 925-934, 2015.

원문보기 상세보기
W. Shen, Q. Hao, H.J. Yoon, and D.H. Norrie, "Applications of Agent-based Systems in Intelligent Manufacturing: an Updated Review," Advanced Engineering Informatics, Vol. 20, No. 4, pp. 415-431, 2006.

상세보기
L. Monostori, J. Vancza, and S.R.T. Kumara, "Agent-based Systems for Manufacturing," CIRP Annals-Manufacturing Technology, Vol. 55, No. 2, pp. 697-720, 2006.

상세보기
MTConnect Institute, MTConnect® Standard Part 1-Overview and Protocol, The Association for Manufacturing Technology, version 1.3.0, 2014.
S. Kotsiantis, D. Kanellopoulos, and P. Pintelas, "Data Preprocessing for Supervised Leaning," International Journal of Computer Science, Vol. 1, No. 2, pp. 111-117, 2006.
ECMA International, The JSON Data Interchange Format, ECMA-404, 1 st edition, Geneva, Switzerland, 2013.
PMML 4.2-General Structure, http://dmg.org/pmml/v4-2-1/GeneralStructure.html, Data Mining Group, (accessed Mar., 15, 2016).
KNIME Analytics Platform, http://www.knime.org/knime-analytics-platform, (accessed Mar., 14, 2016).

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

스마트공장을 위한 빅데이터 애널리틱스 플랫폼 아키텍쳐 개발
Developing a Big Data Analytics Platform Architecture for Smart Factory 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

스마트공장을 위한 빅데이터 애널리틱스 플랫폼 아키텍쳐 개발 Developing a Big Data Analytics Platform Architecture for Smart Factory 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

신승준 (2) 우정엽 (1) 서원철 (9)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

스마트공장을 위한 빅데이터 애널리틱스 플랫폼 아키텍쳐 개발
Developing a Big Data Analytics Platform Architecture for Smart Factory 원문보기

AI 본문요약
AI-Helper