[논문]A Study on the Build of Equipment Predictive Maintenance Solutions Based on On-device Edge Computer

Lee, Yong-Hwan; Suh, Jin-Hyung

doi:10.9708/jksci.2020.25.04.165

초록
AI-Helper

본 연구에서는 현재 일반적인 스마트 팩토리에서 데이터 전송에 사용하는 중앙 집중형 시스템에서 발생하는 데이터를 중앙의 센터까지 전송, 처리할 때 발셍하는 전송 지연 등의 문제 해결을 위하여 필요한 곳에 연산과 저장 장치를 도입하는 분산 컴퓨팅 패러다임 (Distributed Computing Paradigm)인 온-디바이스 (On-Device) 기반 에지 컴퓨팅 (Edge Computing) 기술과 빅데이터 분석 기술 및 활용 방법의 연구를 통하여 설비 고장 등을 예지하여 가동율을 높일 수 있는 산업현장의 설비관리에 활용되는 솔루션을 제안한다. 그러나 에지 컴퓨팅 기반의 기술이 실제 적용되더라도 네트워크 에지에서 장치의 증가는 많은 양의 데이터가 데이터 센터로 전달되어 네트워크 대역이 한계치에 이르게 되어 네트워크 기술의 향상에도 데이터 센터는 수많은 응용에서 중요한 요건이 되는 수용 가능한 전송 속도와 응답 시간을 보장하지 못하게 된다. 이와 같은 요구조건을 수용할 수 있는 일체형 하드웨어 기술과 공장관리 및 제어 기술을 적용한 설비보존 및 스마트 팩토리 산업 분야에 적용할 수 있는 연구를 통하여 생산성 증대를 지원할 수 있는 지능적 설비관리를 지원하도록 하여 추후 빅데이터에 적합한 딥러닝을 적용할 수 있는 인공지능 기반 설비 예지 보전 분석 도구로 발전할 수 있는 기반을 제공한다.

Abstract ▼ AI-Helper

In this paper we propose an uses on-device-based edge computing technology and big data analysis methods through the use of on-device-based edge computing technology and analysis of big data, which are distributed computing paradigms that introduce computations and storage devices where necessary to...

In this paper we propose an uses on-device-based edge computing technology and big data analysis methods through the use of on-device-based edge computing technology and analysis of big data, which are distributed computing paradigms that introduce computations and storage devices where necessary to solve problems such as transmission delays that occur when data is transmitted to central centers and processed in current general smart factories. However, even if edge computing-based technology is applied in practice, the increase in devices on the network edge will result in large amounts of data being transferred to the data center, resulting in the network band reaching its limits, which, despite the improvement of network technology, does not guarantee acceptable transfer speeds and response times, which are critical requirements for many applications. It provides the basis for developing into an AI-based facility prediction conservation analysis tool that can apply deep learning suitable for big data in the future by supporting intelligent facility management that can support productivity growth through research that can be applied to the field of facility preservation and smart factory industry with integrated hardware technology that can accommodate these requirements and factory management and control technology.

주제어

표/그림 (11)

그림 Fig. 1. Big Data Platform
표 Table 1. Analysis of CoAP and MQTT
그림 Fig. 2. Interface structure
그림 Fig. 3. Data structure
그림 Fig. 4. Store the virtual facility sensing data
그림 Fig. 5. Virtual sensing data generation environment
그림 Fig. 6. Real-time collection of virtual sensing data
표 Table 2. Attributes of Flum Agent
표 Table 3. Step-by-step collection data
그림 Fig. 7. Visualization for analysis of collected data
표 Table 4. Algorithm-specific accuracy

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 빅데이터 기반의 설비보전 예측 플랫폼을 위한 것으로 센싱 빅데이터의 수집, 저장, 분석 및 시각화 기능을 갖춘 플랫폼 구축 개발을 목적으로 하고 있으므로 이 연구에 대한 성능 테스트는 다량의 다종 데이터가 입력되는 빅데이터의 특성을 충족시키는지를 확인하였다.
본 연구에서는 스마트 팩토리 시스템에 기반한 설비 예지 보전을 구축하기 위해 설비 센싱 빅데이터 처리를 위한 플랫폼을 개발하고 이를 효과적으로 가시화하기 위한 기술을 개발하였다. 먼저, 실시간으로 생성되는 센싱 정보인 온도, 소음, 전류 등을 수집하기 위해 MQTT 기반 실시간으로 수집가능한 기술과 풀럼 기반 센싱 정보 수집 모듈을 개발하였으며, 대량의 데이터 수신과 저장을 할 수 있게 했다.
이러한 문제를 해결하기 위해 데이터 분석 전문가 외에도 전문 지식이 없는 비전문가도 활용할 수 있는 공정 설비 기반 빅데이터 분석 플랫폼이 필요로 하며, 필요로 하는 플랫폼은 기본적으로 생산활동의 시작과 끝을 의미하는 물리적 또는 논리적인 공간정보 (설비) 기반으로 센싱 데이터를 수집, 저장, 관리하고 공정 설비에 위치하는 센서의 물리적인 순서 또는 논리적인 순서를 고려한 분석을 수행할 수 있도록 지원하는 것을 목적으로 한다. 그리고 플랫폼을 통해 전체 생산활동 (공정 설비)을 하나의 주기로 보았을 경우 어느 주기 (시점)에서 품질문제를 발생시키는지 분석하여 개선할 수 있도록 지원하여야 한다.

제안 방법

총 250개 (단계별 50개) 데이터를 단계별로 학습용 80% (200개), 테스트용 20% (50개) 로 구분하였고 데이터별 입력은 10개이며, 출력은 1개로 출력값은 1~5단계를 나타낸다. 단, 입력 데이터의 특징을 보다 뚜렷하게 학습하기 위해 10개의 입력 데이터를 통계함수를 이용해 평균, 표준편차, 최솟값, 25%, 50%, 75%, 최댓값을 7개의 입력 데이터로 바꾸어 처리하도록 설계하였다.
먼저, 실시간으로 생성되는 센싱 정보인 온도, 소음, 전류 등을 수집하기 위해 MQTT 기반 실시간으로 수집가능한 기술과 풀럼 기반 센싱 정보 수집 모듈을 개발하였으며, 대량의 데이터 수신과 저장을 할 수 있게 했다. 또한, 데이터를 신속하게 분석할 수 있도록 기반을 구축했다.
본 연구에서는 스마트 팩토리 시스템에 기반한 설비 예지 보전을 구축하기 위해 설비 센싱 빅데이터 처리를 위한 플랫폼을 개발하고 이를 효과적으로 가시화하기 위한 기술을 개발하였다. 먼저, 실시간으로 생성되는 센싱 정보인 온도, 소음, 전류 등을 수집하기 위해 MQTT 기반 실시간으로 수집가능한 기술과 풀럼 기반 센싱 정보 수집 모듈을 개발하였으며, 대량의 데이터 수신과 저장을 할 수 있게 했다. 또한, 데이터를 신속하게 분석할 수 있도록 기반을 구축했다.
수집된 데이터를 정상/비정상 상태를 인식하기 위해 각 5단계를 구분해야 하는데 이를 위해 기계학습 기반의 알고리즘인 KNN (K-Nearest Neighbor), LR (Linear Regression), SVM (Support Vector Machine), GNB (Gaussian Naive Bayes) 4개 알고리즘을 통해 학습 및 분류하였다.
시범 구축한 플랫폼의 성능시험을 위해 수집한 빅데이터를 사용하여 수집된 정보를 가공하여 가상의 대용량 센싱 정보로 변환하였고, 생성된 빅데이터를 실시간 수집하고 저장, 분석하는 시험을 수행하였다. 마지막으로 설비 지 보전을 위해, 소음 데이터를 기계학습 기반의 알고리즘을 통해 확인해 본 결과 1~5단계까지의 상태를 최대 2%의 정확도로 찾아낼 수 있었다.

대상 데이터

설비보전 예지 테스트를 위해 산업현장 컨베이어벨트의 메인 구동축의 모터로부터 소음 정보를 수집하였고. 이를 양자화 후 0.
통합 플랫폼에서 처리하는 센싱 빅데이터는 스마트 팩토리를 대상으로 하며 설비 내 센싱 정보로 구성되어 있다. 센싱 정보는 설비에 직접 설치된 센서로부터 측정된 온도, 소음 등의 정보이며, 이를 실시간으로 수집되는데 수집되는 센싱 정보는 유선 또는 무선을 이용하여 수집하여 MQTT로 전달되는데 전달된 센싱 정보를 효과적으로 수집하기 위해 아파치 풀럼-NG (Apache Flume-NG)를 사용한다. 기본적으로 아파치 플럼은 에이전트 계층 (Agent Layer), 컬렉터 계층 (Collector Layer), 스토리지 계층(Storage Layer)의 총 3계층으로 구성되어 있는데 에이전트 계층에서 각 에이전트 노드는 수집할 로그 데이터 (Log Data)가 생성되는 기계에 설치하는 것이 일반적이다.
수집 인터페이스 기능이 설비 센싱 데이터를 실시간으로 어느 정도 수집이 가능한가를 확인하기 위하여 가상으로 설비 센싱 데이터 생성기를 PC로 구축하였으며 시험 환경 개념도는 Fig. 6과 같으며 PC 1대당 각각 2만 건씩 총 4만 건의 설비 센싱 데이터를 빅데이터 마스터 서버로 TCP 방식을 통해 전송했고 시험결과 서버 1대 (포트 1개)당 분당 최대 4만 건의 데이터를 수집할 수 있었으나 서버 1대를 통해 분당 5만 건의 정보를 수집한 경우 수집에 실패했다. 따라서 가변적인 서버 환경을 구축한다면 보다 대규모 정보 수집이 가능할 것으로 확인되었다.
총 250개 (단계별 50개) 데이터를 단계별로 학습용 80% (200개), 테스트용 20% (50개) 로 구분하였고 데이터별 입력은 10개이며, 출력은 1개로 출력값은 1~5단계를 나타낸다. 단, 입력 데이터의 특징을 보다 뚜렷하게 학습하기 위해 10개의 입력 데이터를 통계함수를 이용해 평균, 표준편차, 최솟값, 25%, 50%, 75%, 최댓값을 7개의 입력 데이터로 바꾸어 처리하도록 설계하였다.
통합 플랫폼에서 처리하는 센싱 빅데이터는 스마트 팩토리를 대상으로 하며 설비 내 센싱 정보로 구성되어 있다. 센싱 정보는 설비에 직접 설치된 센서로부터 측정된 온도, 소음 등의 정보이며, 이를 실시간으로 수집되는데 수집되는 센싱 정보는 유선 또는 무선을 이용하여 수집하여 MQTT로 전달되는데 전달된 센싱 정보를 효과적으로 수집하기 위해 아파치 풀럼-NG (Apache Flume-NG)를 사용한다.

성능/효과

가상 설비 센싱 데이터를 개발된 빅데이터 시스템을 통해 HDFS (Hadoop Distributed File System)에 저장 시 21.1GByte 크기의 가상 설비 센싱 데이터를 HDFS에 저장하는데 약 35분의 시간이 소요되고 빅데이터의 경우 조인 연산을 수행하여 저장하는 것보다 원본 그대로 저장하는 방식이 더 적합함을 확인할 수 있다.
6과 같으며 PC 1대당 각각 2만 건씩 총 4만 건의 설비 센싱 데이터를 빅데이터 마스터 서버로 TCP 방식을 통해 전송했고 시험결과 서버 1대 (포트 1개)당 분당 최대 4만 건의 데이터를 수집할 수 있었으나 서버 1대를 통해 분당 5만 건의 정보를 수집한 경우 수집에 실패했다. 따라서 가변적인 서버 환경을 구축한다면 보다 대규모 정보 수집이 가능할 것으로 확인되었다.
시범 구축한 플랫폼의 성능시험을 위해 수집한 빅데이터를 사용하여 수집된 정보를 가공하여 가상의 대용량 센싱 정보로 변환하였고, 생성된 빅데이터를 실시간 수집하고 저장, 분석하는 시험을 수행하였다. 마지막으로 설비 지 보전을 위해, 소음 데이터를 기계학습 기반의 알고리즘을 통해 확인해 본 결과 1~5단계까지의 상태를 최대 2%의 정확도로 찾아낼 수 있었다. 이를 활용해 이상 상태로 감지할 수 있는 3, 4단계를 사전에 알려줌으로써 설비 예지 보전이 가능할 수 있음을 확인할 수 있었다.
본 연구에서 제안된 사용자 중심의 설비 등록 기능과 IoT 기반 계측 센서, 설비 등록 및 데이터 구조 설정 기능과 설비 등록 도구 제작에 따른 상세 설계 및 데이터베이스의 사용 그리고 사용자 중심의 UI/UX 개발로, 화면상으로 장비 등록과 설정만으로 손쉽게 외부 시스템과 연결할 수 있도록 구현된다.
실시간으로 생성되는 센싱 빅데이터를 융합, 활용할 수 있는 설비 예지 보전을 분석하고 이를 가시화할 수 있는 기능 및 개발한 통합 플랫폼을 통해 다양한 분석 기능의 적용이 가능한지 실증하기 위해 설비보전 추정 분석 기능의 적용과 개발된 분석 기능 중 추정치와 같은 분석 기능이 통합 플랫폼에 활용될 수 있음을 보여주었다.
마지막으로 설비 지 보전을 위해, 소음 데이터를 기계학습 기반의 알고리즘을 통해 확인해 본 결과 1~5단계까지의 상태를 최대 2%의 정확도로 찾아낼 수 있었다. 이를 활용해 이상 상태로 감지할 수 있는 3, 4단계를 사전에 알려줌으로써 설비 예지 보전이 가능할 수 있음을 확인할 수 있었다.

후속연구

또한, 통합 플랫폼 내의 분석 도구는 분석과 예측의 정확도를 높이기 위해 딥러닝 과정이 필요하며. 이를 위해 향후 기계학습 시스템을 조사 후 빅데 이터에 적합한 딥러닝을 적용할 수 있는 인공지능 기반 설비 예지 보전 분석 도구로 발전할 필요가 있다.
향후 현재 시험대에서 수집 중인 설비 센싱 데이터가 전국적으로 확장되었을 경우를 대비하여 네트워크 균형을 고려한 센싱 정보의 실시간 수집 환경을 구축과 업그레이드를 해 처리속도 및 발열 등의 문제점을 개선할 필요가 있다. 또한, 무선 통신망을 통한 정보 수집에 대한 IoT 표준 구조 기반의 CoAP 등과 같은 다양한 프로토콜을 지원에 대한 사업 개발이 필요하며, 표준기반의 무선 프로토콜 지원을 통해 이동기기 분야 이외 다양한 분야에 사업 성과를 적용 가능성을 확인하는 사업이 요구된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트 팩토리 분야에서 가장 큰 문제점은 무엇인가?	스마트 팩토리 분야에서 가장 큰 문제점은 각 산업 분야별 생산 공정을 이해하고 빅데이터 기술을 어떻게 접목하여 기업의 문제를 해결할지 방안을 제시하기 어렵다는 데 있다. 이는 데이터 분석 전문가가 해당 분야에 대한 전문지식을 갖추기 어렵고, 반대로 산업현장의 전문가는 데이터 분석에 대한 이해가 높지 않기 때문이다.
	스마트 팩토리는 무엇을 의미하는가?	스마트 팩토리 (Smart Factory)는 전통 제조산업에 정보통신기술을 결합하여 개별 공장의 설비 (장비) 공정이 생산 네트워크로 연결되고, 모든 생산 데이터와 정보가 실시간으로 공유 및 활용되어 최적화된 생산 운영이 가능한 공장으로, 공장 간의 협업 운영이 지속되는 생산 체계를 의미하며, [1] 이에 산업현장에서 공정 및 품질관리를 위한 다양한 센서를 설치하고 이를 통해 효과적인 생산활동을 수행하고 있다.
	스마트 팩토리 분야에서 각 산업 분야별 생산 공정을 이해하고 빅데이터 기술을 어떻게 접목하여 기업의 문제를 해결할지 방안을 제시하기 어려운 이유는?	스마트 팩토리 분야에서 가장 큰 문제점은 각 산업 분야별 생산 공정을 이해하고 빅데이터 기술을 어떻게 접목하여 기업의 문제를 해결할지 방안을 제시하기 어렵다는 데 있다. 이는 데이터 분석 전문가가 해당 분야에 대한 전문지식을 갖추기 어렵고, 반대로 산업현장의 전문가는 데이터 분석에 대한 이해가 높지 않기 때문이다.

참고문헌 (13)

Kyu-Teak Lee, "Smart Factory Industrial R & D Strategy", Ministry of Trade, Industry and Energy, http://www.krnet.or.kr/board/data/dprogram/1924 /B21-%C0%CC%B1%D4%C5%C3.pdf, 6. 2015
Tao, F., Cheng, Y., Da Xu, L., Zhang, L., and Li, B. H.,"CCIoT-CMfg: Cloud Computing and Internet of Things-Based Cloud Manufacturing Service System", IEEE Transactions on Industrial Informatics, 10(2), pp.1435-1442, Feb. 2014. DOI: 10.1109/ TII.2014.2306383

상세보기
Avita Katal, Mohammad Wazid and R. H. Gouda, "Big data: Issues, challenges, tools and Good practices", 2013 Sixth International Conference on Contemporary Computing (IC3), Aug. 2013. DOI: 10.1109/IC3.2013.6612229
Seung Taek Kim, "Considerations for the successful introduction of smart factories", Deloitte Korea Review, https://www2.deloitte.com/content/dam/Deloitte/kr/Documents/insights/deloitte-anjin-review/07/kr_insights_deloitte-anjin-review-07_05.pdf, pp.37-45, 2016.
Won-Joong Jang, Sung-In Cho, Soo-Sang Kim, Gwang-Yong Gim, "A Study on the Implementation of Big Data Infrastructure in Smart Factory", Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology Vol.8, No.10, pp.11-23, Oct. 2018
Apache Hadoop 3.2.1, https://hadoop.apache.org/docs/current/
C.L. Philip Chen, Chun-Yang Zhang, "Data-intensive applications, challenges, techniques and technologies: A survey on Big Data", Information Sciences 275, pp314-347, 10 Aug. 2014,

상세보기
"What is Big Data Platform?", Biz & Tech ICT Report, https://blog. skcc.com/1734, 4. 2014.
Sun Jin Kim, Seok Ji Park, Nae Su Kim,, "A Trend Analysis of RFID/USN Industry", Electronics and Telecommunications Trends Vol.20 No.3, pp.43-55, 6. 2005
"MQTT: the open road to internet of things", https://www.ekito.fr/people/mqtt-the-open-road-to-internet-of-things/
Sun Hee Park, Jeong Ho Kim, Hyun Bae Ryu, "Implementation of public data contents using Big data Visualization technology - Map visualization technique", Journal of Digital Contents Society v.18 No.7, pp.1427 - 1434 30 Nov.. 2017.

원문보기 상세보기
Jun-Sung Park, Dong-Gie Kim, "New Generation Mobile Service: M2M Services and Technology," Comm. of KIISE, Vol.28, No.9, pp.28-39, Sep. 2010.
Koojana Kuladinithi, Olaf Bergmann, Thomas Potsch, Markus Becker, Carmelita Gorg, "Implementation of CoAP and its Application in Transport Logistics", ReaearchGate, https://www.researchgate.net/publication/229057545, Jan. 2011

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

A Study on the Build of Equipment Predictive Maintenance Solutions Based on On-device Edge Computer 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

A Study on the Build of Equipment Predictive Maintenance Solutions Based on On-device Edge Computer 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper