제조업 분야에서 빅데이터는 설비 상태와 품질 결함 예측을 분석할 수 있으며, 부품의 최적 수리 시기와 교환 시기를 예측할 수 있다. 특히, 고난도 고장 진단과 예측 시스템에 빅데이터 분석기술을 많이 활용하고 있으며, 이 과정에서 쌓인 고장 진단 경험은 진단요원의 고객 대응 능력을 높일 수 있다.

K-smartfactory.org 세미나에서 테라데이타 장동인 부사장이 발표한 ‘제조 분야 빅데이터 사례 및 제안’에 대한 강연 내용을 정리했다.

▲ 테라데이타 장동인 부사장

1999년 인터넷 열풍이 세상의 모든 비즈니스 모델을 바꿨다. 16년이 지난 오늘 소셜, 모바일, 사물인터넷, 클라우드, 빅데이터와 3D 프린팅까지 6개의 통합된 기술이 다시 한 번 세상의 비즈니스 모델을 바꿀 것이다.

빅데이터가 가져온 변화들

지금까지는 기업 IT는 중앙서버에 데이터가 존재하고, 그리고 그 안에 전자정부, ERP, CRM, KM 등 공통적으로 기업 내에 있는 전자 시스템이 전부였다. 그런데 스마트폰의 등장으로 모바일 기기가 중심이 되면서부터 사람들이 PC, 가전 기기 등의 센서들을 쓰지 않게 됐다. 지금까지 IT기술이 산업현장에 서포터 역할로써 전반적인 흐름의 지원 역할을 했다면, 앞으로의 비즈니스는 IT가 리드하고 재가공하고 구조를 바꾼다는 뜻이다. 스마트폰의 등장으로 모든 데이터가 스마트폰으로 모이게 되면서 기업 IT로부터 개인 IT로 거대한 시프트가 일어나고 있다. 

디지털 비즈니스화로 유통에도 변화가 있다. 쇼핑은 오프라인 매점으로 둘러보고 구매는 온라인 판매가를 분석한 뒤 온라인으로 결제하고 있으며, 이는 전 세계적인 트렌드이다. 또한, 해외직구 이용자가 가파르게 상승 중이다. 스마트폰이 생기고 국경이 없어지면서 더 저렴한 가격과 더 좋은 질의 상품을 비교해가면서 스마트하게 구매할 수 있는 여건이 마련되고 있다.

디지타이징 비즈니스 시대는 고객의 상황을 빨리 파악하는 것이 제일 중요하다. 스마트폰을 가진 고객관리를 빅데이터를 통해 알 수 있는데, 빠른 속도를 가능하게 하는 것이 바로 빅데이터다. 이에 대한 사례로 아마존 드론 배송이 있다. 드론배송은 미국 FAA에서 테스트비행 허가를 받은 Aamzon Prime Air 서비스이다. 이는 고객들이 온라인 구매했을 때 해당하는 고객의 데이터를 읽어 30분 이내로 받을 수 있게 한다.

또한, 빅데이터의 예시로서 민간 인공위성 회사인 스카이박스 이미징이 있다. 인공위성이 정밀하게 찍는 항구의 배 정박 시간, 로딩하는 물건의 개수, 유조선의 수를 읽어내고 그 데이터의 결과값을 저장하고 있다. 빅데이터가 과거의 데이터를 가지고 숫자 데이터를 분석하며 미래를 예측하는 것뿐만 아니라 현재는 이미지 데이터, 동영상 데이터 등을 분석해 고급정보를 양산하고 있다.

빅데이터 적용 방법론

제조업 분야에서 빅데이터는 첫째, 설비 상태와 품질 결함 예측을 분석할 수 있다. 특히, 실시간 설비 모니터링으로 설비 성능 지표, 실시간 프로세싱이 분석되어 최적의 수리 시기와 부품 교환 시기를 예측할 수 있다. 또한, 설비 요인 품질 결함 예측 분석으로는 품질이나 결함을 예측할 수 있고, 품질 이상 관리 OCAP로는 품질 이상 원인 분석 및 대책에 대해 분석할 수 있다.

설비 센서 데이터 분석 기법 중 SAX 및 DWT 분석 기법 활용으로 센서 시계열 데이터 분석이 있다. SAX(Sym-bolic Aggregate ApproXimation trasfors) 기법 적용으로 시계열 데이터 전처리 및 비교 분석을 한다. 시계열 데이터의 값을 탐색하여 구간의 값을 알파벳 사이즈를 기준으로 심벌 형태로 변형하여 구간의 미세한 패턴 차이를 감지한다.

DWT(Discrete Wavelet Transfor) 분석 기법으로는, 수치해석과 기능함수 분석을 위해서 시그널 타입에 적용하는 웨이브렛 형태의 변환방식으로 웨이브 형태의 진동으로 변환하여 지진파나 심장파를 모니터링하는 방법이 있다.

센서 데이터로 패턴을 분류하고 DB화시켜 상관성을 분석하는 방법도 있다. 그중 시계열 센서 데이터 처리방법의 순서로 전처리 ETL 파싱 및 적재, 센서 데이터, 분석 데이터 가공, 유사한지 불일치하는지 패턴 탐색, 고장 원인을 센서에서 검출, 고장원인 패턴을 분류화하고 학습하는 것이다.

▲ 설비 상태/품질 결함 예측 분석 적용 예

시계열 센터 데이터 분석 중 설비 PM 예측 분석으로는 부품의 최적 수리 시기와 교환 시기를 예측할 수 있다. 예측 기법으로는 SQP로 Rule Repository 구현하는 규칙 기반 예측 모형과 데이터 기반 학습 모델을 개발하는 학습 기반 예측 모형이 있다.

기존 고난도 고장 진단 방법으로는 경험으로 얻은 데이터를 수치화한 것이 가장 많이 쓰인다. 예를 들어 자동차가 고장나면 이미 알고 있는 현상과 원인에 대해서는 DTC(Diagnostic Trouble Codes)가 있어 쉽게 대처할 수 있다. 그러나 DTC에서도 정의가 잘 되어있지 않은 현상에 대해서는 문제가 있는 차에 dLogger를 설치해서 데이터를 수집한다. 이 수집된 데이터를 기아차 연구소에서 분석해 원인을 규명하고 고장에 대한 정비를 한다. 분석하는 방식은 dLogger의 데이터와 정상적인 상태의 데이터를 비교하여 어떤 부품에 문제가 있는지를 찾아내는 것이다.

고난도 고장 진단 및 예측 시스템 제안 배경으로 자동차는 가속도 센서, 자이로센서, 유량센서, 압력센서 등 다양한 센서를 가지고 있는데 이것이 차량의 상태와 고장의 진단 등에 사용된다. 향후 자동차 센서는 점점 많아지고 통합되며 더 많은 기능을 제공하게 되었고, 이러한 현상이 빅데이터 축적 및 분석기술을 촉진하게 됐다. 기존의 분석기술과 빅데이터 분석기술의 차이점은 전체 데이터를 다 분석한다는 점과 Machine Learning과 같은 massive computation 알고리즘을 적용할 수 있다는 점이다. 특히 Machine Learning 기술을 활용하면 고장에 대한 영향을 파악하는데 획기적인 기여를 할 수 있다.

고난도 고장 진단 및 예측모델은 센서 데이터와 고객의 소리 데이터, 워런티 데이터 등을 조합하여 전처리한 후에 특징을 추출하고, 패턴 매칭으로 일차적인 고장을 진단할 수 있다. 그 결과를 가지고 고장진단을 학습한다. 학습된 결과를 knowledge base에 저장하게 되고, 이러한 과정을 반복하면 쌓인 고장 진단의 경험을 바탕으로 고장 예측까지 할 수 있게 된다. 또한, 현장에 있는 진단 요원의 숙련도에 의존하지 않고 기계적이며 자동화된 진단을 하여 진단요원의 고객 대응 능력을 높일 수 있다. 

정리 김연주 기자 (npnted@hellot.net)