대한기계학회 2017 년도학술대회 KSME17-Th16B002 조선해양 IoT, 빅데이터분석플랫폼설계및구현 조이상 * 신동민 천승태 ** Shipbuliding IoT, Design and Implementation of Big Data Analysis Platform LeeSang Cho, Dongmin Shin and Seungtae Chun Key Words: Shipyard( 조선소 ), Big Data( 빅데이터 ), IoT( 사물인터넷 ), Machine learning( 기계학습 ). Abstract The combination of Internet of Things and Big data in the shipbuilding industry can be used in various processes and facilities. Especially in Korea, although many shipyards collect and integrate data in real time, it is difficult to find actual use cases. In addition, efficient analysis is also difficult since data collection and analysis is performed through multiple platforms. In this study, it is expected that the analysis result can be applied in the overall field of shipbuilding marine industry by constructing an integrated platform that can receive and analyze the various equipments and worker s data used by shipyards through IoT devices. 1. 서론 조선해양산업은배의설계에서생산그리고 운항까지의생명주기를통틀어다양한공정과설 비가존재한다. 생산의경우선박수주, 개념설계, 초기설계, 선체설계, 의장설계, 모형실험, 강재전 처리, 마킹, 강재절단. 곡작업, 배재작업, 취부작 업, 용접작업, 소조립, 중조립, 대조립, 검사작업, 선박도장, 터치업, 족장, 선대탑재, 도크탑재, 진 수, 안벽계류, 시운전등다양한공정작업을거 치게된다. 여러공정작업중생산공정에서는 다양한정형 / 비정형형태의데이터들이발생하고 이데이터를통해 높은효율의생산력향상을 기대할수있다. 본연구에서는데이터활용방 안으로 IoT 플랫폼과이를위한빅데이터플랫 폼을사용하였다 [1]. IoT 플랫폼과빅데이터플랫폼은조선해양산 E-mail : dmshin@datastreams.co kr TEL : (02)3473-9077 FAX : (02)3473-9084 * DataStreams Corp. ** DataStreams Corp. 업의새로운도약모멘텀을확보하고 SW중심의서비스개발을위해필수적이며다음과같은데이터통합, 수집 / 저장을위한기반기술이필요하다 []. Ÿ Shipyard의기보유정형데이터융합을위한데이터통합및 ETL 기술. Ÿ 지능화된빅데이터서비스제공을위한기계학습및통계분석기반의조선해양데이터분석모델 Ÿ 실시간데이터분석을위한조선해양에적합한실시간스트림데이터시각화모델및시각화분석기술 Ÿ 다양한비즈니스적용을위한빅데이터활용프레임워크 SW 기술국내의조선해양분야에서도 IoT / 빅데이터를활용하는다양한활동들이있지만, 실제적용사례는미비한편이다. 현대중공업은선박장치를유무선네트워크로연결하는 SAN(Ship Area Network) 기술개발과선박에서실시간으로획득한정보를활용해선박의운항이나안전효율을향상시키는 Smart Ship 2.0 2701
을개발했다 [2]. 대우조선해양은빅데이터를활용하는스마트서비스시범사업으로선박신수요예측플랫폼및선박 MRO(Maintenance, Repair & Operation) 서비스를추진했다 [3]. 삼성중공업은선내 육상에서선박운항상태를감시 분석 관리가능한 SAMS(Ship Administration & Management System) 과 CAD 시스템및공정에서계측한치수정보를융합한치수품질제어및관리시스템을개발했다 [4]. 이외에도여러중소기업에서틈새시장의공략을위한특화솔루션및응용서비스를개발했다 [5]. 이와같이대형조선소를중심으로 IoT / 빅데이터를활용한 ICT SW융합을추진하였으나, 대부분이일부공정과제품적용의한계로효과가제한적인추세이다. 본연구는이러한조선해양산업의 IoT / 빅데이터의분석플랫폼을제안해통합된분석플랫폼환경과다양한인사이트를적용하려한다. 본연구에서제안하는분석플랫폼은생산, 운용과정에서발생하는정형 / 비정형데이터의분석을통해생산력의향상과조선해양의경쟁력을근본적으로향상시킬것으로기대된다. 2. 조선해양 IoT 빅데이터인프라 IoT(Internet of Things) 는지능화된사물들이인터넷에연결되어네트워크를통해사람과사물, 사물과사물간에상호소통하고상황인식기반의지식이결합되어지능적인서비스를제공하는글로벌인프라이다 [6-8]. 조선해양산업의 IoT 빅데이터인프라의경우그림 (Fig. 1) 과같이크게세계층으로구분할수있다. 첫번째는조선생산공정과배운항의유지보수에산재하는수많은센서, 엑츄에이터, 디바이스와같은물리적장치들을담당하는계층이다. 두번째는앞의물리적장치들을서로연결하는게이트웨이 / 네트워크인프라계층으로각각의물리장치에서생성되는모든데이터를모아주는통로역할을한다. LAN, RFID, ZigBee, Wifi, Bluetooth와같은무선통신에서 WCDMA, LTE와같은이동통신기술이사용되며 REST, XMPP, CoAP, MQTT등다양한프로토콜을지원한다. 세번째는네트워크를통해수집된데이터를통합, 분석, 처리, 시각화를담당하는어플리케이션 / 서비스계층이다. 수집데이터를대상으로플랫폼기반의다양한산업용어플리케이션및서비스가운영된다 [ 이미정 ]. 본연구는이러한조선해양 IoT 빅데이터인프라를구축하기위해데이터수집부와분석플랫폼을설계및구현하고조선해양산업의생산력증대를위한인사이트를제안한다. 3. 분석플랫폼설계및구현 3.1 데이터수집 IoT 빅데이터인프라에서데이터의수집은이후어플리케이션및서비스단의분석결과와성능을결정짓는중요한역할을한다. 본연구는조선해양산업에산재되어있는수많은 IoT 단말의데이터를수집하기위해기개발된데이터수집솔루션 TeraStream BASS를사용했다 [ 베스 ]. Fig. 1 IoT 빅데이터인프라구조 Fig. 2 TeraStream Bass 아키텍쳐 2702
BASS 는 BDI(BASS Data source Interface) 라는 인터페이스모듈을각디바이스에포함해 BASS 저장 / 검색서버에고속으로데이터를전송한다. BDI 를통해전송된데이터는 BASS 의 Memory Cluster 와 Hadoop HDFS Cluster 에고속으로인덱 싱되어저장된다. 기본적으로수집된데이터는 1 차적으로 Memory Cluster 에저장되는데데이터는 Slave Node 에할당받은 1 개의 Memory Block 에분산 되어저장된다. 전체적으로하나의블록단위로데이터를할당 받게되므로 BDI 를통해전송되는데이터는전 체노드에분산저장되게된다. BASS 는 BDI 를통해 RDB 뿐만아니라각각의 장비에연결되어고속의실시간데이터수집이 가능하다. 3.2 데이터분석플랫폼본연구에서제안하는데이터분석플랫폼은 웹기반으로된서비스와분석플랫폼으로나뉜 다. 웹서비스를통해사용자는분석하고자하는 데이터, 모델, 기계학습방법을설계하고 Thrift 방 식으로데몬을실행시켜분석엔진을동작시킨 다. 모듈을실행한다. 4. 작업내용읽기 : DB Library를통해 Repository 에저장된작업정보를읽는다. 5. 분석작업실행 : Engine 모듈실행시필요한설정을스크립트로생성하고데이터분석을실행한다. 6. 데이터읽기 : Source 종류에따라매트릭스구조의메모리에서별도의 Data Interface모듈을통해데이터를읽는다. 7. 분석결과저장 : 분석을통해도출된데이터를분석하고결과를저장한다. 8. 진행상황모니터링 : 실행중인 Engine 모듈의상태를모니터링한다. 9. 실행결과저장 : Engine 모듈의실행에대한실행시간, 소요시간, 성공 or 실패, 기타등의실행결과를 Repository에저장한다. 10. 결과로그읽기 : 로그는실시간으로읽어시각화한다. 11. 결과작성 : 다양한차트를사용하여그래프, 도표등분석결과를작성한다. 12. 결과확인 : 사용자가최종적으로분석결과를확인한다. 3.3 분석모델분석플랫폼에서사용되는데이터모델은그림 과같이제시된다. Fig. 3 조선해양빅데이터분석플랫폼그림 (Fig. 3) 은본연구에서제안하는데이터분석플랫폼의구조와동작방식이다. 1. 분석작업실행 : 분석하고자하는내용을작성하여실행하며분석할데이터의위치, 모델링, 결과저장위치등의설정을진행한다. 2. 작업내용저장 : 사용자로부터작성된작업내용을 Repository에저장한다. 3. 분석작업요청 : Thrift 를통해명령실행하고 Daemon은 Thrift Server를통하여 Engine( 분석 ) Fig. 4 분석모델생성아키텍쳐먼저수집된데이터는사용자의설계에의해전처리된다. 전처리에사용되는도구는사용자가직접설계하거나미리적용된다양한케이스에적용할수있다. 본연구에서는전압사용량예측을위한 RNN 모델과직군분석을위한비지도학습모델인 K-Means를사용하여 IoT장치로부터수집된데이터를분석하였다. 2703
3.4 시각화통합된빅데이터저장및분석모델생성을위하여실시간으로수집되는데이터에대한질의 (SQL) 를할수있다. 아래의그림 (Fig. 5) 은실시간으로들어오는데이터의패턴을볼수있는다양한차트를보여준다. 4. 조선해양분석인사이트 4.1 직군분석장치로부터수집된데이터로부터작업자의패턴을군집화하여직군을분석하기위하여다음과같은전처리과정을거친다. - 작업자별아크발생총합 ( 일 ) - 작업자별전압사용총합 ( 일 ) - 작업자별전류사용총합 ( 일 ) - 작업자별와이어송급속도총합 ( 일 ) 전처리과정후모델학습을위한최종데이터 구조는아래와같다 Table 1 직군분석 - 학습데이터스키마 Fig. 5 실시간데이터조회화면또한, 분석모델생성을위한웹화면을제공하며선택된설정값을바탕으로 Python 코드 Generator 및 Editor를통하여단일화된환경에서학습모델을생성할수있다. Input Lable Worker s ID Arc Voltage Ampere wire Block ID Worker s ID Group ID ID ID Fig. 6 분석모델생성화면 유클리디언거리최소화를이용한 K-Means 비지도학습법으로데이터분석결과실제작업자직군 (Fig. 8) 과분석결과화면 (Fig. 9) 이약 90% 의유사율을보인다. 직군분석을통하여실제투입된작업자와분석된직군과비교하여효율적인작업자운영이가능하다는것을보여준다. 모델을생성후훈련데이터를통하여모델을 학습시키며, 학습된모델을통하여실시간데이 터를분석할수있다. Fig. 8 실제작업자구분 Fig. 7 분석모델훈련화면 2704
조선해양에서의사용량예측은전압 / 전류 / 와이어송급속도등다양한예측이가능하며, 전체사용량은작업일정과도밀접한관계를가지고있어추가적인정보과함께작업진행률을예측할수있다. 5. 결론 Fig. 9 직군군집도분석결과 4.2 사용량예측시간단위의전압사용량예측을위하여 IoT 장치로부터각작업자의작업데이터를수집하여아래와같은전처리과정을진행하였다. - 전압사용총합 ( 분 ) - 전류사용총합 ( 분 ) - 와이어송급속도총합 ( 분 ) Table 2 사용량예측 - 학습데이터스키마 본연구에서는조선해양분야에서의특화된데이터수집 / 분석을위하여통합된데이터분석플랫폼에대한아키텍쳐를제시하였다. 또한, 다양한데이터분석모델을플랫폼에적용하여, 데이터분석및예측을보다정확하고효과적으로할수있다. 추후연구에서는분석모델의추가및용접기, 크레인, 트랜스포머등에설치된 IoT 장치로부터데이터를수집하여전체공정에대한일정분석및소 / 중장비의고장예측등의연구를진행할계획이다. 후기 Input Lable Hour Arc Voltage Ampere wire Block ID Worker s ID Group ID ID 다양한분야에서의빅데이터분석이활발하게이루어지고있으나, 실제데이터의활용까지는많은연구가필요하다. 특히기연구된여러모델에대한적절한사용을위하여데이터에대한도메인분석 / 전처리부분에서의전문적인연구가더욱활발하게진행되어야할것으로보인다. RNN(Recurrent Neural Network) 을이용한전력사용량예측으로, 실시간으로 IoT장치로부터수집된데이터로모델을생성하고매시간모델에학습데이터를추가한다. 아래그림은실제시간별전압사용량 ( 왼쪽 ) 과예측된전압사용량 ( 오른쪽 ) 을보여준다. 감사의글 이논문은 2017년도정부 ( 과학기술정보통신부 ) 의재원으로정보통신산업진흥원의지원을받아수행된연구임 (S0604-17-1006, 조선해양 IoT, 빅데이터인프라기술개발 ) 참고문헌 Fig. 10 전압사용량예측비교 (1) Hang, Z. H. U., C. A. O. Lai-jiang, and Z. H. U. Guo-sheng., 2012, "Review of the IOT 2705
Technology Application in Shipbuilding Industry," Marine Technology, Vol. 6, No. 4. (2) Sharma, Ronesh, and Seong Ro Lee., 2013, "Smart ship container with M2M technology," The Journal of Korean Institute of Communications and Information Sciences, Vol. 38, No. 3, pp. 278~287. technology trends and Splunk as big data platform, MDS Technology, (http://www.oss kr/oss_repository14/629584) (3) D. H. Lee, J. H. Park, and H. R Bae, 2013, "Comparison between planned and actual data of block assembly process using process mining in shipyards," Journal of Society for e-business Studies, Vol. 18, No.4, pp.145~167. (4) K. S. Han, S. C. Han, and J. H. Park, 2013, "Application of IT convergence in shipbuilding and offshore plants," Journal of the KSME, Vol. 53, No. 11, pp. 48~53. (5) C. H. Ryu, J. K. Shin, J. H. Hwang, S. R. Jang, W. D. Kim, and H. K. Kim, 2013, "Architectural design of smart shipbuilding production execution system," Bulletin Of The Society Of Naval Architects Of Korea, Vol. 50, No. 2, pp. 5~11. (6) W. S. Jeong, S. H. Kim, and K. S. Min, 2013, "An analysis of the economic effects for the IoT industry," Journal of Internet Computing and Services, Vol. 14, No. 5, pp. 119-128. (7) M. S. Choi, W. K. Ha, S. M. Kim, 2013, "Situation diagnosis and scenario of hyper-connected society based on Ambient IoE," IT Issuereport of ETRI Vol.12. (8) C. S. Pyo, H. Y. Kang, N. S. Kim, H. C. Bang, 2013, "IoT (M2M) Technology Trends and Prospects," The Journal of The Korean Institute of Communication Sciences, Vol. 30, No. 8, pp. 3~10. (9) M. J. Lee, 2015, Industrial IoT market and 2706