IoT 에기반한 Big Data 분석에서의 RTEWS BEGAS CORPORATION., 2015 All rights reserved
Table of Contents 1. Smart Factory 2. IoT 3. Big Data 4. RTEWS 적용사례
1. Smart Factory 무인화, 지능화, 자동화미래의모습을 Smart World 라하고, 각산업에서새로운서비스가속속등장하면서사람들에게쉽고편리한서비스를소개하고있다. Smart Health care Smart Factory Smart City Smart World Smart Home Smart Car
1. Smart Factory Smart Factory 란기계또는시스템에의해자동으로감지 (Sensor), 판단 (Control), 수행 (Actuator) 되는인공지능형자동생산체계를의미한다. 판단결과가생산현장에반영되어수행되는기능 수행 판단 생산과연관된이벤트가감지되어유의미한정보로관리되는기능 제품의품질변동, 생산조건변화, 재고위치변경등 감지 감지된생산현황정보에의거한의사결정 ( 작업지시 실행등 ) 감지정보와의사결정간에매핑 (mapping) 정보가업무기준으로사전에정의되어있어야함 1
독일은 industry 4.0 을통한미래제조업시장을구상하고있으며, 미국과일본또한제조업의중요성을재조명하며경쟁력강화를위한기술개발을적극지원하고있다. 1. Smart Factory
1. Smart Factory Industry 4.0 은기계와사람, 서비스가상호연결되는지능형생산체계로 네트워크화 를통한 Smart Factory 를만드는것을핵심으로한다. 산업혁명의단계별특징
1. Smart Factory Smart Factory 는 IoT/ IoS 의기술로인간의개입을최소화하고기계스스로가제어하는인공지능형의자동생산체계를의미한다. Source : DFKI( 독일인공지능연구소 ), 2011
1. Smart Factory Smart Factory 는 IoT/ IoS 의기술로인간의개입을최소화하고기계스스로가제어하는인공지능형의자동생산체계를의미한다. Reversed Service Logic Machine Material Material Machine
1. Smart Factory Smart Factory 는 IoT/ IoS 의기술로인간의개입을최소화하고기계스스로가제어하는인공지능형의자동생산체계를의미한다. Customized Product for Only One Person
2. IoT IoT 란고유하게식별가능한사물 (Things) 이만들어낸정보를인터넷을통해공유하는환경을의미한다. 2014 년브라질월드컵에서사용한골컨트롤 IOT 스마트디바이스의방향성을제시한 Nest Thermostat
2. IoT Gartner 는 11 년부터 하이프사이클 (Hype Cycle) 에사물인터넷을포함시켰고, 센서의보급확대, 통신기술의진화, 클라우드컴퓨팅의대두등 IT 기술의진화추세와맞물려미래새로운차원의서비스및시장가치를창출할것으로전망된다. 2015 Hype Cycle Citizen Data Science Internet of Things Big Data Machine Learning 2 ~ 5 년내에생산성안정단계에도달 5~10 년내에생산성안정단계에도달 기술촉발 부풀려진기대의정점 환멸단계 계몽단계 생산성안정단계
2. IoT IoT 의기술요소는 1) 센싱, 2) 연결, 3) 분석 4) 서비스로이루어져있다. 사물인터넷구성요소 필요한사물이나장소에센서를부착하여정보를획득하고, 실시간으로정보를전달하는기술 센싱 연결 사물이인터넷에연결되도록지원하는기술 ( 예 : IP 를제공하거나, 무선통신모듈을탑재하는방식 ) 사물인터넷을구성하는요소들을서비스및애플리케이션과연동하는역할을수행 서비스 분석 센서에서수집된정보를활용하여서비스목적에부합되도록분석수행
3. Big Data Big Data 는현재분석고도화단계를거치고있으며, IoT 의기술과함께지능화 / 자동화 / 최적화단계로발전할것이다. 현재 Big Data 1.0 Big Data 2.0 Big Data 3.0 단계별주제 Infra 구축 분석고도화및 ICT 융 복합 지능화 / 자동화 / 최적화 핵심내용 Platform (Data수집장치, Data 가공 / 처리기술등 ) Hadoop 등오픈소스기반 Vendor 주도의처리용량 / 속도경쟁 Advanced Analytics 고객의 Big Data 활용에따른실질적가치검증요구증대 Big Data 와 M2M/Io T, Cloud, 모바일등과의접목을통한신규 Biz/Service Model 창출 인공지능 (AI) 을활용 한복합 Rule 기반기 계자율제어 기계학습, 최적화 초연결 Industry 4.0 (SmartFactory) 디지털기회선점을위해관점을바꿔라,SK C&C 이원석상무, CIO Summit 2015
3. Big Data Big Data 와 IoT 연계로인해, 기존의 Reactive, Proactive 대응을넘어 Prescriptive 대응으로진화발전할것이다. Big Data 도입전 Big Data 와 IoT 연계전 Big Data 와 IoT 연계후 공정운영모니터링 예측기반 Proactive 대응 단위업무최적화 Industry 4.0 (Smart Factory) M2M 기반실시간공정운영모니터링, 원격제어 SHE (Safety, Health, Environment) 관제 SQL, OLAP 분석 설비건강도체크, 설비장애예측을통한예지정비 불량 Map 패턴자동분류및원인 Par ameter 자동탐색 통계, 데이터마이닝분석 구매, 생산, 물류, 판매각단위업무별최적화 수율예측및최적수율 Path 시뮬레이션 시각화분석강화 전사정보의실시간통합및공유 전사최적화및공정운영자동화 공정 / 설비간양방향정보전달, 복합 Rule 기반제어 인공지능을활용한복합 Rule 기반기계자율제어
3. RTEWS 적용사례 IoT 에기반한 Big Data 분석에서는센서데이터및생산공정데이터를활용한분석이핵심이며, 아래와같은분석프로세스에맞춰분석한다. Data Source Data Signatue Data Analysis 센서데이터 others 시스템데이터 생산공정 Raw Data Data Mart - Raw Data - 요약및분석 Data PRE PROCESSING EDA Sensor Data Analysis - 이상치처리 - 결측치처리 - derived variable 생성 - 자료정합성검토 - 자료의분석타당성검토 - 데이터유의성검증 - 센서간상관분석 - 주요영향인자추출 - 패턴추출및분류 Data Visualization 담당자 / 관리자 보정 Mode Update 생성 정상 Early Warning Analysis - 패턴인식 - 관리선설정 - Alarm Rule 생성 - 원인인자분석 모델검증 Model Evaluation - 모형예측력평가
Data Stream 3. RTEWS 적용사례 IoT 에기반한 Big Data 분석에서는센서데이터및생산공정데이터를활용한분석이핵심이며, 아래와같은분석프로세스에맞춰분석한다. Data Sources Traditional Data Strategic Seonsors ETL DW BI SYSTEM DBMS Tactical Real-Time Streaming Data In-Memory Streaming Data Store External Data Operational Real-Time 모니터링
3. RTEWS 적용사례 : 패턴인식 패턴인식은생산설비 Sensing Data 와계측 Data 의통계량뿐만아니라 Raw Data 의 Pattern 을인지하고모형화함으로써, Pattern 변화 Monitoring 을가능하게한다. 여러원인분석에서통계량으로원인을찾기어려운경우가있어, Raw Data의 Pattern을모형화해야할필요가있었음 에너지절감분석및불량원인분석에서 Raw Data의 Pattern을활용하여원인인자를탐지하였고, Big Data 분석 Platform 을활용한 Monitoring을실시중 [ 패턴인식프로세스 ] 데이터변형 Pattern 을형성 Pattern 진단및평가 Monitoring 기준생성
3. RTEWS 적용사례 : 전력패턴분석 패턴인식은생산설비 Sensing Data 와계측 Data 의통계량뿐만아니라 Raw Data 의 Pattern 을인지하고모형화함으로써, Pattern 변화 Monitoring 을가능하게한다. Parameter Value 분석 Parameter 와전력 Pattern 분석 1) 전력과 PROCESS TIME 의상관분석 : PROCESS TIME 이긴 ITEM 일수록소비전력이큼 Time 1000 초이상 소비전력 1 그룹 2 그룹 Time 2) 평균소비전력과 Parameter 와의상관분석 1 평균소비전력과 Parameter Value 가순차적이지않음. 2 ITEM 별전력 Pattern 이상이하게나타남. [1 그룹 ] [2 그룹 ] [ 평균소비전력사용량에따른 Para 비교 ] [Para 와전력비교 ]
3. RTEWS 적용사례 : Alarm Rule 생성 이상 Pattern 을예측하는 Alarm Rule 을생성하고평가기준을마련 [Alarm Rule 정의 ] [Alarm Rule 생성과정 ] 1 정의 평가기준 : 주어진기간동안, 이상이발생할것인지를예측하는 Rule 2 수립기준 : 최근 K 개중 k 개의 Spec. Out 수 ( 예 : 5 개중 4 개 ) Alarm 상태발생발생미발생 이상 Type Ⅱ Error 정상 Type Ⅰ Error [ 예 : 사고발생예측 Alarm] 장애발생예측구간 Type 1 Error : False Alarm Type 2 Error : 이상을감지못한누출 (MISS) Spec. 최근 5 개중 4 개 Spec. Out K k 1 2 3... 99 100 1 3 평가기준 Alarm 발생 장애 - 누출율 : 이상이발생했음에도사전에 Alarm 이울리지않은비율 - FAR : Alarm 이울렸지만, 실제로는이상이발생하지않은비율 2 3... 99 100 가중치가적용된 TypeⅠ Error + Type Ⅱ Error 가가장작은 K, k 조합을찾는다
3. RTEWS 적용사례 : 차량센서분석 차량센서데이터분석에서는센서간상관분석을통해후보영향인자를추출하고패턴인식알고리즘적용을통하여품질정상시계열패턴으로부터효율적인 Health Indicator 를추출한다. 1 품질후보영향인자선정 차량품질유형별후보영향인자분류 상관분석및주성분분석을통한단변량 / 다변량품질후보영향인자추출 2 품질정상패턴선정 진행시간 / 이슈기준이상치제거 시간과이슈를기준으로대상 Trend 선정 대상 Trend 기준동적시간정합화및 Robust 통계량을활용하여정상패턴설정 3 후보패턴인식알고리즘적용 1 2 차량내센서 - 특징벡터추출 - 상관분석및 raw data 주성분분석 차량들간센서 summary data - 퓨리에계수 - 웨이브릿계수 - 차량별정상 Trend 선정 Time 길이의불균형발생 - Time 불균형제거 품질유형별단변량 / 다변량후보영향인자추출 품질정상패턴설정 K Nearest Neighbor Analysis 구조적특성을고려한 Hotelling's T 2 Analysis Wavelet analysis 분석후 wavelet 계수들을이용한 T 2 Analysis 등 3 다수의패턴인식알고리즘적용 4 설명력이높은알고리즘적용 4 설명력이높은패턴인식알고리즘설정 설명력지표 ( 이슈를얼마나잘대변하는지를확률 / 수치화하여표현 ) 가높은패턴인식알고리즘을선정함 - 설명력지표는이슈의유형에따라다양한지표가존재함. Health Indicator 추출
ARE YOU A DIGITAL HUMAN?