Contents I 패턴분석 II Falkonry LRS III 사용방법 IV 적용사례 V 적용방안

Falkonry LRS 를활용한 패턴인식시스템 Jul. 2018 KOLON BENIT

Contents I 패턴분석 II Falkonry LRS III 사용방법 IV 적용사례 V 적용방안

1. 제조업의전통적분석 Ⅰ. 패턴분석 제조업의품질및설비고장이슈해결을위하여전통적분석을수행하였습니다. 전통적방식은 분석솔루션을활용하여분석가가설비또는생산데이터일부를활용하였습니다. * 요구사항에따른프로젝트발생 생산정보 설비정보 센서정보 검사정보이벤트 2. 분석솔루션 - 모델링 - 분석 & 대안제시 1. 분석가투입 - 현장 / 이슈이해 - 데이터수집 & 전처리 조건에한정된결과 à 적용범위및목적을 변경하기어려움 지속적인분석필요 à 적합한분석인력을 구하기쉽지않음 à 기간및비용의발생

2. Falkonry 패턴분석 Ⅰ. 패턴분석 패턴분석은복수의시그널값과변동정보를활용하여생산현장의많은 Insight 를분석할수있 습니다. 전통적분석방법과달리패턴분석을통해품질및설비이슈외다양한문제점해결에 활용할수있습니다. 생산정보 설비정보 센서정보 검사정보이벤트 * Falkonry LRS 를활용한패턴분석 패턴인식기법 à 특정시점의시그널값이아닌패턴을인지하고분석및활용함 다양한목적의활용 à 패턴이가진많은정보를활용하여다양한목적으로의활용가능

2.1 제조분야에서의패턴활용 Ⅰ. 패턴분석 운영데이터에숨겨진패턴은현장의많은문제를개선할수있는강력한지표로활용될수있 습니다. 그러나많은시계열데이터간에존재하는패턴을발견하기는쉽지않습니다. 패턴분석의특징 1 일시성을가짐 패턴은값의추이와시간정보를포함 품질, 수율등주요지표에영향을주는시그널정보를포함 상태의변화에대한전조신호로활용 2 다변수로구성 복잡한시스템을이해하기위하여복수의시그널에대한분석이필요함 복잡한시스템의예측에적합함 3 인지되어활용 복잡한형태로보여지나, 무엇을의미하는지발견하여야함 발견된패턴의활용으로문제해결에활용 맥킨지 & 컴퍼니는향후 20 % 의생산성증가가디지털분석에서발생할것이며머신러닝이가능한패턴인식은생산성향상에중요한역할을할것으로예측.

2.2 Falkonry LRS 를이용한패턴활용 Ⅰ. 패턴분석 자동으로발견한패턴에의미를부여하고, 이를토대로작업자에게상태의변화에대한전조증 상을알립니다. Analytical Model Learning Real-Time Good Early Warning Early warning Stoppage Good Downtime New behavior

3. 분석방법의비교 Ⅰ. 패턴분석 Falkonry LRS 는머신러닝기반으로자동으로패턴을생성하여현장담당자가다양한분야로의 적용및확대가가능합니다. 1 데이터분석 : 전통적분석방법 2 패턴분석 : Falkonry 분석방법 사용자 : 분석가 방법 ü 분석솔루션을활용한모델개발 ü 다양한분석기법을활용 특징 ü 분석과제를프로젝트화하여수행 ü 이슈별프로젝트발생 ( 분석가투입 ) ü 복잡한데이터유형에특화 사용자 : 현장담당자 방법 ü 패턴분석을통한 Insight 도출 ü 머신러닝을활용 특징 : ü 머신러닝학습을통한패턴자동생성 ü 이슈별분석가비용발생하지않음 ü 시계열분석에특화

Contents I 패턴분석 II Falkonry LRS III 사용방법 IV 적용사례 V 적용방안

1. Falkonry 소개 Ⅱ. Falkonry LRS Falkonry 는 2012 년설립한 Machine Learning 전문스타트업체입니다. 다양한산업군에 Falkonry LRS 를적용하여, 초기도입및높은연간갱신율로매출이급성장하고있습니다. 설립일 : 2012 본사 : Sunnyvale, CA 연구소 : Mumbai, INDIA 주요고객 LRS LRS LRS 비 1) Ready-to-use Time series machine learning Industry Partners: HP Enterprise, Microsoft Azure, AWS, Oracle, OSIsoft, SAP 비 1) LRS : Live Recognition System ( 실시간인지시스템 )

2. Falkonry LRS 특징 Ⅱ. Falkonry LRS Falkonry LRS 는현장담당자가쉽게사용할수있는시스템입니다. 현장담당자를위한시스템 쉽고빠른결과도출 데이터보안준수 디지털변환을위한전략적선택 www.falkonry.com

2.1 특징 > 현장담당자를위한시스템 Ⅱ. Falkonry LRS Falkonry LRS 는분석가도움없이스스로패턴인식을통해장애및품질불량예측과원인정보 를제공합니다. 별도의분석지식없이현장담당자가쉽게사용할수있는시스템입니다. 1. 패턴발견 2. 실시간모니터링 3. 예측과원인분석 4. 운영능력의향상 : 시그널들을활용한패턴 : 실시간데이터의 : 패턴변동에따른설비장애및 : 설비가동율및품질개선. 발견 ( 비지도학습 ) 패턴적용을통한알람구성 품질불량예측과주요인자분석. 관리기법선진화

2.2 특징 > 쉽고빠른결과도출 Ⅱ. Falkonry LRS 패키지형태의솔루션으로시계열데이터를활용하여자동으로패턴을인식합니다. 빠른처리 능력으로대용량데이터에대해서도빠르게처리합니다. 현장담당자가쉽게사용 빠른분석결과도출 현장전문가가사용하는시스템 ü 분석에대한배경지식이없어도현장담당자가바로사용가능 ü 현장을잘아는담당자가다양한범위로의쉽게확대가능 데이터전처리작업최소화 ü 현장의사용중인데이터를그대로활용 ü 데이터마트구성및표준화작업필요없음 모델생성후바로적용 ü 별도의모델자동화작업이필요하지않음 빠른데이터처리 ü Spark 기반의 In memory 데이터처리로모델생성을위한데이터처리시간이짧음

2.3 특징 > 데이터보안준수 Ⅱ. Falkonry LRS Falkonry LRS 는 Private Could 또는 On-premise 형태로적용할수있습니다. 고객사의현장 데이터를활용하여분석하지만 Falkonry LRS 에는데이터를별도보관하지않습니다. 엣지시스템적용 제어반 운영관리솔루션 데이터 On Premise 또는 Private Cloud 방식 자동화 / 현장담당자 현장시그널데이터 No Data Agent 데이터수집 평가예측 / 분석정보 LRS 현장데이터보관하지않음 평가를위한모델보관 현장담당자 운영엔지니어 공정엔지니어 제조엔지니어

2.4 특징 > 디지털변환을위한전략 Ⅱ. Falkonry LRS Falkonry LRS 는그자체가분석가의역할을담당하여작업자의경험과실시간패턴정보를활 용하여현장으로부터의 Digital Transformation 비 1) 을시작합니다. 생산정보 SCADA/PLC ERP CMMS MES Historian QC 2 현장담당자 Know-How 3 LRS Data Scientist-in-a-Box 예측 1 현장중심의변환 2 Know-How 자산화 3 지능화 설비정보 1 현장담당자중심 원인분석 현장중심의 Digital Transformation 비 1) 고객및마켓의변화에따라디지털능력을기반으로새로운비즈니스모델, 제품서비스를만들어경영에적용하고주도하여지속가능하게만드는것 ( 출처 IDC)

3. Falkonry LRS 머신러닝전문패키지 Ⅱ. Falkonry LRS Falkonry LRS 는상용화된제품으로현장에바로적용할수있는머신러닝솔루션입니다. Raw Time Series Signal Processing Normalized Signals Feature Learning Feature Vector Clustering Clusters /Labels Fusion Conditions / Signs / Unknown Classification Package Adaptation Feedback Automated feature learning + Semi-supervised learning + real-time processing

Contents I 패턴분석 II Falkonry LRS III 사용방법 IV 적용사례 V 적용방안

1. Falkonry LRS 적용방법론 Ⅲ. 사용방법 Falkonry LRS 는다음과같은 3 단계로현장담당자가현장에서적용합니다. Falkonry 적용방법론 Step 1: 모델생성 시계열데이터 Step 1 데이터입력 : 기존의시계열데이터 Unsupervised Learning: Falkonry LRS 에서초기모델생성 Falkonry LRS Model Fact Step 2 Step 2: 모델고도화 Fact 데이터입력 : 패턴시점의작업 /Event 이력등록 Semi-supervised Learning: Fact 데이터를포함한학습 반복학습을통한모델고도화 Step 3: 운영 예측및분석 Step 3 실데이터연동 : 실데이터연동을통한운영환경적용 예측및분석 : 정확한예측을통한사전알림및원인분석

2. 사용방법 : 1 단계 > 모델생성 - 패턴인식 Ⅲ. 사용방법 현장에서관리하던시계열데이터를시스템에업로드하면, Falkonry LRS 가자동으로패턴을 분석합니다. 패턴인식 : 시그널기준으로패턴을구분함. 2 데이터업로드 : 설비, 생산정보시계열데이터 1 ( 온도, RPM, 전류등 )

2. 사용방법 : 2 단계 > 모델고도화 패턴학습 Ⅲ. 사용방법 현장담당자는시스템이인식한패턴에대해그시점에어떤이벤트가있었는지시스템에정의 (Labeling) 합니다. 작업일보나 MES 를활용하여정확한이벤트를입력합니다. 인식된패턴 패턴정의 (Labeling) : 인식된패턴에대하여정의함 ( 현장담당자가패턴을해석하고및정의함 ) 1 고장 전조증상 유지보수 패턴정의조회 : 2 현장담당자가인식된패턴에이벤트 ( 이력, 장애, 작업정보등 ) 를기록함

2. 사용방법 : 2 단계 > 모델고도화 - 반복학습 Ⅲ. 사용방법 현장담당자의입력정보 ( 이벤트, 경험치 ) 를참조하여 Falkonry LRS 는반복적으로학습합니다. 반복적인학습으로모델을고도화합니다. 입력된라벨 ( 이벤트 ) 패턴재정의 : 현장담당자의라벨입력후재분석하여패턴을재정의함 예제 정상 학습구간

2. 사용방법 : 2 단계 > 모델고도화 - 검증 Ⅲ. 사용방법 기존데이터를활용하여모델을학습하고, 다른구간또는실시간운영으로검증합니다. 학습 : 기존데이터를활용하여학습 1 검증 : 2 학습된모델을기준하여기존데이터또는실시간데이터를검증 학습구간 검증구간

2. 사용방법 : 3 단계 > 운영 - 원인분석 Ⅲ. 사용방법 구분된특정패턴에대해영향을주는인자를표시합니다. 이를통해문제에대한주요원인을 확인할수있습니다. Edge_A1 Edge_A2 Edge_A3 Edge_A4 Edge_A5 Machine_01 Machine_01 이벤트상세 : 패턴을클릭하여패턴의상세정보를조회합니다. Edge_A1 Edge_A2 Edge_A3 Edge_A4 Edge_A5 Edge_A6 Edge_A7 Edge_A8 Edge_A9 Edge_A0 Edge_B1 Edge_A1 Edge_A2 Edge_A3 영향요소 : 이벤트에영향을미치는시그널과연관도를표시 - 양수 : 패턴에영향 - 음수 : 타패턴에영향 Edge_B2 Edge_B3 Edge_B4 Edge_B5 Edge_B6 Edge_A4 Edge_B7 Edge_B8 Edge_A5

Contents I 패턴분석 II Falkonry LRS III 사용방법 IV 적용사례 V 적용방안

1. 산업별사례 Ⅳ. 적용사례 Falkonry LRS 적용을통하여생산최적화, 생산량, 품질및수율이개선되었습니다. Oil & Gas Operations 셧다운조기감지 이상패턴에대한실시간알람 Chemical Manufacturing 배치공정의품질평가 설비상태모니터링 Power & Energy Operations 전력전자장치의고장분류 분산된자산모니터링 Mining Production 실시간생산량조정 설비상태의패턴발견 Semiconductor Manufacturing 장비의예방보전 설비가동율최적화 Automotive Manufacturing 조립공정에서의편차감지 용접공정에서의실시간품질평가

2. 주요사례 > 1 자동차산업 Ⅳ. 적용사례 토요타용접공정에적용한사례입니다. 예측분석기능을활용하여, 공정내품질불량을사전에 알려품질결함밎재작업이감소되었습니다. 고객사 Kawasaki Robostage ( 일본 ) 자동차제조사. 현황 연간 10만여대생산 라인내 100여대의용접로봇 용접품질개선 적용 효과 용접품질변동에따른패턴을분석하여, 조기경고를발생시킴 용접품질개선 제품결함감소및재작업감소

2. 주요사례 > 2 자동차부품 Ⅳ. 적용사례 Wire Bend 생산설비에적용하여제품품질을개선하였습니다. 고객사 TOYOTA Industries ( 일본 ) 현황 자동차부품 (Wire Bend) 생산 품질개선 적용 효과 자동화된생산설비에적용 생산시점에서의품질편차식별 품질개선 조기불량감지및대응을통한수율향상및생산 Loss 감소

2. 주요사례 > 3 Mining Ⅳ. 적용사례 채광산업에서공정내원자재품질을분석하여설비의파손에따른설비교체와비가동중단의 문제를해결한사례입니다. 고객사 CINER ( 터키 ) 현황 연간 $ 500M 수익광산회사 가동율개선 적용 효과 원자재상태변동확인 3단계의경보제공 (10시간전) 생산속도조정으로가동율개선 생산성개선 ($1.4 million / month) 설비고장에따른자재손실감소

2. 주요사례 > 4 반도체 Ⅳ. 적용사례 Etching 공정에사용한사례입니다. FAB 설비의 downtime 과제품품질을개선하였습니다. 고객사 Western Digital ( 미국 ) 현황 Global 반도체제조업체. 복수 FAB설비에 100여가지 tool 존재 FAB 설비 OEE 개선 적용 효과 On-premise 방식으로구축하여, 유지보수및교정주기알림 가동시간및설비종합효율 (OEE) 개선 불필요한보수및비가동시간감소 5~10% 의 Throughtput 개선 5% 의 scrap 감소

2. 주요사례 > 5 전력설비 Ⅳ. 적용사례 현장에설치한제품에적용하여, 고장이후보수에필요했던비용을절감하였습니다. 고객사현황적용효과 전력설비업체 Global 전력설비업체 현장의문제발생에대한복구로수일소요 1000여대의설비의고장추적및이벤트관리 Falkonry LRS Edge 적용 A/S 비용절감 현장에설치된설비의고장발생전알림을통해, 유지보수비용절감 A/S 비용절감

Contents I 패턴분석 II Falkonry LRS III 사용방법 IV 적용사례 V 적용방안

1. Falkonry LRS 판매방식 Ⅴ. 적용방안 Falkonry 는 2 단계의제품판매방식을지원합니다. POV 를통한단기구매로한정된범위에서의 Falkonry LRS 를검증합니다. 이후연간구매및갱신을통한확대적용을권장합니다. 식별문제에대한 해결할문제의정의 이슈에따른현재의손실비용 평가준비상태에대한 모델링 Pilot 을통한 데이터수집방법과유관시스템 (Historian 외 ) 데이터범위및우선순위 성공을위한평가기준 ( 머신러닝을위한 ) 과거이력데이터제공 식별된패턴시점에대한이벤트입력 ( 정상동작, 고장등 ) 한정된범위에서의 Pilot 적용 POV Subscription 계약 적용 Pilot 결과에대한 운영을통한모델검증 ( 경고및이벤트확인 ) 반복된모델링을통한정확도개선 적용범위확대