스마트 제조

베스트 프랙티스 컨퍼런스

Microsoft가 전망하는

제조산업의 스마트 팩토리

한국마이크로소프트

황은하 이사

Ways to enable your intelligent manufacturing transformation

제조산업의 스마트 팩토리

Field Service – Security Assessment

Sandvik Coromant is part of the Sandvik Group, a global engineering organization that produces machining tools and tooling systems for the manufacturi

ng industry. It has built up decades of industry knowledge within its workforce that it wants to digitize so that it can be analyzed and fed back into its cust

omers’ manufacturing processes to optimize shop-floor efficiency. It has teamed up with Microsoft to create a predictive analytics solution based on the Mic

rosoft Azure IoT (Internet of Things) Suite and Microsoft Cortana Intelligence Suite. This solution integrates people, machines, tools, materials, orders, storag

e handling, scheduling, and Microsoft Dynamics 365 for Field Service capabilities to empower customers to make the best possible business decisions.

Business NeedsSales management

CountrySweden

IndustryProcess Mfg& Resources

SizeEmployees: 8,500

TechnologiesAzure Internet of Things SuiteAzure Machine LearningAzure Streaming Analytics

Cortana Intelligence SuiteDynamics 365for Field Service

제조업의 빅데이터 분석 사례 및활용 전략

데이타솔루션 허 혁

Contents

1. What is the issue in the industry?

2. The Effects of Big Data on Corporate Expectations

3. Value of data

4. Data Type and Predictive Analysis

5. Predictive Analysis Process

6. Big Data Analysis Use Case

7. Essential elements for big data analysis

8. Cloud Analytics Service? (Managed Analytics as a Service: 가칭)

What is the issue in the industry?

The Effects of Big Data on Corporate Expectations

▪ 빅 데이터의 도입을 통해 기업이 추구하려는

성과를 살펴보면 49%의 응답자가 빅 데이터

도입목표를 ‘고객 중심적 성과’ 라고 응답

▪ 즉 , 기업들은 빅 데이터가 고객 행동에 대한

이해와 예측능력을 높여주고 , 이를 통해 고객

경험을 개선해 줄 것으로 확신하고 있음

▪ 그 외에 운영 최적화를 언급한 응답자도 18%에

달했고, 위험/재무관리, 신규 비즈니스 모델 개발,

직원 협력 등을 빅데이터 도입 및 분석 목표로

언급하였음

Value of data

Data

Information

Knowledge

Value

➢ 수익/매출 증대

▪ 고객만족▪ 수익성 / 로열티 높은 고객

확보▪ 마케팅 효과 증대▪ 의사결정 지원

➢ 신규 비즈니스 창출

➢ 비용절감

▪ 마케팅 비용 절감▪ 유지보수 비용 절감▪ 설비수명 증대▪ 품질 향상

Data Type and Predictive Analysis

Predictive Analysis Process

BusinessUnderstanding

✓ 업무 목표 수립

✓ 현재 상황 평가

✓ 프로젝트 목표 수립

✓ 프로젝트계획 수립

DataUnderstanding

✓ 초기 데이터 수집

✓ 데이터 기술

✓ 데이터 탐색

✓ 데이터 품질 검증

DataPreparation

✓ 데이터 설정

✓ 데이터 선택

✓ 데이터 정제

✓ 데이터 생성

✓ 데이터 통합

✓ 데이터 형식 적용

✓ 변수 생성

✓ 변수 유의성 검증

Modeling

✓ 모델링 기법 선택

✓ 테스트 설계 생성

✓ 모델 생성

✓ 모델 평가

Evaluation

✓ 결과 평가

✓ 프로세스 재검토

✓ 향후 단계 결정

Deployment

✓ 운영 계획 수립

✓ 모니터링/유지보수계획 수립

✓ 최종 보고서 작성

✓ 프로젝트 재 검토Data

Understanding

DataPreparation

Modeling

Evaluation

Deployment

BusinessUnderstanding

Data

CRISP-DM Phase

▪ CRISP-DM (Cross-Industry Standard Process for Data Mining)

Contents

1. 자동차 외판의 이미지 데이터를 활용한 분석 사례

2. 차량 정비 데이터를 활용한 자동 분류 알고리즘 개발 사례

Big Data Analysis Use Case

Ex1) 자동차 외판의 이미지 데이터를 활용한 분석 사례

• 3000회 ↑ / 차종, 10M/D 소요

• 과거 시뮬레이션 데이터 활용 필요

• 의사결정을 위한 데이터 기반의 분석 결과 필요

• 각 부품별 취약부 예측에 주요한 인자 확인 필요

• 9개 부품의 취약부 예측 모델 개발

• 차종별 부품별 최종 분석 테이블 형식의 파일 적재

(향후 분석 마트 운영 및 관리 필요)

• 예측된 취약부 중심의 테스트 진행

(분석 결과를 통해 명확한 근거 제시 가능)

• 개별 노드의 두께 정보를 랜덤으로 생성하여 새로운

INP데이터 생성

“머신러닝을 통한취약부 사전 예측”

“외판강성해석공수 절감”

Big Data Analysis Use Case

Ex1) 자동차 외판의 이미지 데이터를 활용한 분석 사례

Big Data Analysis Use Case

Ex1) 자동차 외판의 이미지 데이터를 활용한 분석 사례

• 용접부, 가장자리 거리는 동일 개념

(테스트 외판 가장자리와의 거리)

• 테스트 외판 케이스 분류 필요

- CASE1 : 외판 전체

- CASE2 : 외판 일부(상판)

- CASE3 : 외판 일부(하판)

CASE1

CASE2

CASE3

FENDER(Edge) DR(Hemming) QTR(Welding)

ROOF(Welding) HOOD(Edge) FENDER 예시

• 가장자리 근접 여부 변수 추가: 전체 외판의 n% 가장자리 영역에 포함

- n = 10%, 20%, 30%, 40%, 50%

-> 고

-> 저

향후 통일된

기준 필요

Big Data Analysis Use Case

Ex2) 차량 정비 데이터를 활용한 자동 분류 알고리즘 개발

웹 서비스

분류 분석

R / Python

자동 분류 알고리즘1. 딥러닝 기반 특성벡터 패턴인식2. 시계열 유사도 측정/분류3. 단위패턴 기준 클러스터링

정비사

프로파일러

저장HDFS

Waveform DB

시각화

단위패턴 특성벡터

분류결과미분류

클러스터링

수집 및 처리

Big Data Analysis Use Case

Ex2) 차량 정비 데이터를 활용한 자동 분류 알고리즘 개발

정의된 변수군을 설명변수를 이용하여Machine Learning 기법 적용

ex) KNN(k-Nearest Neighbor),AD(Anomarlies Detection),SVM(Support Vector Machine),Random Forest 등

고장 유형A

원인(a1)

원인(an)

원인(e1)

원인(em)

…

벡터(a1)

벡터(an)

벡터(e1)

벡터(em)

…고장 유형E

… … …

… …

고장 유형A

원인(a1)

원인(an)

원인(e1)

원인(em)

…

구간(a1)

구간(an)

구간(e1)

구간(em)

…

시계열 데이터 간의 유사도를 측정하는방법론 적용

ex) KL Divergence, Transfer Entropy,SAX, DTW, HMM, HybridHMM,CNN, RNN, LSTM 등고장 유형

E

… … …

… …

고장 원인별 특성 벡터 변환

고장 원인별 구간 선정

특성 벡터를 이용한 분류

시계열 자체 유사도 측정/분류

2.2 데이터 이해

Ex2) 차량 정비 데이터를 활용한 자동 분류 알고리즘 개발

데이터특성

• 차량 수리 시 정비사가 D-logger 장비를 장착하여 수집하는 센서 데이터

• Bosch, Continental, Kepico 등의 EMS 종류에 따라 데이터가 수집됨

• EMS별로 변수의 이름, 기록하는 단위가 다르게 측정됨

• 정상적으로 60초 정도의 데이터가 기록되어야 하지만 불규칙적으로 측정됨

• 수집되는 데이터의 양이 적음

• 이러한 문제점 해결을 위해 여러 가지의 데이터 정제 작업이 필요함

EMS (Engine Management System: 엔진 종류)의 종류에 따라 데이터 형태 분류

고장유형

다양하게 존재하는 고장 유형 중 비중이 높은 고장유형에 대해 우선적 모델 개발

시동 꺼짐 정상 주행 중 시동이 꺼지는 고장 현상

엔진 부조 엔진 실린더의 각속도의 차이에 의해 엔진이 떨리는 현상

출력 저하 악셀페달을 밟았지만 차량의 속도가 올라가지 않는 현상

Big Data Analysis Use Case

Ex2) 차량 정비 데이터를 활용한 자동 분류 알고리즘 개발

Deep Learning

데이터 정제 (센서 측정 간격 일치, 변수 제거 등)

Rule-based

데이터 표준화 ▪ Z-score를 통한 단위 통합

비정상 구간 정의 ▪ 고장 판별 조건에 따라 비장상 구간 정의

Feature 추출 및

분류 모델 개발RNN + SVM

차량 고장 판별 ▪ 분류 모델 결과를 통한 차량 고장 판별

Rule Model ▪ Domain knowledge 기반 Rule 개발

1차 Clustering▪ Rule 미분류 data 대상 1차 군집분석

▪ 주행정보(속도, 기어단수)기반 군집분석

Feature 추출 ▪ Wavelet 을 통한 Feature 추출

PCA(주성분분석) ▪ PCA를 통한 차원 축소

Clustering ▪ Hierarchical Clustering을 통한 군집생성

Wavelet + CNN

Big Data Analysis Use Case

Ex2) 차량 정비 데이터를 활용한 자동 분류 알고리즘 개발

Step2 : 단위 패턴 정의 Step3 : 특성 벡터 정의

최대/최소값

a1

a.각속도 패턴

평균 증감율

…

a2

범위/분산a3…

b.엔진회전 수 패턴

단위패턴 구간 단위패턴 값

…

단위패턴 구간 단위패턴 값

범위/분산

b1 변동평균주기

b2

최대/최소값b3

…

A고장 원인a1 파형

특성 벡터 정의

Step1 : 이벤트 구분

타력주행

악셀 페달

급제동

기어 변속

무부하 아이들

…

운전자 조작에 의한 센서

특성 벡터(Feature Vector) 정의

선행 이벤트

타력주행구간

3A

1A

2A

기어

악셀페달

원인 특성벡터

•증감율 평균•범위/분산•최대/최소값•1σ 초과 비율•2σ 초과 비율

…미분류 데이터클러스터링 기준으로 사용!

Essential elements for big data analysis

자원 기술 전문인력

빅데이터와 AI자원

• 데이터 자원 확보• 데이터 품질 관리• 컴퓨팅 파워

AI 플랫폼 기술

• 데이터 저장,관리기술• 대용량 데이터 처리• 빅데이터 시각화

데이터 사이언티스트

• 수학/공학 능력(IT기술)• 통계학/경제학 능력• 커뮤니케이션 능력• 스토리텔링 시각화능력

* 새로운 미래를 여는 빅데이터 시대 (한국정보화 진흥원) 인용

Managed Analytics as a Service

01 │ 배경

- 고객 : M/L, AI 분석 전문인력 부재

- Microsoft : Cloud 자원 이용율

- 데이타솔루션 : on-site 분석 사업한계,최신 분석 기술과 기능을 활용

02 │서비스 개념

- 고객이 원하는 예측분석을 MS Azure M/L,AI 등의 자원을 활용하여 서비스

- 모델링, 모니터링, 튜닝 등을 포함하여장기적으로 고객이 데이터 분석 기반의의사결정을 할 수 있도록 지원

Managed Analytics as a Service

MAaaS 영역

Thank you