제조 데이터 수집 및 분석
1. 제조 데이터 수집 방법
1.1 데이터 수집 전 준비 사항
제조 현장에서 데이터를 수집하기 위해서는 먼저 체계적인 준비가 필요함
- 현장 실사
- 각 설비별로 사용하고 있는 제어장치 종류(PLC, PC, 계측기, 스캐너, Graphic Panel 등) 및 관리하고자 하는 항목을
- 인터페이스할 수 있는 제어장치의 I/O 모듈 상황을 종합적으로 파악
- 공정 및 제품 특성 파악
- 공정과 제품의 특성 분석
- 각 공정별로 표준관리 항목 결정
- 누락된 측정 항목 확인
- 기존 공정에서 누락된 측정 항목은
- 새로운 센서/계측기를 추가하여 데이터가 수집될 수 있도록 고려
1.2 데이터 수집 방법의 유형
제조 현장에서 데이터를 수집하는 방법은 크게 세 가지로 분류
- 자동 수집 방법
- 적용 상황
- 생산설비의 제어기가 외부 정보시스템과 연결 가능한 프로토콜을 보유한 경우
- 이더넷 등과 같은 표준 인터페이스 장치를 보유한 경우
- 구현 방식
- 실시간 통신 프로그램을 이용하여 생산설비와 연결된 제어 기기와 정보시스템 간 데이터 교환
- 장점
- 실시간 데이터 수집
- 높은 정확성
- 인적 오류 감소
- 적용 상황
- 반자동 수집 방법
- 적용 상황
- 생산설비에서 자동으로 데이터를 추출하기 어렵거나
- 일부 수동 개입이 필요한 경우
- 구현 방식
- 바코드, RFID, 터치스크린 등의 입력 장치를 활용하여 작업자가 데이터를 입력
- 장점
- 완전 수동 방식보다 효율적
- 기존 설비에도 적용 가능
- 적용 상황
- 수동 수집 방법
- 적용 상황
- 자동화된 인터페이스가 없거나
- 구축이 어려운 오래된 설비
- 구현 방식
- 작업자가 직접 데이터를 기록하고 입력
- 단점
- 데이터 입력 지연
- 인적 오류 발생 가능성 높음
- 적용 상황
1.3 데이터 수집 기술 및 장비
제조 현장에서 데이터를 수집하기 위해 다양한 기술과 장비가 활용됨
- IoT 센서: 온도, 습도, 압력, 진동 등 물리적 환경 데이터 수집
- PLC(Programmable Logic Controller): 생산 설비 제어 및 데이터 수집
- 스마트 계측기: 제품 품질 관련 측정 데이터 수집
- RFID/바코드: 자재 및 제품 추적 데이터 수집
- 산업용 카메라: 비전 검사 및 품질 관련 이미지 데이터 수집
- 게이트웨이 장비: 다양한 프로토콜 변환 및 데이터 전송
1.4 데이터 수집 시 주의사항
- 시간 동기화 문제
- 여러 설비에서 수집된 데이터의 시간이 동기화되지 않으면 정확한 분석이 어려울 수 있음
- 초 단위 이하의 섬세한 분석이 필요할 경우 시간 동기화가 매우 중요
- 데이터 품질 관리
- 센서 오작동, 통신 오류 등으로 인한 데이터 손실이나 오류 발생 가능성 고려
- 데이터 형식 표준화
- 다양한 설비에서 수집되는 데이터의 형식을 표준화하여
- 통합 분석이 가능하도록 해야 함
- 보안 문제
- 제조 데이터는 기업의 핵심 자산
- 수집 과정에서의 보안을 철저히 고려해야 함
2. 제조 데이터 분석
2.1 제조 데이터 분석의 단계
- 전문가 의견 수집
- 검출해야 하는 측정된 특성을 만들어 내는 물리적 메커니즘에 대한 의견 수집
- 경험적으로 이해할 수 있는 특성에 대한 의견 수집
- 데이터 수집 단계에서의 주의사항 파악
- 데이터 수집 과정에서 발생할 수 있는 문제점을 미리 파악
- 데이터 전처리
- 결측치 처리, 이상치 제거, 정규화 등의 과정을 통해 분석에 적합한 데이터로 가공
- 탐색적 데이터 분석(EDA)
- 데이터의 분포, 상관관계, 패턴 등을 시각화하여 기본적인 특성 파악
- 모델링 및 분석
- 목적에 맞는 분석 방법론(통계 분석, 머신러닝, 딥러닝 등)을 선택, 적용
- 결과 해석 및 적용
- 분석 결과를 현장에 적용 가능한 인사이트로 변환
2.2 제조 데이터 분석 방법론
- 설명적 분석(Descriptive Analytics)
- 과거에 무슨 일이 일어났는지 파악하는 분석
- 기본적인 통계 분석과 데이터 시각화 활용
- 진단적 분석(Diagnostic Analytics)
- 왜 그런 일이 발생했는지 원인을 파악하는 분석
- 상관관계 분석, 회귀 분석 등을 활용
- 예측적 분석(Predictive Analytics)
- 앞으로 무슨 일이 일어날지 예측하는 분석
- 시계열 분석, 머신러닝 등을 활용
- 처방적 분석(Prescriptive Analytics)
- 무엇을 해야 할지 제안하는 분석
- 최적화 알고리즘, 시뮬레이션 등을 활용
2.3 데이터 수집 아키텍처
- 엣지 레이어(Edge Layer)
- 센서, PLC, 로봇 등 현장 장비에서 직접 데이터 수집
- 데이터 필터링, 전처리 등 기본적인 처리 수행
- 로컬 스토리지에 임시 저장하여 네트워크 단절 시에도 데이터 손실 방지
- 게이트웨이 레이어(Gateway Layer)
- 다양한 프로토콜을 변환하여 통합
- 데이터 압축, 암호화 등 수행
- 엣지와 클라우드/서버 간의 중개 역할 수행
- 플랫폼 레이어(Platform Layer)
- 데이터 저장, 처리, 분석을 위한 인프라 제공
- 데이터 관리, 시각화, 분석 도구 포함
- 클라우드 또는 온프레미스 환경에서 운영 가능
- 애플리케이션 레이어(Application Layer)
- 분석 결과를 활용한 다양한 응용 프로그램 제공
- 대시보드, 알림 시스템, 의사결정 지원 시스템 등 포함
2.4 데이터 수집 시스템 구축 시 고려사항
- 확장성
- 향후 설비 추가, 생산량 증가, 분석 범위 확대 등 변화에 유연하게 대응할 수 있는 확장 가능한 아키텍처 설계
- 유연성
- 다양한 종류의 설비, 통신 프로토콜, 데이터 형식을 수용할 수 있는 유연한 시스템이어야 함
- 레거시 설비(오래된 설비)와의 연동 방안도 고려
- 안정성
- 24시간 365일 운영되는 제조 현장의 특성상, 데이터 수집 시스템은 높은 안정성과 가용성 보장
- 단일 장애 지점(Single Point of Failure)을 최소화
- 장애 발생 시 신속한 복구 메커니즘을 갖춰야 함
- 보안
- 데이터 수집 시스템은 외부 공격뿐만 아니라 내부자에 의한 데이터 유출 및 위변조로부터 데이터를 보호
- 암호화, 접근 제어, 보안 모니터링 등 다층적인 보안 대책 마련
- 비용 효율성
- 시스템 구축 및 운영에 필요한 하드웨어, 소프트웨어, 인력 비용을 고려하여 최적의 솔루션을 선택
- 클라우드 기반 솔루션이나 오픈소스 기술 활용 검토
- 사용자 친화성
- 시스템을 사용하는 현장 작업자 및 관리자가 쉽게 데이터를 확인하고 활용할 수 있도록
- 직관적인 인터페이스와 시각화 기능 제공
- 데이터 품질 관리
- 수집된 데이터의 정확성, 완전성, 일관성, 최신성을 확보하기 위한
- 데이터 거버넌스 정책과 데이터 품질 관리 프로세스 수립
- 오류 데이터를 필터링하고 보정하는 메커니즘이 중요
- 표준화
- 데이터 형식, 통신 프로토콜, 데이터 모델 등을 표준화
- 데이터의 통합 및 상호 운용성 향상
3. 데이터 수집 시스템 구축 통합 개요
3.1 [수집 체계] 제조 데이터 수집 4단계 아키텍처
- 제조 데이터 수집은 단순히 센서를 달고 선을 뽑는 것이 아님
- 현장의 물리 신호가 클라우드/서버의 가치 있는 정보로 변환되는 4단계 계층 파이프라인으로 이해해야 함
[ Physical Layer ] 🡪 [ Control/Edge Layer ] 🡪 [ Pipeline/Gateway Layer ] 🡪 [ Data Platform Layer ]
(현장/센서) (PLC / Protocol) (변환 & 무결성) (TSDB / Mart)
- Level 0-1: 현장 데이터 발생 계층
- 수집 대상: 물리적 현장 신호 (온도, 진동, 압력) 및 설비 제어 메모리
- 수집 방식의 결정 (설비 환경별 3원칙):
- 전동화/지능화 설비 (Smart Equipment): 이더넷/표준 통신 기반 자동 수집 (PLC, Controller 직결)
- 반자동/과도기 설비 (Legacy with Interface): 작업자 개입형 반자동 수집 (바코드, HMI, POP 터치스크린)
- 아날로그 레거시 설비 (Old Legacy): 신규 IoT 센서(진동, 전류) 후가공 부착 또는 작업자 수동 일지 입력
- Level 2: 프로토콜 통합 및 엣지 계층
- 이종(異種) 프로토콜 변환: 설비별 폐쇄적 프로토콜(MELSEC, Modbus, Siemens MPI)을 경량 표준 규격(OPC UA, MQTT)으로 단일화
- 엣지 컴퓨팅(Edge Computing)의 역할:
- 전처리: 초고주파 데이터(kHz)의 특징값(Feature)만 추출
- 무결성 보장 (Store & Forward): 네트워크 단절 시 엣지 노드에 임시 저장 후 복구 시 재전송 (데이터 유실 방지)
- Level 3-4: 데이터 적재 및 맥락화 계층
- 시계열 & 컨텍스트 결합: TSDB(센서 데이터) + MES/ERP(4M / Lot ID / 작업지시서) 결합
- 데이터 품질 제어 (Quality Flag): 수집 시점에 데이터의 신뢰성(Good/Bad/Uncertain) 및 시간 동기화(NTP Sync) 검증
3.2 [품질 및 준비 체계] 구축 표준화 프레임워크
수집 시스템을 구축할 때 마구잡이식 도입을 막기 위해 반드시 검토해야 하는 4가지 수직적 체크리스트
┌─────────────────────────────────────────────────────────┐ │ 스마트 제조 데이터 수집 4대 표준화 프레임워크 │ └─────────────────────────────────────────────────────────┘ │ │ │ │ ▼ ▼ ▼ ▼ [시간 동기화] [Tag Naming] [도메인 범위] [네트워크/보안] (NTP / ms) (표준 스키마) (누락 항목/4M) (OT/IT DMZ)- 시간 동기화 (Time Synchronization) 체계:
- 원칙: 전사 설비/PLC/서버의 시각을 NTP(Network Time Protocol) 서버 기준으로 밀리초($ms$) 단위 일치
- 이유: 시간 축이 틀어지면 A 설비의 압력 상승과 B 설비의 불량 발생 간 인과관계를 추적 불가능
- Tag Naming 표준화 체계:
- 원칙:
[공장코드]_[라인]_[설비]_[부위]_[데이터타입]식별자 체계 정립 (예:AS_L1_PRESS01_TEMP_01) - 이유: 표준화가 안 되면 데이터 분석 전처리 단계에서 80% 이상의 시간이 소비됨
- 원칙:
- 공정 맥락(Context) 완전성 체계:
- 원칙: 센서 수치(Value) 외에 4M(Man, Machine, Material, Method) 및 Lot ID 누락 여부 사전 실사
- OT-IT 망 분리 및 보안 체계:
- 원칙: 공장 제어망(OT)과 데이터 분석망(IT) 사이에 산업용 DMZ 게이트웨이 배치 (단방향 데이터 전송)
- 시간 동기화 (Time Synchronization) 체계:
3.3 [분석 체계] 제조 데이터 분석의 가치 사슬
- 단순히 “EDA를 하고 모델링을 한다”는 단계 방식 대신,
- “분석의 수준이 올라갈수록 현장에 어떤 가치를 주는가?”라는 가치 지향적 분석 체계로 다룸
| 분석 단계 | 분석 질문 | 핵심 기술 및 접근법 | 현장 적용 예시 (Outcome) |
|---|---|---|---|
| 1단계: 현상 파악 (Descriptive) | 지금 공장에 무슨 일이 일어났는가? | 시계열 대시보드, SPC(통계적 공정제어), EDA | 설비 가동률 모니터링, 실시간 온·습도 알람 |
| 2단계: 원인 진단 (Diagnostic) | 왜 이런 불량/고장이 발생했는가? | 다변량 상관관계 분석, Root-Cause Analysis, XAI | 3번 노즐 온도 2℃ 상승 시 불량률 15% 증가 규명 |
| 3단계: 미래 예측 (Predictive) | 앞으로 언제 고장이 날 것인가? | 이상 탐지(Anomaly Detection), 머신러닝/딥러닝 | 예지 보전(PdM): 2번 베어링 72시간 내 고장 확률 90% |
| 4단계: 자율 처방 (Prescriptive) | 최적의 품질을 위해 어떻게 제어해야 하는가? | 최적화 알고리즘, 강화학습/Simulation | 가상 계측 및 Closed-loop Control: AI가 PLC에 최적 가공 조건 자동 전달 |
3.4 [분석 체계] 제조 AI 프로젝트 수행 단계
일반적인 CRISP-DM 방법론을 제조 도메인 특성에 맞게 재정의한 실무 프로세스
- [1단계] 현장 문제 및 페인포인트(Pain Point) 정의:
- 단순히 “AI 분석”이 아닌, “사출 불량률 2% ➔ 0.5% 절감”과 같은 확실한 목적 및 ROI 설정
- [2단계] 도메인 지식 기반 데이터 맵핑 (Domain Mapping):
- 현장 베테랑 작업자의 노하우를 바탕으로 분석에 필요한 4M 데이터 항목 식별
- [3단계] 제조 특화 데이터 전처리 (Data Preprocessing):
- 결측치: 단순히 평균값으로 채우지 않고, 설비 비가동(OFF) 상태인지 센서 오류인지 구분하여 처리
- 이상치: 통계적 이상치와 물리적 한계치(Spec Limit)를 구분하여 노이즈 제거
- [4단계] 클래스 불균형 극복 및 이상 탐지 모델링:
- 99.9% 양품 데이터 특성을 고려해 One-Class Classification(Isolation Forest, Autoencoder) 중심 모델링
- [5단계] 현장 전문가(Domain Expert) 검증:
- AI의 예측 결과가 물리·화학적 인과관계(Causality)에 부합하는지 베테랑 엔지니어와 복기
- [6단계] MLOps 기반 현장 배포 및 지속적 재학습:
- Edge/Cloud 배포 후, 계절성(Seasonality) 및 설비 마모에 대응하는 Model Drift 감지 체계 운용
- [1단계] 현장 문제 및 페인포인트(Pain Point) 정의:
4. 제조 데이터 분석 활용 사례
- 예측 유지보수(Predictive Maintenance)
- 설비 고장을 사전에 예측하여
- 계획적인 유지보수를 가능하게 함
- 품질 예측 및 관리
- 제품 품질에 영향을 미치는 요인을 파악
- 불량을 사전에 예측
- 공정 최적화
- 생산성과 품질을 최대화하는 최적의 공정 파라미터를 도출
- 에너지 효율 최적화
- 에너지 사용 패턴을 분석
- 효율적인 에너지 관리 방안 수립
- 공급망 최적화
- 재고 관리, 물류 최적화 등 공급망 전반의 효율성 향상
- [참고] 산업용 통신 프로토콜
- OPC UA(OPC Unified Architecture)
- 다양한 산업 장비 간의 통신을 위한 표준 프로토콜
- 보안성과 확장성 우수
- Modbus
- 산업용 장비 간의 통신을 위한 오래된 프로토콜
- 단순하고 구현이 쉬움
- PROFINET
- 산업용 이더넷 표준
- 실시간 데이터 전송 가능
- EtherNet/IP
- 산업 자동화를 위한 이더넷 기반 프로토콜
- MQTT(Message Queuing Telemetry Transport)
- 경량화된 메시징 프로토콜
- IoT 환경에 적합
