이준열연구소장 공학박사 - kosmiac-4].pdf · 검증된빅데이터분석및...

Copyright(c) 2017 MICUBE Solution Inc. All rights reserved Ⅰ

2017년 12월 6일

이준열 연구소장/공학박사

MICUBE Solution Co.

Copyright(c) 2017 MICUBE Solution Inc. All rights reserved Ⅰ[1]

THC A P RE

목 차

1. 과제 소개

2. 솔루션 정의

3. 딥러닝 분석 모델링

4. 향후 추진 계획


국내 중소/중견 제조업 스마트공장 구축을 향한

SmartEES-AI 솔루션 개발

검증된 빅데이터 분석 및딥러닝 플랫폼 활용

다양한 기계학습/딥러닝분석 모델 개발

대표 제조업에 적용 가능한표준화/공용화 추진

솔루션 도입 비용 절감(오픈소스↑ + 시행착오↓)

다양한 제조 환경에 적용가능한 솔루션 확보

Prototyping 조기화를 통한솔루션 상용화 조기 실현

성과 가시화 조기 확보

실시간 빅데이터 분석 플랫폼 공학적 기법의 기계학습 모델링 Deep Learning 모델링 Standard Facility I/O

• 데이터 : pqSQL, Hbase, HDFS2

• 분산병렬 플랫폼 : Hortonworks

• 실시간처리 : Kafka+HDFS/Hbase

• 분석 : Java/Python/Tensorflow

• Visualization : Apache Zepplin

• Spark-mongoDB Connector

• SPC 분석 (통제/추정/예측 等)

• Classification: k-SVN, NB-DT

• Clustering: k-NN / SOM

• Factor Analysis 等

• DBN/RNN/CNN 류 딥러닝 모델

- 정상 / 비정상 시그널 분류

- Anomaly Feature Extraction

- 결함 검출 (Zero Fault Negative)

• DQN (딥 강화학습) 모델

- 자율적 Yield 향상 제어

• 고속/대용량 Sensor DAQ 서버

• SmartFactory 솔루션과 연동

• AI용 Edge Computing 인프라

• 24시간x365일 시스템 모니터링

• 간단한 분석 모델의 추가 용이

Key Points

기대 효과

제공 요소

추진

배경

대기업고객

• EES 및 YMS에서의 Smart Factory 적용에 우선 순위

• 실시간 빅데이터 분석 및 지능적 활용 방안 제시 要

• 궁극적으로는 ERP/PLM과 통합한 Smart Factory 구축

중견/중소기업

• 기존 공장의 先 전산화 → 後 지능화

• 생산 및 품질 부문에서의 노동인력 대체/지원 기술 시급

• 오래된 설비들의 지능화 기술 必 (Smart Equipment)

I. 과제 소개

1. 개발 추진 개요


생산 설비의 구동부에 고장 발생 시, 막대한 재산 손실 발생 → 장애를 미리 예지하여 재공품 폐기 방지 필요

산화막제거

니켈도금

금도금1차

금도금2차

소프트애칭

PCB판넬

PCB Lot 투입

PCB Lot 수거

기중기(패널행거세트 이동)

정전류(DC) 공급기

용액 정제/공급기

구동부 모터

PCB Lot

• 고장 여부는 설비정기점검을 통해 파악함

• 향후 CBM 또는 설비예지보존은 하고자 함

• 현행 공정에서의 FDC 실행도 필요함

이슈 및 요구 분석

• 움직이는 설비에 센서를 장착하여야 하므로 무선통신 필수

• 현장에 적합한 센서 설치 및 분석 기술의 부재

• FDC를 추적하기 위한 MES/ESS 間 시스템 연계 필요

I. 과제 소개

2. 현장 분석


설비 효율을 극대화 (OEE : Overall Equipment Efficiency) 하기 위한 EES 솔루션으로, 기본적으로 EPT, FDC, RMS서비스를

제공합니다. 각 서비스는 Component로 구성되어 Runtime 중에도 Reloading하여 Downtime을 최소화할 수 있습니다.

특징

모듈간 종속성을 제거한 확장 용이한 구조

실시간 컴포넌트 추가, 삭제, 변경에 따른

Reloading 기능 제공

사용자 친화적인 인터페이스 구성

Base Form/ Control을 활용한 Coding 최소화

프로그램 구조를 단순화 하여 개발 기간 단축

이상 감지를 모니터링하고, 이상 감지 Service의

자동 restart 지원

Service Logic 변경에 대한 무정지 시스템 적용

대표시스템

FDC (Fault Detection & Classification)

실시간 Parameter Monitoring 및 이상 감지

RMS (Recipe Management System)

설비 Recipe의 중앙 시스템 관리

EPT (Equipment Performance Tracking)

실시간 설비 상태 Monitoring

· 설비종합생산성 증대 · 품질사고 예방 · 수율 향상 · 품질 향상 · 원가 절감

Real Time ParameterMonitoring

Abnormal Parameter Detection

Real Time EquipmentMonitoring

Analysis of Equipment Efficiency&performance

Recipe Total Management

Recipe Interlock/Quality Improvement

Abnormal Parameter Detection

FDC

EPT

RMS

EES

MES

EAP

Process Equipment

Meas/InspEquipment

Insp

ect

ion/M

easu

re D

ata

·Recipe Change Report·Recipe Upload·Recipe Download

Equipment control request(Stop,Buzzer,Tower Lamp)

Equip

ment

contr

ol re

port

·Equipment State report·Equipment Event report·Equipment Alarm report

·EQ

P K

ey P

ara

mete

r re

port

·Pro

duct

ion R

eport

on P

roce

ss

SMS/Mail report

II. 솔루션 정의

(Equipment Engineering System; 설비공학시스템)

1. 기존 솔루션 소개 : SmartEES


설비와 외부 시스템 (MES, EES 등)간의 인터페이스를 통해 설비 제어 및 운영을 담당하는 설비 온라인

서버 구축을 위한 통합 솔루션입니다.

특징

다양한 통신 방식 (HSMS/SECS, OPC, PLC, Socket) 지원

설비 Message 송/ 수신 및 Data 관리를 위한 API 기본 제공

개발자의 편리성을 고려한 직관적인 인터페이스

기준정보, 파라미터 업데이트 및 컴포넌트 Reloading

Modeling 기능을 설정 정보 통합 관리

PLC Address Map Management

SECS Event & SSR/ SSD Management (반도체 표준)

OPC Tag Management (OPC - 글로벌 PLC 통신 표준)

Alarm, Excel Import/ Export, DB Backup 등

Message Service

Rule Service Log Service Data ServiceUtility ServiceEquipmentInterfaceService

Component Service

Task Service

MessageManager

Message Repository

Rule Manager

Rule Data

Log Manager

Data Manager

Entity Management

·Material·Unit·Alarm·Recipe

·Product

DatabaseUtils

ReflectionUtils

ScheduleUtils

XmlUtils

Driver

·PLC·HSMS/SECS

·OPC·Socket

Component Manager

·EPT·FDC·RMS·MES·Equipment

Task Manager

Task Table

Custom Component

Fra

mew

ork

Em

ula

tor

SmartSEMSmartPLC SmartOPC SmartEquipment Modeler

1. 기존 솔루션 소개 : SmartEquipment



설비를 온라인 연결하고, 공정 진행 전에 Recipe 사전 검증 및 생산 과정의 실시간 모니터링과 제어에 관한프로세스들을 현장 데이터 기반의 지능적인 제어로 설비 효율과 제품 품질을 더욱 향상시킬 수 있습니다.

[설비온라인 연결]

[설비 효율/품질관리]

SmartEquipmentSmartPLCSmartSEM

SmartEES

SmartEES-AI

[공정 설비]

• 다양한 통신방식 지원• 온라인 연결 모델러• 테스트 에뮬레이터

• 설비 진행이력 집계/모니터링• 모델링, 실시간 오류 검출/분석• 표준화/시그마관리/동일성 검증• Recipe 정합성 사전 검증• 설비상태/가동현황 관리

• 예지보존(Prediction) 모델링• Deep Learning – 모델링 자동 최적화• 컨테이너/크레인 현황판/AI모델링/예측모델링 等

Back-End 분석 플랫폼


2. 분석 플랫폼 고도화 필요성


제조 산업용 EES 서비스를 위한 인공지능 분석 소프트웨어 아키텍처 모습

Firmware & Drivers

Data & File System

Runtime Big-DataAnalytics Platform(Flamingo 3.0 + α)

RDB to Spark Connector

mySQL postgreSQL (TBD)

MongoDB to Spark Connector

mongoDB System (Master/Slave)

HDFS 2.0

Any File Format { K-V store : JSON/CSV }

DataFrames / DataSets / SQL API

Smart EESApplications

Basic SPC Models

General AI Models(optional)

기초 통계 분석 (batch)

통계량 검정 분산분석 추정 회귀분석 시계열분석

공정 관리 분석 (runtime)

Xbar 관리도 p 관리도 Cp / Cpk CUSUM EWMA

Classification (Supervised)

Naïve-Bayes K-SVN Random Forest

Clustering (Unsupervised)

K-Mean Self-Organization Map (SOM)

Yield Management System (TBD)

OST (Oper. Std. Time) Estimate Yield Difference/Gap Analysis

Equip/Oper Status Monitoring Tool/Mat‘rl Lifespan Estimate

Fault Detection & Classification

Fault Detection (Zero Fault-Negative)

Fault Classification (유형/심각도)

Equip. Predictive Maintenance

Anomaly Detection (Zero Fault-Negative)

Anomaly Prediction (유형/심각도/원인/예정일)

Advanced AI Models(Deep Learning)

Pre-trained Deep Learning

RBM (Restricted Boltzmann Machine) DBN (Deep Belief Networks)

Factory Device Interfaces (SmartEquipment & SmartDriver)

SECS/GEM EDA/Interface A

OPC / OPC-UA

자체 Protocol Modbus

Socket

SocketA2D OPC-UA PowerLink EtherCAT

PLC Interface 기본 센서 Interface IoT 센서 Interface (TBD)

Deep Reinforcement Learning (딥강화학습)

DDQN (Double Deep Q Networks) RNN (Recurrent NN) (optional)

(분산병렬) TensorFlow + GPU

Flamingo 3.0

Spark Core Engine

RDD (Resilient Distributed Datasets) API

Workflow Python R SparkR Streaming SparkSQL GraphX


3. 소프트웨어 아키텍처


3정형/비정형 대용량 센서 데이터 → 품질/생산 상태를 예측할 수 있는 표준 인공지능 시스템 아키텍처 설계

진동센서

전류센서

전력센서

온도센서

유압센서

High-Speed Sensors

Low-Speed Sensors

High-Speed A2D

Low-Speed A2D

WiFi 허브

유무선게이트웨어

ModBus통신모듈

DAQ 서버(Smart Equipment)

Kafka Broker(수집 MQ)

(Kafka Agents)

Flamingo 3.0Main Server

(Name Node)

Flamingo 3.0 Data Node Servers(HDFS2/HBase/Kafka 노드 等)

• Zookeeper• Oozie• YARN/Mesos• WebApp 서버• Hive/Phoenix/etc.

딥러닝 AIAppliances

데이터 스트리밍

짧은

분산병렬 연산/가공/저장/분석모듈

학습 및 실행

cycletime

Factory Shop-floor

설비PLC

현장 모니터링 시스템(웹 표준 호환 WebApp)


4. 하드웨어 시스템 아키텍처


LabJackStream

Interface

신호 보정

RMS

FFT

DAQ (Windows 10)

FlamingoManagement

Server(Hadoop 2.0)

Using Kafka Consumer Clusters

분산 병렬

Save to HBase

Parallel Process #1

:::

Parallel Process #n

KAFKAAgent

Data Collector

KAFKA Broker

Parallel ProcessManager

(Spark/YARN)

Crane당 6개의 진동 센서 설치(총 30 개)

Crane당 2개씩총 10개 A2D 기기

Parallel Process #2

• 설비 PLC로부터 Crane 이동 상태 연동 개발• 진동 센서 및 A2D(LabJack) 데이터 수집 환경 구축• 움직이는 Crane 기준으로 진동 Waveform 획득 (0.2초 주기)• 각각의 Crane 기준으로 KAFKA Agent 할당 및 스트림 데이터 전송

신호 보정

RMS

FFT

Save to HBase

KAFKAAgentKAFKAAgentKAFKAAgentKAFKAAgent

Smart PLC Driver

설비 PLC

WiFi to LAN 허브

Data Nodes (HDFS2, Kafka-nodes, Python/TensorFlow notebooks, Hbase/pqSQL)

고속 및 대용량 센서 데이터 기반 빅데이터 수집 및 병렬 저장 프로세스 설계


5. 실시간 데이터 수집/가공/저장 (1/2)


DAQ

RDB

Data Collector

Smart Modbus Driver

• Modbus Protocol• 1~10초 내에서 수집 주기 설정 및 데이터 수집

TempTable

For each sensor table

전력량계(A9MEM3255 ) 10개

온도센서(DY-HW) 20개

압력계(DY-P11) 20개

정류기 전류감시(SCV-U2-050H05-12D) 45개

A to DC CommunicationModule

A to DC

A to DC

A to DC

CommunicationModule

CommunicationModule

CommunicationModule

Ethernet Hub

전력량계, 온도센서, 압력계, 정류기 및 PLC 정보 등의 정형 데이터 수집 및 저장 프로세스 (Modbus 표준)


5. 실시간 데이터 수집/가공/저장 (2/2)


진동 센서FFT 신호

1. 일상적인 피크들로 감지 중 2. 비정상적 피크가 낮은 진폭으로감지

3. 비정상적 피크의 진폭이 점차높아짐

4. 새로운 비정상적 피크가 발견됨 5. 정상 신호들의 진폭이 높아짐 6. 정상 신호들 주변의 신호들의진폭이 높아짐

7. 노이즈 영역에서 진폭들이 증가하는 군이 발생

8. 전체 노이즈 영역에서 진폭 증가 9. 설비 고장

이상 징후초기 단계

이상 징후1차 경고

이상 징후2차 경고

설비 고장1차 경고

설비 고장2차 경고

설비 고장긴급 상황

설비 고장임박

예지보존임계상황

생산 중지필수 상황

III. 딥러닝 분석 모델링

1. 진동 신호 기반 이상 징후 검출 (1/3)



Fault Diagnosis for Rotating Machinery Using Vibration Measurement Deep Statistical Feature Learning (2016)

Fault Classification(Fault Diagnosis) Performances:

Gearbox : 95.17%

Bearing : 91.75%

GDBM : Gaussian-Bernoulli Deep Boltzmann Machine (=DBN)GRBM : Gaussian-Bernoulli Restricted Boltzmann Machines

이상 징후로감지되면설비예지보전담당자가해당 모터를검사하여불량특성정보기입 (학습용): 고장 부위,

고장 요인,고장 수준,진행 시간 等

장애 예지 학습(진단 + 예측)





이상 징후 구간정상 구간 고장

정상상태 유지 확신 : 99.0 %

이상징후 감지 1.0 %이중 실제 고장 위험 확률은 10% 미만

(이슈) 이상 징후 학습 데이터 수집에필요한 소요 시간이 매우 길 것→ 현장 적용/운영 방법?99%

이상 징후

검출 개념

학습 데이터

수집 이슈


99.9%는 정상 신호인데 0.1%의 비정상 신호를 감지하기 위해 LSTM 딥러닝 기술 적용 (1%의 이상 징후 검출)

(1) 시계열 분석을 통한 비정상 신호를 감지하는 모습 (2) Periodic 및 Major Trend 정보를 딥러닝으로 예측함

LSTM (Long-Short Term Memory) 딥러닝 모델 적용:(청색이 실제 값이고 적색인 예측 신호임)

(정상 신호들을 많이 학습할수록 Residual이 작아짐)

(3) LSTM 모델을 적용하여 비정상 신호를 감지하는 예시

2D-FFT 2D-FFT 2D-FFT

(4) 크레인 진동센서의 정상신호들의 패턴을 LSTM으로 학습

LSTM으로 이상 패턴 검출 시 Anomaly 판정

(정상) (정상) (정상)

…


2. 이상징후 검출을 위한 딥러닝 모델링 (1/3)


LSTM (Long-Short Term Memory)를 활용한 정상 신호(Normal Signals)의 예측 모델을 수립함



(1) 진동 센서의 정상 신호 (Original Signals)

(2) LSTM을 통한 예측 신호 (Predicted Signals)

(3) Residual Signals = (1) – (2)

RMSE = 2.0 x 10-5

Max (Residual) = 0.002974RMSE = 3.0 x 10-5



Max (Residual) = 0.002456


LSTM 예측 모델을 시뮬레이션으로 생성한 이상 신호(Simulated Abnormal Signals)에 적용함



(1) 시뮬레이션으로 생성한 비정상 신호 (Original Signals)

(2) LSTM을 통한 예측 신호 (Predicted Signals)

(3) Residual Signals = (1) – (2)

RMSE = 2.66 x 10-4




Max (Residual) = 0.02552


이상 징후의 단계별 전이 현상과 시간과의 관계에 관한 데이터 분석을 통해 이상 징후 예측 모델 개발 필요


3. 이상 징후 예측 모델링

구분 Horizontal Vertical Pitch

Crane 5 정상 정상 정상


Crane 3 비정상 정상 정상



기간 2017.10.01 ~ 조회2017.10.05

10/01 10/02 10/03 10/04 10/05

RMSE(x 10-4)

0.00

0.20

0.50

1.00

2.00

6.00

(예시) Crane #3 이상 징후 감지 이력 도표

RMSE = 0.2 x 10-4

RMSE = 2.66 x 10-4

RMSE = 1.8 x 10-4

RMSE = 5.62 x 10-4

정상 구간모델 개발 요소

(1) 이상 신호의 심각도를 정의하는 척도 확정 (예: RMSE)

(2) 이상 신호의 심각도가 전의할 때까지의 데이터 수집 필요

(3) 이상 징후 예측 모델의 수립 및 모델 신뢰성 평가 필요

(이상 징후의 심각도 단계 정의 및 소요 시간 예측 모델)


설비 장애 예지를 위한 학습 데이터를 실시간 수집하여 자율적으로 학습하도록 시스템 구축 제안

현재 수집된 데이터로딥러닝 모델 학습

( Pre-training )

실시간 검사를 통해모터 이상 징후 검출

( 이상징후 의심 신호 )

결함 진단 및 예지학습 데이터 생성

( N단계 진화 준비 )

딥러닝 모델 재학습

( (N+1)단계 진화 )

학습 데이터 발생시점마다 딥러닝 결과 갱신 (진화)

시간이 지날수록 인공지능 시스템이 진화되어 학습의 빈도가 점차 낮아질 것

신규 PCB Lot투입 중지

가공 중인 PCB Lot수거될 때까지 대기

설비 정지 및해당 모터 점검

재학습된 DNN으로실시간 모니터링

( (N+1)차 버전 운영 )

( False-Positive? )정상 신호로 학습

데이터 등록

(New Anomaly?)고장 정보 기록 및학습 데이터 생성

모터 재정비 후설비 재가동

학습 정보 기록(학습 시점, 모터 정보 등)

딥러닝 학습 엔진 실행(New Weights)

학습결과를 운영서버에배포 (New Weights)


4. 자율적 학습 프로세스 설계


딥러닝 학습 데이터 생성 및 학습 모델 최적화 프로세스

실시간 데이터 수집 및 저장 (0.2초 주기) 분석용 DataFrame 생성 (작업 모드) Training Dataset 전환

<waveform>

Crane-ASensor #2

<RMS: S/N>

<FFT>

실시간 전력 부하 수집 및 저장 (1초 주기)

Configuration for DNN Training

<RMS>

<2D-FFT>

(fre

q)

(time)

(torq

ue)

<모터 부하>

(time)

Crane-A H-Motor 전력량 센서 토크 : OOOCrane-A V-Motor 전력량 센서 토크 : OOO

5분 주기

[0] [1] [2] [3] ∙∙∙ [n]

OOO OOO OOO OOO ∙∙∙ OOO

<RMS>(value)

[0] [1] [2] [3] ∙∙∙ [n]

OOO OOO OOO OOO ∙∙∙ OOO

OO OO OO OO ∙∙∙ OO

<모터>(value, v)

(MSE)

<FFT>

Crane-A Sensor X 의 Dataset 정의

1일 10시간 * 6센서 * 5 크레인 * 60회/시간= 1,800 datasets / day

학습 데이터 30일 축적 = 30 days * 1800 / day = 54,000 datasets 5개의 크레인 데이터 세트를 활용하여 Cross-Validation 모델 평가

DNN 아키텍처의 설정 값

• activation function : ReLu• Initializer : RBM / Xavier• Layers : 50• Node & Layer : 50 × 70 × 30 × …• batch norm : Yes / No• DNN model :• DBN / CNN / LSTM

Training Method 설정 값

• optimizer : Adam / adagrad / …• batch_norm : Yes / No• max_step : 10,000• learning_rate : 0.01• drop-out : 0.7 / None• GPU ID : #1 ~ #8 (1개 할당)

분산 병렬 DNN Training 실행

DNN Training Configuration

플라밍고 3.0 AI workflows(TensorFlow notebooks)

AI #1 AI #2 AI #3GPU #1

GPU #2

GPU #3

GPU #4

GPU #5

GPU #6

GPU #7

GPU #8

AI 학습 프로그램 할당 (8건)

예) 1,200개 조합

작업모드 시간: 5~20초

작업모드 시간: 5~20초


5. 딥러닝 모델 학습 프로세스


설비 인공지능 솔루션 상품화 및 시범 사업 추진 계획

2017年 2018年

2Q 3Q 4Q 2Q 3Q 4Q1Q

솔루션

상품화

제휴 및

사업 확산

빅데이터 분석 모델 연구개발

SPC (통계적공정관리_ 모델 개발 (7~10月)딥러닝 모델 개발 (Python/TensorFlow)

데이터 모델링 기술 숙련

mongoDB, Spark SQL, pgSQL (5~8月)

설비 센서 설치 및 인프라 구축

데이터 수집/저장 분석/설계 (5~7月)

빅데이터 플랫폼 기술 숙련

Python/TensorFlow, HTML5 UI 等 (6~9月)

딥러닝기술 숙련

기술 이관 및 교육/훈련(10~12月)

Prototype 개발

데모 작업(10~11月)

데이터 분석 플랫폼 협업/컨설팅

Kafka+Hbase/Phoenix+pgSQL+HDFS2 Hortonworks Hadoop 플랫폼 (EX-EM) (5~8月)

딥러닝 플랫폼 확장 협업/개발

YARN+TensorFlow Notebook I/FFlamingo 3.0 (EX-EM 연구소) (7月~10月)

SmartEES-AI 1.0b (시범사업용)

SmartFDC Beta (~3月)SmartCBM BetaSmartYMS Beta

시법사업 협의 및 인프라 구축

시범사업 분석/설계 (~4月)

SmartEES-AI R1.0 적용/운영

SmartFDC 1.0 (7~12月)SmartCBM 1.0SmartYMS 1.0(정식 S/W 배포)

딥러닝 App 상품화

상용화/최적화 (2~6月)

홍보산출물 제작 (1차)

브로셔/데모 Kit 等(전시회 참여用)

브로셔/동영상 제작데모 Kit/판넬 개선 等

홍보 산출물 제작 (2차)

파트너프로그램 기획

가격/배분/정책 등

솔루션 파트너 모집 및 홍보

Resellers & SI 업체 等 (8月~계속)

패키지 솔루션 사업

MICUBE 솔루션 +현 과제 솔루션통합 패키지 구성

국내 주관기관 고객(사)

고객(사) 대상 제안/PJT 실행

해외 주관기관 고객(사)

중국/베트남 등 사업기회 전개

고객 확대

시범PJT SI

V. 향후 추진 계획

1. 시범 사업 및 상품화 개발 추진 계획


χ

USL

LSL

USL표본표준편차

⑤

①

②

⑥

④ ④

⑦

③

정상 구간비정상 의심 구간

생산 공정의 Lot의 생산 공정 상태를 추적할 수 있는가? → MES와 EES 연계 필요 생산 공정의 FDC 통제를 위한 모델을 설계하면 실시간 감지가 가능한가? → SmartEES의 FDC 기능 반영 생산 공정의 품질 목표를 유지하면서 생산 공정의 최적 RMS를 도출할 수 있는가? → 추가 빅데이터 분석 필요 생산 공정의 FDC 통제가 비정상 의심 구간에서 스스로 벗어나도록 할 수 있는가? → 딥 강화학습 모델 필요

① Parameter 값이 허용 범위(USL/LSL)를 벗어남② Parameter 값이 중심선에서 지속적으로 벗어남③ Parameter 값이 허용 범위 근처에서 자주 검출됨④ Parameter 값이 지속적으로 증가 또는 감소함⑤ 표본표준편차가 허용 범위(USL)를 벗어남⑥ 표본표준편차가 허용 범위 근처에서 지속 검출됨⑦ 표본표준편차가 주기적 패턴을 가짐

강화학습 State Space { St }

FDC를 위한 수요기관과의 협업 대상 정의

Parameter의이상현상 감지(Alarm 전파)

(자율주행모드 시)PLC에 보정 Recipe

자동 전달(수동주행모드 시)작업자에게 보정작업 지시 전달

Agent를 통한PLC 제어 조작 Parameter

상태 변화 측정 측정값이 정상구간에놓일 때까지 반복

작업자 수동 조작


2. FDC를 위한 빅데이터 및 인공지능 활용 계획 수립 (1/2)


차세대 FDC 기술 : SPC에 의한 관리 기법이 아니라, 기계 스스로 학습하도록 하여 불량을 사전에 예방하도록 함

(개발 목표)강화학습 Agent가정상 생산공정을유지하기 위해직접 설비를제어하도록 함

loss = ( 정답 - 예측 )2

loss = ( 𝑄(𝑠, 𝑎) – (𝑟 + 𝛾 max𝑎

𝑄 𝑠, 𝑎 )2DQN

loss = ( 𝑄(𝑠, 𝑎) – (𝑟 + 𝛾 𝑄(𝑠, argmax𝑎

𝑄 𝑠, 𝑎 )2Double DQN

Rt+1 = Q( At | St )

목적함수: 수율 최대화

maximize𝑅𝑡 𝑑𝑡

정상 : Rt> 0불량 : Rt< 0

• Parameter > USL• Parameter < LSL• Parameter 기울기 > α• Parameter 기울기 < -α• Center(param) → USL• Center(param) → LSL• …

• Parameter OO unit UP• Parameter OO unit DOWN• Recipe 설정 보정 (R2R)• FDC Alarm 전파• 생산 중단 (LOT 불량 처리)

State Space { St }Action Space { At }


2. FDC를 위한 빅데이터 및 인공지능 활용 계획 수립 (2/2)


Anomaly 의심 신호들에 대한 CBM 활동을 통해, 결함 원인을 진단하는 모델링 개발과 자율학습체제 구축


3. 설비 장애의 원인 진단 모델링 개발 (Anomaly Diagnostics Modeling)

99%

1%

1. LSTM에 의한 Anomaly 의심 상황 검출 2. CBM (조건부 설비 보존 활동)

3. Anomaly Classification (Diagnostics)

설비 보존 담당자가 Anomaly Profile 입력(장애 여부 진단, 장애 유형, 장애 원인 등)

4. Autonomous Learning System

DNN Training Configuration

플라밍고 3.0 AI workflows(TensorFlow notebooks)

AI #1 AI #2 AI #3GPU #1

GPU #2

GPU #3

GPU #4

GPU #5

GPU #6

GPU #7

GPU #8

AI 학습 프로그램 할당 (8건)

예) 1,200개 조합



4. 맺음말

발표 요약

예상되는 기대 효과

① Anomaly Detection을 통해 설비의 정기 보존 활동을 조건부 보존 활동 (CBM) 체계로 변환될 것

② 자율적 학습 체계가 진화될수록 False Alarm의 비율이 점차 낮아질 것

③ Anomaly Detection에서 Anomaly Diagnostics로 자동 연계될 것 (고장 대응 업무가 대폭 감소)

④ Anomaly Level에 대한 등급 기준이 수립되고, 전이에 대한 예상 소요 시간이 예측 가능할 것

⑤ 제조/생산에 관한 FDC (Fault Detection & Classification)이 시범 사업 기간에 적용될 것

① 목표 생산 공정에 대해 설비의 결함을 검출할 수 있는 센서들의 결정 및 설치 완료

② 딥러닝을 수행하기 위한 빅데이터 분석 플랫폼을 구축함

③ 수집된 정상 신호들에 대해 LSTM 모델을 학습시켜 Predicted Signals 생성 확인

④ Simulated Anomaly Signals를 LSTM 모델에 적용하여 정상 신호와 식별 가능함을 확인

⑤ 자율적인 학습 체계를 구축하기 위한 목표 시스템 설계 완료

이준열연구소장 공학박사 - kosmiac-4].pdf · 검증된빅데이터분석및...

Documents