제조 운영 효율성 및 성능 개선하기

고급 분석 기술을 통해 결과, 품질 및 지속가능성 개선하기

제조업은 데이터를 사용한 운영 효율성 및 성능 개선이 특히 적합한 산업입니다. 컴퓨터 수치 제어(CNC) 인프라, 공급망 및 웨어하우스 시스템, 물류 및 테스트 시스템 등 모든 종류의 제조 생산 시스템에 이 사용 사례를 적용할 수 있기 때문입니다.

제조 기업들은 보통 과거의 기록 및 진단 측정 지표에 중점을 두곤 했지만, 이제 그들은 고급 분석, 머신러닝, 데이터 과학을 사용해 성능 개선 정도를 측정하고, 사전 예방적이고, 예측적이며, 처방적인 권장 사항을 개발하기 시작했습니다.

이 사용 사례는 장비, 라인, 공장은 물론 성과 지표의 운영 효율성을 측정하기 위해 제조 실행 시스템(MES), 창고 관리 시스템(WHMS), 컴퓨터화된 유지 관리 시스템(CMMS) 및 유지 관리 시스템이 생성한 데이터로부터 인사이트를 수집, 저장, 관리 및 확보하는 데 필요한 데이터 플랫폼 아키텍처에 중점을 두고 있습니다.

생산 프로세스 및 성능에 관한 데이터를 수집, 선별 및 분석함으로써 제조 기업은 병목 현상과 비효율성을 파악 및 제거하여 생산 일정을 최적화하고 출력을 높일 수 있습니다. 데이터에 대한 동일한 접근 방식을 생산 품질에 적용하면 제조 기업은 결함의 패턴과 근본 원인을 파악할 수 있습니다. 그 결과 기업은 보다 효과적인 품질 관리 조치를 구현할 수 있습니다. 에너지 소비량에 관한 데이터를 포함시키면 에너지 효율성을 높여 비용을 절감하고 지속가능성을 높일 수 있는 영역을 파악할 수 있습니다.

포괄적인 데이터 플랫폼으로 운영 효율성을 최적화하고 비용 절감하기

하단의 아키텍처는 권장 Oracle 구성 요소들을 결합하여 검색부터 실행 및 측정에 이르는 전체 데이터 분석 수명 주기를 포괄하고, 앞서 설명한 광범위한 비즈니스 이점들을 제공하는 분석 아키텍처를 구축하는 방법을 보여줍니다.

이 이미지는 제조용 Oracle Data Platform이 운영 효율성 및 성능 지원에 사용되는 방법을 보여줍니다. 본 플랫폼의 구성 요소들은 다음의 5가지 제품군으로 분류됩니다:

1. 1. 데이터 소스, 검색
2. 2. 수집, 변환
3. 3. 유지, 선별, 생성
4. 4. 분석, 학습, 예측
5. 5. 측정, 실행

데이터 소스, 검색 제품군에는 2가지 범주의 데이터가 포함됩니다.

1. 1. 비즈니스 기록 데이터는 ERP, MES, WHMS, CMMS(유지 관리 및 자산 관리), IoT, SCADA, 히스토리언, 오퍼레이터 입력(고장, 품질, 관찰) 등으로부터 수집한 데이터로 구성됩니다.
2. 2. 기술 입력 데이터에는 IIoT 데이터, Roving Edge Device 데이터, 이미지, 이메일, 비디오, 종이 문서(OCR), 개별 이벤트(예: 생산 라인의 긴급 정지) 등이 포함됩니다.

수집, 변환 제품군은 4가지 기능으로 구성됩니다.

1. 1. 일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.
2. 2. 일괄 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.
3. 3. 변경 데이터 캡처는 OCI GoldenGate를 사용합니다.
4. 4. 스트리밍 수집은 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 서빙 데이터 저장소 및 클라우드 스토리지에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 처리에 연결됩니다.

유지, 선별, 생성 제품군은 5가지 기능으로 구성됩니다.

1. 1. 서빙 데이터 저장소는 Oracle Autonomous Data Warehouse 및 Exadata Cloud Service를 사용합니다.
2. 2. 클라우드 스토리지는 OCI Object Storage를 사용합니다.
3. 3. 관리형 Hadoop은 Oracle Big Data Service를 사용합니다
4. 4. 일괄 처리는 OCI Data Flow를 사용합니다.
5. 5. 거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지는 서빙 데이터 저장소 및 관리형 Hadoop에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

관리형 Hadoop은 서빙 데이터 저장소에 단방향으로 연결됩니다.

2개의 기능이 분석, 학습, 예측 제품군에 연결됩니다. 서빙 데이터 저장소는 분석 및 시각화 기능은 물론, 데이터 제품, API 기능에도 모두 연결됩니다. 클라우드 스토리지는 머신러닝 기능에 연결됩니다.

분석, 학습, 예측 부문은 4가지 기능으로 구성됩니다.

1. 1. 분석 및 시각화 기능은 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.
2. 2. 데이터 제품 및 API는 OCI API Gateway 및 OCI Functions를 사용합니다.
3. 3. 머신러닝은 OCI Data Science 및 Oracle Machine Learning을 사용합니다.
4. 4. AI 서비스는 OCI Anomaly Detection, OCI Forecasting, OCI Language, OCI Vision을 사용합니다.

측정, 실행 제품군은 데이터 분석의 사용 방식을 캡처합니다: 사람 및 파트너, 애플리케이션, 모델, Roving Edge Devices별.

사람 및 파트너는 설비 종합 효율(OEE), 근본 원인 분석, 린 생산 방식 및 6시그마, 품질 관리 및 통계적 품질 관리(SPC), 공급망 분석 기술로 구성됩니다.

애플리케이션은 생산 계획 및 일정 최적화로 구성됩니다.

3가지 주요 제품군(수집 및 변환, 유지 및 선별, 생성 및 분석, 학습 및 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 지원됩니다.

데이터의 연결, 수집, 변환

Oracle의 솔루션은 3가지 주요 제품군으로 구성되어 있으며, 각 제품군은 각각 특정 데이터 플랫폼 기능들을 지원합니다. 첫 번째 제품군은 데이터의 연결, 수집, 변환 관련 기능을 제공합니다.

제조 기업이 운영 효율성 및 성능 개선을 위해 아키텍처에 데이터를 삽입하는 4가지 주요 방법이 있습니다.

• 관련 프로세스를 시작하기 위해 먼저 운영 트랜잭션 데이터의 일괄 전송을 활성화해야 합니다. 일괄 전송 서비스는 기존 온프레미스 분석 저장소 또는 기타 클라우드 소스에 저장된 대량의 데이터를 처음으로 Oracle Cloud Infrastructure(OCI)로 이전해야 하는 상황에서 사용됩니다. 어떤 일괄 전송 서비스를 사용하게 될지는 데이터의 위치와 전송 빈도에 따라 달라집니다. 예를 들어 과거 계획 또는 데이터 웨어하우스 저장소로부터 대량의 온프레미스 데이터를 로드할 때 OCI Data Transfer 서비스 또는 OCI Data Transfer Appliance를 사용할 수 있습니다. 대량의 데이터를 지속적으로 이전해야 하는 경우, 고객사의 데이터 센터와 OCI 간의 고대역폭 전용 프라이빗 네트워크 연결을 제공하는 OCI FastConnect 사용이 권장됩니다.
• 일반적으로 실시간 또는 실시간에 가까운 빈번한 데이터 추출을 필요로 하고, OCI GoldenGate를 사용하여 창고 관리, 스케줄링, 주문 관리 시스템에서 정기적으로 데이터를 수집합니다. OCI GoldenGate는 변경 데이터 캡처를 사용하여 서비스 대상 시스템의 기본 구조로부터 변경 이벤트(예: 신규 구성요소 추가, 유지보수 작업 완료, 날씨 변화 등)를 감지하고 관련 데이터를 실시간으로 지속성 계층 및/또는 스트리밍 계층으로 전송합니다.
• 제조 기업의 경우, 여러 소스로부터 실시간으로 데이터를 분석하면 운영 효율성 및 전반적 성과에 대한 귀중한 인사이트를 얻을 수 있습니다. 본 사용 사례에서는 스트리밍 수집을 사용하여 IoT, M2M 통신 및 기타 수단을 통해 센서들로부터 읽어들인 모든 데이터를 수집합니다. 실시간으로 데이터 스트림을 캡처 및 분석하는 기능은 제조업의 예측 자산 관리 수행 능력의 핵심입니다. 데이터 스트림은 SCADA(원격 감시 제어) 시스템, 프로그래밍 가능한 논리 제어 시스템, 배치 자동화 시스템과 같은 다양한 ISA-95 레벨 2 시스템으로부터 발생할 수 있습니다. 수집된 데이터(이벤트)는 몇 가지 기본적인 변환/집계 처리를 거친 후 OCI Object Storage에 저장됩니다. 추가 스트리밍 분석 기능을 사용하여 상관관계가 있는 이벤트들을 식별하고, 식별된 패턴은 OCI Data Science를 사용한 원시 데이터의 조사를 위해 수동으로 피드백될 수 있습니다.
• 빈도가 높은 스트리밍 데이터를 실시간으로 분석하기 위해 Oracle은 고급 분석 작업용 스트리밍 프로세싱을 사용합니다. 기존 분석 도구는 저장된 데이터로부터만 정보를 추출하는 반면 스트리밍 분석은 전송 중인 데이터로부터, 즉 실시간으로 데이터의 가치를 평가합니다. 그뿐만이 아닙니다. 스트리밍 분석은 고도로 자동화될 수 있기 때문에 제조 기업의 운영 비용 절감에 기여할 수 있습니다. 예를 들어, 스트리밍 분석은 전기 및 수도와 같은 기본 유틸리티 비용에 대한 실시간 데이터를 제공할 수 있습니다. 공장에서는 실시간 데이터에 대한 자동화된 스트리밍 분석 도구를 사용하여 에너지 비용을 절감하고, 인공 지능을 활용해 특정 운영 이벤트에 적절히 대응하는 등의 최적화가 가능한 영역들에 대한 인사이트를 즉시 확보할 수 있습니다. 또한 스트리밍 분석은 예정된 장비 유지보수와 관련된 요구 사항을 실시간으로 예측하여 기업이 수리 또는 정기적 유지보수 작업에 미리 대비할 수 있도록 도와줍니다.
• 실시간 데이터 처리에 대한 니즈가 증가 중이지만, ERP, 계획, 창고 관리, 운송 관리 시스템에서 가장 일반적으로 사용되는 데이터 추출법은 ETL 프로세스를 통한 일종의 일괄 수집(batch ingestion) 방식입니다. 일괄 수집은 데이터 스트리밍을 지원하지 않는 시스템으로부터의 데이터 임포트에 사용됩니다(예: 구형 SCADA 또는 유지보수 시스템). 10분 또는 15분 간격으로 자주 데이터를 수집할 수도 있지만, 개별 트랜잭션이 아닌 트랜잭션 그룹 단위로 데이터를 추출 및 처리하는 만큼 본질적으로는 일괄 수집에 해당하는 방식입니다. OCI는 전용 OCI Data Integration 및 OCI Compute 인스턴스에서 구동되는 Oracle Data Integrator와 같이 다양한 일괄 수집 서비스를 제공합니다. 어떤 서비스를 선택할지는 주로 기술적 요구 사항이 아닌 고객 선호도를 기반으로 결정됩니다.

데이터의 지속, 처리, 선별

데이터 지속성 및 처리는 3개의 구성 요소(선택적으로 4개)에 기반합니다. 모든 구성 요소를 사용하는 고객도 있고, 하위 구성 요소만 선택하는 고객도 있습니다. 데이터의 양 및 유형에 따라 데이터를 객체 스토리지로 로드하거나, 영구적 저장을 위해 정형 관계형 데이터베이스로 직접 로드할 수 있습니다. 데이터 과학 기능의 적용이 예상되는 경우, 데이터 소스로부터 원시 형식(처리되지 않은 원시 파일 또는 추출)으로 검색된 데이터를 캡처하여 트랜잭션 시스템에서 클라우드 스토리지로 로드하는 것이 보다 일반적인 방식입니다.

• 클라우드 스토리지는 Oracle의 데이터 플랫폼에 사용되는 가장 일반적인 데이터 지속성 계층입니다. 또한 정형 및 비정형 데이터 저장에도 사용할 수 있습니다. OCI Object Storage, OCI Data Flow, Oracle Autonomous Data Warehouse는 그 근간이 되는 서비스입니다. 데이터 소스에서 원시 형식으로 검색된 데이터는 캡처된 뒤 OCI Object Storage로 로드됩니다. OCI Object Storage는 기본 데이터 지속성 계층이고, OCI Data Flow의 Spark는 기본 일괄 처리 엔진입니다. 일괄 처리는 기본 노이즈 처리, 누락된 데이터 관리, 사전 정의된 아웃바운드 데이터 세트에 기반한 필터링을 비롯한 여러 작업으로 구성된 과정입니다. 처리된 데이터는 요구되는 처리 방식 및 사용된 데이터 유형에 따라 객체 스토리지의 다양한 계층 또는 영구 관계형 저장소에 다시 작성됩니다.
• Oracle Big Data Service for Hadoop (관리형 Hadoop)을 OCI Object Storage 및 OCI Data Flow 구성 대신 사용할 수도 있습니다. 제품 관점에서든 기술 관점에서든 고객이 Hadoop 생태계에 대한 투자를 보유했는지 여부에 따라 이 2가지 구성을 함께 사용할 수도 있습니다. Hadoop Distributed File System이 아닌 Hadoop 기반의 객체 스토리지를 이미 사용 중인 고객은 이 구성을 Oracle Big Data Service로 전환할 수 있습니다. 고객이 사용 중인 또는 사용하려는 시각화 및 데이터 과학 도구에 따라 Hadoop 환경 내 다른 구성 요소(예: Hive) 역시 Big Data Service의 사용을 촉진하는 데 사용될 수 있습니다. 이 아키텍처가 모든 Oracle 제공 서비스에 포함되어 있기는 하지만, 고객은 그동안 사용하던 기존 구성 요소 일부를 계속해서 사용할 수도 있습니다. 특히 기존에 보유한 시각화 및 데이터 과학 도구가 여기에 해당됩니다.
• 이제 서빙 데이터 저장소를 사용하여 선별된 데이터를 최적화된 형태로 저장함으로써 쿼리 성능을 향상시킬 수 있습니다. 서빙 데이터 저장소는 SQL 기반 도구를 활용하여 최종 사용자에게 직접 선별된 고품질 데이터를 제공하기 위해 사용되는 영구 관계형 계층을 제공합니다. 본 솔루션에서 Oracle Autonomous Data Warehouse는 엔터프라이즈 데이터 웨어하우스의 서빙 데이터 저장소로, 필요한 경우 보다 특화된 도메인 레벨 데이터 마트로서 인스턴스화됩니다. 또한 데이터 과학 프로젝트의 데이터 소스, 또는 Oracle Machine Learning에 필요한 저장소로서의 기능도 수행합니다. 서빙 데이터 저장소로는 Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service, Oracle Exadata Cloud@Customer를 비롯한 다양한 서비스 중 하나를 채택할 수 있습니다.

데이터 기반 분석, 예측, 실행

분석, 예측, 실행 기능은 세 가지 기술적 접근법을 기반으로 구축됩니다.

• 고급 분석 기능은 유지 관리 및 성능 최적화에 필수적입니다. 본 사용 사례에서는 Oracle Analytics Cloud를 사용하여 분석 및 시각화 작업을 수행합니다. 이를 통해 기술 분석(현재의 추세를 히스토그램 및 차트로 설명), 예측 분석(미래 이벤트 예측, 추세 파악, 불확실한 결과의 발생 가능성 추산), 처방 분석(최적의 의사결정 지원을 위해 적합한 조치 제안)을 활용할 수 있습니다.
• 고급 분석 외에도 데이터 과학, 머신러닝, 인공 지능 등의 기술을 활용하여 이상 징후를 파악하고, 고장이 발생할 수 있는 위치를 예측하고, 소싱 프로세스를 최적화하는 사례가 늘어나고 있습니다. OCI Data Science, OCI AI Services, Oracle Machine Learning 등의 서비스를 각종 Oracle 데이터베이스에 적용할 수 있습니다. Oracle 은 머신러닝 및 데이터 과학 기술을 활용하여 예측적 유지보수 모델을 구축 및 학습시킵니다. 이후 해당 머신러닝 모델들은 API를 통해 점수 부여용으로 배포되거나, OCI GoldenGate 스트림 분석 파이프라인의 일부로서 내장될 수 있습니다. 경우에 따라 Oracle Machine Learning Services REST API를 사용하여 해당 모델들을 데이터베이스에 배포할 수도 있습니다(Open Neural Network Exchange 형식 모델에 한해 가능). 또한 Jupyter/Python 중심 노트북용 OCI Data Science, 또는 Zeppelin 노트북 및 머신러닝 알고리즘용 Oracle Machine Learning을 서빙 또는 트랜잭션 데이터 저장소에 배포할 수 있습니다. 마찬가지로 Oracle Machine Learning 및 OCI Data Science를 단독으로, 또는 함께 사용하여 권장/결정 모델을 개발할 수 있습니다. 이러한 모델들은 서비스 형식으로 배포 가능하고, Oracle은 해당 모델들을 OCI API Gateway를 통해 배포함으로써 '데이터 제품' 및 서비스 형식으로 제공할 수 있습니다. 마지막으로, 구축 완료한 머신러닝 모델들을 분산 제어 시스템에 포함된 애플리케이션 내에 배포하거나(허용되는 경우), Oracle Roving Edge Device 또는 유사한 서비스를 활용하여 에지에 배포할 수 있습니다.

데이터 과학 기술 및 머신러닝으로 식별된 패턴들을 결합하여 생성된 다양한 모델을 AI 서비스들을 통해 제공되는 응답 및 의사 결정 시스템에 적용할 수 있습니다.

• OCI Anomaly Detection은 공급망 성능 지표(예: 원자재 재고, 생산 처리량, 진행 중인 작업, 운송 시간, 재고 회전율 등)들을 실시간으로 모니터링하여 시스템 중단을 식별 및 해결하는 데 기여합니다. 복잡한 공급망에서는 식별된 이상 요인에 부여된 심각성 점수가 비즈니스 중단 요인 처리의 우선순위를 정하고, 관련 조치를 적용하는 데 사용될 수 있습니다.
• OCI Forecasting은 수요, 공급, 자원 용량 등의 공급망 지표를 예측하여 적절한 사전적 조치를 취할 수 있도록 도와줍니다.
• OCI Vision 및 OCI Language는 출고 제품 품질 보고서 및 제품 결함 보고서 등의 문서를 파악하여 공급망 데이터를 보강할 수 있도록 도와줍니다.

마지막 주요 구성요소는 데이터 거버넌스입니다. 데이터 거버넌스는 데이터 플랫폼 생태계의 모든 데이터 소스에 대한 데이터 거버넌스 및 메타데이터 관리(기술 및 비즈니스 메타데이터 모두 해당)를 제공하는 무료 서비스인 OCI Data Catalog를 통해 제공됩니다. 또한 OCI Data Catalog는 저장 방식에 관계없이 모든 데이터를 빠르게 검색할 수 있는 방법을 제공하기 때문에 Autonomous Data Warehouse에서 OCI Object Storage로의 쿼리를 위한 중요한 구성 요소이기도 합니다. 이를 통해 최종 사용자, 개발자, 데이터 과학자는 아키텍처 내의 모든 영구 데이터 저장소에서 공통의 액세스 언어(SQL)를 사용할 수 있습니다.

운영 효율성 및 성과 개선에 데이터 활용이 주는 이점

핵심 운영 데이터를 제공하는 데 사용되던 레거시 시스템은 오늘날의 빠른 비즈니스 변화 속도와 경쟁 수준을 더 이상 따라잡을 수 없게 되었습니다. 레거시 시스템을 사용해 단편화되고 사일로화된 데이터를 바탕으로 정보를 수집 및 통합하고 보고서를 작성하기 위해서는 수많은 수동 작업이 필요합니다. 그 결과 기업이 필요로 하는 이점을 제공하기에는 정보가 도착하는 시점이 너무 늦어지게 되죠.

생산 리소스를 최대한 활용하는 일은 제조 운영 최적화에 대단히 중요합니다. 잘못된 제품을 생산하거나, 제대로된 제품을 비효율적으로 생산하는 데 낭비되는 모든 시간은 비용과 폐기물의 수 증가로 이어지고, 더 나아가 귀사의 고객 니즈 충족을 방해합니다. 운영 최적화 및 성능 개선은 다음과 같은 수많은 이점을 제조 기업에 제공합니다:

• 생산 시간 및 비용을 낮추고, 출력량을 늘리고, 생산성을 높이는 고효율성
• 제품 품질을 개선하고 고객 만족도를 높이는 결함 감소
• 안전 위험 및 위해 요소의 빠른 식별로 안전 관행 개선 및 작업장 사고 감소
• 폐기물 감소로 공급망 효율성 개선 및 재고 수준 최적화 달성
• 가격, 품질, 혁신 경쟁력을 높여 시장에서 경쟁 우위를 확보할 수 있게 지원
• 폐기물 절감을 통한 지속가능성 개선, 에너지 효율성 증대, 제조 프로세스의 환경 영향 최소화