brunch

You can make anything
by writing

C.S.Lewis

by Master Seo Jun 28. 2022

6탄-4. 만도와 경동나비엔의 AWS 스마트 팩토리

<1>  AWS 데이터 분석 서비스

<2> 만도  스마트 팩토리 AI 비전 시스템

<3> 만도  스마트 팩토리 AI 비전 시스템 아키텍처

<4> 경동 나비엔 스마트 분석 플랫폼 구축

<5> 경동 나비엔의  스마트 펙토리 플랫폼  아키

<6> 경동 나비엔의  스마트 펙토리 플랫폼   데이터 파이프 라인 아키

<7> 경동 나비엔  성과



<1>  AWS 데이터 분석 서비스


EMR -  빅데이터 처리 분석

Kinesis -   실시간 비디오, 데이터 스트림 분석

OpenSearch Service -  로그, 검색 및 분석

Redshift -  데이터 웨어 하우스 ,  DW

MSK -  빅데이터 프레임워크를 쉽게 실행. 실시간

Athena -   대화형 쿼리 기반 분석




<2> 만도  스마트 팩토리 AI 비전 시스템


1

기존?

비전 검사 설비 운영 중



2

만도는?

부품 및 서비스를 제공하는 글로벌 모빌리티 부품 전문 기업

자동차를 멈추는 제동 장치, 방향을 조정하는 조향장치, 자율 주행 설루션까지 모빌리티 관련 하드웨어 , 소프트웨어 모두 진행



3

기존 룰 기반의 알고리즘으로 진행

데이터의 증가와 결함 유형이 다양해짐에 따라 룰 기반 검사 시스템  한계 발생함.

일정 수준까지 성능은 가능.

높은 수준은 힘듦.

엔지니어의 지식에 따라 검사 차이가 남.


4

필요성?

효율적인 인프라 시스템이 필요함.

기존 국내에 온프라미스 기반의 AI 시스템을 구축함.

투자비와 소요시간이 오래 걸렸음.

글로벌 구축을 위해서는 투자 비등 필요.


5

도입 내용?

온프레미스 시스템을 클라우드로 도입함.

다이나모 디비, S3

컨테이너, 모델 빌드 자동화

배포 시나리오 

에지 디바이스



<3> 만도  스마트 팩토리 AI 비전 시스템 아키텍처


1

SageMaker Studio  사용

AI/ML에 필요한 거의 모든 기능이 있다.


2

모델 빌드 파이프  라인 구성은?

소스 관리  -  CodeCommit , CodeBuild 사용.

모델 빌드 워크플로우는 전처리/학습/평가로 나누어짐. SageMaker 사용

Code PipeLine으로 자동으로 동작하게 되어 있음.

ECR 사용


3

모델 배포 파이프 라인 구성은?

Code PipeLine으로 자동으로 동작하게 되어 있음.

CoudBuild  사용 


4

추론 Iot 구성은?

IOT Code 서비스를 사용해서 인퍼런스에 필요한 컴포넌트들을 해당 에지 디바이스에 배포하도록 되어 있음.


5

에지 로케이션, 공장, 미국 구성은?

에지 디바이스는 IoT 그린 글레스를 통해 서빙이 이루어진다.


6

대시보드는?

모델 성능 모니터링을 위해 쿽사이트, 글루, 아테나를 사용해 대시보드를 개발함.


7

IOT CORE/GRENGRASS  도입이 만족스러움.



8

성과?

성능 40% 향상

비용 75% 인프라 비용 줄어듬.

미국 공장 대상으로 진행됨.

현지 엔지니어에게 일주일 교육으로 운영에 이상 없음.




<4> 경동 나비엔 스마트 분석 플랫폼 구축



1

경동 나비엔?

국내 보일러 제조사별 매출액 1위

2021년 매출액 1조


2

제조업에서 IT기업으로 전환하고자 하고 있다.


3

스마트 분석 플랫폼 구축 목표?

데이터 레이크 - 데이터를 하나로 모음. 기존 서비스에는 영향이 없도록 함.

분석 환경 - 머신러닝과 인공지능 기반의 품질 강화, 예지 정비 기반 마련

탄력적 운영 - 데이터가 증가하고 관리해야 하는 공정이 늘어도 가능하도록

비용 절감- 직원 생산성을 높인다.


4

구축 과정?

디스커버리 워크숍 - 현장의 요청사항 파악

과제 선정 

클라우드 설계  - AWS 프로페셔널 인프라팀과 진행함.

구현

확장



<5> 경동 나비엔의  스마트 펙토리 플랫폼  아키


현재 운영 중인 서비스 및 데이터베이스에 영향을 주지 않도록 하며,  데이터 레이크 구축

운영 중인  생산에 문제가 되면 안 되므로.


1

스마트 펙토리 플랫폼  아키는?


수집 1 

데이터베이스를  DMS 이용 AWS로 마이그레이션 진행 

운영 중인 데이터베이스는 계속 운영된다.


3

S3에 데이터 레이크를 구성


4

Glue, 람다, 아테나 사용하여 비용 효율성과 탄력적 리소스 사용.

분석가나 매니저가 아테나로 사용한다.


5

머신러닝과 인공지능을 위한 준비 - 세이즈 메이커 사용

데이터 엔지니어, 사이언티스트 사용함.


6

수집 2 

생산설비에서 전달되는 데이터는?

키네시스 데이터 스트림, 파이어 호스로 수집 , 오픈 서치, 키바 나로 시각화함. 

생산 현장에서 사용함.




<6> 경동 나비엔의  스마트 펙토리 플랫폼   데이터 파이프 라인 아키


1

온프라미스 데이터를 가져오는 과정


2

운영 중인 데이터베이스에 쌓이는 데이터는?

DMS  이용  가져옴

원본 데이터를  S3에 저장

추출, 변환, 적제를 위해  Glue이용

글루에서 Hudi Connector를 이용하여 데이터의 정합성을 검증

S3저장

아테나에서 쿼리 함

대시보드 사용


3

실시간으로 가져오는 설비장비의 센서 데이터는?

 키네시스 데이터 스트림과 파이어호스를 이용하여 가져옴

실시간 대시보드는 오븐 서치 서비스를 이용함.



4

데이터 레이크 설계?

S3를 사용 용도에 맞게  3가지 버켓 생성


데이터 레이크 버킷

아테나, 클라우드 트레일, 키네시스 파이어호스 백업 등 저 정을 위한 로그 버킷

Hudi Connector라이블러리를  저장하는 아티팩트 버킷을 만듦


5

데이터 레이크 버킷은?


3가지 계층으로 만듦

데이터는 Parquet  포맷으로 저장하여 데이터 저장 비용을 최적화, 처리 성능 향상.


1) 원본 데이터 저장 - 만료 규칙을 지정함.

2) 분석을 위한 데이터

3) 데이터마트 - 머신러닝, 인공지능의 용도로 사용함.


6

CDK를 사용?

80%의 배포 단축,  50% 이상 휴먼 에러 방지, 40% 이상 생산성 향상




<7> 경동 나비엔  성과


1

기술적 관점?

DMS기반 클라우드 분석 플랫폼 구축

기존 데이터베이스에 부하를 주지 않고 실시간 모니터링 제공, 분석 역량 강화됨. 

추가의 경우 아테나 사용도 가능.

해외 통합 관리도 가능해짐


2

비즈니스적 관점?

대시보드를 통해 새로운 사업 창출 기회와 비용 절감 효과.


3

조직적 관점?

공장, 연구소, 인프라 합쳐서  혁신을 진행하는 스마트 조직이 생김.


4

모신 러닝 대시보드 3가지?

메인 

불량률 - 불량 발생 추이 확인 , 원인 파악 가능하도록 설계, 실무진에게 도움이 되는 대시보드

이상 감지 



5

향후 계획 3가지?


스마트 팩토리 표준 인프라 구성

국내/외 리전 인프라 통합, 보안, 관제 정책 통합


데이터 기반 의사결정 체계 수립

디지털 분석 조직이 만들어짐

데이터를 통한 의사 결정을 할 수 있도록 할 예정


AI/ML도임을 통한 비용 절감, 생산성 제고

설비 예지 시스템 구축 예정




https://brunch.co.kr/@topasvga/2439


감사합니다


매거진의 이전글 6탄-1. 6주 만에 AWS에서 AI/ML을!
브런치는 최신 브라우저에 최적화 되어있습니다. IE chrome safari