24탄-13.AWS-제조-동화기업-스마트팩토리
동화 Data Lab
<1> 동화 기업
<2> 스마트팩토리 - 데이터 수집 아키텍처
<3> 스마트팩토리 - 데이터 레이크
<4> 스마트팩토리 - Self 분석 도구
<5> 스마트팩토리 - 생산 공정 최적화, ML Pipeline
<1> 동화 기업
1
회사 소개
목재 산업, 보드, 건장재, 미디어등 다양한 사업군
베트남, 말레이시아, 호주등 해외 생산기지를 가짐
소재(보드), 화학(수지, 표연재), 오토라이프(중고차), 미디어
2
전략?
오페레이션 프로세스, 고객 경험의 혁신에 집중, 내부 역량 확보
소규모 성공 체험을 통해 점진적 동기 부여
일관된 디지털 혁신 로드맵, 스마트 팩토리, 스마트 비즈니스
3
동화자체 구축 스마트 팩토리 플랫폼 - 2020년 12월 구축
IoT, 스케줄 수립, 실시간 공정 확인
AI기반 지능화 서비스 기획
글로벌 스마트 팩토리 확산 - 한국 공장, 글로벌 표준 완성, 베트남 , 말레이시아 공장 적용.
4
원재료 재고량 측정(컴퓨터 비전)
스마트 팩토리 분석 - 생산 실무자를 위한 자체 분석 툴 제공하여 직접 확인가능
공장 운전 자동화 - 자동 제어, 기계 학습
5
AWS 협업
AWS manufacturing Boot Program (2021.04~2021.06)
Data Lake workshop (AWS Professional Services, 2021.09)
AWS POC - SageMaker를 이용한 분석 모델 구축, 전문가 Q&A채널 (2021.10 & 2022.03)
Data Analytics & AIML Platform Workshop (AWS Professional Services,2021.12)
AWS Enterprise AI/ML Bootst Program , 교육 프로그램 (2022.04~2022.08)
Rapid Assisted-MLOps Prototyping Program - Step Function과 SageMaker활용한 MLOps구현 실습 (2022.08)
<2> 스마트팩토리 - 데이터 수집 아키텍처
1
개선 전
EC2기반으로 운영
로컬 센서------PLC------ 전용선, VPN--------EC2-----EC2 (카프카 클러스터)---- EC2 (Storm 클러스터)--EC2 (레디스)---EC2 (Postgre SQL)
오픈소스로 운영해 서비스에 대한 핸들링은 좋으나 , 데이터 유실 관리 필요.
2
개선 후
서버리스 기반으로 운영. 비용 절감
CDK로 빠르게 구성
로컬 센서------PLC-- 키네시스 클라이언트---- 전용선, VPN--------키네시스 데이터 스트림----람다--Atlas 몽고디비
3
데이터 수집 및 운영 성과?
공장당 3시간 이내 구축 - 관리형 서비스 사용
1분 이내 장애 대응 - 장애 시 담당자에게 알람.
성능 600% 향상 - RDS -> NOSQL 기반으로 성능 향상
데이터 용량 75% 절감 - 압축 적용
운영 비용 49% 절감 - EC2 운영으로 계속 비용 발생에서 서버리스로 수행시간/처리 데이터의 만큼만 비용 지불
<3> 스마트팩토리 - 데이터레이크
1
필요성?
데이터 접근에 대한 요구 - 과거 생산이력, 설비 상태
데이터 검증 요구
데이터 활용에 대한 요구
데이터 통합에 대한 요구
2
데이터 레이크 아키텍처?
Atlas 몽고 디비 - Glue trigger - glue Job --- S3---- Glu Crawer-Glue Catalog-아테나-Sage Maker
L______ 오로라, Postgre DB
3
데이터 레이크 성과?
데이터 접근성 증대 - API로 일반 사용자에게 데이터 오픈
데이터 기반한 혁신 활동 수행
<4> 스마트팩토리 - Self 분석 도구
1
배경?
과거는 경험에 의한 처리
불량 원인 추적 및 수요 예측 필요
R이나 파이썬 등 통계 분석 도구의 어려움
2
데이터 기반 Self분석 도구 개발하여 제공함
3
Self 분석 도구 아키텍처?
S3 data Lake -----Athena , CSV파일 형태 -------- 람다로 조회----------SageMaker로 분석작업 ---API Gateway --------EC2 웹-----사용자
공정요원을 선발해 사용하도록 진행함.
위에서부터 혁신이 아닌, 현장으로부터 혁신의 시작.
<5> 스마트팩토리 - 생산 공정 최적화, ML Pipeline
1
배경?
공정 조건, 품질, 제어 필요
2
생산 공정 최적화, ML Pipeline 아키텍처?
Data Lake , S3-----아테나----------머신러닝(AutoGluon + SageMaker)
코드 커밋 -----------------------------머신러닝(AutoGluon + SageMaker)
AutoGluon + SageMaker 사용함
3
성과?
AutoGluon + SageMaker로 분석 비용 감소함.
최적 공적 조건 도출
원재로 투입비 최대 10% 절감
<6> 실습
https://brunch.co.kr/@topasvga/1766
https://brunch.co.kr/@topasvga/1765
몰아보기
https://brunch.co.kr/@topasvga/2882
감사합니다.
