Elasticsearch를 사용한 산업용 사물 인터넷(IIoT) | Elastic Blog
엔지니어링

Elastic Stack을 사용한 산업용 사물 인터넷(IIoT)

산업용 사물 인터넷(IIoT)은 제조업체에 수천 개의 센서 및 디바이스에서 데이터를 확보할 수 있는 기회를 제공합니다.

생산 공정을 모니터링하고 추가 분석을 위한 적절한 조치를 도출하기 위해서는 이러한 데이터를 함께 연결하는 것이 중요합니다. 주요 당면 과제 중 하나는 데이터를 수집하고 정규화하여 예측 분석 또는 작업장 보안의 맥락에서 사용하도록 하는 것입니다.

소규모 제조업체들도 수백 대의 기계와 수천 개의 센서로 구성된 공장을 여러 개 운영하는 경우가 많습니다. 새로운 데이터가 밀리초 단위로 생성되고 쉽게 테라바이트 규모에 이르지만 저장되거나 분석되지 않으므로 어떠한 가치도 얻을 수 없습니다.

Elastic을 사용하면 IIoT 데이터를 수집, 보강 및 분석할 수 있으며, 생산 공정에 대한 생산 관리자의 통찰력을 높일 수 있습니다.
— Marco De Luca, Elastic의 수석 솔루션 아키텍트

대규모로 데이터를 수집할 수 있는 능력은 중요한 차별화 요소가 됩니다. 생산 공정을 최적화할 수 있어 효율성 향상은 물론 제품 품질의 향상으로 이어질 수 있습니다.

일반적으로 제조업체들은 위에 언급된 일반적인 문제 외에도 다음과 같은 문제 중 하나 이상에 직면해 있습니다.

  • 제조업체들은 혁신적이지만 여전히 오래된 기계들을 많이 가지고 있으며, 이를 몇 년 더 사용해야 할 수 있습니다. 일반적인 수명 주기는 10~20년 이상입니다. 이러한 레거시 시스템을 최신 분석 플랫폼에 통합하려면 어떻게 해야 할까요?
  • 센서, 자율 주행 차량 및 디바이스들을 모니터링해야 합니다. 전체적으로 볼 수 있는 기능이 있어야만 예측 유지 보수, 운영 등에 도움이 되는 토대가 될 수 있습니다. 각종 디바이스는 서로 다른 기술을 사용하여 통신하고 서로 다른 방식으로 인터넷에 연결합니다.
  • 또한 서로 통신하지 않는 독점 솔루션이 많습니다. 이러한 시스템에서 데이터를 가져오고 다른 기계 데이터와의 상관관계를 활성화하려면 어떻게 해야 할까요?
  • 일부 제조업체는 이미 새로운 시스템과 기존 시스템을 모두 모니터링하기 위해 기계 데이터용 플랫폼을 구축하는 방법을 고려하고 있습니다. 목적이 운영/유지 보수를 위한 것이든 아니면 추가/신규 비즈니스 사례 및/또는 서비스를 구축하기 위한 것이든 데이터를 어떻게 활용하시나요?

기계 데이터를 수집하고 분석하는 데 집중하는 기업에는 많은 이점이 있습니다. 생산 공정을 최적화하고 제품의 품질을 높이는 것만 가능한 것이 아닙니다. 데이터를 수집하고 분석하면 훨씬 더 많은 작업을 수행할 수 있습니다.

예측 유지 보수와 더불어 잘 설계된 모니터링 솔루션은 비용도 크게 절감할 수 있습니다. 센서 데이터는 디바이스의 상태 또는 제조된 제품의 품질에 대해 많은 정보를 제공할 수 있습니다. 또한 리소스 소비를 줄이는 데도 도움이 됩니다. MM Karton은 원료 소비량을 20% 줄임으로써 이러한 가능성을 입증했습니다.

IIoT 데이터 분석의 토대 구축

이러한 이기종 데이터 세트를 활용하려면 필요에 따라 확장할 수 있는 별도의 환경에 저장해야 합니다. Elasticsearch는 이 사용 사례에 가장 적합합니다. 다양한 종류의 데이터를 대규모로 저장할 수 있을 뿐만 아니라 머신 러닝 기능으로 데이터를 분석하고 원하는 방식으로 데이터를 시각화할 수 있습니다.

각 공장의 관련 데이터를 모두 수집할 수 있게 되면 어떻게 전체 모니터링을 통해 생산 공장의 효율성을 개선할 수 있을지 상상해 보세요. 필요한 모든 종류의 데이터를 Elasticsearch에 저장하고 Canvas를 사용하여 여러 조립 공장의 데이터를 하나의 화면에 결합하는 것은 라이브 데이터에 연결된 프레젠테이션용 슬라이드를 만드는 것만큼 쉽습니다.

여기 몇 가지 예가 있습니다.

Canvas에 내장된 대시보드 모니터링

개괄적 정보부터 디바이스별 세부 정보까지 여러 조립 공장 모니터링

여러 조립 공장에 대한 개괄적 뷰를 갖는 것은 좋지만, 각 공장의 여러 기계가 얼마나 잘 작동하고 있는지도 알고 싶으실 것입니다. 또한 각 공급업체의 다양한 데이터 모델을 결합하고 상호 연관시킬 수 있어야 합니다.

Elastic Stack의 일반적인 IIoT 사용 사례

다음은 IIoT 데이터 분석 및 모니터링에 Elastic Stack을 사용하는 몇 가지 사용 사례입니다. 이외에도 원격으로 기계와 상호 작용하여 문제에 자동 대응하는 등 많은 사용 사례가 있습니다.

선제적 유지 보수로 이어지는 예측 분석

센서 데이터를 사용하면 IoT 디바이스의 상태를 매우 효과적으로 분석할 수 있습니다. 공기 또는 오일 압력, 온도, 전압, 속도, 소리, 주파수 또는 색상/조명의 변화와 같은 센서 데이터를 고장의 조기 경고 메커니즘으로 사용할 수 있습니다. 가까운 미래에 무언가가 고장이 날 것임을 알고 그 정보에 대응하면 비용을 줄이는 데 도움이 됩니다.

또한 센서 데이터 또는 데이터 범위의 임계값을 알면 생산 관리 부서에서 고장 경향을 고려하지 않고 구성 요소를 교체하는 융통성 없는 유지 보수 주기 대신 실제 데이터를 바탕으로 한 개별 유지 보수 계획을 설정할 수 있습니다. 이를 통해 의미 있는 전용 유지 보수 계획을 수립하여 비용과 생산 중단 시간을 줄일 수 있습니다.

그런데 이렇게 하려면 고장을 초래하는 상황에 대한 상당한 지식이 필요합니다. 사람이 수백 개의 센서를 즉시 실시간으로 관찰하고 이를 이전의 이벤트와 비교하기는 어렵습니다. 머신 러닝이 이런 종류의 작업에 꼭 맞습니다. 센서별 이상 징후를 찾거나 모든 센서의 데이터를 단일 상태 점수 결과와 연관시키는 데 매우 강력한 역량을 발휘합니다.

불합격률 또는 불량률 감소

또 다른 중요한 KPI는 불합격률/불량률입니다. 생산 과정에서 불합격으로 이어지는 부분을 파악하여 불합격률을 줄이는 것이 중요합니다. Elastic Stack의 머신 러닝 기반 이상값 탐색 기능은 예상 결과와 다른 제품을 찾는 데 도움이 됩니다. 이 탐지 기능을 센서 데이터와 함께 사용하면 문제를 빠르고 쉽게 찾을 수 있습니다.

작업장에서 잘 설계된 머신 러닝 작업은 궁극적으로 사람의 개입 없이 기계가 스스로 최적화할 수 있는 시나리오로 이어질 수 있습니다.

머신 러닝으로 생성된 분석 탐색

머신 러닝 기반 이상값 탐색 기능은 상식에 어긋나는 제품 품질 메트릭을 탐지할 수 있음

작업장 보안

오늘날 IT 관련 시스템의 보안은 널리 알려진 문제입니다. 작업장의 보안은 구현하기 훨씬 더 어려운 경우가 많습니다. 현재 일반적인 개념은 전체 생산 시설에서 인터넷을 차단함으로써 침입을 방지하는 것이지만,

인터넷 차단은 점점 더 어려워지고 있습니다. SPS(예: Siemens SIMATIC) 시스템에 ‘전통적인 IT’(예: SAP PP 또는 PLM과 같은 ERP)가 점점 더 많은 영향을 미치면서 결국 직접 통신하게 되고 모든 장단점이 그대로 적용될 것입니다. 비즈니스에 의해 수요가 발생합니다. MoD(Making On Demand)는 이미 3D 인쇄 또는 레이저 절단 분야에서 존재합니다. 예를 들어, 웹숍의 맞춤형 주문에 의해 완전 자동화된 생산 공정을 상상해 보십시오. 상호 연결된 IT에서 작업장으로 불똥이 튀는 위험이 새로운 차원의 위험이 될 것입니다. 따라서 작업장 보안은 산업 4.0 전환 과정에서 매우 중요한 주제가 될 것입니다. 모든 관련 데이터를 수집할 수 있는 기능과 함께 Elastic SIEM(보안 정보 및 이벤트 관리)을 사용하면 여러분의 스마트 공장에서도 보안 이벤트를 모니터링할 수 있습니다.

Elastic Stack을 사용하여 다양한 IIoT 데이터 소스 수집 및 분석

필요한 분석 기능은 이미 오래전에 Elastic Stack에 구현되어 있습니다. 서로 다른 데이터 소스의 데이터를 스택으로 가져오는 것이 가장 어려웠습니다.

생산 공장에 존재하는 모든 다양한 데이터 소스에서 데이터를 수집하는 작업은 한 가지 방법으로는 수행할 수 없습니다. 여러 데이터 소스를 함께 결합해야 합니다. Elastic은 개방형의 실시간 데이터 플랫폼이므로 에코시스템을 사용하여 모든 유형의 데이터 소스를 손쉽게 통합할 수 있습니다.

제조 공장에는 매우 오래된 시스템(아마도 Windows 95 또는 그 이전 버전을 사용하여 제어 소프트웨어를 실행하는 시스템)부터 Linux 및 OPC-UA를 실행하는 최신 기술에 이르기까지 모니터링해야 하는 다양한 시스템이 있습니다. 이 게시물에서 언급하는 시스템은 주로 다음과 같은 유형입니다.

  • 공장 내부 및 공장 간 제조 공정을 제어하는 데 사용되는 IBM MQ와 같은 제조 제어 소프트웨어.
  • 산업용 제어 시스템에서 사용하도록 설계된 독특한 형태의 컴퓨터 디바이스인 PLC(Programmable Logical Controller). 센서 및 액추에이터를 제어하는 특수 목적의 ‘산업용 PC’입니다. 예를 들어, 제지 산업에서 종이 제품을 생산하는 기계를 제어하거나 리프트와 에스컬레이터를 제어할 수도 있습니다. PLC로 제어할 수 있는 많은 사용 사례가 있습니다.
  • KUKA(독일/중국 제조업체)에서 만든 로봇과 같은 산업용 로봇. KUKA 로봇에는 OPC-UA 서버가 포함되어 있어 KUKA 로봇을 제어할 수 있지만, 이와 동시에 제조 현장에서 다른 로봇 및 시스템과 상호 작용합니다. OPC-UA는 또한 인터넷을 통해 시스템을 상호 연결할 수 있으므로 보안 위협에 노출될 것입니다. 그렇기 때문에 보안은 OPC-UA 규격에서 중요한 역할을 하며 또한 Elastic과 같은 모니터링 플랫폼으로 모니터링해야 합니다.
  • 온도, 습도, 속도, 가속도, 위치, 진동 또는 생산 공정 데이터와 상관시키는 데 필요한 기타 메트릭을 측정하는 데 주로 사용되는 센서 및 기타 자율 차량 또는 디바이스. 예를 들어, 온도와 습도 변화는 로봇의 작동에 영향을 줄 수 있고 심한 진동을 일으켜 로봇의 고장이나 제품의 품질 저하로 이어질 수 있습니다. 따라서 센서와 로봇 데이터는 고객 운영에 중요합니다.

PLC, MQTT 브로커 및 OPC UA 서버에서 데이터 수집

이 모든 준실시간 데이터를 수집하려면 MQTT 브로커와 OPC UA 디바이스로부터 데이터를 수집할 수 있는 커뮤니티 BeatMachinebeat를 사용하면 됩니다. 또한 MQTT 모듈은 AWS IoT Core 또는 Azure IoT Hub와 같은 다양한 IoT 클라우드 서비스 공급업체로부터 데이터를 수집할 수 있습니다.

PLC 디바이스에서 데이터를 수집할 수 있도록 Apache Project PLC4XLogstash 플러그인으로 통합되어 있으므로 고객은 모든 PLC4X 지원 PLC에서 메트릭을 수집할 수 있습니다. PLC4X와 Elasticsearch에 대한 자세한 내용은 Codecentric 파트너의 이 블로그 게시물에서 확인할 수 있습니다.

iiot-data-collection-overview-blog.png모든 데이터에 대한 데이터 수집, 보강 및 분석을 위한 솔루션 개요

Kibana로 데이터 시각화

이 모든 정보를 확보하면 새로운 문제에 직면하게 됩니다. 이렇게 많은 데이터를 저장하는 것은 이를 통해 가치를 얻을 수 있는 경우에만 유용합니다. 현재 일어나고 있는 일에 대한 더 나은 통찰력을 얻음으로써 가치를 창출할 수 있습니다. 이때 시각화가 도움이 될 수 있습니다. 다음 예제는 IBM MQ 제어 제조 환경에서 여러 대기열 간의 메시지를 시각화합니다. 레거시 모니터링 시스템에서는 사용자가 모니터링하는 항목에 대해 구체적으로 알아야 합니다. Canvas를 사용하면 특정 지식을 추상화하고 현재 상황에 대해 쉽게 색으로 구분된 피드백을 제공할 수 있습니다.

IBM MQ 메트릭의 실시간 모니터링 및 시각화

사용자 정의 규칙 세트에 기반한 조건부 색상 전환을 비롯한 IBM MQ 메트릭의 실시간 모니터링

직접 사용해 보세요

  1. IoT 모니터링 솔루션의 기반을 제공하는 Elasticsearch Service의 14일 무료 체험판을 시작합니다.
  2. Gitub으로 이동하여 Machinebeat의 Linux 또는 Windows 버전을 다운로드합니다. 
  3. Readme의 구성 섹션에 있는 단계에 따라 무료 OPC-UA 서버에 대한 연결을 구성하거나 자체 OPC-UA 서버에 자격 증명을 입력합니다. 또는 MQTT 브로커를 구성하고 해당 브로커를 통해 다양한 센서에서 데이터를 수집하는 단계를 수행할 수도 있습니다.
  4. 데이터가 흐르면 자체 대시보드를 구축하여 데이터를 시각화/분석합니다. Canvas는 데이터를 시각화할 수 있는 또 다른 좋은 대안으로서 이를 사용해 실시간 데이터로 프레젠테이션 슬라이드를 만들 수 있습니다. 자세한 내용은 Canvas 시작하기 블로그를 참조하시기 바랍니다.

여러분의 의견을 알려주세요! 토론 포럼에 참여하거나 GitHub에 PR을 남겨주세요.