빅데이터에서 스마트 데이터 그리고 디지털트윈까지!

Pic2_820x350


빅데이터를 실시간으로 활용할 때 디지털트윈을 함께 활용한다면?

빅데이터, 보다 유용하게 활용하는 방법

Industrial Internet of Things (IIoT)Industry 4.0은 최근 들어 가장 많이 언급되는 키워드입니다.

기업은 더 유용하고 스마트한 방법을 찾기 시작하면서 방대한 데이터 관리 솔루션 시장에 직면하게 되었습니다. 그러나 알려진 데이터 양과 눈에 보이는 시각화 자료는 종종 설득력이 부족할 때가 많습니다.

관련 결과를 사용자에게 제공하려면 IIoT-capable system에서 연결된 부품들이 데이터를 분석하여 올바른 상황에 배치해야 하며, 여기에 효율성을 더욱 높이려면 연구 질문이 정확하게 무엇인지를 먼저 확인해야 합니다. 이렇게하면 계산 시간이 줄어들고 유용한 정보로 더 빨리 안내됩니다.

산업 시스템을 모니터링하는 것은 더이상 새로운 발견이 아닙니다. 시스템에 센서를 장착하고 데이터를 기록하는 것은 수십 년 동안 입증된 방법이었습니다. 예방적 유지보수를 위한 차별화된 접근으로서의 조건 모니터링은 단지 하나의 예일 뿐입니다.

기존 시스템과 지능형 시스템 간의 실제 차이점은 연결 등급과 사용된 부품과 통합된 센서에서 발생합니다. 기존 시스템과 달리 지능형 시스템의 부품에 있는 센서상호 연결 정도에 따라 분석할 수 있는 데이터를 제공합니다.

이는 쉬워보이지만, 산업 환경에서의 데이터를 배포하는 것은 보안 문제중에서도 정말 중요한 문제입니다.

데이터를 관련있는 정보로 변환 – 측정된 데이터를 지능적으로 처리하기

이를 설명할 적절한 예가 바로 사람입니다. 운전자는 인간 데이터 프로세서의 완벽한 예입니다.

차를 안전하게 운전하기 위해 운전자는 자신의 감각으로부터 얻는 모든 정보를 이용해야만 합니다.

숙련된 운전자와 경험 없는 운전자의 차이점에는 1) 관련 정보가 무엇인지 파악하고, 2) 안전하게 작동하는 방법을 이해하는 것과 3) 개별적으로 시스템을 제어할 수 있는 정도로 알 수 있습니다.

경험이 부족한 운전자들은 교통, 도로 상황, 날씨, 교통 표지, 보행자, 건물, 심지어 라디오 프로그램 등 이용 가능한 정보의 양에 압도되는 경향이 있습니다.

이 모든 정보들은 운전자가 인지하는 것이며, 이 데이터를 분석하는 데는 시간이 많이 소요되며 잘만 활용한다면 운전하는데 유용하게 사용될 수 있습니다.

반면에 경험이 많은 운전자는 들어오는 정보를 훨씬 더 효과적으로 필터링할 수 있으며, 데이터 흐름과 관련한 비트가 차량의 동작에 영향을 미치는지를 알 수 있습니다.

그는 자신의 차가 어떻게 반응을 할지 훨씬 더 잘 알고 있으며, 이는 안전한 주행으로 이어집니다. 예를 들어 똑같이 도로가 젖었더라도 고속도로보다 나뭇잎이 깔린 거리를 운전할 때 더욱 위험하다는 것을 알고 조치를 취합니다.

숙련된 운전자는 현재 데이터를 통해 이 모델에 제공할 수 있습니다. 그는 나뭇잎으로 뒤덮인 젖은 도로가 얼마나 미끄러운지 알고 있으며, 관련 데이터를 분석하고 사용하여 다른 사람과 충돌하지 않고 커브를 얼마나 빨리 돌 수 있는지 예측할 수 있습니다.

분석 또는 예측의 품질은 현재 데이터, 시스템(또는 모델) 동작에 대한 지식 및 경험에 따라 달라집니다. 관련 데이터의 선별과 수동 평가는 제한된 양의 데이터와 기본 시스템에 적합하지만, IIoT와 같은 신기술의 잠재력을 최대한 활용해야 할 때의 증가하는 데이터 양과 시스템 복잡성에 대해서는 대처하기 어렵습니다.

자동 프로세싱 및 디지털트윈으로의 접근

자동화된 데이터 처리 방식은 빠르고 완벽한 데이터 분석을 위한 유망한 접근 방식입니다.

최신 데이터 처리 시스템은 수백만 개의 값을 순식간에 모니터링하여 임계값과 비교해 사용자에게 경고를 알려줄 수 있습니다.

그러나 데이터가 급격히 증가함에 따라 임계값의 단순한 비교만으로는 유용한 데이터를 생성할 수는 없게 되었고, 문맥에 따라서 필요한 정보를 찾아야 되는 상황이 되었습니다.

더 큰 데이터 양의 잠재력을 최대한 활용하는 방법은 관점을 새롭게 바꾸는 것입니다.

모든 값을 활용하는 대신 데이터 클러스터가 식별되고 상호 연관되는 것입니다. 이러한 상관 관계를 생성하는 예는 시스템 모델입니다.

자동 분석에서는 특정 센서에 의해 직접 모니터링되지 않더라도 적절한 모델을 사용하여 상태 설명을 수행합니다. 이 경우 모델은 숙련된 프로세스 엔지니어처럼 작동합니다.

프로세스 엔지니어시스템의 지식 기반 개념(예: 기계 소음 분석)을 기반으로 시스템 오류를 진단할 수 있습니다.

또한 프로세스 엔지니어의 개념 접근 방식과 디지털 모델 접근 방식 모두 사용 상황 시나리오에 사용할 수 있습니다.

즉, 동작 설명을 기반으로 현재 데이터의 외삽에 모델을 사용할 수 있습니다.

일반적인 예로는 예방적 유지보수를 볼 수 있습니다. 이 방법은 특정 지표의 추세를 모니터링하고 다음 유지보수가 필요할 때까지 남은 런타임을 예측하여 예기치 않은 시스템 장애(예: 부푸 마모)를 방지하는 데 목적이 있습니다.

이 지표는 소위 디지털트윈이라 불리는 시뮬레이션 모델을 사용하여 계산됩니다.

빅데이터의 실시간 처리를 위해 전체 시스템에서 디지털트윈을 사용하면 완전히 새로운 가능성을 얻을 수 있습니다.

시스템 구성요소의 향후 개발을 예측할 수 있다는 것은 매력적으로 들립니다. 시뮬레이션 모델이 더 상세할수록 더 광범위해지고, 이는 적절한 솔루션에 필요한 컴퓨팅 성능과 직접적인 관련이 있습니다.

전체 시스템을 세부적으로 나타내는 모델은 너무 느려서 시스템 상태 분석을 적시에 제공할 수 없습니다.

이 문제는 필요한 정보의 정의부터 시작하여 기본 사항에 초점을 맞춘 단순화를 통해 해결할 수 있습니다. 이러한 요구 사항에 맞게 조정된 시뮬레이션 모델을 보다 신속하게 계산할 수 있으며, 크기가 작기 때문에 유지관리가 훨씬 쉽습니다.

관련 사례는 유압 실린더 액추에이터가 장착된 시스템입니다. 이러한 시스템은 정밀도와 속도가 주요 우선사항인 재료 가공에 사용되며, 기계 정지 시간을 최소화하는 것이 핵심입니다.

이를 위해 시스템에는 일반적인 센서가 장착되어 있습니다. 신호 처리 시스템(SPS)은 관련 센서 데이터를 처리하고 필요한 구성 요소를 제어합니다.

작업자는 최신 기술을 사용해 최신 정보를 제공하며, 시스템에서 들어오는 모든 데이터(클라우드) 풀을 설치합니다. 시스템 구성 요소는 제조업체마다 다르지만 모두 SPS 또는 인터페이스를 통해 클라우드로 데이터를 전송할 수 있습니다.

작업자의 목표는 기계의 정확한 작동을 유지하면서 가능한 오랫동안 사용하는 것입니다. 이 실린더 액추에이터의 예에서는 주로 고압 필터 및 서보 밸브에 의해 결정됩니다.

따라서 작업자는 제품 품질에 영향을 미치지 않고 현재 운영 조건에서 이러한 부품을 교체해야 하는 시점 또는 현재 시스템을 어느 속도로 운영할 수 있는지를 알고 싶어 합니다.

집중된 부품의 상태는 전체적 맥락에 따라 결정됩니다. 예를 들어 밸브의 제어 신호는 현재 실린더 이동 프로파일과 일치해야하며, 필터 위의 차압은 필터 부하 및 매체의 점도에 따라 달라집니다.

이러한 종속성은 실린더 드라이브의 유압 부품 모델인 디지털트윈으로 설명되며, 클라우드에 포함되어 있습니다.

Pic2_820x546

디지털트윈 셋팅하기

시뮬레이션 모델을 생성하는 것은 물론 디지털트윈을 셋팅하려면 노하우와 데이터가 필요합니다. 이는 시스템 제조업체가 반드시 사용되는 부품의 제조업체일 필요는 없으며 필요한 데이터에 대한 액세스만 제한하기 때문에 지적 재산과 관련하여 문제가 될 수 있습니다.

이러한 정보 부족을 해결하는 한 가지 방법은 경험이나 상황에 따라 누락된 데이터를 추정하는 것입니다. 또 다른 방법은 새로운 프로세스를 추가하여 부품 제조업체의 가치 사슬을 확장하는 것입니다.

첫째, 부품 제조업체는 디지털트윈을 통해 물리적 부품을 제공할 수 있습니다.

엄밀히 말하자면, ‘트윈’은 정의된 인터페이스를 가진 시뮬레이션 모델 패키지입니다. 모델 교환은 부품 공급업체와 OEM 간의 교환을 단순화하기 위해 몇 년 전에 개발된 표준인 FMI(Functional Mock-up Interface)를 통해 이루어집니다. FMI는 공급자의 데이터로 모델을 사용할 수 있도록 하면서 지적 재산을 보호합니다. FMI 표준에서 이름을 딴 FMU(Functional mock-up unit)는 운영자의 데이터 클라우드에 포함된 디지털트윈의 일부가 됩니다.

둘째, 부품 제조업체는 서비스 패키지로서 데이터 분석을 포함한 부품을 제공할 수 있습니다.

여기에는 시스템에서 아웃소싱한 데이터 분석이 포함되므로, 구성요소 공급업체는 운영자의 클라우드에서 특정 데이터에 액세스할 수 있으며 구성요소 트윈을 통해 이 데이터를 평가합니다. 부품이 시스템의 나머지 부분에 대해 너무 많은 논리적 종속성을 갖고 있지 않다는 점을 고려할 때 이 방법이 가장 적합합니다. 많은 기업이 타사와의 데이터 교환에 대해 회의적이지만, 양측 모두에게 이익이 될 수 있습니다. 제조업체가 실시간 작동 조건에서 부품의 성능에 대한 정보를 얻을 경우, 부품을 적절히 조정하고 개선할 수 있습니다.

시스템의 설계, 개발 및 운영 간에 연결된 데이터 흐름은 디지털 모델을 적용하여 활성화할 수 있습니다. 이전에는 시뮬레이션 모델이 주로 제품 개발 단계에서 사용되었지만 디지털트윈은 이러한 제한을 없앱니다.

이러한 특정 모델은 실제 시스템의 운영 단계와 병행하여 적용할 수 있을 뿐만 아니라 향후 개발에 사용될 수 있고 실시간 프로세스 데이터를 지속적으로 제공할 수 있는 새로운 클론의 프로토타입 역할을 합니다.

이를 통해 개발 단계에서 성능 및 마모 동작과 같은 현재 데이터를 기반으로 분석을 수행할 수 있습니다. 또한 측정된 데이터를 기반으로 실시간 조건을 도출하기 위해서는 구체적인 전문 지식과 시뮬레이션 능력이 점점 더 필요한 것으로 나타났습니다.

그러나 가장 큰 문제는 클라우드 서비스 공급업체의 데이터 관리에 있기 때문에, 따라서 절대 전제는 고도로 보호된 지역에 있는 발전소 운영자의 민감한 데이터를 책임있게 다루어야 한다는 점을 항상 염두해두어야 합니다.

자세한 내용은 (여기)에서 확인해보세요.

감사합니다.

This entry was posted in APA, Global, 새소식.

Comments are closed.