Problems제조 장비의 정비의 경우 PM(Periodic Maintenance)과 BM(Breakdown Maintenance)로 나눌 수 있습니다. PM의 경우, 고장을 방지하기 위해 실제 고장나는 횟수보다 더 여러 번(보수적으로) 진행하는 경우가 많습니다. 또한 BM의 경우는 비정상적, 비예측적으로 발생하는 고장에 대응하는 것으로 PM보다 제품 생산 일정이나 수율에 크게 영향을 미칠 수 있습니다. 특히 공정이 직렬인 경우 특정 장비의 고장이 전체 공정의 중단으로 이어질 수 있습니다. System Components PdM 실제 분석 사례 – DNN을 활용한 회전 압축기 데이터 분석 성과- 공정상 불량 원인 인자 실시간 도출 - 정상 운행 패턴 학습으로 비정상 운행 패턴 감지

* RCA(Root Cause Analytics) : 장비에서 수집되는 Source 데이터, Trace 데이터와 계측데이터, 수율 데이터, 생산 이력 데이터 등을 연계 분석하여 저수율 장비나 공정의 어떤 Parameter가 주요 원인인지 분석하여 현업사용자에게 정보를 제공하는 시스템을 말합니다. ProblemsA사는 기존 RCA 시스템이 있었으나 기술적 , 비용적, 성능상의 한계로 인해 주요 Operation 및 Recipe 상에서 일부 parameter만 분석할 수 있었고, 기존에 개발되어 있는 범위 내에서만 가능했습니다. 이로 인해 현업 담당자들은 제한된 데이터와 분석만 가능하였고, 느린 속도로 인해 실제 업무 활용도도 매우 낮은 상황이었습니다. 그리고 기존에는 생산 설비의 각종 parameter 설정이나 임계치를 현장의 숙련된 엔지니어의 경험이나 판단에 의존하였습니다. 그러나 공정의 복잡도가 증가하면서 현업 담당자가 모든 장비별 , 공정별 수 많은 parameter를 잘 숙지하고 판단하기는 어려워 졌으며, 특히 장기 데이터 분석은 거의 불가능 한 상황이었습니다. System Components 성과- 제조 도메인 특화 알고리즘을 병렬/분산 처리하여 기존 시스템 대비 수십 배 빠른 처리 가능 - 전체 기간과 전체 parameter를 대상으로 분석 가능 - UI측 면에서 현업 사용자에게 직관적인 분석 시스템과 다양한 분석 Chart를 제공하여 Self-Discovery 환경 제공 - 빠르고 정확한 분석 결과로 현장 엔지니어의 경험이나 판단 보완 및 현업담당자가 알 수 없었던 분석결과 제공 - 실시간 데이터>를 Golden rule과 비교하여 문제가 되는 주요 원인 parameter에 대해 시스템 Report로 제공 * Golden Rule : 공정이나 장비에 대해 ML/DNN 기반으로 분석하여 생성된 정상 기준 패턴

ProblemsA사에서 수집하고 있는 데이터는 폭발적으로 증가하고 있으나 Legacy System으로는 Infra의 경제성이 떨어지고 필요한 시점에 즉각적인 증설이 쉽지 않았습니다. 또한 데이터의 빠른 저장과 조회가 불가능하여 분석에 너무 오랜 시간이 소요되었습니다. A사는 Raw데이터가 아닌 압축된 Binary 형태로 변환한 데이터를 DB에 저장하였고, 이를 분석하기 위해서는 압축된 데이터를 다시 Raw데이터로 변환해야 되는데 이 과정에서 시간이 많이 발생하였습니다. 그리고 시스템 데이터들을 각 Silo 형태의 RDBMS에 저장하여 데이터가 중복되고 시스템 간 데이터 비교가 불가능했습니다. Architecture 성과- 분산된 데이터의 통합 - 저비용으로 압축하지 않은 Raw Data 저장 가능 - 전수 데이터 저장 가능 및 장기간 보관으로 더욱 정밀하고 다양한 분석 가능 - metatron interface를 통해 데이터를 직접 쿼리하여 분석 시간 단축 - 각 시스템 별로 생성하던 summary data를 생성하지 않게 되면서 infra 효율성 개선