[논문 리뷰] Quality4.0 -- Transparent product quality supervision in the age of Industry 4.0

Jens Brandenburger, Christoph Schirm외 9명|arXiv (Cornell University)|2020. 11. 12.

Data Quality and Management참고 문헌 9인용 수 10

한 줄 요약

이 논문은 기계학습을 활용한 이질적 데이터 탐지 및 타당성 값(PV) 계산을 통해 스틸 공급망 전반에서 제품 품질 데이터의 수평적 통합을 위한 적응형, 서비스 지향형 플랫폼인 Quality4.0을 제안한다. 이 플랫폼은 품질 데이터 생성, 품질 배분, 품질 교환의 세 핵심 서비스를 통해 이원적 신뢰성과 고객별 맞춤형 데이터 공유를 가능하게 하여 고신뢰성 품질 정보 교환을 보장한다.

ABSTRACT

Progressive digitalization is changing the game of many industrial sectors. Focus-ing on product quality the main profitability driver of this so-called Industry 4.0 will be the horizontal integration of information over the complete supply chain. Therefore, the European RFCS project 'Quality4.0' aims in developing an adap-tive platform, which releases decisions on product quality and provides tailored information of high reliability that can be individually exchanged with customers. In this context Machine Learning will be used to detect outliers in the quality data. This paper discusses the intermediate project results and the concepts developed so far for this horizontal integration of quality information.

연구 동기 및 목표

• 글로벌 과잉 생산과 디지털 격차로 인한 유럽 스틸 공급망 내 신뢰성과 투명성 부족 문제 해결.
• 일반적인 IT 플랫폼의 한계를 극복하기 위해 도메인 특화 프로세스 지식과 데이터 신뢰성 메커니즘을 통합.
• 공급망 전반에서 품질 정보의 수평적 통합을 통해 고객 신뢰도 및 고객 관계 밀도를 강화.
• 스케일러블이고 벤더에 종속되지 않은 플랫폼을 개발하여 데이터 타당성, 주문별 데이터 배분, 보안적이고 맞춤형 품질 데이터 교환을 보장.
• 공급자와 고객 간 이원적 피드백 루프를 구축하여 제품 품질 향상과 공정 최적화를 도모.

제안 방법

• 품질 데이터 생성 서비스(QGS), 품질 배분 서비스(QAS), 품질 교환 서비스(QXS)로 구성된 세 핵심 구성 요소를 갖춘 서비스 지향 아키텍처(SOA)를 구현.
• 정확도, 완전성, 시기적합성, 일관성 등을 고려하여 입력 데이터 I에 대해 [0,1] 신뢰도 점수를 산출하는 함수 PV ≔ f(I)를 사용해 타당성 값(PV)을 계산.
• 특히 자동 표면 검사 시스템(ASIS)에서 유래한 이질적 데이터 탐지를 위해 기계학습 기법을 적용하여 데이터 신뢰성 향상.
• 기반 인프라는 FADI 빅데이터 플랫폼을 사용하며, Apache NiFi, ELK 스택, PostgreSQL, Grafana, Modoboa 등의 오픈소스 도구 통합.
• 공장 및 테스트베드 환경 전반에서 지속적 통합, 테스트, 배포를 보장하기 위해 CI/CD DevOps 파이프라인을 구현.
• 기존 표준(QDX, STEP 등)이 프로젝트 수요에 부적합하다고 판단되어, 품질 데이터 교환을 위한 맞춤형 IT 표준을 개발.

실험 결과

연구 질문

• RQ1 전체 스틸 공급망 전반에서 제품 품질 데이터를 신뢰성 있고 투명하게 공유할 수 있는 방법은 무엇인가? 이를 통해 고객 신뢰를 어떻게 향상시킬 수 있는가?
• RQ2 산업용 인터넷 사물(IoT) 환경에서 품질 데이터의 타당성과 신뢰성을 확보하기 위해 필요한 기술적 및 조직적 메커니즘은 무엇인가?
• RQ3 복잡하고 이질적인 스틸 제조에서 유래한 품질 데이터 스트림에서 이질적 데이터를 효과적으로 탐지하기 위해 기계학습을 어떻게 적용할 수 있는가?
• RQ4 스케일러블하고 다중 테넌트, 벤더에 종속되지 않은 산업용 품질 데이터 교환 플랫폼을 위한 아키텍처 및 통합 패턴은 무엇인가?
• RQ5 주문별로 동적으로 데이터를 할당하고 맞춤화하면서도 데이터 무결성과 추적 가능성을 유지하는 방법은 무엇인가?

주요 결과

• Quality4.0 플랫폼은 QGS, QAS, QXS 세 핵심 서비스를 모듈러하고 SOA 기반 아키텍처에 통합하여 종단 간 품질 데이터 관리를 가능하게 했다.
• 타당성 값(PVs)은 데이터의 신뢰도를 [0,1] 척도로 정량화하는 다차원 함수 f(I)를 사용해 계산되며, 1은 완전한 신뢰성을 의미한다.
• QGS에서 기계학습 기반 이질적 데이터 탐지 기능을 구현하여 ASIS에서 유래한 이상치를 식별함으로써 데이터 품질 보증이 향상되었다.
• FADI 플랫폼은 Apache NiFi, ELK, PostgreSQL, Grafana 등의 오픈소스 도구를 활용해 완전히 커스터마이징 가능하고 확장성 있는 Quality4.0 스택 배포를 가능하게 했다.
• 적합한 오픈 표준이 없어, 공급자와 고객 간 이원적이고 안전한 데이터 흐름을 보장하기 위해 품질 데이터 교환을 위한 맞춤형 IT 표준을 개발하였다.
• CI/CD 파이프라인을 통해 자동화된 지속적 통합 및 배포가 가능해져 다양한 산업 환경에서 빠른 반복과 신뢰성 있는 롤아웃을 지원한다.