[논문 리뷰] Industrial Big Data Analytics: Challenges, Methodologies, and Applications

Junping Wang, Wensheng Zhang외 3명|arXiv (Cornell University)|2018. 07. 03.

Digital Transformation in Industry인용 수 44

한 줄 요약

본 연구는 산업 빅 데이터 분석의 도전과제, 방법론, 적용 분야를 조사하며, 제조업에서 이질적인 데이터 소스로부터의 실시간 분석과 제조 현장의 엔드투엔드 데이터 수명주기 관리에 초점을 맞춘다.

ABSTRACT

While manufacturers have been generating highly distributed data from various systems, devices and applications, a number of challenges in both data management and data analysis require new approaches to support the big data era. These challenges for industrial big data analytics is real-time analysis and decision-making from massive heterogeneous data sources in manufacturing space. This survey presents new concepts, methodologies, and applications scenarios of industrial big data analytics, which can provide dramatic improvements in velocity and veracity problem solving. We focus on five important methodologies of industrial big data analytics: 1) Highly distributed industrial data ingestion: access and integrate to highly distributed data sources from various systems, devices and applications; 2) Industrial big data repository: cope with sampling biases and heterogeneity, and store different data formats and structures; 3) Large-scale industrial data management: organizes massive heterogeneous data and share large-scale data; 4) Industrial data analytics: track data provenance, from data generation through data preparation; 5) Industrial data governance: ensures data trust, integrity and security. For each phase, we introduce to current research in industries and academia, and discusses challenges and potential solutions. We also examine the typical applications of industrial big data, including smart factory visibility, machine fleet, energy management, proactive maintenance, and just in time supply chain. These discussions aim to understand the value of industrial big data. Lastly, this survey is concluded with a discussion of open problems and future directions.

연구 동기 및 목표

• 제조 시스템 전반에 걸쳐 고도로 분산된 데이터로 인해 산업 빅 데이터 분석의 필요성을 동기 부여한다.
• 산업 환경에서 데이터 관리, 분석, 의사결정의 핵심 과제들을 식별한다.
• 데이터 수집(Ingestion), 저장소, 관리, 분석, 거버넌스에 걸친 기존 방법론들을 조사한다.
• 스마트 팩토리, 기계 설비군, 에너지 관리, 예측 유지보수 등 일반적인 산업 응용을 강조한다.
• 해당 분야의 미해결 문제와 향후 방향을 개요한다.

제안 방법

• 다양한 소스로부터의 고도로 분산된 산업 데이터 수집(Ingestion) 및 통합을 기술한다.
• 샘플링 바이어스, 이질성, 다중 형식 데이터를 처리하는 산업 빅 데이터 저장소 접근법을 제안한다.
• 대규모 이질적 데이터를 조직하고 공유하기 위한 대규모 산업 데이터 관리 전략을 제시한다.
• 생성 및 준비 단계 전반에 걸친 데이터 계보 추적을 다루는 산업 데이터 분석 실무를 개요한다.
• 데이터의 신뢰성, 무결성, 보안을 보장하기 위한 산업 데이터 거버넌스를 논의한다.

실험 결과

연구 질문

• RQ1 데이터 관리에서 의사결정에 이르는 산업 빅 데이터 분석의 핵심 과제는 무엇인가?
• RQ2 산업 맥락에서 수집(Ingestion), 저장, 관리, 분석, 거버넌스를 다루는 방법론은 무엇인가?
• RQ3 스마트 팩토리, 설비군, 에너지 관리, 유지보수, 공급망에서 산업 빅 데이터 분석은 어떻게 적용되는가?
• RQ4 산업 빅 데이터 분석에서 남아 있는 미해결 문제와 향후 방향은 무엇인가?

주요 결과

• 산업 빅 데이터 분석은 수집(Ingestion), 저장소, 관리, 분석, 거버넌스의 다섯 가지 핵심 방법론 영역을 포함한다.
• 이질적이고 분산된 데이터 소스로부터의 실시간 분석은 제조 환경의 핵심 과제이다.
• 데이터 수명주기 전반에 걸친 신뢰, 보안, 무결성을 위한 거버넌스 및 계보 추적이 중요하다.
• 응용 분야는 스마트 팩토리 가시성, 기계 설비군, 에너지 관리, 예측 유지보수, JIT 공급망까지 확장된다.
• 본 문헌조사에서는 산업 빅 데이터 분석의 미해결 문제와 향후 연구 방향을 논의한다.