솔루션 액셀러레이터: 멀티팩토리 종합 설비 효율(OEE) 및 KPI 모니터링

제조업에서 운영팀에게 제조 장비 성능을 모니터링하고 측정하는 것은 매우 중요합니다. 인더스트리 4.0과 스마트 제조의 발전으로 제조업체들은 방대한 양의 센서 및 장비 데이터를 수집할 수 있게 되었습니다. 생산성 측정을 위해 이 데이터를 분석하는 것은 중요한 경쟁 우위를 제공합니다.

이를 위해 전체 장비 효율(OEE)이 제조 장비 생산성을 측정하는 표준이 되었습니다. OEE는 다음 공식으로 결정됩니다:

OEE = 설비 가동률 x 성능 효율 x 양품률

Engineering USA에 따르면, 85% 이상의 OEE 값은 세계 최고 수준으로 간주됩니다. 그러나 많은 제조업체들은 일반적으로 40-60% 범위를 달성합니다. 40% 미만은 낮은 수준으로 간주됩니다.

제조업에서 OEE 지표는 다양한 팀에 의해 여러 목적으로 사용됩니다. 예를 들어, 제조 현장에서는 OEE를 사용하여 지연되는 프로세스를 식별합니다. 반면 경영진은 제조 사업의 전반적인 성과를 모니터링하기 위해 집계된 값을 사용할 수 있습니다. 또한 OEE는 장비 현대화의 필요성을 평가하는 지표로 사용되며, 즉 CAPEX 투자를 정당화하고 투자 자본 수익률(ROIC)을 모니터링하는 데 사용됩니다. 이 경우 OEE는 자산 활용도를 측정하는 지표로 사용됩니다.

운영 관점에서는 최신 정보로 작업하는 것이 중요하며, 모든 이해관계자에게 최소한의 지연으로 정보가 지속적으로 흐르는 것이 중요합니다. 확장성 측면에서는 모든 이해관계자가 동일한 정보로 작업하고 OEE 변동의 원인을 파악하기 위해 세부 정보를 확인할 수 있는 능력을 제공받는 것이 중요합니다. 이 두 가지는 레거시 시스템으로는 달성하기 매우 어렵습니다.

OEE 계산은 전통적으로 수동으로 이루어졌습니다. 이 솔루션 액셀러레이터에서는 Databricks에서 다중 공장 환경에서 실시간에 가깝게 OEE 계산을 달성하는 방법을 보여줍니다.

데이터브릭스 레이크하우스 플랫폼

Databricks는 제조업체들이 운영 기술(OT) 데이터를 ERP와 같은 전통적인 IT 시스템의 데이터와 통합하고 수렴하는 과정에서 겪는 어려움을 해결하는 데 도움이 되는 예측 솔루션(소규모에서 대규모까지)을 구축할 수 있는 완전한 플랫폼을 제공합니다. 이에는 다음이 포함됩니다:

• 오픈 소스 형식을 기반으로 다양한 유형의 데이터(구조화, 반구조화 및 비구조화)를 대규모로 수집, 저장 및 관리하는 구조
• 데이터를 여러 시스템 간에 복사할 필요 없이 모든 속도로 수집, 변환, 조정 및 쿼리할 수 있는 분산 컴퓨팅을 배포하는 관리형 솔루션
• 여러 소스의 데이터를 탐색, 보강 및 시각화하는 데 사용할 수 있는 협업 노트북(Python, R, SQL 및 Scala)으로, 비즈니스 지식과 도메인 전문성을 수용할 수 있음
• 항목별(예: 제품, SKU 또는 부품) 세분화된 모델링 및 예측이 가능하며, 수천 개 또는 수십만 개의 항목으로 확장 가능
• MLFlow를 사용하여 실험을 추적하고 모델 재현성, 성능 지표의 추적성 및 쉬운 배포를 보장하는 등의 통합된 머신 러닝 기능

제조업체로서 최신 데이터를 확보하면 최신 정보를 사용하여 의사 결정을 내릴 수 있고, 이 고유한 소스가 실시간으로 나머지 데이터 파이프라인에 공급될 수 있습니다. 데이터 엔지니어로서 IoT 소스에 대한 커넥터, 센서 데이터 처리를 용이하게 하는 수단(정확히 한 번 수집, 지연 도착 관리, 데이터 품질 처리, 최소한의 지연으로 원시 데이터에서 집계 계층으로 데이터 푸시)이 필요합니다.

Databricks Lakehouse는 조직이 개방형 아키텍처와 형식을 통해 분석 파이프라인 구축 및 유지 관리의 복잡성을 자동화하여 분석 워크로드를 가속화할 수 있도록 하는 엔드-투-엔드 데이터 엔지니어링, 서빙, ETL 및 기계 학습 플랫폼을 제공합니다. 이를 통해 MQTT, Kafka, Event Hubs 또는 Kinesis와 같은 표준 프로토콜을 사용하여 고속 산업용 IoT 데이터를 ERP 시스템과 같은 외부 데이터셋에 연결할 수 있어, 제조업체가 고급 분석을 위해 IT/OT 데이터 인프라를 통합할 수 있습니다.

OEE 및 KPI 모니터링을 위한 솔루션 액셀러레이터는 성능이 뛰어나고 확장 가능한 엔드-투-엔드 모니터링을 가능하게 하는 사전 구축된 노트북과 모범 사례를 제공합니다.

이 솔루션 액셀러레이터에서 구현된 흐름은 다음과 같습니다:

1. 센서/IoT 장치에서 데이터의 증분 수집
2. 데이터 정리 및 필요한 정보 추출
3. ERP 시스템에서 가져온 인력 데이터셋 통합
4. 두 데이터셋의 병합 및 시간 창 기반의 실시간 집계
5. 가치 있는 인사이트를 도출하기 위한 KPI 및 지표 계산 및 표면화

구현

장치에서 나오는 데이터는 일반적으로 JSON 및 바이너리 형식과 같은 비표준화된 형식이므로, 이러한 사용 사례를 구현하기 위해서는 실시간에 가깝게 데이터 페이로드를 구문 분석하고 구조화하는 능력이 중요합니다.

Delta Live Tables 파이프라인을 사용하여 메달리온 아키텍처를 활용해 여러 센서에서 반구조화된 형식(JSON)의 데이터를 원래 형식 그대로 복제되는 브론즈 계층으로 수집합니다. 실버 계층 변환에는 후속 분석에 필요한 센서 데이터의 주요 필드 구문 분석과 분석 완료에 필요한 ERP 시스템에서 전처리된 인력 데이터의 수집이 포함됩니다.

마지막으로, 골드 계층에서는 구조화된 스트리밍 stateful 집계를 사용하여 센서 데이터를 집계하고, OEE, TA(기술적 가용성) 등의 OT 지표를 계산하며, 최종적으로 집계된 지표를 교대 근무 기반의 인력 데이터와 결합하여 IT-OT 통합을 가능하게 합니다

결과 표시

OEE 자체의 계산은 세 가지 변수로 구성됩니다:

1. 가용성: 계획된 및 계획되지 않은 정지를 고려하며, 작업이 운영 가능한 예정된 시간의 백분율입니다. 이는 (정상 시간 - 오류 시간)/(총 시간)으로 계산됩니다.
   성능: 작업이 이루어지는 속도의 척도로, 설계된 속도의 백분율입니다. 이는 정상 시간/총 시간으로 계산됩니다.
   품질: 계획/생산된 총 단위 대비 생산된 양품 단위의 백분율입니다. 이는 (총 생산 부품 - 불량 부품)/총 생산 부품으로 계산됩니다.

OEE = 가용성 x 성능 x 품질임을 기억하세요.

이 계산이 중요한 이유는 이 세 가지 KPI 중 어느 하나라도 성능이 향상되면 더 나은 OEE로 이어지기 때문입니다. 또한, 위의 세 가지 지표는 실제 대 이상적인 비율을 측정합니다. OEE는 다음 항목들의 감소를 통해 개선될 수 있습니다:

• 계획된 다운타임
• 고장 및 장애
• 미세 정지
• 속도 및 처리량 손실
• 생산 불량
• 시작 시 불량

Databricks SQL Workbench를 활용하여 사용자는 최종 쿼리를 수행할 수 있습니다. 예시 대시보드는 아래 그림과 같습니다.

OEE 액셀러레이터 사용해보기

이것이 어떻게 작동하는지 보고 싶거나 직접 구현해보고 싶으신가요? 제조업에서의 OEE 및 KPI 모니터링을 위한 Databricks 솔루션 액셀러레이터를 확인해보세요. 제공된 단계별 지침을 따라 사용자는 Databricks에서 제공하는 빌딩 블록을 조립하여 성능이 뛰어나고 확장 가능한 엔드-투-엔드 모니터링을 가능하게 하는 방법을 배울 수 있습니다.

Translated by HaUn Kim - Original Blog Post