AWS Builders 3: 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기

남궁영환 | 시니어 AI/ML 컨설턴트
문태양 | 솔루션즈 아키텍트
인공지능을 활용하여
설비 및 생산 라인에서의
이상 감지 고도화하기
(Amazon Lookout
시리즈를 중심으로)

강연 중 질문하는 방법 AWS Builders
Go to Webinar “Questions” 창에 자신이 질문한
내역이 표시됩니다. 기본적으로 모든 질문은
공개로 답변 됩니다만 본인만 답변을 받고 싶으면
(비공개)라고 하고 질문해 주시면 됩니다.
본 컨텐츠는 고객의 편의를 위해 AWS 서비스 설명을 위해 온라인 세미나용으로 별도로 제작, 제공된 것입니다. 만약 AWS
사이트와 컨텐츠 상에서 차이나 불일치가 있을 경우, AWS 사이트(aws.amazon.com)가 우선합니다. 또한 AWS 사이트
상에서 한글 번역문과 영어 원문에 차이나 불일치가 있을 경우(번역의 지체로 인한 경우 등 포함), 영어 원문이 우선합니다.
AWS는 본 컨텐츠에 포함되거나 컨텐츠를 통하여 고객에게 제공된 일체의 정보, 콘텐츠, 자료, 제품(소프트웨어 포함) 또는 서비스를 이용함으로 인하여 발생하는 여하한 종류의 손해에
대하여 어떠한 책임도 지지 아니하며, 이는 직접 손해, 간접 손해, 부수적 손해, 징벌적 손해 및 결과적 손해를 포함하되 이에 한정되지 아니합니다.
고지 사항(Disclaimer)

© 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Amazon Lookout for Equipment를 이용한
생산 설비의 이상 징후 탐지 방법

The AWS ML Stack at 2021
Amazon
SageMaker
VISION SPEECH TEXT SEARCH CHATBOTS PERSONALIZATION FORECASTING FRAUD CONTACT CENTERS
Deep
Learning
AMIs &
Containers
GPUs &
CPUs
Elastic
Inference
Trainium Inferentia FPGA
AI SERVICES
M L SERVICES
FRAM EW ORKS & IN FRASTRUCTURE
DeepGraphLibrary
Amazon
Rekognition
Amazon
Polly
Amazon
Transcribe
+Medical
Amazon
Lex
Amazon
Personalize
Amazon
Forecast
Amazon
Comprehend
+Medical
Amazon
Textract
Amazon
Kendra
Amazon
CodeGuru
Amazon
Fraud Detector
Amazon
Translate
INDUSTRIAL AI CODE AND DEVOPS
NEW
Amazon
DevOps Guru
Voice ID
For Amazon Connect
Contact Lens
NEW
Amazon
Monitron
NEW
AWS Panorama
+ Appliance
NEW
Amazon Lookout
for Vision
NEW
Amazon Lookout
for Equipment
NEW
Amazon
HealthLake
HEALTH AI
NEW
Amazon Lookout
for Metrics
ANOMALY DETECTION
Amazon
Transcribe
for Medical
Amazon
Comprehend
for Medical
Label
data
NEW
Aggregate &
prepare data
NEW
Store & share
features
Auto ML Spark/R
NEW
Detect
bias
Visualize in
notebooks
Pick
algorithm
Train
models
Tune
parameters
NEW
Debug &
profile
Deploy in
production
Manage
& monitor
NEW
CI/CD
Human
review
NEW: Model management for edge devices
SAGEMAKER STUDIO IDE
NEW: SageMaker JumpStart
Broadest and most complete set of machine learning
capabilities

데이터 기반 스마트 공장 & 스마트 제조 – 개요
수집 시각화
분석

유지보수 기술의 진화
Reactive
고장, 장애 발생 후에야 수습
(선제적 조치 미흡)
Preventive
정기적인 유지보수 수행
(과수준의 관리업무 야기)
입력 데이터셋
집계 및 준비
Prescriptive
장애에 대한 대응/조치/준비를
자동화 기반으로 판단/수행
Predictive
통계 분석, 머신러닝 기술 활용
알람 임계치 설정
제조 분야의 ML Workflow
Timestamp
기준 조정 작업
Data Imputation
(가공/결측값 보완)
분석 알고리즘
선정
하이퍼파라미터
튜닝
최적의 임계치
추출 및 파악
이력 정보 기반
장애 테스트 결과
통합
장애 패턴별
주요 인자 중요도
파악
정상/비정상
상태 관련 인자
시각화
상황 분석 기반
장애 여부
판별 및 조치
ML모델 유효성
테스트/검증
Automation

Amazon Lookout for Equipment – Overview
Image source: https://dlpng.com/png/7009113
쉽고 빠른
ML 모델링 작업 지원
• 데이터 과학 전문가의 도움 없이도
스마트 제조, 스마트 공장을 위한
ML 모델의 빠른 생성
• 특정 산업용 설비에 대한 제약 없이,
대상 설비의 작동 데이터와 운영
이력 정보를 기반으로 ML 모델을
생성
• 특히 Compressors, Pumps, Motors,
Turbines, Boilers 등 작동 변동성이
낮은 산업용 설비에 적합
산업용 설비 데이터
분석에 특화된 서비스
높은 확장성 및
운영 효율성 지원
• 최신 딥러닝 기술을 이용한 분석
모델 생성 제공
• 시각화 기반의 이상 vs 정상
데이터의 비교 분석
• 중요 인자 추출을 통한 효율적인
모델 간소화 및 데이터 설명력
향상에 기여
• 최적의 기계학습 모델을 찾기 위해
28,000개의 파라미터 조합을
자동으로 검색
• SageMaker를 활용한 데이터
전처리, 모델링, 배포 지원
• IoT, MLOps 관련 AWS 서비스들과
연동하여 대규모 설비 대상 확장
용이 및 원활한 운영 가능

BI reporting and
self-serve analysis
AutoML
알람 관리
Industrial Data Lake
(“Warm/Cold” data)
AWS Cloud
Amazon Lookout for Equipment – Architecture
데이터 수집
인터넷
데이터 저장
Historians
정보성 로그
Data Scientists/
Data Engineers
실시간 데이터
(센서/설비/SCADA/부품)
정비/장애 관련
로그 데이터
On-premises
생산 설비 운영유지
지표 현황 대시보드
AWS IoT
SiteWise Monitor
설비 운영유지 데이터 저장소
(“Hot” data) & ML 모델
AWS IoT SiteWise
Amazon S3
(Raw dataset)
Amazon S3
(Silver/Gold dataset)
Operator/
production
supervisor
AWS IoT
Events
경고알림
이메일
문자메시지
Operator/
production
supervisor
Lookout for
Equipment
Amazon
SageMaker
3rd Party
Connectors
Amazon QuickSight
Data
Warehouse
Amazon Redshift
Business
unit owner

Dataset preparation & ingestion
Amazon Lookout for Equipment – How to use (1)
import boto3
from botocore.config import Config
lookoutequipment_client = boto3.client(
service_name='lookoutequipment',
region_name=region_name,
config=Config(connect_timeout=30, read_timeout=30, retries={'max_attempts': 3}),
endpoint_url=f'https://lookoutequipment.{region_name}.amazonaws.com/'
)
 Lookout for Equipment의 boto3 client 생성
client_token = uuid.uuid4().hex
data_schema = {'InlineDataSchema’: dataset_schema }
create_dataset_response = lookoutequipment_client.create_dataset(
DatasetName=DATASET_NAME,
DatasetSchema=DATASET_SCHEMA,
ClientToken=client_token
)
 Dataset 생성
data_ingestion_role_arn = sagemaker.get_execution_role()
ingestion_input_config['S3InputConfiguration'] = dict(
[
('Bucket', bucket),
('Prefix', prefix)
]
)
start_dataset_ingestion_job_response = lookoutequipment_client.start_data_ingestion_job(
DatasetName=DATASET_NAME,
RoleArn=data_ingestion_role_arn,
IngestionInputConfiguration=ingestion_input_config,
ClientToken=client_token)
)
 Dataset 적재(ingestion)
 Data Schema생성
DATASET_COMPONENT_FIELDS_MAP = {
"Component1": ['Timestamp', 'Tag1', 'Tag2',...],
"Component2": ['Timestamp', 'Tag1', 'Tag2',...]
...
"ComponentN": ['Timestamp', 'Tag1', 'Tag2',...]
}
DATASET_SCHEMA =

Training and Evaluating models
Amazon Lookout for Equipment – How to use (2)
 모델 학습 및 평가
create_model_request = {
'ModelName': MODEL_NAME,
'DatasetName': DATASET_NAME,
'ClientToken': client_token,
'DataPreProcessingConfiguration': {
'TargetSamplingRate': TARGET_SAMPLING_RATE
},
'TrainingDataStartTime': TRAINING_DATA_START_TIME,
'TrainingDataEndTime': TRAINING_DATA_END_TIME,
'EvaluationDataStartTime': EVALUATION_DATA_START_TIME,
'EvaluationDataEndTime': EVALUATION_DATA_END_TIME
}
lookout_client = lookoutequipment_client.
get_client(region_name=REGION_NAME)
lookout_client.create_model(**create_model_request)
describe_model_response =
lookout_client.describe_model(ModelName=MODEL_NAME)

Amazon Lookout for Equipment – Demo

AWS Builders 3: 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à AWS Builders 3: 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기

Similaire à AWS Builders 3: 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기 (20)

Plus de Amazon Web Services Korea

Plus de Amazon Web Services Korea (20)

AWS Builders 3: 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기