• Information and Communications Magazine
• /
• v.29 no.11
• /
• pp.30-35
• /
• 2012

빅데이터의 패러다임과 함께 데이터의 활용과 이를 통한 기업 운영 혁신이 새롭게 주목받고 있다. 소셜 미디어 분석이나 고객 마케팅 분석등과 같은 분야에서 빅데이터 분석의 활용 사례가 속속히 소개되고 있다. 하지만 국내 산업에서 제조업이 차지하는 비중과 가치에비해 빅데이터의 제조업에 대한 응용에 관한 연구나 관련 문헌은 타 산업이나 응용분야에 비해 미약한 편이다. 본 글에서는 빅데이터 분석이 제조업에서 어떻게 활용될 수 있는지를 세가지 다른 형태의 데이터 분류 - 제조장비 운영데이터, 운용 통합데이터, 고객 경험 데이터 - 를 통해 소개하고 각 분류별 실제 사례를 통해 제조업체에서 실질적으로 응용할 수 있는 방안을 제공한다.

• Journal of the Korean Data and Information Science Society
• /
• v.28 no.6
• /
• pp.1301-1311
• /
• 2017

Manufacturing big data systems have supported decision making that can improve preemptive manufacturing activities through collection, storage, management, and predictive analysis of related 4M data in pre-manufacturing processes. Effective visualization of data is crucial for efficient management and operation of data in these systems. This paper presents visualization techniques that can be used to effectively show data collection, analysis, and prediction results in the manufacturing big data systems. Through the visualization technique presented in this paper, we have confirmed that it was not only easy to identify the problems that occurred at the manufacturing site, but also it was very useful to reply to these problems.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.01a
• /
• pp.255-256
• /
• 2020

생산 현장에서 발생되는 다양한 형태의 데이터는 스마트한 제조관리를 가능하게 하는 원동력으로 이를 효율적으로 저장하고 처리, 분석하는 일련의 과정이 4차 산업혁명 기반의 제조혁신에 능동적으로 대응하기 위한 핵심요소로서, 이와 관련한 다양한 연구들이 활발히 이루어지고 있다. 특히, 제조데이터 분석이라는 영역은 단순하게 기존의 데이터를 통계적인 접근 수단으로만 보는 것이 아니라 다양한 산업별 업종 도메인의 특성에 기반하여 빅데이터 분석과 기계학습 등의 인공지능 모델로 발전하고 있다. 본 논문에서는 다양한 산업별 제조현장을 이해하는 도메인 경험 및 특성을 고려하여 데이터를 효과적으로 저장, 처리, 분석할 수 있는 클라우드 형태의 빅데이터 시스템을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2015.10a
• /
• pp.273-276
• /
• 2015

센서를 통한 제조업 생산 공정 데이터양의 폭발적 증가와 제조업의 서비스화 추세, 제조업의 미래산업과 빅데이터의 융합 추세를 고려해 보았을 때 앞으로 제조업에서 빅데이터의 영향은 점점 커질 것으로 예상된다. 따라서 한국의 제조업도 세계의 제조업 첨단화에 발맞추기 위해서 빅데이터의 활용을 장려하고 지원할 필요가 있다. 제조업의 실질적 효율성을 제공하는 효과의 임팩트가 가장 큰 기술 분야에서는 빅데이터 분석이 먼 미래에 도입을 고려할 분야가 아닌 현재의 최대 이슈이다. 제조업에서의 빠른 대응, 민첩성, 신뢰도 향상에서 기업들은 비용을 절감하고 자산의 효율적인 활용 측면에서도 단순한 제조공정에서 벗어나 많은 제조 기업들이 공장을 디지털화하고 스마트한 제조 공정 시스템 확보에 빅데이터를 구현, 활용해야 하는 단계이다. 빅데이터 활용은 현 시점에서 산업에 주는 영향으로 가장 파괴적인 기술이 될 것으로 예상된다.

• The Journal of Bigdata
• /
• v.1 no.1
• /
• pp.41-51
• /
• 2016

Big data is an emerging issue as large data which was impossible to be processed in the past is possible to be handled with the development of information and communication technology. Manufacturing is the most promising field that big data is applied such that there are abundant data available. It is important to improve an efficiency of manufacturing process for quality control and production efficiency because the processes from production design, sales, productions and so on are mixed intricately. This study proposes big data cloud service for manufacturing analysis using a big data technology and a process mining technique. It is expected for manufacturing corporations to improve a manufacturing process and reduced the cost by applying the proposed service. The service provides various analyses including manufacturing analysis and manufacturing duration analysis. Big data cloud service has been implemented and it has been validated by conducting a case study.

• Journal of Digital Convergence
• /
• v.12 no.1
• /
• pp.305-311
• /
• 2014

The manufacturing industry early have been introducing automation and information systems of the engineering and production process for getting competitive advantage. one of the typical information systems is MES(Manufacturing Execution System) and it keeps evolving. As Big Data showed up nowadays, application method of Big Data to MES is also being sought. First, this study will do preceding research and cases study on the application of Big Data in the manufacturing industry. Then, it will suggest application Plan of Big Data to MES.

• Journal of Convergence for Information Technology
• /
• v.7 no.5
• /
• pp.177-182
• /
• 2017

As major ICT technologies such as IoT, cloud computing, and Big Data are being applied to manufacturing, smart factories are beginning to be built. The key of smart factory implementation is the ability to acquire and analyze data of the factory. Therefore, the need for a big data analysis platform is increasing. The purpose of this study is to construct a platform for big data analysis of manufacturing process and propose integrated method for analysis. The proposed platform is a RHadoop-based structure that integrates analysis tool R and Hadoop to distribute a large amount of datasets. It can store and analyze big data collected in the unit process and factory in the automation system directly in HBase, and it has overcome the limitations of RDB - based analysis. Such a platform should be developed in consideration of the unit process suitability for smart factories, and it is expected to be a guide to building IoT platforms for SMEs that intend to introduce smart factories into the manufacturing process.

• The Journal of the Institute of Internet, Broadcasting and Communication
• /
• v.19 no.5
• /
• pp.219-227
• /
• 2019

Manufacturing methods have been changed from labor-intensive methods to technological intensive methods centered on manufacturing facilities. As manufacturing facilities replace human labour, the importance of monitoring and managing manufacturing facilities is emphasized. In addition, Big Data technology has recently emerged as an important technology to discover new value from limited data. Therefore, changes in manufacturing industries have increased the need for smart factory that combines IoT, information and communication technologies, sensor data, and big data. In this paper, we present strategies for existing domestic manufacturing factory to becom big data based smart-factory through technologies for distributed storage and processing of manufacturing facility data in MongoDB in real time and visualization using R programming.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2015.05a
• /
• pp.741-743
• /
• 2015

오늘날 BI(Business Intelligence)시스템 다차원 데이터를 다루는 많은 방법들이 제안되어 TB 이상의 데이터를 다룰 수 있다. 하지만 IT 전문가 및 IT에 대한 투자여력이 충분하지 않은 중소 제조 기업들은 발 맞춰가기 힘들다. 또한 생산관리시스템(MES)을 미 도입한 기업이 대다수이고, 존재하는 현장데이터의 대부분도 수기데이터 또는 Excel 데이터로 보관 되어 있어, 수작업에 의한 데이터 분석과 의사결정을 수행한다. 이로 인해, 불량 요인 파악이나 이상 현상 파악이 불분명하기 때문에 데이터 분석에 어려움을 겪는다. 이에 본 연구에서는 중소제조기업의 경쟁력 강화를 위하여 제조 기업현장에서 사용되는 데이터를 자동으로 수집하여 정제 및 처리하여 저장이 가능하도록 하는 빅 데이터 분석 시스템 모델을 개발하였다. 이 분석 시스템 모델은 ERP, MIS 등에 존재하는 데이터들이 각 시스템의 DB 기능을 활용하여 데이터를 추출하고 정제하여 수집하는 ETL(Extract Transform Loading)과정을 통한다. 현장에서 비정형으로 기록되고 있는 정보들(ex. Excel)은 ODE(Office Data Excavation)모듈을 통해 문서의 패턴을 자동으로 인식하고 정형화된 정보로서 추출, 정제되어 수집된다. 저장된 데이터는 오픈소스 데이터 시각화 라이브러리인 D3.js를 이용하여 다양한 chart들을 통한 강력한 시각효과를 제공함으로써, 정보간의 연관 관계 및 다차원 분석의 기반을 마련하여 의사결정체계를 효과적으로 지원한다. 또한, 높은 가격에 형성되어 있는 빅데이터 솔루션을 대신해 오픈소스 Spago BI를 이용하여 경제적인 빅 데이터 솔루션을 제공한다. 본 연구의 기대효과로는 첫째, 현장 데이터 중심의 효과적인 의사결정 기반을 마련할 수 있다. 둘째, 통합 데이터 기반의 연관/다차원 분석으로 경영 효율성이 향상된다. 마지막으로, 중소 제조기업 환경에 적합한 분석 시스템을 구축함으로써 경쟁력과 생산력을 강화한다.

• Journal of the Korean Data and Information Science Society
• /
• v.26 no.5
• /
• pp.1117-1128
• /
• 2015

In order to secure an important competitive advantage in manufacturing business, an automation and information system from manufacturing process has been introduced; however, small and medium enterprises have not met the power of information in the manufacturing fields. They have been managing the manufacturing process that is depending on the operator's experience and data written by hand, which has limits to reveal cause of defective goods clearly, in the case of happening of low-grade goods. In this study, we analyze critical factors which affect the quality of some manufacturing process in terms of 4M. We also studied the automobile parts processing of the small and medium manufacturing enterprises controlled with data written by hand so as to collect the data written by hand and to utilize sensor data in the future. Analysis results show that there is no deference in defective quantity in machines, while raw materials, production quality and task tracking have significant deference.