COVID-19가 데이터 수집 및 분석 진화를 가속화하다

데이터 수집 전략은 COVID-19 시대에 원격 데이터 시각화와 실시간 데이터 기반 의사결정에 대한 요구 증가로 진화하고 있습니다. 인간-기계 인터페이스(HMI)와 감시 제어 및 데이터 수집(SCADA) 시스템은 엣지 디바이스에서 분석을 수행하여 민첩성과 회복탄력성을 제공하므로 디지털 전환 달성에 더욱 중요해지고 있습니다.

신구 센서 연결

현장 장비에 설치된 기존 계측기와 새로운 사물인터넷(IoT) 센서는 엣지 디바이스와 근접해 있으며, 펌프 압력이나 기계 작동 조건 등 대량의 생성 데이터를 포착할 수 있습니다. IDC(International Data Corporation)는 2025년까지 IoT만으로 79.4 제타바이트의 데이터가 생성될 것으로 예측하지만¹, 이 모든 원시 데이터가 반드시 통찰을 생성하는 것은 아닙니다. 대신 원시 데이터 분석에서 도출된 정보, 지식, 통찰을 얻고 적용함으로써만 가치가 창출되어 최종 사용자가 프로세스를 개선할 수 있도록 합니다.

오늘날 실시간 신호를 분석에 원하는 형식으로 압축, 필터링, 변환하는 스마트 센서 솔루션이 존재하지만, 독점 프로토콜을 가진 많은 레거시 기기들이 이미 현장에 있어 완전한 데이터 기반 전환을 위해 포함되어야 합니다. HMI/SCADA 소프트웨어 설치가 이미 엣지 근처에 있으므로, 이 소프트웨어를 레거시 기기와의 통신과 스마트 센서와의 협업을 위해 사용하여 실시간 데이터 기반 의사결정을 지원하는 것은 자연스럽고 편리합니다.

분석을 엣지로 가져오기

엣지 디바이스에서 고급 분석을 수행할 수 있는 HMI/SCADA 소프트웨어는 실시간 데이터로부터 제어, 시각화, 통찰 및 지식 공식화에 중추적인 역할을 할 것입니다. 이미 시각화와 제어에 사용되므로 HMI/SCADA 소프트웨어는 현재 운영 모니터링과 제어를 제공합니다(그림 1).

앞으로 HMI/SCADA 소프트웨어는 데이터 기반 의사결정을 지원하기 위해 실시간 데이터에 필수적 맥락을 제공할 수 있습니다. 알려진 패턴을 감지하고 이상을 발견하며, 임박한 장애를 훨씬 앞서 운영자에게 예측하고 경고할 수 있습니다. 추론과 로컬 액션은 엣지 디바이스나 엣지 서버에서 처리할 수 있고, 집계된 데이터나 예측 모델링은 클라우드에서 수행할 수 있습니다. 고급 분석은 HMI/SCADA의 전통적 기능을 확장하여 사용자가 이벤트와 행동의 근본 원인을 이해하고 미래 조건을 예측할 수 있게 합니다.

분석 기능이 있는 모바일 HMI/SCADA 애플리케이션을 네트워크 엣지에 배포하면 조직에 원격 근무자를 위한 지능형 모바일 서비스를 지원하는 추가적 유연성을 제공합니다. 이러한 모바일 애플리케이션은 원격 기기에서 풍부한 데이터 수집을 활용하여 추가 집계와 분석을 위해 엣지 서버와 공유한 후 클라우드로 보내 기계 모델링과 기타 분석을 수행할 수 있습니다.

HMI/SCADA 애플리케이션과 분석의 긴밀한 통합(임베디드 분석으로 정의)은 데이터를 지식으로 전환해야 할 필요성 때문에 증가하고 있습니다. 얼라이드 마켓 리서치(Allied Market Research)는 임베디드 분석 시장이 2016년 251.3억 달러에서 2023년 602.8억 달러로 확대될 것으로 예측합니다². 전통적 HMI/SCADA 소프트웨어가 임베디드 분석 기능으로 강화되면 사용자는 통찰과 행동을 같은 애플리케이션에 병합하여 더 나은 애플리케이션 경험을 얻습니다.

임베디드 분석 결과에는 핵심 성과 지표(KPI), 통계적 평가, 운영자가 일하고 결정하는 곳 가까이에서 알림이 포함됩니다. 데이터가 수집되는 엣지에 디지털 전환을 더 가깝게 추진하려는 수요는 더 빠른 데이터 기반 의사결정 압력 때문에 존재합니다. 준실시간 대응 가속 필요성으로 운영자는 더 이상 분석을 위해 통제실로 돌아갈 시간이 없습니다.

머신러닝과 알고리즘

데이터 분석은 실시간 및 기타 데이터 소스에서 의미 있는 통찰을 추출합니다. 머신러닝은 데이터를 추출하고, 학습하고, 과거 데이터를 기반으로 미래를 예측하는 알고리즘을 사용하는 분석 형태입니다. 알고리즘은 데이터 세트를 모델로 변환합니다. 최적의 알고리즘 훈련(학습) 방법은 해결하려는 문제 유형, 사용 가능한 컴퓨팅 자원, 데이터 특성에 따라 다릅니다. 두 가지 주요 학습 방법은 지도 학습(supervised)과 비지도 학습(unsupervised)입니다.

지도 학습에서는 알고리즘에 원하는 출력(레이블이라고도 함)과 함께 입력 세트가 제시됩니다. 목표는 컴퓨터가 관계를 분해하고 어떤 입력 데이터가 출력에 매핑되는지, 어떻게 매핑되는지 학습할 수 있는 규칙을 발견하는 것입니다.

비지도 학습에서는 알고리즘에 원하는 출력(레이블) 없이 입력 세트만 제시됩니다. 즉, 알고리즘이 수천 개의 데이터 포인트를 평가하고 분류하면서 스스로 구조와 패턴을 찾아야 합니다. 분석에는 기술적(descriptive), 진단적(diagnostic), 예측적(predictive), 처방적(prescriptive)의 네 가지 전통적 범주가 있으며, 인지적(cognitive)이 다섯 번째로 부상하고 있습니다.

기술적 분석은 "무슨 일이 일어나고 있는가?"에 답합니다. 실시간 및 과거 데이터를 기반으로 프로세스 수행 방식에 대한 통찰을 얻기 위해 데이터에 맥락을 제공합니다. 실시간 데이터를 기반으로 기술적 분석을 사용하는 HMI/SCADA 애플리케이션은 발생 중인 상황을 시각화하고, 운영자에게 알람을 알리며, 발생 날짜/시간, 관련 값, 기계 정보 등 세부사항을 제공합니다.

진단적 분석은 기술적 분석을 바탕으로 "왜 이런 일이 일어났는가?"에 답합니다. 진단적 분석은 통계를 사용하여 패턴을 찾고 실시간 데이터에 대한 통찰을 제공합니다. 일반적인 용도는 이상 식별과 근본 원인 분석입니다(그림 2).

예측적 분석은 진단적 분석을 바탕으로 "미래에 무슨 일이 일어날 것이며 왜 그런가?"에 답합니다. 예측적 분석은 앞선 두 분석 유형과 같은 과거 데이터를 활용하여 미래에 대한 추론에 사용할 수 있는 수학적 모델을 구축하여, 생산성에 영향을 미칠 미래 이벤트를 운영자에게 미리 경고합니다(그림 3). 예측적 분석에 사용되는 여러 도구에는:

• 이상 감지(Anomaly detection): "행동이 비정상적인가?"에 답합니다. 예상 패턴에 부합하지 않는 데이터를 찾습니다.

• 분류(Classification): "이 기계나 프로세스가 실패할 것인가?"에 답합니다. "이 제품에 결함이 있는가? 예/아니오"처럼 데이터를 이진 범주로 분류합니다.

• 다중 클래스 분류(Multi-class classification): "이 기계나 프로세스가 이유 X로 실패할 것인가?"에 답합니다. "이 제품에 어떤 종류의 품질 결함이 있는가? 경미/중대/치명적"처럼 데이터를 3개 이상 범주로 분류합니다.

• 회귀(Regression): "이 기계나 프로세스가 얼마나 지나면 실패할 것인가?"에 답합니다. 회귀는 종속 변수와 하나 이상의 독립 변수 간 관계 추정에 통계적 과정을 사용합니다.

처방적 분석은 예측적 분석을 바탕으로 "우리는 무엇을 해야 하는가?"에 답합니다. 처방적 분석은 운영자에게 권장 행동을 알리는 모델을 제공합니다. 최적화와 시뮬레이션 알고리즘이 처방적 분석에 자주 사용됩니다. 처방적 분석과 연동한 HMI/SCADA는 여러 가능한 행동을 처방하고 운영자를 해결책으로 안내할 수 있습니다.

인지적 분석은 처방적 분석을 바탕으로 "왜 그렇게 해야 하는가?"에 답합니다. 인지적 분석은 자기 학습 알고리즘과 딥러닝 기법을 사용하여 인간 사고를 모방합니다.

차세대 이해

기술적, 진단적 분석은 과거 데이터를 사용하여 무슨 일이 일어났는지, 왜 일어났는지 설명하는 반면, 예측적, 처방적, 인지적 분석은 과거 데이터를 사용하여 미래에 무슨 일이 일어날지, 특정 결과에 영향을 주기 위해 어떤 행동을 취해야 할지 예측합니다. 많은 경우 여러 분석과 알고리즘이 동시에 사용되며, 결과가 집계되어 더 나은 의사결정을 위해 활용됩니다.

엣지 디바이스에 배포된 HMI/SCADA 소프트웨어는 원격 위치에서도 조직을 더 나은 데이터 기반 의사결정으로 이끌 분석을 제공하는 핵심 요소가 될 수 있으며, 경쟁력을 향상시킵니다.

COVID-19 팬데믹의 긍정적인 면이 있다면, 기업들이 더 실시간, 데이터 기반 의사결정을 위해 비즈니스 모델을 조정하는 법을 배우고 있다는 것입니다. 사람, 장비, 원자재, 시설을 활용하여 프로세스에 대한 더 많은 원격 가시성을 만듦으로써, 기업들은 고객, 직원, 공급업체와 더 긴밀한 관계를 통해 더 최적으로 운영할 수 있음을 발견하고 있습니다.

이 기사는 ADISRA(오스틴, TX) 최고기술책임자 브루노 아몬드 크레팔디(Bruno Armond Crepaldi)가 작성했습니다. 자세한 정보는 여기를 방문하세요.

참고문헌

1. 2019년 6월 18일 - 연결된 IoT 기기 증가로 2025년 79.4ZB 데이터 생성 예상, 새로운 IDC 전망에 따르면.
2. 2020년 6월 1일 - 글로벌 임베디드 분석 시장 2023년까지 602.8억 달러 도달 전망: AMR.