AWS Builders 3: 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기
0 likes308 views
인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기-남궁영환,문태양
![© 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Dataset preparation & ingestion
© 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
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 =](https://image.slidesharecdn.com/3-210315070050/85/AWS-Builders-3-9-320.jpg)
AWS Builders 3: 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기
- 1. 남궁영환 | 시니어 AI/ML 컨설턴트 문태양 | 솔루션즈 아키텍트 인공지능을 활용하여 설비 및 생산 라인에서의 이상 감지 고도화하기 (Amazon Lookout 시리즈를 중심으로)
- 2. 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)
- 3. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Amazon Lookout for Equipment를 이용한 생산 설비의 이상 징후 탐지 방법 © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
- 4. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 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 © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
- 5. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 데이터 기반 스마트 공장 & 스마트 제조 – 개요 © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 수집 시각화 분석
- 6. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 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
- 7. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 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
- 8. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 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
- 9. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Dataset preparation & ingestion © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 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 =
- 10. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Training and Evaluating models © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 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)
- 11. © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Amazon Lookout for Equipment – Demo © 2021, Amazon Web Services, Inc. or its Affiliates. All rights reserved.