본문으로 건너뛰기

5. Workflow Lifecycle: 생산 라인 자동 최적화

← 이전: 지식 관리 | 다음: 9가지 고유 기능 → | 제조업 목차

Process Mining → DAG 생성 → 실행 → 자가개선 Closed-Loop로 생산 프로세스 자동 최적화

시나리오: 생산 라인 최적화 자동화​

As-Is: 수동 프로세스 개선​

문제점:

  • 생산 로그 분석에 전문 컨설팅 필요 (비용 높음)
  • 개선 효과 예측이 추정에 의존
  • 적용까지 3~6개월 소요

To-Be: ONESHIM Workflow Lifecycle​

📄 생산 라인 DAG YAML 예시​

# production-line-optimization.yaml
apiVersion: oneshim/v1
kind: Workflow
metadata:
  name: bearing-quality-check
  version: 2.1.0
  created_from: process-mining
  source_systems:
    - MES (생산 실행)
    - SCADA (설비 모니터링)
    - ERP (자재 관리)

spec:
  triggers:
    - type: event
      source: scada.vibration_anomaly
    - type: schedule
      cron: "0 */2 * * *"  # 2시간마다 정기 점검

  steps:
    # 병렬 데이터 수집
    - id: collect_vibration
      name: 진동 데이터 수집
      handler: scada.get_vibration_metrics
      parallel_group: data_collection
      timeout: 10s

    - id: collect_temperature
      name: 온도 데이터 수집
      handler: scada.get_temperature_metrics
      parallel_group: data_collection
      timeout: 10s

    - id: collect_production_log
      name: 생산 로그 수집
      handler: mes.get_recent_production
      parallel_group: data_collection
      timeout: 15s

    # 분석 단계
    - id: merge_sensor_data
      name: 센서 데이터 통합
      handler: analysis.merge_sensor_data
      depends_on:
        - collect_vibration
        - collect_temperature
        - collect_production_log

    - id: ai_anomaly_detection
      name: AI 이상 탐지
      handler: ai_intelligence.detect_equipment_anomaly
      depends_on:
        - merge_sensor_data
      config:
        model: equipment_anomaly_v3
        threshold: 0.85

    - id: predict_failure
      name: 고장 예측
      handler: ai_intelligence.predict_failure_time
      depends_on:
        - ai_anomaly_detection
      condition: "{{ ai_anomaly_detection.anomaly_detected == true }}"

    # 자동 대응 (Write Back)
    - id: create_maintenance_ticket
      name: 정비 티켓 생성
      handler: integration_hub.create_jira_ticket
      depends_on:
        - predict_failure
      condition: "{{ predict_failure.days_to_failure <= 7 }}"
      config:
        project: MAINTENANCE
        priority: "{{ predict_failure.days_to_failure <= 2 ? 'Critical' : 'High' }}"

    - id: notify_team
      name: 정비팀 알림
      handler: notification.send_slack
      depends_on:
        - create_maintenance_ticket
      parallel_group: notification

    - id: adjust_production_speed
      name: 생산 속도 조정
      handler: scada.adjust_line_speed
      depends_on:
        - predict_failure
      condition: "{{ predict_failure.days_to_failure <= 1 }}"
      requires_approval: true  # 긴급 시에만 자동, 아니면 승인 필요

  # 자가개선 설정
  self_improvement:
    enabled: true
    min_executions: 50
    metrics:
      - detection_accuracy
      - false_positive_rate
      - response_time

자가개선 시나리오: 병목 자동 해결​

Before vs After​

항목기존 (수동)ONESHIM (자동)개선율
프로세스 발견컨설팅 2개월Process Mining 1주-88%
병목 분석현장 조사 2주AI 자동 탐지 5분-99%
개선안 수립시뮬레이션 1개월AI 자동 생성 1시간-99%
적용 주기3~6개월/건필요 시 즉시실시간
연간 개선 횟수2~4건무제한∞

관련 문서​

← 이전: 지식 관리 | 다음: 9가지 고유 기능 → | 제조업 목차