멀티 스텝 퍼니스 레시피 자동 추천 시스템 개발

성과

1) 테크니컬 리더(Technical Leader): 팀 기술 리딩 및 의사 결정

2) 시스템 아키텍처 설계: 멀티 티어 아키텍처 설계

3) 데이터 파이프라인 구축: 데이터 수집 및 가공 파이프라인 설계

4) 시스템 구현 및 최적화: UI/UX 구현 및 피드백 루프 구조 구현

1) 시스템 구성도

보안상 수록하지 않음

2) 시스템 아키텍처 구성요소

ECS Layer (HMI, PLC, MSSQL): 퍼니스 장비의 센서에서 발생하는 모든 온도 및 공정 데이터를 수집
Application (C# .NET, Node.js, RabbitMQ, Python): 데이터의 수집, 가공, 그리고 AI 분석을 위한 중계 역할을 수행
- Machine Agent: PLC와 직접 통신하여 센서의 실시간 온도 데이터를 읽어 들이고, 이를 Node.js Server로 전달하는 가교 역할을 함 (소켓 통신)
- Node.js Server: 시스템의 허브(Hub)로서, 수신된 데이터를 React Client로 전송하여 작업자가 모니터링할 수 있게 하고, 동시에 분석이 필요한 데이터는 RabbitMQ를 통해 AI Server로 전송
- AI Server: RabbitMQ(MQTT 프로토콜 등)를 통해 전달받은 온도 데이터를 바탕으로 공정 이상 유무를 판단하거나 예지 보전 모델을 수행"
Database Layer: MongoDB MongoDB를 기반으로 구축된 이 계층은 정형 데이터뿐만 아니라, Node.js Server로부터 전달받은 방대한 양의 온도 데이터와 설비 로그를 비정형(NoSQL) 포맷으로 유연하게 저장 및 관리

1) 대용량 실시간 데이터 병목 현상

이슈 내용
- 퍼니스 센서에서 발생하는 초단위 고빈도 데이터가 Node.js 서버와 AI 분석 서버에 동시 집중되어 시스템 지연 및 데이터 유실 위험 발생
해결 방법
- Message Queue(RabbitMQ) 도입 및 비동기 처리: 데이터 수집과 분석 로직을 분리(Decoupling)하고, MongoDB를 활용해 쓰기 성능을 최적화하여 부하 분산

2) 현장 데이터의 노이즈 및 불규칙성

이슈 내용
- 설비 노후도 및 환경 요인으로 인해 수집된 온도 데이터에 노이즈가 섞이거나 결측치가 발생하여 AI 레시피 추천의 정확도가 저하됨 "데이터 전처리 파이프라인 고도화
해결 방법
- 데이터 전처리 파이프라인 고도화: 이동 평균 필터 및 보간법을 적용한 노이즈 제거 로직을 구현하고, 데이터 표준화(Standardization)를 통해 학습 데이터의 품질을 상향 평준화"

3) 이기종 설비 데이터 파편화 및 스키마 불일치

이슈 내용
- 퍼니스 제조사별로 데이터 포맷이 다르고, 연동 시스템(MSSQL, PLC 등)마다 규격이 제각각이라 통합 분석을 위한 데이터 정규화에 과도한 리소스 소모 및 스키마 변경 시 운영 중단 리스크 발생
해결 방법
- MongoDB 기반의 유연한 데이터 레이크 구축: NoSQL의 스키마리스(Schema-less) 특성을 활용해 다양한 포맷의 데이터를 수집 단계에서 즉시 수용하고, 공정 요구사항 변화에 따른 데이터 구조 변경에도 시스템 중단 없는 유연한 관리 체계 구현"