통합 네임스페이스 데이터 무결성

솔루션 개요

제조 업계는 실시간 데이터와 다양한 유형의 데이터를 한 위치 에 저장하는 UNS(Unified Namespace) 모델과 같은 중앙 집중식 데이터 관리 도구의 통합으로 인해 변화하고 있습니다. 최신 공장은 엔터프라이즈 리소스 관리(ERP), 제조 실행 시스템(MES), 작업 현장 기계와 같은 시스템에서 데이터를 생성합니다. 제조업체가 시스템을 연결하고 자동화함에 따라 이러한 데이터 소스를 통합하는 것이 중요합니다. 예시 를 들어,12 20 딜로이트에 따르면 스마트 팩토리 이니셔티브는 생산성을 최대 완벽하게 높이고 장비 효율성을 최대% 개선할 수 있습니다.

이 솔루션은 MongoDB 사용하여 포괄적인 UNS 프레임워크 개발하는 Leafy Factory 데모를 구현합니다. MongoDB 다양한 제조 시스템의 데이터를 자동으로 통합하고 분석하는 UNS로 사용할 수 있습니다. MongoDB의 유연성, 실시간 처리 및 확장성 효율적인 UNS를 위한 최적의 선택입니다. 또한 다음 다이어그램에 표시된 것처럼 제조 데이터 관리 시스템에 향상된 효율성 과 인사이트를 제공합니다.

클릭하여 확대

그림 1. 자동화 피라미드와 통합 네임스페이스 비교

이 UNS 프레임워크 다양한 운영 데이터 유형을 수집하고, 실행 가능한 인사이트를 얻기 위해 스트림을 분석하고, 정보를 MongoDB 에 저장하고, 다양한 데이터 소스에서 생성된 포괄적인 분석 사용하여 전략적인 권장 사항을 제공합니다. 이를 통해 데이터 저장 및 관리 중앙 집중화하여 효율성 높일 수 있습니다.

참조 아키텍처

다음 다이어그램은 이 솔루션의 아키텍처를 보여줍니다.

그림 2. Leafy Factory UNS 아키텍처

이 아키텍처에는 다음과 같은 데이터 흐름이 있습니다.

1. MQTT 브로커를 사용한 데이터 수집

이 솔루션은 먼저 Cedalo의 Mosquitto MQTT 브로커를 사용하여 작업장 기계의 실시간 데이터 스트림을 처리하다 . 이 브로커는 온도 및 진동을 포함한 기계 상태 및 센서 판독값과 같은 데이터를 수집합니다. 이 아키텍처는 브로커에 구애받지 않고 필요에 따라 다양한 다른 MQTT 제공자와 통합할 수 있습니다.

2. Kafka Connector 통한 SQL 데이터 통합

MQTT 데이터 수신과 동시에 Debezium connector ERP 및 MES 시스템에서 작업 주문 및 자재 추적과 같은 SQL 데이터를 캡처하여 Kafka 토픽으로 스트리밍합니다. 그런 다음 Kafka connector 이 데이터를 처리하여 MongoDB Atlas 에 삽입합니다. 이를 통해 ERP 데이터가 지속적으로 업데이트됩니다.

3. MongoDB Atlas 사용한 데이터베이스 관리

MongoDB의 유연한 문서 모델 사용하면 원시 머신 센서 데이터 부터 구조화된ERP 기록에 이르기까지 다양한 데이터 구조를 Atlas 에 저장 수 있습니다. 제조업체는 데이터를 문서 형식으로 저장함으로써 새로운 센서나 기계 속성과 같은 변화에 쉽게 적응할 수 있습니다.

이 솔루션의 데이터 구조는 다음과 같습니다.

{
   "result": {
      "factory": {
         "location": "qro_fact_1",
         "timestamp": "2025-04-12 02:59:41.569745",
         "production_lines": [
         {
            "production_line_id": 2,
            "machines": [
               {
               "_id": 3,
               "machine_id": 3,
               "details": {
                  "machine_status": "Available",
                  "last_maintenance": "2024-10-31 14:25:00",
                  "operator": "Grace Conway",
                  "avg_temperature": 70.48,
                  "avg_vibration": 0.59,
                  "temp_values": 70,
                  "vib_values": 0.01
               },
               "work_orders": [
                  {
                     "id_work": 111,
                     "jobs": [
                     {
                        "id_job": 62
                     }
                     ]
                  },
                  {
                     "id_work": 105,
                     "jobs": [
                     {
                        "id_job": 58
                     }
                     ]
                  },
                  {
                     "id_work": 104,
                     "jobs": [
                     {
                        "id_job": 57
                     }
                     ]
                  },
                  {
                     "id_work": 100,
                     "jobs": [
                     {
                        "id_job": 55
                     }
                     ]
                  },
                  {
                     "id_work": 99,
                     "jobs": [
                     {
                        "id_job": 52
                     }
                     ]
                  }
               ]
               }
            ]
         }
         ]
      }
   }
}

4. Time Series 컬렉션을 사용한 실시간 분석

데이터가 Atlas 에 저장되면 time series 컬렉션을 사용하여 데이터를 관리 하고 분석 수 있습니다. 제조업체는 시계열 컬렉션을 사용하여 타임스탬프가 지정된 데이터를 저장 하고 시간 경과에 따른 제조 프로세스에 대한 인사이트를 얻을 수 있으므로 패턴을 파악하고 변경 사항에 신속하게 대응할 수 있습니다. 컴퓨터 ID, 연산자 이름, 위치 등과 같은 추가 메타데이터 문서 모델 에 통합할 수도 있습니다.

5. Atlas Charts 사용한 시각화 및 분석

마지막으로, 생산 지표 , 품질 분석 및 기계 상태를 직관적으로 그래픽으로 표현한 Atlas Charts 사용하여 통합된 데이터를 시각화할 수 있습니다. 이를 통해 제조업체는 실행 가능한 인사이트를 통해 정보에 입각한 결정을 내릴 수 있습니다.

솔루션 빌드

이 솔루션은 함께 작동하는 핵심 기술의 조합을 사용하여 다양한 제조 시스템에서 원활한 데이터 처리 및 통합을 가능하게 합니다. 코드 샘플, 구성 파일, 튜토리얼 동영상을 포함한 전체 구현 세부 정보는 이 솔루션의 GitHub 리포지토리 참조하세요.

이 솔루션에는 다음과 같은 전제 조건이 있습니다.

• Python 3.12 이상

• Node.js 14 이상

• MongoDB 8.0.4 이상을 실행 MongoDB Atlas 클러스터

• Apache Kafka 3.9.0 이상

• Java JDK 23 이상

• PostgreSQL 15.10 이상

솔루션을 배포 하려면 위에 링크된 GitHub 리포지토리 의 README 지침을 따르세요.

주요 학습 사항

• 운영 변경에 대한 적응성: MongoDB의 유연한 문서 모델 새로운 데이터 소스를 쉽게 통합하고 생산 라인 확장에 따라 확장하다 할 수 있으므로 제조업체는 아키텍처를 재정비할 필요 없이 동적 데이터 시스템을 유지할 수 있습니다.

• 고급 애플리케이션을 위한 중앙 집중식 데이터 계층: UNS는 예측 유지 관리와 같은 애플리케이션을 직접 수행하지는 않지만 이러한 이니셔티브를 위한 인프라를 제공합니다. 제조업체는 UNS를 사용하여 실시간 및 과거 데이터를 중앙 집중화하여 IoT 기반 솔루션을 쉽게 구현 , 유지 관리 일정을 개선하고, 비용을 최적화할 수 있습니다.

• 교차 기능 인사이트 생성: MongoDB의 분석 기능을 통해 제조 팀은 MES 지표 및ERP 출력과 같은 다양한 데이터 세트를 통합할 수 있습니다.

• 데이터 가용성 및 안정성 보장: MongoDB의 복제본 세트 아키텍처는 시스템이 중단 없이 작동하도록 보장합니다. 이는 제조 데이터 에코시스템 의 잠재적인 중단을 방지하고 안정적인 장기 운영을 지원합니다.

작성자

• Raphael Schor, MongoDB

• Romina Carranza, MongoDB

• Giovanni Rodriguez, MongoDB

자세히 알아보기

• 스마트 제조를 위한 IoT Data Hub 구축

• 신속한 AI 에이전트 배포를 위한 프레임워크

• 실시간 분석으로 항공 작업 향상