연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
논문 목록
T16. 제조 지식그래프와 시맨틱 레이어
- T16-6구조대응2025년 이후
Knowledge Graphs as the Missing Data Layer for LLM-Based Industrial Asset Operations
한국어 검토 보기
해결 문제
- 설비 보전 질문에 언어모델 에이전트가 답하게 하면 정확도가 낮다. 문서를 평평하게 쌓아둔 저장소 위에서는 추론이 흔들린다.
핵심 구조
- 먼저 타입이 정해진 지식그래프를 근거 층으로 깐다. 그 위에서 질문을 성격에 따라 세 갈래로 나눠 보낸다. 첫째, 언어모델이 Cypher 질의를 만들어 구조화 검색을 한다. 둘째, 그래프로 바로 풀리는 질문은 언어모델을 아예 안 거치고 그래프 연산과 최적화로 확정 계산한다. 셋째, 데이터에 아예 없는 답은 생성 증강 지식(GAK, 언어모델이 없는 사실을 만들어 채우는 방식)으로 채운다. 이때 만들어낸 사실은 출처 표시를 붙인 노드로 그래프에 다시 넣고 나서 답한다.
주요 결과
- 기본 정확도가 65%에서 82~83%로 올랐다. 그래프로 풀리는 문제만 보면 99%다. 그래프는 라벨 9종, 간선 5종, 노드 12,647개 규모다.
한계
- 벤치마크 시나리오가 IBM 벤치마크와 겹친다. 잔여수명 예측 같은 예측 과제는 그래프가 맥락만 줄 뿐, 실제 예측은 별도 모델이 있어야 한다.
우리 기능과의 연결
- AI 보고서와 업무 실행 에이전트가 근거 없이 답하지 않게, 지식그래프를 근거 층으로 까는 방식과 구조가 대응한다.
- T16-1구조대응
The Industrial Ontologies Foundry (IOF) Core Ontology
한국어 검토 보기
해결 문제
- 제조 데이터가 회사마다 시스템마다 용어가 달라서 서로 못 붙는다. 제조 분야 전체가 공유할 중간 계층 온톨로지가 없었다.
핵심 구조
- BFO(Basic Formal Ontology)라는 최상위 온톨로지를 맨 위에 두는 3층 구조다. 그 아래에 제조 공통 개념을 담은 IOF Core를 놓는다. 다시 그 아래에 공급망 같은 도메인별 온톨로지를 붙인다.
주요 결과
- IOF Core 버전 1 베타를 공개했다. 공급망 온톨로지를 이 위에 얹어 실제로 확장 가능함을 보였다.
한계
- 베타 단계다. 실제 공장 데이터에 적용한 정량 성능 수치는 없다. BFO 기반 형식 온톨로지라 배우고 쓰는 진입 장벽이 높다.
우리 기능과의 연결
- QFactory MES가 여러 고객사 설비와 품목 데이터를 붙일 때, 회사마다 다른 용어를 하나의 공통 개념 체계로 맞추는 문제와 구조가 대응한다.
- T16-2구조대응
Semantic Integration of Bosch Manufacturing Data Using Virtual Knowledge Graphs
한국어 검토 보기
해결 문제
- 보쉬 공장의 표면실장(SMT) 라인 데이터가 여러 시스템에 흩어져 있다. 품질 분석을 하려면 매번 사람이 원본 DB 구조를 알아야 했다.
핵심 구조
- 가상 지식그래프(Virtual Knowledge Graph)를 쓴다. 데이터를 그래프로 복사하지 않는다. 대신 SMT 제조 온톨로지를 만들고, 온톨로지와 원본 DB 테이블을 이어주는 매핑을 쓴다. 사용자는 SPARQL로 묻고, 시스템이 그걸 SQL로 바꿔 원본 DB에 던진다. 이 변환을 실제로 돌리는 엔진이 아래 9번의 Ontop이다.
주요 결과
- 품질 분석 과제 카탈로그를 SPARQL 질의로 인코딩해 평가했다. 표현력과 성능 양쪽에서 쓸 만하다는 결과를 얻었다.
한계
- SMT 공정 한 곳 사례다. 매핑을 사람이 만들어야 한다. 온톨로지와 원본 스키마가 바뀌면 매핑 유지보수 비용이 든다.
우리 기능과의 연결
- QFactory MES의 설비 데이터 수집 DB 위에 뜻을 붙인 조회 층을 얹는 문제와 구조가 대응한다.
- T16-5구조대응
Generation of Asset Administration Shell with Large Language Model Agents
한국어 검토 보기
해결 문제
- 설비 자산 관리 껍데기(AAS)는 표준 디지털 트윈 모델이다. 그런데 이걸 사람이 손으로 채워야 한다. 설비 사양서에서 값을 옮겨 적는 일이 너무 많다.
핵심 구조
- 시맨틱 노드라는 중간 자료구조를 정의한다. 대규모 언어모델 에이전트가 기술 사양서 원문을 읽어 시맨틱 노드로 뽑는다. 그다음 표준 AAS 인스턴스로 변환한다. 검색 증강 생성(RAG) 구성 요소를 붙였다 뺐다 하며 비교했다.
주요 결과
- 원문에서 표준 모델로 오류 없이 옮긴 비율이 62~79%였다. 여러 언어모델을 비교하고 구성 요소별 기여도를 분석했다.
한계
- 성공률이 최대 79%다. 나머지는 사람이 봐야 한다. 사양서 품질에 결과가 크게 좌우된다.
우리 기능과의 연결
- AI 기준정보 생성 기능, 즉 설비 사양서나 도면에서 표준 항목을 자동으로 뽑아 채우는 일과 구조가 대응한다.
검토 메모
- 부제: Toward Semantic Interoperability in Digital Twins in the Context of Industry 4.0
- T16-9구조대응
Ontop: Answering SPARQL queries over relational databases
한국어 검토 보기
해결 문제
- 현장 데이터는 관계형 DB에 있다. 사람은 업무 용어로 묻고 싶어 한다. 데이터를 그래프로 다 복사하지 않고도 용어로 묻게 만들어야 한다.
핵심 구조
- 온톨로지 기반 데이터 접근(OBDA) 엔진이다. 원본 DB 위에 가상 RDF 그래프를 세운다. 온톨로지는 OWL 2 QL, 매핑은 R2RML, 질의는 SPARQL로 받는다. 받은 SPARQL을 SQL로 다시 써서 원본 DB에 던진다. 질의 재작성과 최적화 기법을 여러 겹으로 넣었다.
주요 결과
- W3C 표준을 따르는 공개 소프트웨어로 배포했다. 주요 상용 DB를 지원한다. 산업 적용 사례를 함께 보고했다.
한계
- 표현력이 OWL 2 QL 수준으로 제한된다. 매핑을 사람이 만들어야 한다. 복잡한 질의는 생성된 SQL이 무거워질 수 있다.
우리 기능과의 연결
- 2번 보쉬 사례가 실제로 돌린 엔진이 이것이다. QFactory MES DB를 복사하지 않고 그 위에 뜻을 붙인 조회 층을 얹는 방식과 구조가 대응한다.
- T16-10구조대응
RML: A Generic Language for Integrated RDF Mappings of Heterogeneous Data
한국어 검토 보기
해결 문제
- R2RML은 관계형 DB만 RDF로 바꾼다. 그런데 현장 데이터는 CSV, JSON, XML, 로그가 섞여 있다. 형식마다 따로 매핑 도구를 쓰면 서로 이어 붙일 수가 없다.
핵심 구조
- R2RML을 확장한 매핑 언어다. 원본이 무엇이든 같은 문법으로 매핑을 쓴다. 원본 참조 방식만 형식별로 갈아 끼운다. 그래서 여러 형식의 데이터를 하나의 매핑 정의 안에서 서로 연결할 수 있다.
주요 결과
- 매핑 정의를 원본 형식과 분리했다. 서로 다른 형식의 데이터를 통합해 RDF로 만드는 절차를 보였다.
한계
- 2014년 워크숍 발표본이라 지금 사양과는 차이가 있다. 그 뒤 표준화 작업은 W3C Knowledge Graph Construction 커뮤니티 그룹으로 넘어갔다. 현재 사양은 RML-Core(2026-03-16 커뮤니티 그룹 초안)이니 인용할 때 같이 걸어야 한다. 지금도 W3C 정식 권고안 단계는 아니다. 매핑을 사람이 쓰는 부담은 그대로다.
우리 기능과의 연결
- QFactory MES가 관계형 DB뿐 아니라 설비 로그, CSV, JSON 수집 데이터를 함께 다뤄야 하는 상황과 구조가 대응한다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기