스마트 제조 환경에서의 발전에 따라, 부분방전 이미지와 시계열 신호와 같은 이질적인 다중센서 데이터를 통합하고 분석하는 이상 탐지 방법의 중요성이 점차 부각되고 있다. 그러나 기존의 고성능 멀티모달 모델은 파라미터 수가 많고 연산 요구가 높아 실시간 시스템이나 엣지 디바이스에 적용하기에는 한계가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 지식 증류(knowledge distillation) 기반 경량 멀티모달 이상 탐지(KD-LightMAD) 프레임워크를 제안한다. 제안된 프레임워크는 경량화되어 있으며, RealNVP 기반 정규화 플로우, LIMoE 기반 전문가 선택 구조, SupCon 기반 대조 학습을 결합한 MAD(교사 모델)로부터 핵심 특징 정보를 상속함으로써 성능을 저하시키지 않으면서 충분한 효율을 달성한다. 실험 결과, 제안된 KD-LightMAD 프레임워크는 교사 모델과 비교하여 파라미터 수를 98% 이상 감소시킴으로써 단 15 MB의 초경량 크기를 달성하였고, F1-score 100.0%를 획득하여 기존 최첨단(SOTA) 모델과 동등하거나 더 나은 성능을 보였다. 예를 들어, 제안된 프레임워크는 263-MB 크기의 SOTA 모델과 동일한 성능을 약 6%의 크기에서 재현함으로써 탁월한 효율성을 구현한다. 본 연구의 결과는 제안된 KD-LightMAD 프레임워크가 실시간 성능과 정확도를 유지한 채 고차원 복잡한 센서 데이터를 효과적으로 융합하며, 그로써 스마트 제조를 위한 엣지 디바이스 기반 이상 탐지 시스템의 실용성과 확장성을 향상시킨다는 점을 보여준다.

인공지능(AI) 기술의 발전에 따라 기업들은 스마트 팩토리 설비에 맞추어 생산 현장에 필요한 시설을 합리화하고, 생산 및 검사 공정에 AI를 적용하고 있다. 제조 생산 측면에서 AI-컴퓨터 비전은 기존의 규칙 기반 시스템을 대체할 수 있으며, 산업 현장에 경쟁력을 추가할 수 있다. 제조 산업에서의 혁신적인 비즈니스 관리 패러다임에 대응하기 위해 국내 제조 산업에서는 스마트 팩토리 구축의 발전이 진행 중이다. 이에 따라 산업 현장에 AI를 적용하는 제조 실행 시스템(MES)의 도입이 중요해지고 있다. 표면 실장 기술(surface mount technology, SMT) 하에서 가동되는 제조 라인의 맥락에서 전자 부품의 정밀한 정량화는 적시 공급망 관리와 효과적인 생산 출력에 매우 중요하다. 그러나 중소기업은 종종 부품을 정확히 계수하기 위한 정교한 시스템의 부재에 어려움을 겪는다. 기존의 X-ray 장비는 규칙 기반 알고리즘으로 작동하여 부품 수에 불일치가 발생하고 비효율이 유발된다. AI 딥러닝을 이용한 소형 객체 탐지는 생산 분야에서 유용한 기술이며 향후 다양한 분야에 적용될 수 있다. YOLOv5는 빠르고 고성능의 원 스테이지 객체 탐지 프로그램이다. YOLOv5는 기존 모델보다 더 가벼운 pytorch를 사용하며, 사용자가 쉽게 접근할 수 있다. 소형 객체를 더 잘 인식하기 위해 우리는 LyFormer 모델(LCTC, YOLO, Transformer)을 제안하였는데, 이는 기존 YOLOv5 네트워크에 1개의 레이어를 추가하고 1Head를 추가했으며, 변환기(transformer) 모듈을 삽입하고, 라벨 정규화, 상관(correlation), 국소 텍스처(local texture), 맥락(context) 특징 맵으로 데이터를 전처리하였다. 제안된 모델은 기존 YOLOv5 모델보다 더 높은 정확도와 속도를 보이는 개선 모델이다. 우리는 반도체 부품의 X-ray 영상을 촬영하고 개선된 제안 모델로 학습하여 우수한 성능을 얻었다. 이는 MES 고도화를 위해 생산과 연계하여 다수의 소형 장치를 갖춘 표면 실장 기술 산업의 검사 공정에 적용할 수 있다. 개선 제안 모델의 mAP 성능은 0.399에 비해 0.672로, 유의미한 향상이었다. 개선 모델의 정확도는 0.602인 YOLOv5 모델의 결과와 비교하여 0.915로 유의미한 향상이었으며, 릴(reel) 단위로 객체를 탐지할 수 있어 객체 추론을 위해 현장에 직접 적용할 수 있다.

스마트 공장 솔루션을 제공하는 회사의 컨설턴트가 고객과 협의할 때, 제조 공정의 윤곽을 정의하고 해당 공정 내의 모든 활동을 사례별로 구축하는 것은 어렵다. 이를 수행하기 위해서는 해당 회사로부터 막대한 자원이 필요하다. 본 연구에서는 컨설턴트가 제조 공정을 정의할 수 있도록 돕는 프로세스 발견 자동화 시스템을 제안한다. 또한 프로세스 발견을 위해 최근 강력한 성능을 보인 완전 어텐션 기반 트랜스포머 모델을 적용하였다. 컨설턴트에게 유용하게 하기 위해, 프로세스 발견에 적용된 딥러닝 모델의 블랙박스 특성을 해결하고, 발견 과정 설명 시 모니터링 시스템에서 사용할 수 있는 시각화 방법을 제안하였다. 본 연구에서는 금속 가공 공정의 이벤트 로그를 사용하여 모델링, 시각화, 평가를 수행하였다.

소프트웨어 전달 모델로서 서비스형 소프트웨어(Software as a Service, SaaS)는 소프트웨어 제공자와 사용자들로부터 상당한 관심을 받아 왔다. 대부분의 전통적인 기업들은 자사의 사업을 SaaS 모델로 전환하고 있다. SaaS 개발은 매우 복잡한 과정이며, 그 성공은 아키텍처 설계와 개발에 달려 있다. 제조 실행 시스템(Manufacturing Execution System, MES)은 온프레미스(On-Premise) 환경에서 사용되지 않는 기능에 대한 라이선스 비용을 감수하는 방식으로 활용되었으나, 실제 사용되는 기능은 제조 환경에 따라 달라진다. SaaS 환경에서는 마이크로서비스 아키텍처(Microservice Architecture, MSA)를 통해 기능 전용 컨테이너 접근(function-specific container approach) 방식으로 MES를 적용하여 필요한 기능만 선택하고 운용한다. 또한 SaaS 기반 서비스에서 가상화된 애플리케이션의 고객 수가 증가함에 따라 복잡성과 운영 비용도 함께 증가하므로, 단일 인스턴스로 애플리케이션을 모든 고객에게 제공하는 멀티테넌시 아키텍처(Multi-tenancy Architecture, MTA) 기술이 중요하다. 따라서 본 연구에서는 MTA 접근 방식을 조사하고 제조 실행 시스템에 적합한 MTA를 제안한다. 실시간 응답은 SaaS 기반 MES에서 디지털 제조의 사이버-물리 시스템을 구현하는 데 핵심적이다. 더 나아가, SaaS 기반 빅데이터 분석 및 의사결정은 실시간에 민감한 작업장에 다수의 애플리케이션이 요구하는 수준을 충족하기 어렵다. 본 연구에서는 취약한 작업장과 클라우드 환경에서의 실시간 응답을 만족시키기 위해, 디지털 제조에서의 사물인터넷(Internet of Things, IoT) 엣지의 실시간 제어를 위한 SaaS 기반 MSA/MTA 모델을 제안한다. 이는 MSA와 MTA를 포함하는 SaaS 기반 MES의 아키텍처인 SaaMES로서, OPC-UA를 이용한 통신과 소규모 분석을 통해 클라우드 환경과 작업 현장 간 연결성을 제공하여 실시간 응답 및 의사결정을 가능하게 한다. 분석은 IoT 엣지에 Autoencoder와 Generic Adversarial Networks 분석 모델을 적용함으로써 수행된다.

제4차 산업혁명의 도래와 함께 딥러닝 및 머신 비전을 활용한 제조 공정에서의 이상 탐지 연구가 활발히 진행되고 있다. 많은 제조 공정에서 머신 비전, 머신 러닝, 딥러닝 등 선진 정보 기술을 도입하여 제조 현장을 혁신하려는 다양한 시도가 이루어져 왔다. 그러나 COVID-19 팬데믹과 관련된 재난에 대응하는 데 필수적인 마스크 제조 현장에서 이러한 기술을 설계하고 구현한 사례는 아직 없었다. 본 논문의 독창성은 팬데믹 관련 재난에 필수적인 제조 공정에 최신 컴퓨터 기술을 도입하여 마스크 제조 환경 및 산업 생태계에 지속가능성을 구현하는 데 있다. 본 연구에서는 마스크 제조 공정에서의 지속가능한 생산성을 향상시키고, 장차 한국의 전체 제조 공정 산업에 기여할 수 있는 새로운 기술 적용을 시도하고자 실제 제조 공정에서 머신 비전 기반 품질 검사 시스템을 구축하는 것을 의도한다. 따라서 본 논문의 목적은 검사 공정 자동화, 제어 자동화, POP (Point Of Production) 제조 모니터링 시스템 구축, 스마트 팩토리 구현 및 솔루션에 대한 하드웨어 및 소프트웨어 시스템 구축·구현 절차를 구체적으로 제시하는 데 있다. 본 논문은 실제 마스크 제조 공장에 적용한 응용 연구이며, 마스크 생산성 향상을 위한 질적 분석 연구이다. “회사 A”는 한국에 위치한 마스크 제조 기업으로, 매일 수 톤 단위의 마스크를 생산한다. 이 회사는 머신 비전 기술을 활용하여 마스크 제조 공정에서 양품과 불량품을 자동으로 식별하도록 하는 계획을 수립하였다. 이를 위해 LAON PEOPLE NAVI AI Toolkit을 사용하여 딥러닝 및 머신 비전 기반 이상 탐지 제조 환경을 구현하였다. 그 결과 “회사 A”의 마스크 결함 탐지 공정 생산성은 현저하게 향상될 수 있었으며, 이 기술은 향후 유사한 마스크 제조 공정에 적용되어 유사한 제조 현장을 보다 지속가능하게 만드는 데 기여할 것으로 기대된다.

Industry 4.0 패러다임 하에서 지능형 제조 효율을 극대화하기 위해, 본 연구는 플라스틱 제품에 대한 정밀 설계 변경 감지와 제조 비용 예측의 핵심 과제를 정확한 Boundary Representation(B-Rep) 기하 정보 및 데이터 기반 학습 모델을 활용하여 다룬다. 테셀레이션 근사로 인한 오차에 취약한 기존 메쉬 기반 접근과 달리, 제안 방법은 STP(CAD) 파일로부터 NURBS 표면에 대해 직접적인 매개변수 기반 샘플링을 수행한다. 이를 통해 미세한 형상 변위에 대한 잡음 없는 마이크로미터 수준의 검출이 가능하며, 가공 의사결정과 관련된 12개의 핵심 공학 특징 벡터를 엄밀하게 추출할 수 있다. 추출된 특징을 바탕으로, 리프-와이즈(leaf-wise) 성장 전략을 활용한 계층적 LightGBM 기반 학습 구조를 제안하여 NC 가공 및 EDM을 포함한 7가지 핵심 제조 공정을 분류하고, 해당 공정의 처리 시간과 비용을 예측한다. 또한 수치 예측을 뒷받침하는 공학적 근거에 대한 자연어 해석을 제공하기 위해 LLM 및 RAG 기반 설명가능한 AI(XAI) 프레임워크를 통합하였다. 모델의 견고성을 확보하고 과적합을 방지하기 위해, 해당 프레임워크는 15,120개의 변경 패치를 대상으로 5-폴드 교차검증을 수행하여 평가하였으며, 비용 라벨은 실제 현장의 전사적 자원 관리(Enterprise Resource Planning, ERP) 데이터로 검증하였다. 실험 결과, 공정 분류 정확도 94.2% 및 비용 예측에 대한 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE) 7.8%를 달성하여 선형 회귀(Linear Regression), 랜덤 포레스트(Random Forest), XGBoost와 같은 기존 기준 방법보다 유의하게 우수함을 보였다. 제안 접근법은 설계 변경 분석 리드 타임을 수일에서 3분 미만으로 단축하여 지능형 제조 환경에서의 실시간 의사결정 지원에 대한 효과를 입증한다.

베어링 고장 진단은 기계 시스템의 안정성과 성능을 유지하는 데 핵심적인 요소이며, 이상 징후 탐지 및 예측을 위한 신뢰할 수 있는 방법이 필요하다. 전통적인 보수적 유지보수 접근과 달리, 실시간 상태 모니터링을 통해 선제적 예방 조치를 가능하게 하는 예측 유지보수의 중요성은 지속적으로 증가하고 있다. 본 연구에서는 정상 및 비정상 베어링 상태를 효과적으로 구분하는 동시에 잠재적 고장을 사전에 예측하는 딥러닝 방법을 제안한다. 이를 위해 지도 학습 트랜스포머 아키텍처를 기반으로 한 시계열 이상 징후 탐지 모델을 개발한다. 제안된 모델은 정상 진동 데이터로부터 네 가지 유형의 합성 이상을 생성하여 데이터 불균형 문제를 해결하며, 계산 비용을 절감하고 장기 의존성에 대한 처리 능력을 향상시키기 위해 피라미드 구조의 어텐션 모듈을 통합한다. 실제 베어링 진동 데이터셋에 대한 실험 결과, 기존 모델에 비해 F1 점수가 6%p 이상 향상되었으며, 특정 실험 환경에서 계산 비용이 유의하게 감소함을 보였다. 본 연구는 베어링 고장을 초기 단계에서 신뢰성 있게 식별하고 예측함으로써 유지보수 비용을 절감하고 시스템 안정성을 향상하는 데 기여한다. 또한 다양한 회전 기계 시스템에서의 상태 모니터링 및 이상 징후 탐지에 광범위하게 적용될 것으로 기대된다.

제조실행시스템(Manufacturing Execution System, MES) 환경에서 데이터 기반 의사결정을 지원하기 위해서는, 다양한 생산·품질·자산·자재 정보를 빠르고 정확하게 분석할 수 있는 시스템을 배치해야 한다. 그러나 기존의 MES 데이터 관리 접근 방식은 사전에 정의된 쿼리나 보고서 템플릿에 의존하는 경우가 많아 유연성이 부족하고 실시간 의사결정 지원에 한계를 지닌다. 본 논문에서는 LangChain의 기능을 확장하여 제조실행시스템(MES)에 특화된 구성요소와 Ollama 기반 로컬 대규모 언어 모델(Local Large Language Model, LLM)을 통합하는 도메인 특화 검색증강생성(Retrieval-Augmented Generation, RAG) 아키텍처를 제안한다. 제안된 아키텍처는 실시간 센서 데이터 처리, 복잡한 제조 워크플로, 도메인별 지식 통합을 포함하여 MES의 고유한 요구사항을 해결한다. 또한 고성능 비동기 처리를 위한 FastAPI를 사용하는 응용 계층, 자연어 이해를 위한 LLM 계층, 효율적인 데이터 관리를 위한 MariaDB, Redis, Weaviate의 결합으로 이루어진 데이터 저장 계층의 3계층 구조를 구현한다. 이 시스템은 스키마 관계, 시간적 데이터 처리, 보안 관련 우려와 같은 MES 특화 과제를 민감한 공장 데이터를 노출하지 않고 효과적으로 처리한다. 제안된 설계는 단순한 텍스트 기반 RAG를 넘어 제조 현장의 문제 해결에 초점을 둔 산업 특화 맞춤형 접근법이다. 또한 데이터 소스의 특수성, 실시간 및 고가용성 요구사항, 도메인 지식과 워크플로의 반영, 보안 및 품질관리 규정 준수, MES 시스템과의 직접적인 상호운용성을 고려한다. 아키텍처는 다양한 제조 시스템, 고급 LLM, 분산 처리 프레임워크와의 통합을 통해 추가로 향상될 수 있으며, 이때 핵심은 MES 도메인 전문화에 대한 집중을 유지한다.

전 세계적으로 에너지 수요가 증가함에 따라 재생에너지는 점점 더 중요해지고 있다. 특히 태양광 발전은 지속 가능하고 환경 친화적인 대안으로 자리매김하고 있으며, 대규모 발전소뿐만 아니라 소규모 가정용 전력 생산 시스템에서도 점차 중요한 역할을 하고 있다. 그러나 소규모 전력 생산 시스템은 날씨 조건에 따른 발전량 변동성과 데이터 부족으로 인해 효율적인 예측 모델 개발에 어려움을 겪고 있다. 본 연구에서는 이러한 문제를 해결하기 위해 전이학습과 동적 시간 워핑(dynamic time warping, DTW)을 결합한 새로운 예측 프레임워크를 제안한다. 우리는 데이터가 부족한 환경에서도 높은 예측 성능을 유지할 수 있는 전이학습 기반 예측 시스템 설계를 제시한다. 다원(多源) 데이터를 활용하여 대상 도메인에 적합한 예측 모델을 개발하는 과정에서, DTW를 이용한 데이터 유사성 평가 방법을 제안하며, 이는 기존의 장단기 메모리(long short-term memory, LSTM) 및 Transformer 모델과 비교하여 MSE 및 MAE 지표에서 낮은 오차율로 우수한 성능을 보인다. 본 연구는 소규모 PV 전력 생산 시스템의 에너지 효율을 극대화하고 에너지 자립도를 향상시키는 데 기여할 뿐만 아니라, 데이터가 부족한 환경에서도 높은 신뢰성을 유지할 수 있는 방법론을 제공한다.

스마트 제조 환경에서의 발전에 따라, 부분방전 이미지와 시계열 신호와 같은 이질적인 다중센서 데이터를 통합하고 분석하는 이상 탐지 방법의 중요성이 점차 부각되고 있다. 그러나 기존의 고성능 멀티모달 모델은 파라미터 수가 많고 연산 요구가 높아 실시간 시스템이나 엣지 디바이스에 적용하기에는 한계가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 지식 증류(knowledge distillation) 기반 경량 멀티모달 이상 탐지(KD-LightMAD) 프레임워크를 제안한다. 제안된 프레임워크는 경량화되어 있으며, RealNVP 기반 정규화 플로우, LIMoE 기반 전문가 선택 구조, SupCon 기반 대조 학습을 결합한 MAD(교사 모델)로부터 핵심 특징 정보를 상속함으로써 성능을 저하시키지 않으면서 충분한 효율을 달성한다. 실험 결과, 제안된 KD-LightMAD 프레임워크는 교사 모델과 비교하여 파라미터 수를 98% 이상 감소시킴으로써 단 15 MB의 초경량 크기를 달성하였고, F1-score 100.0%를 획득하여 기존 최첨단(SOTA) 모델과 동등하거나 더 나은 성능을 보였다. 예를 들어, 제안된 프레임워크는 263-MB 크기의 SOTA 모델과 동일한 성능을 약 6%의 크기에서 재현함으로써 탁월한 효율성을 구현한다. 본 연구의 결과는 제안된 KD-LightMAD 프레임워크가 실시간 성능과 정확도를 유지한 채 고차원 복잡한 센서 데이터를 효과적으로 융합하며, 그로써 스마트 제조를 위한 엣지 디바이스 기반 이상 탐지 시스템의 실용성과 확장성을 향상시킨다는 점을 보여준다.

인공지능(AI) 기술의 발전에 따라 기업들은 스마트 팩토리 설비에 맞추어 생산 현장에 필요한 시설을 합리화하고, 생산 및 검사 공정에 AI를 적용하고 있다. 제조 생산 측면에서 AI-컴퓨터 비전은 기존의 규칙 기반 시스템을 대체할 수 있으며, 산업 현장에 경쟁력을 추가할 수 있다. 제조 산업에서의 혁신적인 비즈니스 관리 패러다임에 대응하기 위해 국내 제조 산업에서는 스마트 팩토리 구축의 발전이 진행 중이다. 이에 따라 산업 현장에 AI를 적용하는 제조 실행 시스템(MES)의 도입이 중요해지고 있다. 표면 실장 기술(surface mount technology, SMT) 하에서 가동되는 제조 라인의 맥락에서 전자 부품의 정밀한 정량화는 적시 공급망 관리와 효과적인 생산 출력에 매우 중요하다. 그러나 중소기업은 종종 부품을 정확히 계수하기 위한 정교한 시스템의 부재에 어려움을 겪는다. 기존의 X-ray 장비는 규칙 기반 알고리즘으로 작동하여 부품 수에 불일치가 발생하고 비효율이 유발된다. AI 딥러닝을 이용한 소형 객체 탐지는 생산 분야에서 유용한 기술이며 향후 다양한 분야에 적용될 수 있다. YOLOv5는 빠르고 고성능의 원 스테이지 객체 탐지 프로그램이다. YOLOv5는 기존 모델보다 더 가벼운 pytorch를 사용하며, 사용자가 쉽게 접근할 수 있다. 소형 객체를 더 잘 인식하기 위해 우리는 LyFormer 모델(LCTC, YOLO, Transformer)을 제안하였는데, 이는 기존 YOLOv5 네트워크에 1개의 레이어를 추가하고 1Head를 추가했으며, 변환기(transformer) 모듈을 삽입하고, 라벨 정규화, 상관(correlation), 국소 텍스처(local texture), 맥락(context) 특징 맵으로 데이터를 전처리하였다. 제안된 모델은 기존 YOLOv5 모델보다 더 높은 정확도와 속도를 보이는 개선 모델이다. 우리는 반도체 부품의 X-ray 영상을 촬영하고 개선된 제안 모델로 학습하여 우수한 성능을 얻었다. 이는 MES 고도화를 위해 생산과 연계하여 다수의 소형 장치를 갖춘 표면 실장 기술 산업의 검사 공정에 적용할 수 있다. 개선 제안 모델의 mAP 성능은 0.399에 비해 0.672로, 유의미한 향상이었다. 개선 모델의 정확도는 0.602인 YOLOv5 모델의 결과와 비교하여 0.915로 유의미한 향상이었으며, 릴(reel) 단위로 객체를 탐지할 수 있어 객체 추론을 위해 현장에 직접 적용할 수 있다.

스마트 공장 솔루션을 제공하는 회사의 컨설턴트가 고객과 협의할 때, 제조 공정의 윤곽을 정의하고 해당 공정 내의 모든 활동을 사례별로 구축하는 것은 어렵다. 이를 수행하기 위해서는 해당 회사로부터 막대한 자원이 필요하다. 본 연구에서는 컨설턴트가 제조 공정을 정의할 수 있도록 돕는 프로세스 발견 자동화 시스템을 제안한다. 또한 프로세스 발견을 위해 최근 강력한 성능을 보인 완전 어텐션 기반 트랜스포머 모델을 적용하였다. 컨설턴트에게 유용하게 하기 위해, 프로세스 발견에 적용된 딥러닝 모델의 블랙박스 특성을 해결하고, 발견 과정 설명 시 모니터링 시스템에서 사용할 수 있는 시각화 방법을 제안하였다. 본 연구에서는 금속 가공 공정의 이벤트 로그를 사용하여 모델링, 시각화, 평가를 수행하였다.

소프트웨어 전달 모델로서 서비스형 소프트웨어(Software as a Service, SaaS)는 소프트웨어 제공자와 사용자들로부터 상당한 관심을 받아 왔다. 대부분의 전통적인 기업들은 자사의 사업을 SaaS 모델로 전환하고 있다. SaaS 개발은 매우 복잡한 과정이며, 그 성공은 아키텍처 설계와 개발에 달려 있다. 제조 실행 시스템(Manufacturing Execution System, MES)은 온프레미스(On-Premise) 환경에서 사용되지 않는 기능에 대한 라이선스 비용을 감수하는 방식으로 활용되었으나, 실제 사용되는 기능은 제조 환경에 따라 달라진다. SaaS 환경에서는 마이크로서비스 아키텍처(Microservice Architecture, MSA)를 통해 기능 전용 컨테이너 접근(function-specific container approach) 방식으로 MES를 적용하여 필요한 기능만 선택하고 운용한다. 또한 SaaS 기반 서비스에서 가상화된 애플리케이션의 고객 수가 증가함에 따라 복잡성과 운영 비용도 함께 증가하므로, 단일 인스턴스로 애플리케이션을 모든 고객에게 제공하는 멀티테넌시 아키텍처(Multi-tenancy Architecture, MTA) 기술이 중요하다. 따라서 본 연구에서는 MTA 접근 방식을 조사하고 제조 실행 시스템에 적합한 MTA를 제안한다. 실시간 응답은 SaaS 기반 MES에서 디지털 제조의 사이버-물리 시스템을 구현하는 데 핵심적이다. 더 나아가, SaaS 기반 빅데이터 분석 및 의사결정은 실시간에 민감한 작업장에 다수의 애플리케이션이 요구하는 수준을 충족하기 어렵다. 본 연구에서는 취약한 작업장과 클라우드 환경에서의 실시간 응답을 만족시키기 위해, 디지털 제조에서의 사물인터넷(Internet of Things, IoT) 엣지의 실시간 제어를 위한 SaaS 기반 MSA/MTA 모델을 제안한다. 이는 MSA와 MTA를 포함하는 SaaS 기반 MES의 아키텍처인 SaaMES로서, OPC-UA를 이용한 통신과 소규모 분석을 통해 클라우드 환경과 작업 현장 간 연결성을 제공하여 실시간 응답 및 의사결정을 가능하게 한다. 분석은 IoT 엣지에 Autoencoder와 Generic Adversarial Networks 분석 모델을 적용함으로써 수행된다.