제조 고객사의 품질 개선 활동이나 시뮬레이션을 자원의 제약 없이 보다 신속하고 효율적으로 개선할 수 있는 AWS의 서비스와 참조 아키텍처를 소개 드립니다. 탄력적이고 확장 가능한 클라우드 인프라를 활용하여 품질 예측 시뮬레이션을 수행한 두산중공업의 사례와 한국타이어앤테크놀로지가 타이어 성능을 결정하는 ‘컴파운드’라는 고무 물질 관련 축적 데이터를 AWS와 함께 쉽고 빠르게 분석, 활용하여 성능과 안정성이 강화된 타이어를 개발해나가는 사례를 직접 전해 드립니다.

1. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
스마트 엔지니어링: 제조사를 위한 품질 예측
시뮬레이션 및 인공지능 모델 적용 사례 소개
권신중
솔루션즈 아키텍트
AWS
천준홍
책임 연구원
두산중공업
김형규
수석
한국타이어앤테크놀로지

2. Agenda
1. Manufacturing on AWS
2. 스마트 엔지니어링 고객 사례
• AWS Cloud HPC를 이용한 유동해석 사례 (두산중공업)
• 제조업 데이터의 재발견: 빅데이터 vs 빅데이터 (Virtual Compound Design)
(한국타이어앤테크놀로지)

3. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Manufacturing on AWS

4. 제품 생산
YIELD QUALITY
UPTIMEPRODUCT
제품 소비
LIFECYCLE MGMT IMPROVEMENTS
CUSTOMER
SATISFACTION
LOYALTY
생산 Performance와
고객의 제품 사용 경험 데이터는
제품과 프로세스 설계를 개선
제품과 프로세스 설계의
효율화는 공장 운영을 개선
개선된 공장 운영은
제품의 품질을 개선
제품, 프로세스
설계
R&D
NET PROMOTER
SCORE
PROCESS
OPTIMIZATION
LOWER CHANGEOVER
TIME
Datais key enabler!
제조업의 Data 기반 Flywheel

5. • 다양한 산업용 통신 프로토콜
• 정형데이터 외 반정형, 비정형 데이터 증가
• 데이터 사일로(Silo) 현상
• 한정된 온프레미스 환경의 컴퓨팅, 스토리지 자원
현실적인 제약사항들

6. Business AnalyticsAI/ML
Manufacturing
Data Lake
Manufacturing
Applications
Engineering & Design
Workloads
(PLM/HPC/CAE)
Enterprise
Workloads
(SAP ERP/CRM)
Factory Machines
Historian
SCADA
Factory
Software
Connected
devices/vehicles
/products
AWS CloudFactory
AWS Manufacturing Reference Architecture
IoT

7. IoT Greengrass
Edge/GW
S3
Manufacturing
Data Lake
Kinesis
MES
Factory Machines
ML
Inference
IoT Core
SageMaker
ML
QuickSight
Business
Intelligence
Athena
Historian
Storage Gateway
EMR
EBS EC2 Batch AppStreamEBS EC2
E&D Workloads
(PLM/HPC/CAE)
Enterprise Workloads
(SAP ERP/CRM)
DMS RDS
Local Servers
Redshift
Data Warehouse
API
IoT SiteWise
Snowball Edge
Connected
Products
DynamoDB Lambda
IoT Core
Amazon Forecast
Plant
Maintenance
Production
Planning
Business Functions
IoT Greengrass
Connectors
IoT Analytics
Analytics
Outposts
IoT Events
EC2
Lambda
Business Logic
SNS
Connected
Vehicles
Factory AWS Cloud
Smart Product
Manufacturing Applications
OPC-
UA
Modbu
s
Customer
Connector
Transfer for SFTP
AWS Glue
Kinesis
Sales &
Marketing
Logistics &
Distribution
DataIngestion
AWS Manufacturing Reference Architecture

8. 스마트 제품 및 서비스
• IoT 기반 양방향 Connected
Product
• 원격 진단, Over-the-Air 업데이트
• 스페어 부품 미리 확보
• 고객 경험 개선을 위한 맞춤형 추
천, 캠페인
Amazon SageMaker
AWS IoT
AWS Greengrass
AWS IoT Analytics
Amazon Forecast
스마트 팩토리
• 공장 현장의 데이터를 캡쳐, 분석,
시각화로 제조 작업 개선
• 공장 데이터를 활용한 OEE (전반
적인 장비 효율성) 달성
• 실시간 예측, 작업자 안전,
품질 개선, 예지 정비를 위한 기
계학습
• 강화된 보안, 재해복구 솔루션
Amazon SageMaker
AWS IoT
Amazon Timestream
AWS Outposts
AWS Greengrass
AWS IoT Analytics
AWS IoT Events
AWS SiteWise
제품 및 생산 설계
• EDA, CFD, FEA, 충돌 시뮬레이션
을 위한 HPC 솔루션
• 클라우드 리소스를 활용한 대규
모의 병렬 시뮬레이션
• 작업 대기시간 단축
• HPC 인프라 구축/운영이 아닌 시
뮬레이션, 제품 설계에 집중
Amazon Appstream
Amazon Glacier
Amazon S3
Amazon EFSAmazon EBS
Amazon EC2
제조 고객을 위한 AWS 솔루션

9. High Performance Computing (HPC) on AWS
1
2
1 HPC Cluster
• 최대 4Ghz clock speed (Z1d)
• 최대 100 Gbps network B/W (c5n)
• MPI 애플리케이션 지원을 위해 AWS가
자체 개발한 Elastic Fabric Adapter 탑재
2 Shared file storage
• 관리형 Lustre 파일시스템 (FSx for Lustre)
• 관리형 NAS 파일시스템 (EFS, FSx for
Windows)

10. AWS IoT Predictive Maintenance Reference Architecture
1 AWS IoT Greengrass
• Factory Machines, MES/SCADA
데이터 수집, AWS IoT로 전송
1
1
2 AWS IoT Analytics
• Real-time
Anomaly detection
2
3 Amazon SageMaker
• Predictive Maintenance
모델 학습
3
4
4 AWS IoT Greengrass
• 클라우드에서 학습한 모델을 이
용하여 Edge에서 추론

11. … and more

12. 고객사례
AWS Cloud HPC를 이용한 유동해석 사례
두산중공업, 천준홍 책임연구원
제조업 데이터의 재발견: 빅데이터 vs 빅데이터 (Virtual Compound Design)
한국타이어앤테크놀로지, 김형규 수석 연구원

13. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
AWS Cloud HPC를 이용한 유동해석 사례
천준홍
책임연구원
두산중공업

14. Agenda
• Introduction
• CFD Analysis Case using AWS Cloud HPC1)
• How to use AWS Cloud HPC for DHIC2)
• Useful Tips
1) HPC : High Performance Computing
2) DHIC : Doosan Heavy Industries & Construction

15. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Introduction

16. Where does the electricity we use come from?
Power station (發電所) : Faraday’s law of Induction
Boiler Thermal
Energy
Mechanical
Energy
Electrical
Energy
Turbine
Generator
Concentrated Solar Power
Wind Power

17. Organization
POWER SERVICE BG
Doosan Hydro Tech (USA)
EPC
for
Conventional Power
Renewables
Seawater Desalination
Civil & Architecture
Doosan Enpure
(UK)
Doosan Power Systems India
(India)
Doosan HF Controls
(USA)
Plant EPC BG NUCLEAR BG
After Service
For
Retrofit
Modernization
Repowering
O&M
Digitalization
Equipment
For
Steam Turbine
Boiler
Gas Turbine
Generator & AQCS
Equipment
for
Nuclear Reactor
Steam Generator
Casting & Forging
Doosan Babcock
(UK)
Doosan Skoda Power
(Czech Republic)
Doosan Lentjes
(Germany)
Doosan Turbomachnery
(USA)
DPSI Service
(India)
DPS Arabia
(KSA)
DPSA Service
(USA)
Total Power/Water Solution provider under one global leadership

18. Doosan Steam Turbine Business Line
Full line-up from supply of new equipment to service
Steam Turbine Turbine Island EPCm Retrofit & Modernization After Service
• Industrial & utility steam
turbine
• Conventional, CCPP, nuclear
and renewables
• Feasibility study support
• Feasibility study support
• Turbine island EPCm
- Eng’g and Procurement
- Construction management
• Service expertise for OEM &
Non-OEM equipment
• Life/Performance assessments
• Life-time extension
• Uprating &Modernization
• Equipment diagnosis
• Long Term Service
• Repairs
• Operation & Maintenance

19. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
CFD Analysis Case using AWS Cloud HPC

20. CFD Analysis in Steam Turbines
Aerodynamic Analysis
Design Process
•Design Verification
– Mass Flow
– Streamline
– Pressure Distribution
•Design Optimization
– Inlet Flow Distribution
– Outlet (Exhaust) Flow Distribution
•Troubleshooting
– Issues related to Manufacturing
– Issues related to Outsourcing Product
R&D Process
• Element Technology Development
– Advanced Sealing Technology
– Advanced Blading Design Technology
– Advanced Valve Development
– Advanced Exhaust System Development
• Model Development
– Various Model Development according to Power
Output
• Advanced Blading Development
– Last stage Blade Development according to Power
Output (Shock, Wetness effect)

21. Available Computer Resources for CFD Analysis in DHIC
Cloud HPC system (Rescale) is suitable for urgent design support or large-scale CFD analysis
1) HPC : High Performance Computing
2) DNAS : Doosan Network-Attached Storage
Workstation
AWS Cloud HPC
(Rescale)HPC1)
# of core 12 256 500
(No limit)
CFX ver. No limit 17.2~20.2 19.0~20.1
Analysis time limit No limit 48 hours 168 hours
(No limit)
Analysis waiting time Δ (depending on
CFX license)
O (depending on
Job schedule)
-
Maintenance cost cheap expansive -
Download/upload time -
-
(linked to DNAS2))
Slow
Large-scale CFD X O O

22. 1. Urgent Design Support
Ventilation valve design was urgently reviewed to confirm the chocking at the designed seat inner
diameter using AWS cloud HPC

23. 2. Repeating CFD Analysis
Single stage CFD analysis using AWS cloud HPC with repeating boundary conditions was
performed to increase the stage efficiency
Assumption : Repeating Stage for HP/IP Turbines
1) Incompressible flow due to relatively low Ma number
2) Small change of mean blade radius due to the small change of density
3) Constant flow outlet angle (90°) at the inlet and outlet of stage as design consideration
→ Under this environment, the requirements for a repeating stage can be satisfied (similar velocity triangle)
Scaled Pt, Tt Profile
Scaled Velocity Angle, k and ω Profile Free Vortex Control FlowReversed Control Flow

24. 3-1. Large Scale CFD Analysis
Multi-stage CFD analysis was performed to check the section efficiency and mass flow
Stator Lean
No Stator Lean

25. 3-2. Large Scale CFD Analysis
Transient CFD analysis was performed to obtain the blade excitation at a frequency equal to the
natural frequency of the blade
Static Stress Dynamic Stress
Frequency [Hz]
Force[N]
Static Stress
DynamicStress
Goodman Diagram
Simulation Time [s]
Force[N]
Ultimate
Strength
Endurance limit
Static Stress
Dynamic
Stress
Fx Fy Fz

26. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
How to use AWS Cloud HPC for
Doosan

27. 1-1. Input Settings for CFD Calculation
Case I – Basic CFD calculation
(ex. Valve CFD, Multistage CFD, Transient CFD, and so on)
2. Upload the CFX definition file to cloud HPC
3. Select the Project and select the Job Type as ‘Basic’
1. Enter the Job Title
4. Push the Next button

28. 1-2. Input Settings for CFD Calculation
Case II – Single Stage CFD Calculation using Repeating Boundary Conditions
(with CFX User Fortran Compile Files)
2. After creating a zip file with CFX user Fortran compile files, upload it to cloud HPC along with
the initial file and CFX definition file.
3. Select the Project and change the ‘Job Type’ from ‘Basic’ to ‘End to End Desktop’
1. Enter the Job Title
4. Push the Next button

29. 2-1. Software Settings for CFD Calculation
Case I – Basic CFD calculation
(ex. Valve CFD, Multistage CFD, Transient CFD, and so on)
2. Choose the Software Version : Not Support for Old Version
3. Enter the Command Line
definition file only (XXX.def) : cfx5solve -def XXX.def -par-dist $HOSTLIST
definition (XXX.def) + initial file (YYY.res) : cfx5solve -def XXX.def -ini YYY.res -par-dist $HOSTLIST
1. Choose the Software (ANSYS CFX) for CFD Calculation
4. Select License Options

30. 2-2. Software Settings for CFD Calculation
Case II – Single Stage CFD Calculation using Repeating Boundary Conditions
(with CFX User Fortran Compile Files)
2. Choose the Software Version : Not Support for Old Version
1. Choose the Software ‘ANSYS Interactive Workflow’
3. Select License Options

31. 3. Hardware Settings for CFD Calculation
Case I & II – Common Case
(with or without CFX User Fortran Compile Files)
2. Select the Number of Core and Walltime for Calculation (Very Important)
1. Select the Core Type

32. 4. Post Processing Settings for CFD Calculation
Case I & II – Common Case
(with or without CFX User Fortran Compile Files)
2. Push the Submit button
1. Push the Next button

33. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Useful Tips

34. Useful Tips
1. Open the browser ‘Chrome’ instead of ‘Internet Explorer’ and use the ‘Enhanced’ option when
uploading files -> Improvement of upload time
1. Add from cloud storage if you already have initial file in cloud storage
1. CFX Pre Set up – Change serial mode into parallel environment

35. Useful Tips
4. Monitoring CFD Analysis using ‘Status’ Channel
1) Click the ‘Status’ and then push the Refresh button in Live taking box
2) Choose the out file

36. Useful Tips
5. Job shut down during calculation
- Method I : Push the ‘STOP’ button
- Method II (useful when ‘STOP’ button doesn’t work)
1) Execute the Cloud HPC (rescale)’s in-browser SSH and click the Server IP of MPI master
2) Enter ‘cd /work/shared’ and then ‘cfx5stop –directory XXX.dir’

37. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
제조업 데이터의 재발견: 빅데이터 vs 빅데이터
(Virtual Compound Design)
김형규
수석
한국타이어앤테크놀로지

38. Agenda
• 제조업 데이터의 생성
• 제조업 데이터의 변질
• 빅데이터 vs 빅데이터
• 제조업 데이터의 전처리
• 제조업 데이터에 인공지능 모델 더하기

39. 제조업 데이터의 생성
How to Deal with Complex System
Mixing
Extrusion
Building
Curing
Humans simplify the problem as much as possible
to solve complex problems.

40. 제조업 데이터의 생성
How to Deal with Complex System
Mixing
Extrusion
Building
Curing
1. Assumption: 다른 모든 조건이 같다고 가정하면,
2. Representation: 현상을 설명하는 인자로
하나의 값을 대표 값으로 정의할 수 있다!?

41. 제조업 데이터의 변질
첫번째 인자
현상을 가장 잘 설명할 수 있는 하나의 대표 인자
관리자를 위한 수식화
집중 관리 대상에 포커스 된 수식
크게 성능이 향상되지 않은 비슷비슷한 수식 →데이터 모호성 증가
보고를 위한 시각화
시각화를 하면서 한번 더 변질되는 데이터
보고를 위한 시각화 인자가 관리 항목에 추가 →데이터 통일성 저하
More Manageable & Visible than Before

42. 제조업 데이터의 변질
문제점1
데이터 연결성을 확보하다 보면 Human Error가 중첩된다
문제점2
제조업 빅데이터에서 복합적인 요인의 Human Error는 찾아내기 힘들다
문제점3
Number를 예측하는 문제에서는 하나의 Human Error가 정확도에 큰 영향을 끼친다
More Manageable & Visible than Before + Human Error

43. 빅데이터 vs 빅데이터
제조업에서 생각하는
빅데이터
인공지능이 원하는
빅데이터

44. 제조업 데이터의 전처리
Human Error를 고려한 전처리
Reverse Engineering
Domain Knowledge를 기반한 전처리
Data 분석 및 통계적 기법을 통한 전처리
제조업 빅데이터와 인공지능이 원하는 빅데이터의 격차 확인
문제 정의와 데이터 연결 (범위 한정)

45. 제조업 데이터에 인공지능 모델 더하기
Domain Knowledge 전처리 [2016] Human Error 전처리 [2017]
인공지능 예측 모델 개발 시작 [2018] Virtual Compound Design [2019]
KAIST와 협업

46. 제조업 데이터에 인공지능 모델 더하기
Domain Knowledge 전처리 [2016] Human Error 전처리
인공지능 예측 모델 개발 시작
[2017]
[2018]
KAIST와 협업
KAIST 협업 인공지능 예측 정확도 향상 결과
Virtual Compound Design

47. 한국타이어 Digital Transformation의 현재
한국타이어 → 한국타이어앤테크놀로지
<이데일리 > 19.04.16
디지털 미래혁신 센터 건립 AI 자동화 검수 시스템
도로위험탐지 솔루션
<한국경제 > 20.09.16
AI 챔피언십
<K-Startup Week ComeUp>
<IT조선 > 20.04.09

48. 한국타이어 Digital Transformation의 미래는?
From Small Success to Digital Transformation
Big Data Platform
연구소 Data
공장 Data
본사 Data
Ingestion
Amazon Kinesis
AWS Glue
Amazon MSK
AWS Direct Connect AWS DataSync
AWS Snowball
AWS Database
Migration Service
Amazon S3
(RawData)
AWS Lake Formation
AWS Glue
Amazon S3
(Analytics Data)
Store/Process
Amazon Athena
Amazon Redshift
Amazon EMR
Amazon Elasticsearch
Service
Amazon QuickSight
Amazon SageMaker
Consume/Visuallize
AI Services

49. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
여러분의 소중한 피드백을 기다립니다.
행사 종료 후, 강연 평가 및 설문 조사에 참여해 주세요!

50. 감사합니다
© 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.