AIMS - Assembly Service

AIMS (Auto Intelligence Manufacturing System) - AI 기반 자동차 스마트팩토리 관제 시스템

assembly-service는 SK 쉴더스 루키즈 개발 5기 AI 기반 자동차 스마트팩토리 관제 시스템 AIMS에서 제조 공정 이벤트를 수집하고, 공정/설비/품질 분석 결과를 대시보드에 제공하는 Spring Boot 기반 백엔드 서비스입니다.

제조 서비스는 프레스·차체·도장·의장 조립 공정에서 발생해 Kafka로 발행된 이벤트를 수집하고, 생산 이벤트와 센서 데이터를 기반으로 이상을 탐지·저장·조회하는 역할을 담당합니다.

주요 역할

제조 공정 이벤트 수집 및 조회
차량별 공정 이동 이력 관리
프레스, 차체, 도장, 의장 공정별 분석 결과 관리
실시간 병목 분석 결과 제공
공정 간 불량 전이 예측 결과 제공
Kafka 기반 제조 이벤트 스트리밍 연동
Redis 기반 실시간 대시보드 캐시 연동

✨ 제조 주요 기능

공정별 이상 탐지 분석 (ISO 통계적 공정관리 적용)

ISO 표준 문서 및 통계적 공정관리(SPC) 원칙에 따라 설비별 정상 데이터의 평균(μ)과 표준편차(σ)를 기반으로 동적 임계값을 생성하여 이상을 탐지합니다. (2σ 이내 정상, 2~3σ 경고, 3σ 초과 위험)

1. 프레스 공정 (Press)

적용 레퍼런스: ISO 22400(제조 KPI), ISO 7870(관리도), ISO 20958(모터 전류 상태감시)
사이클 시간 (cycleTimeSec) 및 지연시간 (timestampDelaySec):
- 차종, 금형, 작업별 평균 사이클 시간 및 지연시간에 대해 평균+2σ 이내면 NORMAL, 2~3σ는 WARNING, 3σ 초과는 CRITICAL로 판정합니다.
전류 RMS (current.rmsAmpere):
- 모터 및 운전 단계(타격/복귀/대기)별 정상 전류의 평균과 표준편차를 기준으로 평가합니다. 제조사 과부하 한계를 초과하거나 3σ를 벗어나면 CRITICAL입니다.
생산 카운트 (countIncreaseYn): true 시 정상, 데이터 누락(null) 시 경고, false 시 위험.
설비 상태 (operationStatus): RUNNING 정상, WARNING 경고, STOPPED/FAULT 위험.

2. 차체 공정 (Body)

적용 레퍼런스: ISO 13373(진동 센서 측정/분석), ISO 20816(기계 진동 상태평가), ISO 7870
로봇 진동 점수 (vibrationScore) 및 주파수 피크 (frequencyBands):
- 로봇 번호, 작업 프로그램, 속도, 페이로드 조건에 따라 정상 평균과 표준편차를 도출합니다. 조건별 평균+2σ 이하 NORMAL, 2~3σ WARNING, 3σ 초과 CRITICAL. (각 주파수 대역별로 별도 임계치 적용)
로봇 상태 (robotMotionStatus): NORMAL 정상, WARNING 경고, ABNORMAL 또는 COLLISION_RISK 위험.
운전 모드 (robotOperationMode): 생산 중 AUTO 정상. 계획 없는 MANUAL/STOPPED 위험.

3. 도장 공정 (Paint)

적용 레퍼런스: ISO 4628-1(도막 결함 평가), ISO 2808(도막 두께 측정)
표면 품질 점수 (surfaceQualityScore): ISO 결함 등급을 점수로 환산. 80점 이상 정상, 60~80점 경고, 60점 미만 위험.
도막 두께 (thicknessValue): 목표치 115μm (90~120μm 범위 내 정상). 80μm 미만 또는 130μm 초과 시 위험.
불량 점수 (defectScore): 0.4 미만 정상, 0.4~0.6 경고, 0.6 이상 위험 (visionLabel이 정상이어도 점수에 따라 경고 발송).
온도 편차 (thermalStdTemp): 오븐 온도 균일도 기준에 따라 2℃ 미만 정상, 2~5℃ 경고, 5℃ 이상 위험.

4. 의장 공정 (Assembly)

작업/조립 순서 오류 (sequenceErrorCount): 실제 작업 순서(actualSequence)가 기준 순서(expectedSequence)와 불일치할 경우 위험(CRITICAL) 판정.
부품 누락 (missingPartCount) 및 체결 오류 (fasteningErrorCount): 1건이라도 발생 시 위험 판정.

제조 병목 탐지

Bosch Production Line Performance Dataset의 Station 통과 시간, 공정 처리 시간, 대기 시간을 기반으로 병목 공정을 탐지합니다.

판단 예시:

평균 처리 시간 대비 30% 이상 증가
특정 Station 체류 시간 급증
생산 대기열 증가
공정별 지연 위험도 증가

공정 간 불량 전이 예측

공정별 센서 데이터, 공정 이동 이력, 품질 검사 결과를 기반으로 특정 공정의 이상이 후속 공정의 불량으로 이어질 가능성을 예측합니다.

예시:

차체 공정 이상이 도장 공정 불량으로 전이될 확률
도장 공정 불량 위험도
주요 원인 Station 및 Sensor Feature
위험도 등급: LOW, MEDIUM, HIGH

📊 활용 데이터셋

프로젝트의 AI 분석 신뢰도와 공정 모의(Simulation)를 위해 다음의 산업용 오픈 데이터셋을 활용합니다.

1. Ford Engine Dataset

엔진 진동 시계열 데이터를 바탕으로 정상(1)과 이상(-1)을 분류하는 KAMP 예지보전 데이터셋입니다.

활용 공정: 프레스, 차체 공정
주요 활용도: 로봇 암 및 프레스 설비 진동 이상 탐지 패턴 적용

2. 소성가공 자원최적화 AI 데이터셋

프레스 유압 모터 및 로봇의 전류(RMS[A])와 가속도(Acceleration[g]) 시계열 데이터가 포함되어 있습니다.

활용 공정: 프레스 공정
주요 활용도: 전류 피크(Peak) 탐지, 모터 과부하 및 설비 비정상 정지 상태 감지

3. 머신비전 AI 데이터셋 (열화상 품질 검사)

제품 표면의 열화상 센서 데이터와 정상(0), 불량(1)이 라벨링된 품질 검사 데이터셋입니다.

활용 공정: 도장 공정
주요 활용도: 도장 표면 온도 편차 분석 및 비전 기반 품질 불량 탐지 이벤트 생성

4. Bosch Production Line Performance Dataset

Kaggle에서 제공하는 대규모 제조 라인 성능 데이터셋으로, 공정 센서값, 시간 정보, 상태 정보 등을 포함합니다.

활용 공정: 통합 관제 (병목 및 품질 분석)
주요 활용도:
- Station 체류 시간 등을 분석하여 제조 병목 공정 탐지
- 특정 공정의 센서 데이터가 후속 공정에 미치는 영향을 분석해 공정 간 불량 전이 예측

🛠 전체 데이터 기능 흐름

🚀 이벤트 JSON 및 Kafka 처리 (상세 설계)

1. 원천 데이터베이스 설계

DB는 sampledb(샘플 원천 데이터)와 maindb(분석 결과 데이터)로 분리됩니다. 원천 데이터 흐름 제어는 다음 3개의 주요 테이블을 통해 관리됩니다.

car_master: 차량 기준 정보 및 상태 관리 (WAITING, RUNNING, HOLD, DEFECT, COMPLETED)
equipment: 공정별 설비 정보 및 상태 (RUNNING, IDLE, STOPPED, FAULT, MAINTENANCE)
manufacturing_event_json: 10만 건 이상의 공정/센서/품질 원천 이벤트

제조 이벤트 흐름 제어 원칙: 차량 1대당 4개 공정(PRESS, BODY, PAINT, ASSEMBLY)의 이벤트가 존재하지만, 최초에는 PRESS만 READY 상태입니다. 정상적으로 공정이 완료된 경우에만 다음 공정 row의 상태를 READY로 변경하여 스케줄러가 가져갈 수 있게 합니다.

상태값 의미:

dispatch_status: PENDING(대기), READY(발행 가능), SENT(발행 완료), BLOCKED(설비 고장 대기), SKIPPED(진행 불가), FAILED
analysis_status: NOT_ANALYZED, NORMAL, ABNORMAL

2. 제조 Kafka Topic 구성

제조 이벤트, 분석 결과, 설비 상태, 알림을 분리하기 위해 4개의 Topic을 운영합니다. 모든 Topic은 2개의 파티션으로 구성됩니다.

Topic	역할	Message Key
`factory.manufacturing.raw`	원천 제조 이벤트 전달	`carMasterId`
`factory.manufacturing.analysis`	공정·AI 분석 결과 전달	`carMasterId`
`factory.equipment.status`	설비 상태 변경 이벤트 전달	`equipmentId` 또는 `equipmentCode`
`factory.manufacturing.alert`	이상·위험 알림 이벤트 전달	`alertId`

carMasterId를 Key로 사용함으로써 동일 차량의 이벤트 순서를 파티션 레벨에서 보장합니다.

3. 제조 Kafka Producer / Consumer 구성

Topic	Producer	Consumer Group
`manufacturing.raw`	제조 이벤트 서비스 이벤트 재생 스케줄러 Kafka 테스트 컨트롤러	`manufacturing-consumer-group` `ai-consumer-group`
`manufacturing.analysis`	제조 이벤트 분석 Consumer	`alert-analysis-consumer-group`
`equipment.status`	제조 이벤트 분석 Consumer 설비 상태 Listener	`dashboard-consumer-group`
`manufacturing.alert`	제조 이벤트 분석 Consumer	`alert-notification-consumer-group`

4. Kafka 제조 이벤트 파이프라인 흐름도

flowchart TD
    DB[원천DB : manufacturing_event_json]

    subgraph SCHEDULER [Scheduler]
        REPLAY[ManufacturingEventReplayScheduler<br/>READY 상태 조회 & 설비 RUNNING 확인]
    end

    RAW_TOPIC[["Topic: factory.manufacturing.raw<br/>(Partitions: 2, Key: carMasterId)"]]

    subgraph CONSUMERS [Event Consumers]
        MANUFACTURING_CG["manufacturing-consumer-group<br/>(Press/Body/Paint/Assembly 분석)"]
        AI_CG["ai-consumer-group<br/>(병목/불량 전이 AI 분석)"]
    end

    ANALYSIS_TOPIC[["Topic: factory.manufacturing.analysis<br/>(Key: carMasterId)"]]
    EQUIPMENT_TOPIC[["Topic: factory.equipment.status<br/>(Key: equipmentId/equipmentCode)"]]
    ALERT_TOPIC[["Topic: factory.manufacturing.alert<br/>(Key: alertId)"]]

    ANALYSIS_CG["alert-analysis-consumer-group<br/>분석 결과 알림"]
    EQUIPMENT_CG["dashboard-consumer-group<br/>상태 이력 기록"]
    ALERT_CG["alert-notification-consumer-group<br/>실시간 WebSocket 알림"]

    DB --> REPLAY
    REPLAY -->|조건 충족 시 발송| RAW_TOPIC

    RAW_TOPIC --> MANUFACTURING_CG
    RAW_TOPIC --> AI_CG
    MANUFACTURING_CG -->|정상 시 다음 공정 DB 업데이트<br/>분석 결과 발행| ANALYSIS_TOPIC
    AI_CG -->|분석 결과 발행| ANALYSIS_TOPIC

    ANALYSIS_TOPIC --> ANALYSIS_CG

    MANUFACTURING_CG -->|설비 상태 변경 시| EQUIPMENT_TOPIC
    EQUIPMENT_TOPIC --> EQUIPMENT_CG

    MANUFACTURING_CG -->|이상 감지 시| ALERT_TOPIC
    AI_CG -->|위험 탐지 시| ALERT_TOPIC
    ALERT_TOPIC --> ALERT_CG

5. Scheduler 및 Consumer 상세 로직

1) Scheduler 로직

app.kafka.scheduler.enabled=true일 때만 자동 재생 스케줄러가 동작합니다.
ManufacturingEventReplayScheduler가 READY 이벤트를 배치로 조회하고, ManufacturingRawEventService가 FOR UPDATE SKIP LOCKED로 잠근 뒤 발행합니다.
원천 이벤트는 dispatch_status='READY', is_sent=0, retry_count < maxRetries 조건을 만족할 때만 발행합니다.
전송 성공 시에만 dispatch_status='SENT', is_sent=1, event_time=현재 시각으로 갱신합니다.
전송 실패 시에는 retry_count를 증가시키고 error_message를 남깁니다.

2) Consumer (제조 공정 로직)

manufacturing-consumer-group은 이벤트를 소비하고 processCode에 따라 분기합니다. (예: PRESS -> PressAnalysisService)
분석 결과가 NORMAL인 경우에는 현재 이벤트의 analysis_status를 NORMAL로 기록하고, 다음 공정이 진행 가능하도록 후속 상태를 갱신합니다.
분석 결과가 ABNORMAL인 경우에는 후속 공정을 READY로 바꾸지 않고 해당 차량을 HOLD 또는 DEFECT 상태로 전환합니다.
ai-consumer-group은 병목 분석과 불량 전이 예측을 수행하고, alert-analysis-consumer-group이 WARNING/CRITICAL 결과에 대해 추가 알림을 발행합니다.
dashboard-consumer-group은 설비 상태 이벤트를 반영하고, RECOVERED면 blocked 이벤트를 복구하며 FAULT면 READY 이벤트를 차단합니다.
alert-notification-consumer-group은 최종 알림 이벤트를 소비합니다.
다음 공정 READY 전환은 Kafka 소비만으로 끝나지 않고 AgvArrivalService.handleArrival(eventId) 같은 별도 도착 처리에서 마무리됩니다.

3) 추적 및 진단

KafkaMessageTraceStore는 현재 Pod 메모리에 최근 200건의 PRODUCED/CONSUMED trace만 보관합니다.
ManufacturingKafkaTestController의 /broker API는 KafkaDiagnosticsService를 통해 실제 clusterId, broker 수, 토픽별 partition 수를 확인합니다.
/messages와 /alerts API는 현재 인스턴스가 본 Kafka 메시지 흐름을 eventId 또는 alert 기준으로 조회하는 진단용 엔드포인트입니다.

🔧 기술 스택

로컬 실행 및 테스트

# 로컬 서버 실행
./gradlew bootRun

# 단위 및 통합 테스트 실행
./gradlew test

Swagger UI: http://localhost:8082/swagger-ui/index.html

Name		Name	Last commit message	Last commit date
Latest commit History 143 Commits
.github		.github
.run		.run
gradle/wrapper		gradle/wrapper
src		src
.dockerignore		.dockerignore
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
Dockerfile		Dockerfile
README.md		README.md
build.gradle		build.gradle
gradlew		gradlew
gradlew.bat		gradlew.bat
settings.gradle		settings.gradle

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Uh oh!

Repository files navigation

AIMS - Assembly Service

AIMS (Auto Intelligence Manufacturing System) - AI 기반 자동차 스마트팩토리 관제 시스템

주요 역할

✨ 제조 주요 기능

공정별 이상 탐지 분석 (ISO 통계적 공정관리 적용)

1. 프레스 공정 (Press)

2. 차체 공정 (Body)

3. 도장 공정 (Paint)

4. 의장 공정 (Assembly)

제조 병목 탐지

공정 간 불량 전이 예측

📊 활용 데이터셋

1. Ford Engine Dataset

2. 소성가공 자원최적화 AI 데이터셋

3. 머신비전 AI 데이터셋 (열화상 품질 검사)

4. Bosch Production Line Performance Dataset

🛠 전체 데이터 기능 흐름

🚀 이벤트 JSON 및 Kafka 처리 (상세 설계)

1. 원천 데이터베이스 설계

2. 제조 Kafka Topic 구성

3. 제조 Kafka Producer / Consumer 구성

4. Kafka 제조 이벤트 파이프라인 흐름도

5. Scheduler 및 Consumer 상세 로직

🔧 기술 스택

로컬 실행 및 테스트

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Uh oh!

Folders and files

Latest commit

History

Repository files navigation

AIMS - Assembly Service

AIMS (Auto Intelligence Manufacturing System) - AI 기반 자동차 스마트팩토리 관제 시스템

주요 역할

✨ 제조 주요 기능

공정별 이상 탐지 분석 (ISO 통계적 공정관리 적용)

1. 프레스 공정 (Press)

2. 차체 공정 (Body)

3. 도장 공정 (Paint)

4. 의장 공정 (Assembly)

제조 병목 탐지

공정 간 불량 전이 예측

📊 활용 데이터셋

1. Ford Engine Dataset

2. 소성가공 자원최적화 AI 데이터셋

3. 머신비전 AI 데이터셋 (열화상 품질 검사)

4. Bosch Production Line Performance Dataset

🛠 전체 데이터 기능 흐름

🚀 이벤트 JSON 및 Kafka 처리 (상세 설계)

1. 원천 데이터베이스 설계

2. 제조 Kafka Topic 구성

3. 제조 Kafka Producer / Consumer 구성

4. Kafka 제조 이벤트 파이프라인 흐름도

5. Scheduler 및 Consumer 상세 로직

🔧 기술 스택

로컬 실행 및 테스트

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages