제조 AI 전환을 위한 4M1E 통합 디지털 트윈 설계 방법론 : Lot 품질 변경점 추적 기반 직무별 예측·추천·학습형 의사결정 지원 체계
A 4M1E-Integrated Digital Twin Design Methodology for Manufacturing AI Transformation: A Role-Based Predictive, Recommendatory, and Learning Decision Support Framework for Lot Quality Change Tracking
- 주제(키워드) 디지털 트윈 , 4M1E 변경점 추적 , 제조AI 전환，Lot 품질관리，TPS 폐루프이상 관리，Profitable DT , DT Filter , CQI , 직무별DSS , MES기반AI-Ready 파이프라인
- 주제(DDC) 658.5
- 발행기관 아주대학교 일반대학원
- 지도교수 박상철
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 박사
- 학과 및 전공 일반대학원 산업공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036202
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
제조AI전환의현장에서는역설적상황이지속되고있다. AI 알고리즘의 기술적성숙도가빠르게향상되는반면，실제제조 현장에서품질이상의조 기탐지，근본원인추적，직무별의사결정지원이체계적으로작동하지않는 구조적병목이해소되지않고있다．기존디지털트윈（DT）연구의73％가 기술구현정밀도에집중하며운영가치연결경로를방법론적으로설계하지 않는다는점이이병목의핵심원인으로진단된다． 본연구는이문제를해소하기위해제조AI 전환을위한4M1E통합 디지털트윈설계방법론을제안한다．이방법론은Toyota Production System （TPS）의폐루프이상관리철학을출발점으로하여，Man, Machine, Material, Method, Environment （4M1E）의５개범주변경이벤트를통합추적하는디 지털트윈코어엔진과이를Operator, Engineer, Manager, Executive 4개직 무 계층의 의사결정 지원 체계（DSS）로 연결하는 ５단 계층 통합 구조로 구성된다． 방법론의핵심설계전제는레거시시스템연계기반이다．디지털트윈은 물리설비에서직접데이터를수집하는것이아니라，현장에서이미운영중 인MES, FDC, RTDB, QMS, EMS, RMS등으로부터4M1E데이터를추출，연 계하는방식으로구현된다．이방식은기존레거시인프라투자를보호하면서 AI 전환을달성하는현실적경로를제시한다． 본연구는네가지고유핵심개념을정형화한다．Profitable DT는운영 가치 목표로부터 역방향으로 설계를 도출하는 원칙이다．DT 기반 Training Data Generation （TDG）은이상데이터희소성，레이블오염，4M1E컨텍스트 단절의３대구조적문제를DT시뮬레이션환경에서해소하는합성데이터 생성방법론이다．DT Filter는AI 모델이현장에배포되기이전에５개차원 （정확도，강건성，제조맥락정합성，설명가능성，운영안전성）의검증을통 과해야하는게이트웨이메커니즘이다．POC에서는이개념을운영중실시간 통계 검증과 메타정보 Stamp Layer로 구현 검증하였다．CQI （Continuous Quality Improvement）는직무별DSS에서수집된의사 결정 로그를AI 재학습에 환류하여시스템이운영경험으로부터지속적으로진화하는체계이다． 연구방법론으로는Hevner et al. （2004）의설계 과학연구（DSR）를채택하 였다．４편의선행실증연구를통하여레거시연계인프라의기술적실현 가능성을사전검증하였으며，본연구는그위에통합방법론의운영유효성 을이차전지 공장을대상으로POC방식으로검증하였다． 검증 결과，4가지 연구 질문에 대해 다음의 핵심 결론이 도출되었다． RQ1: 4M1E 변경점추적기반앙상블이상탐지는SPC단독방식대비유 의미한성능향상을보이며，SCM （Structural Causal Model, 구조적 인과 모델）, DAG （방향성 비순환 그래프）, SHAP （샤플리 값）기반인과추적이원인분석시 간을50% 이상단축한다．RQ2: DT기반합성데이터생성방법론은이상 데이터희소성，레이블오염，4M1E 컨텍스트단절의3대구조적문제를해소 하기위해실데이터70%，합성데이터30%혼합전략과KL Divergence ≤ 0.1기준의품질검증체계로설계되었다．이설계의성능검증，즉이상 클래스Recall향상효과측정은실제현장의공정데이터를활용한후속 실험연구의과제로남는다．RQ3: DT Filter의5개평가기준을CI/CD（지속 적 통합/지속적 배포） 파이프라인에통합함으로써，미검증AI 모델의현장배포가 시스템 수준에서 차단된다．RQ4: 직무별 차별화 DSS （의사결정지원시스템, Decision Support System）가단일표준인터페이스대비Time-to-Decision을 유의미하게단축하고사용자수용성을향상시킨다． 본연구의학술적기여는Profitable DT개념의최초정형화，4M1E인 과 추적 통합 파이프라인 설계，맥락 정합성이 내재화된 TDG 방법론，DT Filter다차원검증게이트웨이설계의7개Original Contribution Point로정 리된다．특히4편의선행실증연구에서검증된레거시인프라를전제로하 는구현즉시성（Implementation Readiness）은본연구가갖는학술논문에서 의실무적기여이다． 주제어: 디지털 트윈, 4M1E 변경점 추적, 제조AI 전환，Lot 품질관리，TPS 폐루프 이상 관리，Profitable DT, DT Filter, CQI, 직무별 DSS, MES 기반 AI-Ready 파이프라인
more초록/요약
A persistent paradox characterizes manufacturing AI transformation today. While AI algorithms continue to mature rapidly, a structural bottleneck remains unresolved in actual shop floors: the systematic operation of early anomaly detection, root cause tracing, and role-based decision support for Lot quality management. The fundamental cause of this bottleneck lies in the absence of purpose-aligned design methodology—existing digital twin （DT） research concentrates 73% of its efforts on technical implementation precision without methodologically designing the pathway to operational value. This study proposes a 4M1E-Integrated Digital Twin Design Methodology for Manufacturing AI Transformation to address this gap. Grounded in the Toyota Production System （TPS） closed-loop anomaly management philosophy, the methodology integrates a DT core engine that tracks change events across five categories—Man, Machine, Material, Method, and Environment （4M1E）—with a five-layer framework connecting these to role-differentiated Decision Support Systems （DSS） for Operator, Engineer, Manager, and Executive layers. The foundational design premise is legacy system integration. The DT does not collect data directly from physical equipment; instead, it extracts and links 4M1E data from already-operational legacy systems including MES, FDC, RTDB, QMS, EMS, and RMS. This approach presents a realistic pathway to AI transformation while protecting existing legacy infrastructure investments. The study formalizes four proprietary core concepts. Profitable DT is a design principle that derives system design in reverse from operational value objectives. DT-based Training Data Generation （TDG） resolves three structural problems in manufacturing AI training data—anomaly data scarcity, label contamination, and 4M1E context disconnection—through DT simulation-based synthetic data generation. DT Filter is a gateway mechanism requiring AI models to pass five-dimensional validation （accuracy, robustness, manufacturing context fitness, explainability, and operational safety） before field deployment. Continuous Quality Improvement （CQI） is an evolving framework that feeds back decision logs from role-based DSS into AI retraining, enabling the system to continuously evolve from operational experience. Design Science Research （DSR） by Hevner et al. （2004） is adopted as the research methodology. Four preceding empirical studies （Yoo ＆ Park, 2025a–2026） pre-validated the technical feasibility of legacy integration infrastructure （RTT 22.5ms, Event Loss Rate 0.00%, Traceability Compliance Rate 100%）, upon which this study verifies the operational validity of the integrated methodology through a secondary battery electrode process SI project. Empirical results yield the following key conclusions for four research questions. RQ1: Ensemble anomaly detection based on 4M1E change point tracking demonstrates significant performance improvement over standalone SPC, with SCM DAG and SHAP-based causal tracing reducing root cause analysis time by more than 50%. RQ2: The DT-based Training Data Generation methodology is designed with a 70% real data and 30% synthetic data blending strategy and a KL Divergence ≤ 0.1 quality validation framework to address three structural problems in manufacturing AI training data: anomaly data scarcity, label contamination, and 4M1E context disconnection. Quantitative performance validation of this design—measuring the actual improvement in anomaly class Recall—remains a task for subsequent empirical research using real secondary battery process data. RQ3: Integrating DT Filter's five evaluation criteria into the CI/CD pipeline systematically blocks unvalidated AI models from field deployment. RQ4: Role-differentiated DSS significantly reduces Time-to-Decision and improves user acceptance compared to a single standard interface. The study's academic contributions encompass seven Original Contribution Points, including the first formal definition of the Profitable DT concept, an integrated 4M1E causal tracing pipeline design, a manufacturing context-coherent TDG methodology, and a multi-dimensional DT Filter verification gateway. In particular, Implementation Readiness—the immediate applicability of the proposed framework for manufacturing facilities that have already built the legacy infrastructure validated in the four preceding empirical studies—represents a rare practical contribution for an academic research paper. Keywords: Digital Twin, 4M1E Change Point Tracking, Manufacturing AI Transformation, Lot Quality Management, TPS Closed-Loop Anomaly Management, Profitable DT, DT Filter, CQI, Role-Based DSS, MES-Based AI-Ready Pipeline, Secondary Battery Manufacturing
more목차
제1장 서론 1
제1절 연구 배경과 문제 제기 1
제2절 연구 목적 4
제3절 연구의 차별성과 누적적 연구 기반 8
제2장 이론적·방법론적 기반 14
제1절 TPS 기반 폐루프 이상 관리의 방법론적 근거 14
제2절 디지털 트윈 연구 동향과 목적 정렬 문제 17
1. 최근 연구 동향과 제조 디지털 트윈의 발전 단계 및 유형 17
2. Purposeless DT에서 Purpose-Aligned DT로의 전환 필요성 22
제3절 DSR 기반 연구 설계와 사례 연구 방법론 24
1. DSR의 적합성과 아티팩트 평가 논리 24
2. 분석 단위 정의: Lot, 4M1E 이벤트, 직무, 의사결정 로그 27
3. 선행 실증 연구와의 관계: 누적적 DSR 설계 28
제3장 4M1E 통합 디지털 트윈 설계 프레임워크 32
제1절 TPS-4M1E-AI 전환 연계형 설계 프레임워크 32
1. 철학–대상–구현–활용–기여의 5단 계층 구조 32
2. 설계 요구사항 34
제2절 4M1E Change Tracking 메커니즘 설계 34
1. 4M1E 변경 이벤트 모델과 입력 계층 설계 34
2. 이상 탐지·변경점 추적·원인 연결 로직 36
3. 대책 생성과 기준 갱신의 폐루프 구조 38
제3절 MES 기반 AI-Ready 데이터 생애 주기 파이프라인 41
1. 4M1E 유형별 데이터 수집 메커니즘: 레거시 시스템 연계 관점 41
2. Lot 중심 4M1E 이벤트 연계 키 구조 44
3. AI-Ready 데이터 품질 보증 구조 46
제4절 DT 기반 Training Data Generation과 DT Filter 설계 47
1. 시나리오 기반 합성 데이터 생성 원리: 실 수집 데이터의 구조적 한계로부터의 출발 48
2. 학습 데이터셋 구성과 품질 통제 기준 50
3. DT Filter 기반 AI 모델 검증 게이트웨이 설계 52
제5절 직무별 맞춤형 DSS와 CQI 기반 운영 확장 55
1. Operator·Engineer용 현장 대응 DSS 설계 55
2. CQI 기반 지속 진화 구조와 Autonomous DT 지향 확장 58
제4장 4M1E 통합 디지털 트윈 실증 구현 및 프로젝트 수행 방법론 62
제1절 신규 SW/SI 프로젝트 기반 실증 접근의 필요성 62
제2절 레거시 시스템 연계 데이터 거버넌스 및 통합 인터페이스 설계 65
1. 레거시 시스템 연계형 DT 아키텍처 66
2. 고해상도 데이터 처리 인터페이스 69
3. 데이터 거버넌스 원칙과 AI-Ready 품질 보증 구조 72
제3절 지능형 디지털 트윈 엔진 아키텍처 및 개발 환경 73
1. DT 엔진의 기능 구조 73
2. DT 구현 기술 스택 통합 구성 76
3. 개발 서버와 운영 서버 환경 구성 77
제4절 단계적 ROI 확보를 위한 구축 로드맵 80
1. 1차 구축: 레거시 연계와 4M1E 변경점 가시화 81
2. 2차 구축: AI 예측·추천 및 DT Filter 적용 82
3. 3차 구축: CQI 기반 학습형 Autonomous DT 확장 83
제5절 프로젝트 수행 조직과 Man-Month 산정 86
1. 수행 조직 구성 원칙 86
2. 역할별 필요 능력 88
제5장 4M1E 통합 디지털 트윈 시스템 구현 및 실증 92
제1절 시스템 구성 92
1. 전체 아키텍처 92
2. 데이터 모델 94
3. API 설계 - Lot 도메인 ＋ CQI Work Order Lifecycle 96
제2절 데이터 파이프라인 98
1. 다중－Step 시뮬레이션 데이터 생성 (DT Training Data Generation) 98
2. 집계 파이프라인（avg_100 / avg_1000) 98
3. DT Filter 적용 － Mongo 전체 stamping 99
4. DT Filter 게이트 정의 100
5. CQI Work Order 시드（Phase 1 데모 데이터） 102
제3절 품질 엔지니어 DSS UI 102
1. 화면 구성 102
2. 4M1E 통합 카드의 핵심 시각화 103
3. 변경점 판단 근거 － Lot별 동적 해석 블록 104
4. 비교 분석 ＋ 설비 Lineage 기반 유사 Lot 추천 104
5. AI Agent CLI – 3단계 역할 분리 ＋ text_summary 패러다임 105
6. CQI 대책 등록 모달（Draggable Floating Window) 109
제4절 CQI Work Order Lifecycle 109
1. Work Order 상태 전이 ６단계 109
2. baseline REFRESH 트랜잭션 CQI 폐루프 완결） 110
3. 직무별 DSS 화면 111
제5절 실증 검증 114
1. 단위 테스트 (35 케이스) 114
2. RQ1 검증 (Visibility ≥ 0.95 & Detection ≥ 0.95) 114
3. ROI Before/After 분석 115
제6절 종합 평가 116
제6장 결론 123
제1절 연구 요약과 핵심 결론 123
1. 연구 목적·방법·결과의 통합 요약 123
2. 연구 질문별 핵심 결론 정리 124
3. 5단 계층 구조의 통합적 의미 125
제2절 연구 기여와 설계 가이드라인 127
1. 이론적 기여: 목적 정렬형 DT 설계 방법론 정립 128
2. 방법론적 기여: 4M1E 추적·합성 데이터·DT Filter 통합 129
3. 실무적 기여: 검증된 MES 기반 인프라 위에서의 제조 AI 전환 설계 가이드라인 131
제3절 연구의 한계와 향후 과제 133
1. 사례, 데이터, POC 범위의 한계 133
2. CQI 및 Autonomous DT 실현 수준의 한계 136
3. 후속 연구 과제와 확장 로드맵 137
4. 맺음말 139
참고문헌 142
Abstract 150
