Work창업자 수행 경험 납품

헬륨공정 AI 자율제어 시스템

열처리 공정 데이터, 헬륨 리크테스트 결과와 AI 예측결과 저장 체계를 작업자용 시스템으로 통합하고, 원천 데이터 검증부터 DB 설계, 7개 FastAPI 엔드포인트와 Railway·Tailscale 배포까지 구현했습니다.

수행 범위: 데이터 실사, DB 스키마, 백엔드, 대시보드, 배포
맥락: 산업 AI 정부 R&D 과제, 2025–2026
규모: 공정 로그 3만7천여 행, 사설망 DB 2개, API 엔드포인트 7개
주요 기술: FastAPI, PostgreSQL, SQLAlchemy, Chart.js, Docker, Railway, Tailscale

스튜디오 설립 이전에 창업자가 소속 조직에서 수행한 일입니다. 스튜디오가 수주한 프로젝트가 아닙니다.

처리 흐름

1공정·리크테스트 DB
2데이터 실사·스키마
3FastAPI 엔드포인트 7개
4보안 사설망 연결
5작업자 대시보드

두 DB의 수집 기간이 겹치지 않는다는 한계를 숨기지 않고, 연동 전 값은 화면에 임시값으로 표시했습니다.

해결한 문제

공정 로그와 헬륨 리크테스트 결과가 사설망 내부의 서로 다른 PostgreSQL DB에 분리되어 있었습니다. 실제 수집 기간이 겹치지 않고 일부 주요 변수도 비어 있어, 근거 없는 인과관계나 AI 성능을 제시하지 않고 데이터 한계를 명확히 드러내는 시스템이 필요했습니다.

접근 방식

공정 로그 3만7천여 행과 리크테스트 원본을 실사해 결측 컬럼과 기간 불일치를 확인하고, 호기별로 흩어진 기록을 모델 기준으로 통합 집계하도록 재설계했습니다. 예측 실행, 14존 최적 공정조건, 예측·실측 정확도를 저장하는 AI 테이블 3개와 다중 DB 추출 구조를 설계했습니다.

판단

사설망 내부 DB 2곳의 SQLAlchemy 세션을 분리하고 DB 초기화를 지연시켜 설정이 누락되어도 API 서버가 기동하도록 설계했습니다. 미연동 값은 대시보드에서 임시값으로 구분하고, 화면은 DB 구조가 아니라 PRE-HEAT·DRY-OFF·HEATING 1~7존·품질검사 순서에 맞췄습니다.

구현하며 부딪힌 것

제한된 컨테이너 환경에서 사설망 접근 문제를 해결하고, API 서버가 먼저 기동한 뒤 네트워크·DB 초기화를 백그라운드에서 수행하도록 기동 순서를 재설계해 헬스체크 재시작 루프를 막았습니다.

결과

리크테스트 통합 집계, 공정 로그 최신 스냅샷과 AI 결과 테이블 3개를 조회하는 API 엔드포인트 7개를 구현했습니다. 검증된 API 데이터가 들어오면 임시값을 실측값으로 전환하는 대시보드를 구축하고, 직접 호출·원본 쿼리 대조·타임스탬프 변화로 실데이터 연동을 검증했습니다.

공개 범위

확인된 범위: 공정 로그 3만7천여 행 실사, 사설망 DB 2개 연동, AI 결과 테이블 3개 설계, API 엔드포인트 7개와 작업자 대시보드 배포.