Talking like Piping and Instrumentation Diagrams (P&IDs)

이 논문은 DEXPI 데이터 모델을 그래프로 변환하고 이를 그래프 기반 검색 증강 생성 (Graph-RAG) 기술을 통해 대규모 언어 모델 (LLM) 에 통합함으로써, 엔지니어가 자연어로 P&ID 와 소통하고 환각 현상을 줄이며 공정 정보를 해석할 수 있는 새로운 방법론을 제안합니다.

핵심

🏭 1. 문제 상황: "미로 같은 공장의 설계도"

공장을 설계할 때 사용하는 P&ID(파이프와 계기판 도면) 는 마치 수만 개의 방과 복도가 연결된 거대한 미로와 같습니다.

• 현재의 방식: 엔지니어가 이 미로를 찾아다니며 "어디서 어디로 물이 흐르지?", "이 밸브는 어떤 사양이지?"라고 종이나 PDF 파일을 뒤적이며 손으로 찾아야 합니다. 이는 시간이 많이 걸리고, 실수하기 쉽습니다.
• 목표: 이 복잡한 미로를 AI 가 바로 이해하고, 우리가 "이 밸브는 뭐야?"라고 물어보면 바로 답해줄 수 있게 만들고 싶었습니다.

🛠️ 2. 해결책: "도면을 AI 가 읽을 수 있는 언어로 번역하기"

연구팀은 P&ID 를 AI 가 이해할 수 있도록 3 단계로 변환했습니다.

1 단계: 도면을 '레고 블록'처럼 분해하기 (그래프 표현)

P&ID 는 복잡한 XML 파일로 되어 있는데, AI 는 이걸 바로 못 읽습니다. 연구팀은 **pyDEXPI**라는 도구를 써서 이 도면을 레고 블록처럼 쪼개었습니다.

• 비유: 거대한 성을 해체해서 '벽돌 (장비)', '벽돌 사이의 접착제 (파이프)', '전선 (계기)'으로 나누는 작업입니다.
• 결과: 이제 AI 는 "이 벽돌은 펌프야", "이 벽돌은 탱크야"라고 구분할 수 있게 됩니다.

2 단계: '지식 지도' 만들기 (지식 그래프 생성)

단순히 블록을 나열하는 것만으로는 부족합니다. 블록들이 어떻게 연결되어 있는지 관계를 설명해야 합니다. 연구팀은 이를 **Neo4j**라는 데이터베이스에 저장했습니다.

• 비유: 이제 레고 블록들이 **"A 는 B 에 연결되어 있고, C 는 D 를 조절한다"**는 식의 지도가 된 것입니다.
• 특징: 이 지도에는 장비의 이름, 크기, 작동 조건 같은 상세 정보도 붙어 있습니다.

3 단계: '요약본' 만들기 (고수준 그래프 압축)

여기서 중요한 문제가 생깁니다. 지도가 너무 크면 AI 가 읽는 데 시간이 너무 오래 걸리고, 중요한 핵심을 놓칠 수 있습니다 (AI 의 기억력 한계).

• 해결책: 연구팀은 지도에서 **중요하지 않은 세부 사항 (예: 나사 하나하나의 정보) 은 빼고, 전체적인 흐름 (물길, 주요 장비) 만 남기는 '요약본'**을 만들었습니다.
• 비유: 1,000 페이지짜리 두꺼운 소설책을 10 페이지짜리 줄거리로 요약한 것과 같습니다. AI 는 이 줄거리를 보고 전체적인 이야기를 훨씬 빠르게 이해할 수 있습니다.

💬 3. AI 와 대화하기 (RAG 기술)

이제 준비된 '요약된 지식 지도'를 AI(대규모 언어 모델) 에게 보여줍니다.

• 질문: "이 공장에서 위험한 부분은 어디야?"
• AI 의 반응: AI 는 자신의 일반 지식 (훈련 데이터) 과 우리가 준 '요약된 지도'를 합쳐서 답합니다.
  • "펌프 P4712 는 왕복식 펌프라 압력 충격을 잘 받아요. 그래서 여기에 안전 밸브를 더 추가하는 게 좋겠네요."
• 효과: AI 가 엉뚱한 소리를 하는 것 (할루시네이션) 을 줄이고, 실제 도면의 정보를 바탕으로 정확한 조언을 해줍니다.

📊 4. 실험 결과: "AI 는 얼마나 잘했나?"

연구팀은 다양한 크기의 AI 모델을 테스트했습니다.

• 큰 AI (GPT-4o 등): 도면의 흐름을 잘 이해하고, 구체적인 안전 조언을 잘 해냈습니다.
• 작은 AI: 도면이 너무 복잡하면 헷갈리거나, 중요한 장비를 놓치는 실수를 했습니다.
• 핵심 발견: '요약본 (고수준 그래프)'을 사용했을 때 AI 가 도면의 흐름을 더 잘 이해하고, 실수를 줄였습니다. 마치 사람이 복잡한 지도를 볼 때, 전체적인 흐름을 먼저 파악하고 세부 사항을 보는 것과 같습니다.

🔮 5. 결론과 미래

이 연구는 **"복잡한 공장의 설계도를 AI 가 자연스럽게 이해하고 대화할 수 있는 첫걸음"**입니다.

• 현재: AI 가 도면을 읽고 정보를 찾아내는 데 성공했습니다.
• 과제: 하지만 공장은 실수가 치명적인 곳이기 때문에, AI 가 가끔 하는 '망상 (할루시네이션)'을 완전히 없애고 정확도를 더 높여야 합니다.
• 미래: 이 기술이 발전하면, AI 가 자동으로 설계 오류를 찾아내거나 (자동 수정), 사고 위험을 미리 예측하는 (HAZOP 분석) 데 쓰일 수 있을 것입니다.

---

💡 한 줄 요약

"복잡한 공장 설계도 (P&ID) 를 AI 가 읽을 수 있는 '요약된 지도'로 변환해서, 엔지니어가 AI 에게 "이거 뭐야?"라고 물어보면 바로 정확한 답을 듣게 해주는 기술입니다."

기술 요약

논문 요약: P&ID 와의 자연어 상호작용을 위한 방법론

이 논문은 공정 엔지니어링의 핵심 문서인 배관 및 계장 도면 (P&ID) 을 자연어로 질문하고 답변할 수 있는 새로운 방법론을 제안합니다. 저자들은 DEXPI 데이터 모델을 기반으로 P&ID 를 라벨 속성 그래프 (Labeled Property Graph, LPG) 로 변환하고, 이를 대규모 언어 모델 (LLM) 과 통합하여 **그래프 기반 검색 증강 생성 (Graph-RAG)**을 구현했습니다.

1. 문제 정의 (Problem)

• 정보 추출의 어려움: P&ID 는 공정 설계, HAZOP(위험성 및 운전성 분석), 운영 등 다양한 분야에서 필수적이지만, 복잡한 구조와 방대한 정보량으로 인해 PDF 나 CAE(Computer Aided Engineering) 문서에서 수동으로 정보를 추출하는 것은 시간 소모가 크고 오류가 발생하기 쉽습니다.
• 기존 디지털화의 한계: '스마트 P&ID'나 DEXPI 와 같은 표준화된 데이터 교환 형식이 도입되었으나, 이를 엔지니어가 직관적으로 활용하기 위한 인터페이스가 부족했습니다.
• LLM 의 적용 난제: P&ID 는 계층적 구조 (장비, 배관 등) 와 상호 연결된 관계 (밸브가 탱크에 연결됨 등) 를 동시에 가지므로, 단순한 텍스트 기반 LLM 이 도면의 맥락을 정확히 이해하고 환각 (hallucination) 을 줄이는 것은 매우 어렵습니다.

2. 방법론 (Methodology)

연구팀은 다음 세 가지 주요 단계로 구성된 파이프라인을 개발했습니다 (그림 1 참조):

1. P&ID 그래프 표현 (Graph Representation):

   • 입력: DEXPI 형식의 스마트 P&ID (XML 파일).
   • 처리: Python 패키지인 pyDEXPI를 사용하여 XML 을 파싱하고 클래스 인스턴스로 변환합니다.
   • 그래프 생성: NetworkX 를 활용하여 클래스 인스턴스를 노드 (Node) 로, 장비 간 관계 (도메인 관계 및 레キシ컬 관계) 를 엣지 (Edge) 로 연결하여 그래프를 구성합니다.

2. 지식 그래프 생성 (Knowledge Graph Generation):

   • 프레임워크: Neo4j 기반의 **라벨 속성 그래프 (LPG)**를 사용합니다.
   • 구조화:
     • 노드 라벨: pyDEXPI 클래스 이름과 상위 클래스를 기반으로 장비 (equipment), 배관 (piping), 계장 (instrumentation) 등을 분류합니다 (예: reciprocatingPump).
     • 노드 속성: 크기, 운전 조건, 태그 번호 등 상세 설계 정보를 키 - 값 쌍으로 저장합니다.
     • 관계 라벨: 도메인 관계는 has_[componentType], 물질 흐름은 send_to, 제어 관계는 control, send_signal_to 등으로 명시합니다.

3. 검색 및 증강 생성 (Retrieval & Generation):

   • 고수준 그래프 컨텍스트 생성 (High-level Graph Context): 전체 그래프는 토큰 수가 너무 많아 (약 67,000 개) LLM 처리에 비효율적입니다. 따라서 가지치기 (Pruning), 저정보 노드 압축 (Condensing), 비공정 관련 속성 제거를 통해 고수준 그래프로 변환합니다.
     • 효과: 노드 212 개 → 53 개, 관계 405 개 → 57 개, 토큰 67,000 개 → 9,000 개로 축소되어 효율성이 크게 향상되었습니다.
   • Graph-RAG 구현: Langchain 을 사용하여 LLM 에이전트를 구축합니다. Neo4j 에서 내보낸 GraphML 파일을 시스템 프롬프트의 컨텍스트로 제공하여, 사용자의 질문에 대해 도면의 맥락을 반영한 답변을 생성하도록 합니다.

3. 주요 기여 (Key Contributions)

• DEXPI 기반 P&ID 의 그래프화: pyDEXPI 패키지를 활용하여 표준화된 P&ID 데이터를 Neo4j 지식 그래프로 변환하는 파이프라인을 최초로 제안했습니다.
• 고수준 그래프 압축 기법: LLM 의 토큰 제한과 처리 효율성을 고려하여, 핵심 구조를 유지하면서 그래프 크기를 대폭 축소하는 방법을 개발했습니다.
• 자연어 인터페이스: 엔지니어가 복잡한 도면 구조를 직접 추적하지 않고도 자연어로 P&ID 정보를 검색하고 분석할 수 있는 새로운 상호작용 방식을 제시했습니다.
• 향후 적용 가능성: 자동 P&ID 수정, AI 지원 HAZOP 연구 등 차세대 생성형 AI(GenAI) 솔루션의 기반 기술로 확장 가능성을 열었습니다.

4. 결과 및 평가 (Results)

연구팀은 패턴 인식, 검색 완전성, 지식 추론의 세 가지 지표로 다양한 LLM(Ollama 3.2/3.1, Anthropic Haiku/Sonnet, GPT-4o) 을 평가했습니다.

• 패턴 인식 (Question 1: 공정 흐름 설명):
  • 고수준 그래프를 컨텍스트로 사용할 때, 완전한 그래프 대비 흐름 설명 정확도가 평균 20% 향상되었습니다.
  • 파라미터 수가 큰 모델 (GPT-4o, Sonnet 3.5) 이 더 일관된 답변을 제공했으나, 작은 모델은 환각 현상이나 답변 거부가 발생했습니다.
• 검색 완전성 (Question 2: 밸브 및 사양 나열):
  • 고수준 그래프와 완전한 그래프 모두 **동일한 수의 밸브 (11 개 중 11 개)**를 정확하게 추출했습니다. 이는 압축된 그래프도 정보 손실 없이 핵심 데이터를 잘 표현함을 의미합니다.
  • Anthropic Sonnet 3.5 는 밸브뿐만 아니라 제어 액추에이터와 고장 안전 (fail-safe) 동작까지 정확히 식별했습니다.
• 지식 추론 (Question 3: 공정 안전성 분석):
  • LLM 은 도면 정보와 자체 학습 데이터를 결합하여 구체적인 안전 권장사항을 도출했습니다.
  • Sonnet 3.5는 펌프의 압력 맥동 문제, 열팽창에 대한 보호 장치 추가, 압력 안전 밸브 (PSV) 설치 등 도면의 특정 구성 요소를 언급하며 가장 풍부한 안전 권고안을 제시했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 효율성 증대: P&ID 에서 정보를 찾는 데 소요되는 시간을 단축하고 오류를 줄여 공정 엔지니어의 업무 효율성을 높입니다.
• LLM 과의 통합: P&ID 의 구조적 복잡성을 지식 그래프를 통해 해결함으로써, LLM 이 도메인 지식과 도면 맥락을 동시에 이해할 수 있는 토대를 마련했습니다.
• 향후 과제: 현재 결과물은 유망하지만, 공정 엔지니어링의 높은 안전 요구사항을 충족하기 위해 환각 현상 감소, 정확도 및 신뢰성 향상, 더 정교한 평가 지표 개발이 필요합니다.

이 연구는 P&ID 를 단순한 도면이 아닌, AI 가 이해하고 대화할 수 있는 '지식'으로 전환하는 중요한 첫걸음으로 평가됩니다.