KR102521892B1 - 인공지능 기반의 자동 견적 산출 방법 및 시스템 - Google Patents

인공지능 기반의 자동 견적 산출 방법 및 시스템 Download PDF

Info

Publication number
KR102521892B1
KR102521892B1 KR1020200172004A KR20200172004A KR102521892B1 KR 102521892 B1 KR102521892 B1 KR 102521892B1 KR 1020200172004 A KR1020200172004 A KR 1020200172004A KR 20200172004 A KR20200172004 A KR 20200172004A KR 102521892 B1 KR102521892 B1 KR 102521892B1
Authority
KR
South Korea
Prior art keywords
analysis engine
model
physical object
engine
estimate
Prior art date
Application number
KR1020200172004A
Other languages
English (en)
Other versions
KR20220082264A (ko
Inventor
박성호
Original Assignee
주식회사 지엠에스하이테크
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 지엠에스하이테크 filed Critical 주식회사 지엠에스하이테크
Priority to KR1020200172004A priority Critical patent/KR102521892B1/ko
Publication of KR20220082264A publication Critical patent/KR20220082264A/ko
Application granted granted Critical
Publication of KR102521892B1 publication Critical patent/KR102521892B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 인공지능 기반의 자동 견적 산출 방법 및 시스템을 제공한다. 인공지능 기반의 자동 견적 산출 시스템(100)에 있어서, 사용자 단말기(200)로부터 수신받은 물리 객체에 관한 전자 파일의 2차원 모델을 추출하는 2차원 분석 엔진(122), 전자 파일의 2차원 모델로부터 3차원 모델을 추출하는 3차원 분석 엔진(124), 3차원 모델의 구조체를 기계 학습 모델에 기초하여 결정하는 판단 분석 엔진(126) 및 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 결과에 기초하여 견적을 예측하는 예측 엔진(128)을 포함한다

Description

인공지능 기반의 자동 견적 산출 방법 및 시스템{METHOD AND SYSTEM FOR AUTO-CALCULATING ESTIMATION BASED ON ARTIFICIAL INTELLIGENCE}
본 개시는 인공지능 기반의 자동 견적 산출 방법 및 시스템에 관한 것으로, 구체적으로, 비자성 소재를 이용한 제조 공정의 견적을 예측하는 예측 엔진을 포함하는 인공지능 기반의 자동 견적 산출 방법 및 시스템에 관한 것이다.
일반적으로 비자성 소재를 이용한 제작 공정은 캐드 프로그램 등의 설계 프로그램을 이용하여 설계도면을 작성한 후, 작성이 완료된 도면을 토대로 경험을 기반으로 원가 및 견적 단가를 매기고, 전체 견적을 산출하였다. 이러한 방식은 관련 업무 담당자가 직접 수기로 작성하였기 때문에 통상적으로 견적을 산출하는 데에 수개월의 시간이 소요되었으며, 산출 결과 또한 정확도가 떨어진다는 문제점이 있었다.
이에 따라, 비자성 소재를 이용한 복수의 금속판 부품, 절삭 부품, 프레스 부품, 사출 성형 부품 등에 관하는 형상 데이터(예를 들면, CAD 데이터)에 근거하여, 가격 및 납기의 견적을 자동적으로 실시하는 자동 견적 시스템이 요구된다.
또한, 비자성 소재를 이용한 견적 산출 방식은 시간, MM, KG 등 다양한 단위로 형성되어 있어, 비자성 소재의 부품 종류에 따라 견적 단가 및 기본 기준단가가 달라지는 어려움이 있다.
따라서, 설계 도면 파일과 연동하여 설계 도면 파일로부터 필요한 수치를 추출하고, 사용자가 원하는 단가 산출 방식에 따라 견적을 산출하고, 개별 부품의 견적을 산출하고, 단가 및 규격의 선택적인 수정이 가능하도록 하며, 견적 단가 단위에 따라 견적서를 산출할 수 있는 보다 편리한 프로그램의 개발이 필요하다.
본 개시는 상기와 같은 문제점을 해결하기 위해, 인공지능을 기반으로 하는 비자성 소재를 이용한 제조 공정의 견적을 예측하는 인공지능 기반 자동 견적 산출 방법 및 시스템을 제공한다.
본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 시스템(100)은, 사용자 단말기(200)로부터 수신받은 물리 객체에 관한 전자 파일의 2차원 모델을 추출하는 2차원 분석 엔진(122), 전자 파일의 2차원 모델로부터 3차원 모델을 추출하는 3차원 분석 엔진(124), 3차원 모델의 구조체를 기계 학습 모델에 기초하여 결정하는 판단 분석 엔진(126) 및 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 결과에 기초하여 견적을 예측하는 예측 엔진(128)을 포함할 수 있다.
본 개시의 일 실시예에 따른 2차원 분석 엔진(122)은 물리 객체의 기하학적 특징 및 물리적 특성을 추출하고, 물리적 특성은 물리 객체의 질량 중심부, 대칭성 및 굴곡 형태 추정의 정보 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 물리적 특성은 물리 객체의 비자성 소재의 변형율을 포함할 수 있다.
본 개시의 일 실시예에 따른 3차원 분석 엔진(124)은 전자 파일의 물리적 특성을 표현하는 3차원 좌표를 통해 3차원 모델의 데이터 구조를 추출하도록 구성될 수 있다.
본 개시의 일 실시예에 따른 판단 분석 엔진(126)은 기계 학습 모델에 기초하여 물리 객체의 구조체를 결정할 수 있다.
본 개시의 일 실시예에 따른 예측 엔진(128)은 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 계산 결과에 기초하여 제조 공정, 소요 시간 및 소요 비용을 예측할 수 있다.
본 개시의 일 실시예에 따른 예측 엔진(128)은 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)에서 추출된 계산 결과에 기초하여 기계 학습 모델에 따라 견적을 산출하도록 구성될 수 있다.
본 개시의 일 실시예에 따른 예측 엔진(128)은 머신 러닝 모델(420)을 수행하고, 머신 러닝 모델(420)은 분류 프로세스, 회귀 프로세스, 클러스터링 프로세스 중 적어도 하나를 포함하도록 구성될 수 있다.
본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 방법(300)에 있어서, 물리 객체의 전자 파일을 사용자 단말기로부터 수신하는 단계(302), 전자 파일의 2차원 모델을 추출하는 단계(S303), 2차원 모델에 기초하여 3차원 모델을 추출하는 단계(S304), 3차원 모델을 기계 학습 모델에 기초하여 3차원 모델의 구조체를 결정하는 단계(S305), 물리 객체의 제조 공정과 관련된 비용 및 기간을 예측하는 단계(S306), 전자 파일의 물리 객체의 견적을 산출하는 단계(S307) 및 견적을 사용자 단말기로 제공하는 단계(S308)를 포함할 수 있다.
본 개시의 일부 실시예에 따르면, 인공지능 기반의 자동 견적 산출 시스템은 2차원 분석 엔진, 3차원 분석 엔진, 판단 분석 엔진의 결과에 기초하여 인공지능을 기반으로 비자성 소재를 이용한 제조 공정의 견적을 예측할 수 있다.
본 개시의 일부 실시예에 따르면, 인공지능 기반의 자동 견적 산출 시스템은 설계 도면 파일과 연동하여 설계 도면 파일로부터 필요한 수치를 추출하고, 사용자가 원하는 단가 산출 방식에 따라 견적을 산출하고, 개별 부품의 견적을 산출하고, 단가 및 규격의 선택적인 수정이 가능하도록 하며, 견적 단가 단위에 따라 견적서를 산출할 수 있다.
본 개시의 일부 실시예에 따르면, 인공지능 기반의 자동 견적 산출 시스템은 설계 도면 파일 프로그램과 연동하여 설계 도면 파일을 생성시켜 설계 도면 파일로부터 비자성 소재 부품의 수치 데이터를 자동으로 추출하고, 각 부품의 단가, 재질, 규격 등 기본적인 정보를 입력하면 이를 토대로 자동으로 견적을 산출할 수 있다.
본 개시의 일부 실시예에 따르면, 인공지능 기반의 자동 견적 산출 시스템은 공정의 편의성과 신속성을 높일 수 있고, 제조 공정에서 오류 발생을 낮춰 비자성 소재 제품의 생산성을 높일수 있다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 시스템의 예시적인 실시 환경을 보여주는 도면이다.
도 2는 본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 시스템의 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 방법을 나타내는 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 예측 엔진의 예측 머신 러닝 모델의 예시를 보여주는 도면이다.
도 5는 본 개시의 일 실시예에 따른 견적 산출 분석을 나타내는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 인공지능 기반의 비자성 부품 제조 공정의 자동 견적 산출 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따라 비자성 소재 부품을 이용하는 전자 파일 또는 이미지를 분석하도록 사전 학습된 인공신경망을 포함하는 자동 견적 산출 모델 구성을 나타내는 도면이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만 '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
도 1은 본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 시스템의 예시적인 실시 환경을 보여주는 도면이다.
본 실시예에 따른 인공지능 기반 자동 견적 산출 시스템(100)은 네트워크(800)를 통해 컴퓨터, 스마트폰 등의 외부 사용자 단말기(200)와 가능하도록 구성될 수 있다. 인공지능 기반 자동 견적 산출 시스템(100)은 외부 사용자 단말기(200)와 네트워크(800)를 통해 통신하여 비자성 소재를 이용한 물리 객체의 전자 파일(예컨대, 설계 도면, CAD 파일) 및 제조 공정에 관한 정보를 수신하거나 견적 산출에 대한 데이터를 전송할 수 있다.
도 1에서 인공지능 기반 자동 견적 산출 시스템(100)이 네트워크(800)를 통해 외부 사용자 단말기(200)와 통신하는 예로서 도시되었으나, 이에 한정되지 않으며, 인공지능 기반 자동 견적 산출 시스템(100)은 외부 사용자 단말기(200)와 유선 및/또는 무선 통신이 가능하고 제조 공정과 관련된 견적 산출에 대한 데이터를 수신할 수 있는 임의의 컴퓨팅 장치를 포함할 수 있다.
네트워크(800)는, 인공지능 기반 자동 견적 산출 시스템(100)과 외부 사용자 단말기(200) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(800)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다.
한편, 사용자 단말기(200)는 네트워크(800)를 통해 인공지능 기반 자동 견적 산출 시스템(100)로부터 수신된 제조 공정의 자동 견적을 사용자 인터페이스를 통해 사용자에게 출력할 수 있다.
도 2는 본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 시스템의 구성을 나타내는 개요도이다.
본 실시예에 따른 인공지능 기반 자동 견적 산출 시스템(100)은 데이터베이스(Database, DB) 및 프로세서(120)를 포함한다.
데이터베이스(110)는 프로세서(120)와 상호 연결되어 있으며, 물리 객체의 전자 파일 및 견적 산출에 대한 정보 등을 저장하고, 학습된 견적 모델 데이터 갱신을 위하여 프로세서(120)와 연동하여 작동된다.
프로세서(120)는 CPU(central processing unit), GPU(graphic processing unit), DSP(digital signal processor), FPGA (Field Programmable Gate Array), ASIC (Application Specific Integrated Circuit) 중 적어도 하나를 포함하여 임의의 연산 동작을 수행하고, 외부 장치로부터 수신된 데이터 및/또는 수신된 데이터를 분석 또는 가공한 데이터를 관리, 처리 및/또는 데이터베이스(110)에 저장하도록 구성될 수 있다.
프로세서(120)는 사용자 단말기(200)부터 수신한 물리 객체의 전자 파일에 대한 데이터를 분석하기 위해 사용자 단말기(200)로부터 수신받은 전자 파일의 2차원 모델을 추출하는 2차원 분석 엔진(122), 전자 파일의 2차원 모델로부터 3차원 모델을 추출하는 3차원 분석 엔진(124), 3차원 모델을 기계 학습 모델에 기초하여 구조체를 결정하는 판단 분석 엔진(126), 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 결과에 기초하여 견적을 예측하는 예측 엔진(128)을 포함한다.
프로세서(120)는 2차원 분석 엔진(122), 3차원 분석 엔진(124), 판단 분석 엔진(126) 및 예측 엔진(128)을 통해 예측된 견적을 데이터베이스(110)에 저장된 견적 산출 모델을 이용하여 분석하고, 해당 분석 결과를 네트워크(800)를 통해 외부 사용자 단말기(200)로 전송할 수 있다.
2차원 분석 엔진(122)은 사용자 단말기(200)로부터 수신받은 물리 객체의 전자 파일에서 2차원 모델을 추출한다. 물리 객체의 전자 파일에서 물리 객체의 기하학적 및 물리적 특성을 추출하는 개별화 과정을 실행한다.
3차원 분석 엔진(124)은 2차원 분석 엔진(122)을 통해 수신된 2차원 모델을 통해 3차원성을 연산하고 물리 객체의 대칭성 또는 비대칭적인 특성을 포함하는 3차원 데이터 좌표를 분석해서 데이터 구조에 대응하는 벡터값을 계산한다. 계산된 벡터값을 통해 임의의 3차원 모델을 추출한다.
판단 분석 엔진(126)은 3차원 분석 엔진(124)을 통해 추출된 3차원 모델을 기계 학습 모델에 기초하여 기기 부품, 제품 또는 소재 정보를 포함하는 구조체를 결정한다.
예측 엔진(128)은 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 결과에 기초하여 견적을 예측한다. 예측 엔진(128)은 훈련된 기계 학습 모델을 포함하고, 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 결과를 사전 학습된 견적 산출 모델과 관련된 정보를 바탕으로 견적을 산출한다. 기계 학습 모델은 분류 프로세스, 회귀 프로세스, 클러스터링 프로세스 등을 포함한다.
기계 학습 모델은 제조 공정의 소재를 포함하는 정보를 학습하고, 제조 소재에 맞게 견적이 산출된다. 기계 학습 모델에서 제조 공정 소재는 알루미늄 합금박판, 스테인레스 스틸 합금, 강합금, 황동/청동 합금, 동 합금 용, 니켈 합금, 티탄 합금, 마그네슘 및 다른 적절한 금속과 합금을 포함한다. 플라스틱의 실시예는 아크릴로니트릴 스티렌 아크릴레이트, 에이비에스, 다중 탄산염, Delrin®, 나일론 및 다른 합성 고분자와 플라스틱 등을 포함한다.
특히, 스테인리스 스틸 합금은 녹, 부식이 일반 강철에 비해서 적으며, 부식 저항이 강하고, 외관이 우수하여 많이 사용되지만, 자성이 없는 비자성 소재로 공정이 어려운 문제점이 있다. 또한, 비자성 소재를 이용하는 제조 공정의 경우, 비자성 소재의 열변형으로 인해 비자성 소재의 기계적 성질이 저하되는 문제가 발생한다.
이에 따라, 기계 학습 모델은 소재에 따른 특성을 고려하여 제조 공정의 견적을 산출하기 때문에 오류를 줄이고, 생산성을 높이는 효과를 가진다.
도 3은 본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 방법을 나타내는 흐름도이다.
본 개시의 일 실시예에 따른 인공지능 기반의 자동 견적 산출 방법(300)은 물리 객체의 전자 파일을 사용자 단말기로부터 수신하는 단계(302), 전자 파일의 2차원 모델을 추출하는 단계(S303), 2차원 모델에 기초하여 3차원 모델을 추출하는 단계(S304), 3차원 모델을 기계 학습 모델에 기초하여 구조체를 결정하는 단계(S305), 물리 객체의 제조 공정과 관련된 비용 및 기간을 예측하는 단계(S306), 전자 파일의 물리 객체의 견적을 산출하는 단계(S307) 및 견적을 사용자 단말기로 제공하는 단계(S308)를 포함한다.
인공지능 기반 자동 견적 산출 방법(300)은 인공지능 기반 자동 견적 시스템(100)의 프로세서(120)가 사용자 단말기(200)로부터 네트워크(800)를 통해 물리 객체의 전자 파일을 수신하고, 수신된 전자 파일의 기하학적 특성 및 물리적 특성을 기초하여 2차원 분석 엔진을 통해 2차원 모델을 생성하고, 생성된 2차원 모델에 기초하여 3차원 분석 엔진을 통해 3차원 모델을 생성하고, 판단 분석 엔진을 통해 3차원 모델의 구조체를 결정한다. 결정된 3차원 구조체에 기초하여 예측 엔진의 종합적인 분석으로 물리 객체의 견적을 자동 산출한다. 자동 산출된 견적을 네트워크(800)를 통해 사용자 단말기(200)로 전송한다.
도 4는 본 개시의 일 실시예에 따른 예측 엔진의 예측 머신 러닝 모델의 예시를 보여주는 도면이다.
예측 엔진(128)의 데이터 트리 구조(410)는 훈련된 학습 모델 생성을 위해 각각 생성된다. 독립적으로 학습된 데이터 트리 구조(410)는 개별 공정에 따라 분류 가능하다. 예측 머신 러닝 모델(420)은 개별적인 데이터 트리 구조(410)를 종합하고 분석할 수 있다. 예측 머신 러닝 모델(420)은 독립 변수 처리 모듈(430)을 통해 개별적으로 분류된 데이터 트리 구조(410)를 분석한다.
몇몇 실시에서, 예측 엔진(128)은 개별적인 트리 구조를 분석할 수 있으며, 예를 들면 몇몇 트리 구조는 개별 제작 공정과 관련될 수 있다.
데이터 트리 구조(410)는 제조 기술을 알아내기 위해 구현될 수 있거나 사용될 수 있는 제조기, 사출 성형 제조기, 하이브리드 머신과 제조기의 다른 적절한 타입을 주조시킴으로써, 사용될 수 있는 기계를 이용한 제조 공정과 연관될 수 있다. 예를 들어, 레이저 소결형 기계, PolyJet 기술, 직접적 금속 레이저 소결형 기계, 융합된 침적 공정 모델링 기계, 바인더 제트 분사 기계, 스테레오 석판술의 기계에 기초가 된 제품이 트리 구조와 연관될 수 있다.
데이터 트리 구조(410)는 물리 객체의 제조를 위해 이용된 정착물의 타입을 알아내기 위해 이용될 수 있다. 예를 들면 데이터 트리 구조는 고정구, 볼트, 또는 다른 적절한 부품이 물리 객체의 제조 공정을 위해 이용되는지 알아내기 위해 물리 객체, 물리 객체의 형상비 또는 다른 적절한 입력의 물리적 객체, 곡률 계측에 대응하는 데이터 정보와 연관될 수 있다.
몇몇 실시에서, 기계 학습 모델은 랜덤 트리 리그레서와 분류자를 이용할 수 있다. 불필요한 부분을 제거하지 않은 트리는 랜덤 트리 기계 학습 모델로 구현될 수 있다. 몇몇 실시에서, 그러한 트리는 불필요한 부분을 제거하지 않은 디씨젼 트리(unpruned decision tree) 및/또는 회귀 트리(regression tree)일 수 있다. 데이터 트리 구조(410) 각각에 의해 생성된 데이터는 최종 견적을 산출하기 위해 종합된다. 최종 견적은 각각의 데이터 트리 구조(410)로부터 도출된 다수의 데이터에 기초하여 결정한다.
예측 엔진이 예상할 수 있는 제조 소재(예컨대, 비자성 소재)를 이용하여 견적 산출이 실행 가능하고, 소재에 기초하여 자동으로 견적을 산출하는 최적화를 실행할 수 있다.
도 5는 본 개시의 일 실시예에 따른 견적 산출 분석을 나타내는 흐름도이다.
사용자 단말기(200)는 물리 객체 모델의 전자 파일을 인공지능 기반의 자동 견적 산출 시스템(100)으로 전송한다.
전송된 전자 파일(예컨대, 캐드 파일)은 인공지능 기반의 자동 견적 산출 시스템(100)의 2차원 분석 엔진에 의해 2차원 분석을 실행하고, 2차원 분석 엔진에 의해 실행한 2차원 분석(예컨대, 삼각형, 사각형, 선 등의 성분으로 분해)은 물리적 또는 기하학적 2차원 모델을 포함한다.
추출된 2차원 모델은 기하학적 2차원 매개 변수를 포함하고, 2차원 모델은 3차원 분석 엔진을 통해 3차원 좌표를 가지는 3차원 포인트가 생성된다.
3차원 분석 엔진은 3차원 포인트로부터 물리적 또는 기하학적 3차원 모델을 포함한다.
2차원 분석 엔진과 3차원 분석 엔진에 의해 계산된 기하학적 매개변수 또는 3차원 포인트는 판단 분석 엔진으로 보내, 관련된 머신 러닝 모델을 실행한다.
판단 분석 엔진(124)은 3차원 모델의 구조체를 결정하고, 결정된 3차원 구조체는 예측 엔진(128)을 통해 머신 러닝 모델(420)을 수행한다. 머신 러닝 모델(420)은 사전 학습된 모델 관련하여 분류 프로세스, 회귀 프로세스 및 클러스터링 프로세스 등을 포함한다.
예측 엔진(128)은 머신 러닝 모델이 수행된 최종 모델을 결정하고, 물리 객체 최종 모델의 전반적인 제조 공정과 관련된 견적을 산출한다. 산출된 견적은 다시 사용자 단말기(200)로 전송된다.
도 6은 본 개시의 일 실시예에 따른 인공지능 기반의 비자성 부품 제조 공정의 자동 견적 산출 방법을 나타내는 흐름도이다.
본 개시의 일 실시예에 따른 인공지능 기반의 비자성 부품 제조 공정의 자동 견적 산출 방법(600)은 비자성 소재를 이용하는 부품 모델 이미지 또는 전자 파일(예컨대, 캐드 파일)을 사용자 단말기로부터 수신하는 단계(602), 이미지에 대응하는 2차원 모델을 추출 단계(S603), 2차원 모델을 분석하여 비자성 부품 모델의 3차원 모델을 추출하는 단계(S604), 3차원 모델을 기계 학습 모델에 기초하여 비자성 부품의 구조체를 결정하는 단계(S605), 비자성 부품의 제조 공정과 관련된 비용 및 기간을 예측하는 단계(S606), 비자성 부품의 견적을 산출하는 단계(S607) 및 견적을 사용자 단말기로 제공하는 단계(S608)를 포함한다.
비자성 소재를 이용하는 부품 모델 이미지 또는 전자 파일(예컨대, 캐드 파일)을 사용자 단말기로부터 수신하는 단계(602)는 네트워크(800)를 포함한다.
네트워크(800)는, 인공지능 기반 자동 견적 산출 시스템(100)과 외부 사용자 단말기(200) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(800)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다.
본 개시의 일 실시예에 따라 이미지에 대응하는 2차원 모델을 추출 단계(S603)는 2차원 분석 엔진(122)을 이용할 수 있다. 2차원 분석 엔진(122)은 사용자 단말기(200)로부터 수신받은 비자성 소재 부품의 이미지 또는 전자 파일에서 2차원 모델을 추출한다. 비자성 소재 부품의 이미지 또는 전자 파일에서 물리 객체의 기하학적 및 물리적 특성을 추출하는 개별화 과정이 실행될 수 있다.
본 개시의 일 실시예에 따르면, 물리적 특성은 비자성 소재의 변형율을 포함할 수 잇다. 비자성 소재의 경우 프레스 단조 공정을 이용하여 가공되는 경우가 많기 때문에, 비자성 소재의 변형율이 견적 산출에 있어서 중요한 고려 인자가 될 수 있다.
본 개시의 일 실시예에 따르면, 변형율은 중심 영역에 부여된 변형율 및/또는 표면 영역에 부여된 변형율을 포함할 수 있다.
본 개시의 일 실시예에 따르면, 비자성 소재는 비자성 합금은 비자성 스테인리스 강 합금, 니켈 합금, 코발트 합금, 및 철 합금 중 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라 2차원 모델을 분석하여 비자성 부품 모델의 3차원 모델을 추출하는 단계(S604)는 3차원 분석 엔진(124)을 이용할 수 있다. 3차원 분석 엔진(124)은 2차원 분석 엔진(122)을 통해 수신된 2차원 모델을 통해 3차원성을 연산하고 비자성 소재 부품의 대칭성 또는 비대칭적인 특성을 포함하는 3차원 데이터 좌표를 분석해서 데이터 구조에 대응하는 벡터값을 계산한다. 계산된 벡터값을 통해 임의의 3차원 모델이 추출될 수 있다.
본 개시의 일 실시예에 따라 3차원 모델을 기계 학습 모델에 기초하여 비자성 부품의 구조체를 결정하는 단계(S605)는 판단 분석 엔진(126)을 이용할 수 있다. 판단 분석 엔진(126)은 3차원 분석 엔진(124)을 통해 추출된 3차원 모델을 기계 학습 모델에 기초하여 기기 부품, 제품 또는 소재 정보를 포함하는 구조체를 결정한다.
본 개시의 일 실시예에 따라 비자성 부품의 제조 공정과 관련된 비용 및 기간을 예측하는 단계(S606)는 예측 엔진(128)을 이용할 수 있다. 예측 엔진(128)은 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 결과에 기초하여 비자성 소재 부품의 견적을 예측한다. 예측 엔진(128)은 훈련된 기계 학습 모델을 포함하고, 2차원 분석 엔진(122), 3차원 분석 엔진(124) 및 판단 분석 엔진(126)의 결과를 기계 학습 모델을 바탕으로 견적을 산출한다. 기계 학습 모델은 분류 프로세스, 회귀 프로세스, 클러스터링 프로세스 등을 포함할 수 있다.
기계 학습 모델은 제조 공정의 소재를 포함하는 정보를 학습하고, 제조 소재에 맞게 견적을 산출할 수 있다. 기계 학습 모델에서 제조 공정 소재는 알루미늄 합금박판, 스테인레스 스틸 합금, 강합금, brass/bronze 합금, 동 합금 용, 니켈 합금, 티탄 합금, 마그네슘 및 다른 적절한 금속과 합금을 포함할 수 있다. 예시로서, 플라스틱은 아크릴로니트릴 스티렌 아크릴레이트, 에이비에스, 다중 탄산염, Delrin®, 나일론 및 다른 합성 고분자와 플라스틱 등을 포함할 수 있다.
본 개시의 일 실시예에 따라 비자성 부품의 견적을 산출하는 단계(S607)는 예측 엔진(128)의 예측 결과를 기초하여 견적을 산출한다. 산출된 견적은 최종적으로 사용자 단말기로 제공된다.
도 7은 본 개시의 일 실시예에 따라 비자성 소재 부품을 이용하는 전자 파일 또는 이미지를 분석하도록 사전 학습된 인공신경망을 포함하는 자동 견적 산출 모델 구성을 나타내는 도면이다.
자동 견적 산출 모델(700)은, 외부 컴퓨팅 장치에 의해 생성, 저장 또는 업데이트되어, 도 2에 도시된 프로세서(340)에 의해 실행될 수 있다. 도시된 바와 같이, 자동 견적 산출 모델(700)은, 비자성 소재를 이용한 완성된 부품 이미지(710)를 비자성 소재 또는 자성 소재로 분류해서 자동으로 견적을 산출하는 인공신경망 모델(720)을 포함할 수 있다.
자동 견적 산출 모델(700)은 부품 이미지(710) 또는 그 시각적 특징을 입력으로 하여, 부품에 대한 견적을 산출할 수 있다. 자동 견적 산출 모델(700)은 부품 이미지 및 전자 파일(예컨대, 캐드 파일)로부터 추출된 2차원 모델 또는 3차원 모델을 이용하여, 자성 소재 부품(730) 및 비자성 소재 부품(750)에 대한 견적을 산출하도록 학습될 수 있다. 부품 이미지 및 전자 파일(예컨대, 캐드 파일)로부터 추출된 2차원 모델 또는 3차원 모델은, 예를 들어, 자성 소재 부품(730) 및 비자성 소재 부품(750)의 이미지 각각과 연관된 계산 데이터를 포함할 수 있다.
자동 견적 산출 모델(700)은, 기계 학습 모델에 기초하여, 부품 이미지와 연관되는 하나 이상의 견적 정보를 출력할 수 있다. 일 실시예에서, 자동 견적 산출 모델(700)은, 기계 학습 모델에 기초하여 하나 이상의 2차원 모델 또는 3차원 모델로부터 선택하여 인공신경망 모델(720)을 통해 견적을 산출할 수 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
100 : 인공지능 기반 자동 견적 산출 시스템
110 : 데이터베이스(Database, DB)
120 : 프로세서
122 : 2차원 분석 엔진
124 : 3차원 분석 엔진
126 : 판단 분석 엔진
128 : 예측 엔진
200 : 사용자 단말기
300 : 인공지능 기반 자동 견적 산출 방법
410 : 데이터 트리 구조
420 : 예측 머신 러닝 모델
430 : 독립 변수 처리 모듈
700 : 자동 견적 산출 모델
710 : 부품
720 : 인공 신경망 모델
730 : 자성 소재 부품
750 : 비자성 소재 부품
800 : 네트워크

Claims (5)

  1. 비자성소재 가공을 위한 인공지능 기반의 자동 견적 산출 시스템에 있어서,
    사용자 단말기로부터 수신받은, 프레스 단조 공정 대상인 비자성소재의 물리 객체에 관한 전자 파일의 2차원 모델을 추출하는 2차원 분석 엔진;
    상기 전자 파일의 2차원 모델로부터 3차원 모델을 추출하는 3차원 분석 엔진;
    상기 3차원 모델의 구조체를 학습된 기계 학습 모델에 기초하여 결정하는 판단 분석 엔진; 및
    상기 2차원 분석 엔진, 상기 3차원 분석 엔진, 및 상기 판단 분석 엔진의 결과에 기초하여 견적을 예측하는 예측 엔진을 포함하고,
    상기 2차원 분석 엔진은 물리 객체의 기하학적 특징 및 물리적 특성을 추출하고,
    상기 예측 엔진은 상기 물리 객체의 물리적 특성을 이용하여 견적을 예측하고,
    상기 물리적 특성은 프레스 단조 공정의 대상인 물리 객체의 비자성소재의 변형율을 포함하고,
    상기 변형율은 상기 물리 객체의 중심 영역에 부여된 변형율 및 표면 영역에 부여된 변형율 중 적어도 하나를 포함하고,
    상기 물리적 특성은 상기 물리 객체의 질량 중심부, 대칭성 및 굴곡 형태 추정의 정보 중 적어도 하나를 더 포함하고,
    상기 예측 엔진은 개별 공정에 따라 분류된 데이터 트리 구조를 이용하는,
    자동 견적 산출 시스템.
  2. 제1항에 있어서,
    상기 3차원 분석 엔진은 상기 전자 파일의 물리적 특성을 표현하는 3차원 좌표를 통해 상기 3차원 모델의 데이터 구조를 추출하도록 구성되고,
    상기 판단 분석 엔진은 기계 학습 모델에 기초하여 상기 물리 객체의 구조체를 결정하는,
    자동 견적 산출 시스템.
  3. 제1항에 있어서,
    상기 예측 엔진은 상기 2차원 분석 엔진, 상기 3차원 분석 엔진 및 상기 판단 분석 엔진의 계산 결과에 기초하여 제조 공정, 소요 시간 및 소요 비용을 예측하는,
    자동 견적 산출 시스템.
  4. 제3항에 있어서,
    상기 예측 엔진은, 상기 2차원 분석 엔진, 상기 3차원 분석 엔진 및 상기 판단 분석 엔진에서 추출된 계산 결과에 기초하여 기계 학습 모델에 따라 견적을 산출하도록 구성된, 자동 견적 산출 시스템.
  5. 인공지능 기반의 자동 견적 산출 방법에 있어서,
    프레스 단조 공정 대상인 비자성소재의 물리 객체의 전자 파일을 사용자 단말기로부터 수신하는 단계;
    2차원 분석 엔진에 의해, 상기 전자 파일의 2차원 모델을 추출하고, 물리 객체의 기하학적 특징 및 물리적 특성을 추출하는 단계;
    3차원 분석 엔진에 의해, 상기 2차원 모델에 기초하여 3차원 모델을 추출하는 단계;
    판단 분석 엔진에 의해, 상기 3차원 모델을 기계 학습 모델에 기초하여 상기 3차원 모델의 구조체를 결정하는 단계;
    예측 엔진에 의해, 상기 물리 객체의 제조 공정과 관련된 비용 및 기간을 예측하는 단계;
    예측 엔진에 의해, 상기 전자 파일의 물리 객체의 견적을 산출하는 단계; 및
    상기 견적을 상기 사용자 단말기로 제공하는 단계
    를 포함하고,
    상기 견적을 산출하는 단계는, 상기 물리 객체의 물리적 특성을 이용하여 견적을 산출하고,
    상기 물리적 특성은 프레스 단조 공정의 대상인 물리 객체의 비자성소재의 변형율을 포함하고,
    상기 변형율은 상기 물리 객체의 중심 영역에 부여된 변형율 및 표면 영역에 부여된 변형율 중 적어도 하나를 포함하는, 자동 견적 산출 방법.
KR1020200172004A 2020-12-10 2020-12-10 인공지능 기반의 자동 견적 산출 방법 및 시스템 KR102521892B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200172004A KR102521892B1 (ko) 2020-12-10 2020-12-10 인공지능 기반의 자동 견적 산출 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200172004A KR102521892B1 (ko) 2020-12-10 2020-12-10 인공지능 기반의 자동 견적 산출 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220082264A KR20220082264A (ko) 2022-06-17
KR102521892B1 true KR102521892B1 (ko) 2023-04-14

Family

ID=82268897

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200172004A KR102521892B1 (ko) 2020-12-10 2020-12-10 인공지능 기반의 자동 견적 산출 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102521892B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2678073B2 (ja) * 1989-11-29 1997-11-17 株式会社日立製作所 パターン学習型受注装置およびｃａｄ装置
KR101911447B1 (ko) * 2018-05-09 2018-10-24 권오성 구조설계 도면의 패턴분석을 통한 3차원 구조해석 모델 생성 장치
KR102151733B1 (ko) * 2019-10-22 2020-09-03 김병복 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200311702A1 (en) * 2017-12-05 2020-10-01 Dsi Corporation Dental technical fee automatic calculation system, dental technical fee automatic calculation method, and program
KR20200071849A (ko) * 2018-12-04 2020-06-22 윤재웅 인테리어 디자인 중개 서비스 앱

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2678073B2 (ja) * 1989-11-29 1997-11-17 株式会社日立製作所 パターン学習型受注装置およびｃａｄ装置
KR101911447B1 (ko) * 2018-05-09 2018-10-24 권오성 구조설계 도면의 패턴분석을 통한 3차원 구조해석 모델 생성 장치
KR102151733B1 (ko) * 2019-10-22 2020-09-03 김병복 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법

Also Published As

Publication number Publication date
KR20220082264A (ko) 2022-06-17

Similar Documents

Publication Publication Date Title
US10712727B2 (en) Methods and apparatus for machine learning predictions of manufacture processes
CN111226217B (zh) 制造设计修改系统
Subburaj et al. Computer aided rapid tooling process selection and manufacturability evaluation for injection mold development
Yildiz Optimization of multi-pass turning operations using hybrid teaching learning-based approach
Rai et al. An intelligent system for predicting HPDC process variables in interactive environment
CN110059738A (zh) 一种压铸件质量的预警方法和系统
KR102521892B1 (ko) 인공지능 기반의 자동 견적 산출 방법 및 시스템
JP2022069958A (ja) システム、制御方法及びプログラム
Brunzema et al. On controller tuning with time-varying Bayesian optimization
Tapie et al. Topological model for machining of parts with complex shapes
Hu et al. Feature points recognition of computerized numerical control machining tool path based on deep learning
Chakraborty et al. Automatic determination of parting directions, parting lines and surfaces for two-piece permanent molds
Luo et al. An ELM-embedded deep learning based intelligent recognition system for computer numeric control machine tools
Kumar et al. Recognition of undercut features and parting surface of moulded parts using polyhedron face adjacency graph
CN109409774A (zh) 用于智能制造数字化车间的调度方法、系统及存储介质
Hallman A comparative study on Linear Regression and Neural Networks for estimating order quantities of powder blends
CN114842178A (zh) 一种基于电子产品的在线可视化交互系统及方法
Ustundag et al. Advances in virtual factory research and applications
CN114740969A (zh) 一种融合数字孪生与虚拟现实的互动系统及其方法
Weinert et al. On the use of problem-specific candidate generators for the hybrid optimization of multi-objective production engineering problems
Smith et al. Discrete-event simulation and machine learning for prototype composites manufacture lead time predictions
CN112801372B (zh) 数据处理方法、装置、电子设备和可读存储介质
CN114722080B (zh) 一种拉丝机的拉丝加工生产预警方法及系统
Bahirie et al. Optimization of milling conditions by using particle swarm optimization technique: a review
CN107480722B (zh) 基于归纳式一致性多类分类的目标行为模式在线分类方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant