JP7484065B1 - 知能型製造設備の制御装置及びその制御方法 - Google Patents
知能型製造設備の制御装置及びその制御方法 Download PDFInfo
- Publication number
- JP7484065B1 JP7484065B1 JP2023069429A JP2023069429A JP7484065B1 JP 7484065 B1 JP7484065 B1 JP 7484065B1 JP 2023069429 A JP2023069429 A JP 2023069429A JP 2023069429 A JP2023069429 A JP 2023069429A JP 7484065 B1 JP7484065 B1 JP 7484065B1
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- information
- manufacturing information
- degree
- abnormality
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 395
- 238000000034 method Methods 0.000 title claims abstract description 140
- 230000005856 abnormality Effects 0.000 claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 25
- 230000003416 augmentation Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012800 visualization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000004886 process control Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 2
- 235000011941 Tilia x europaea Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004571 lime Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012394 real-time manufacturing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Factory Administration (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
Abstract
【課題】知能型製造設備の制御装置の制御方法を提供する。【解決手段】知能型製造設備の制御装置の制御方法は、対象製造設備の製造情報を収集する段階と、前記製造情報に基づいて製造品質異常程度を生成する段階と、前記製造品質異常程度に基づいて前記対象製造設備を制御する段階とを含むことができる。【選択図】図１
Description
本願は、知能型製造設備の制御装置及びその制御方法に関するものである。
韓国では製造品質を増加させるための目的として、人工知能を活用した製造工程及び製造品の品質検証技術に関する研究開発が活発に行われている。特に、韓国の人工知能技術基盤の製造品質技術に対する実際の適用の側面からみると、製造と関連して獲得したイメージ及び映像データをディープラーニングに基づいて分析し、製造品質を検証する水準まで至った。
しかし、人工知能を活用して製造工程及び製造品の品質を検証する技術は、開発費用が高く、開発時間が長いため、中小規模の製造社では当該技術を活用し難い。また、多様な設備と工程環境のため、各工場から派生する製造データが異なり、製造データによる人工知能技術も工場の特性に合わせて構築されなければならなかったため、製造業で当該人工知能基盤の製造工程及び製造品の品質検証技術を活用することが容易ではない。
さらに、高い開発費用と長期間の開発時間のため、人工知能基盤の製造工程及び製造品の品質検証技術が構築されても、製造現場で非専門家が当該技術を活用する場合、検証の信頼性が足りなく当該技術が全部使用されず、製造現場の管理者及び実務者の判断によって製造工程で発生する問題への対処及び品質検証が行われるようになる。すなわち、従来技術は人工知能基盤として製造工程と製造品の品質を検証するのに限られるだけで、製造現場で問題状況を解決のための意思決定を自動化し、製造品の品質不良を防止するために自律的に工程を最適化する設備及び工程の制御技術は充分でない実情である。
本願は、前述した従来技術の問題点を解決するためのもので、人工知能基盤の製造工程及び製造品の品質検証技術の開発費用が高く、開発時間は長く、汎用性が落ちるという問題を解決することができる知能型製造設備の制御装置及びその制御方法を提供することを目的とする。
本願は、前述した従来技術の問題点を解決するためのもので、製造現場で問題状況を解決するための意思決定を自動化し、製造品の品質不良を防止するために自律的に工程を最適化する設備及び工程制御技術が充分でないという問題を解決することができる知能型製造設備の制御装置及びその制御方法を提供することを目的とする。
但し、本願の実施例が達成しようとする技術的課題は、上記のような技術的課題に限定されず、また他の技術的課題が存在し得る。
上記の技術的課題を達成するための技術的手段として、本願の一実施例による知能型製造設備の制御装置の制御方法は、対象製造設備の製造情報を収集する段階と、前記製造情報に基づいて製造品質異常程度を生成する段階と、前記製造品質異常程度に基づいて前記対象製造設備を制御する段階とを含むことができる。
本願の一実施例によると、前記製造情報を収集する段階は、前記製造情報を前処理する段階を含むことを特徴とすることができる。
本願の一実施例によると、前記前処理する段階は、前記製造情報が定型情報であれば、複数の増強手法のうち少なくとも一つの増強手法を利用して前記製造情報を増強させ、前記製造情報が非定型情報であれば、前記製造情報に基づいて既設定された臨界程度を満たすまで加工された製造情報を生成することで前記製造情報を増強させることを特徴とすることができる。
本願の一実施例によると、前記複数の増強手法は、前記製造情報に雑音を追加して増強させる第１増強手法と、前記製造情報の変数に既設定された量の大きさ変化を加えて増強させる第２増強手法と、前記製造情報の時点を変換して増強させる第３増強手法とを含むことができる。
本願の一実施例によると、前記製造情報を収集する段階は、前記製造情報を分析する段階と、前記製造情報及び分析結果を変数抽出人工神経網に入力して特質変数を出力する段階とを含むことを特徴とし、前記変数抽出人工神経網は、製造情報、製造情報分析結果及び特質変数を学習データセットとして学習することができる。
本願の一実施例によると、前記製造情報に基づいて製造品質異常程度を生成する段階は、製造情報及び製造された製品情報を学習データセットで学習した複数の人工神経網を生成する段階と、前記複数の人工神経網のうち出力される製造品質異常程度の正確度が最も高い人工神経網を異常感知人工神経網として設定する段階とを含むことを特徴とすることができる。
本願の一実施例によると、前記製造情報に基づいて製造品質異常程度を生成する段階は、前記特質変数を前記異常感知人工神経網に入力して前記製造品質異常程度を出力する段階をさらに含むことを特徴とすることができる。
本願の一実施例によると、前記製造情報に基づいて製造品質異常程度を生成する段階は、製造品質異常程度が既設定された臨界異常程度以上であれば、前記製造品質異常程度に複数の分析手法のうち少なくとも一つを適用して問題原因工程を算出する段階をさらに含むことを特徴とすることができる。
本願の一実施例によると、前記製造情報に基づいて製造品質異常程度を生成する段階は、前記問題原因工程に基づいて視覚化情報を生成する段階をさらに含むことを特徴とすることができる。
本願の一実施例によると、前記製造品質異常程度に基づいて前記対象製造設備を制御する段階は、前記問題原因工程に基づいて前記対象製造設備を制御することを特徴とすることができる。
本願の一実施例による知能型製造設備の制御装置は、対象製造設備の製造情報を収集する収集部と、前記製造情報に基づいて製造品質異常程度を生成する異常感知部と、前記製造品質異常程度に基づいて前記対象製造設備を制御する制御部とを含むことができる。
本願の一実施例によると、前記収集部は、前記製造情報を前処理する前処理部を含むことができる。
本願の一実施例によると、前記収集部は、前記製造情報を分析する変数分析部と、前記製造情報及び分析結果を変数抽出人工神経網に入力して特質変数を出力する変数出力部とを含み、前記変数抽出人工神経網は、製造情報、製造情報分析結果及び特質変数を学習データセットとして学習することができる。
本願の一実施例によると、前記異常感知部は、前記特質変数を前記異常感知人工神経網に入力して前記製造品質異常程度を出力する異常出力部を含むことができる。
上述した課題解決手段は単に例示的なもので、本願を制限しようとする意図で解釈されてはならない。上述した例示的な実施例の他にも、図面及び発明の詳細な説明に追加的な実施例が存在することができる。
前述した本願の課題解決手段によると、知能型製造設備の制御装置及びその制御方法を提供することで、人工知能基盤の製造工程及び製造品の品質検証技術の開発費用が高く、開発時間は長く、汎用性が落ちるという問題を解決することができるという効果がある。
前述した本願の課題解決手段によると、知能型製造設備の制御装置及びその制御方法を提供することで、製造現場で問題状況を解決するための意思決定を自動化し、製造品の品質不良を防止するために自律的に工程を最適化する設備及び工程制御技術が充分でないという問題を解決することができる。
但し、本願で得られる効果は、上記のような効果に限定されず、また他の効果が存在することができる。
以下では、添付の図面を参照して本願が属する技術分野で通常の知識を有する者が容易に実施することができるように、本願の実施例を詳しく説明する。しかし、本願は、様々な異なる形態で具現されることができ、ここで説明する実施例に限定されない。そして、図面で本願を明確に説明するために、説明と関係ない部分は省略し、明細書全体を通じて類似した部分については類似した図面符号をつけた。
本願明細書全体において、ある部分が他の部分と「連結」されているとすると、これは「直接的に連結」されている場合だけでなく、その中間に他の素子を挟んで「電気的に連結」または「間接的に連結」されている場合も含む。
本願明細書全体において、ある部材が他の部材「上に」、「上部に」、「上端に」、「下に」、「下部に」、「下端に」位置しているとすると、これは、ある部材が他の部材に接している場合だけでなく、二つの部材間にまた他の部材が存在する場合も含む。
本願明細書全体において、ある部分がある構成要素を「含む」とすると、これは、特に反対の記載がない限り、他の構成要素を除外するのではなく、他の構成要素をさらに含むことができることを意味する。
図１は、本願の一実施例による知能型製造設備制御システムの概略的な構成図である。
図１を参照すると、知能型製造設備制御システム１（以下、「本システム１」とも称する）は、知能型製造設備の制御装置１００（以下、「本装置１００」とも称する）、使用者端末２００及び対象製造設備Ａを含むことができる。
本装置１００は、対象製造設備Ａの製造情報を収集し、製造情報に基づいて製造品質異常程度を生成し、製造品質異常程度に基づいて対象製造設備Ａを制御することができる。
本願の一実施例によると、本装置１００は、使用者端末２００により製造情報収集メニュー、製造品質生成メニュー及び製造設備制御メニューを提供することができる。例えば、本装置１００が提供するアプリケーションプログラムを使用者端末２００がダウンロードして設置し、設置されたアプリケーションを通じて製造情報収集メニュー、製造品質生成メニュー及び製造設備制御メニューが提供されることができる。
本装置１００は、使用者端末２００及び対象製造設備Ａとデータ、コンテンツ、各種の通信信号をネットワークを介して送受信し、データ格納及び処理の機能を有する全種類のサーバー、端末、またはデバイスを含むことができる。
使用者端末２００は、ネットワークを介して本装置１００及び対象製造設備Ａと連動するデバイスであって、例えば、スマートフォン（Ｓｍａｒｔｐｈｏｎｅ）、スマートパッド（Ｓｍａｒｔ Ｐａｄ）、タブレットＰＣ、ウェアラブルデバイスなどと、ＰＣＳ（Ｐｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）、ＧＳＭ（登録商標）（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＰＤＣ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ｃｅｌｌｕｌａｒ）、ＰＨＳ（登録商標）（Ｐｅｒｓｏｎａｌ Ｈａｎｄｙｐｈｏｎｅ Ｓｙｓｔｅｍ）、ＰＤＡ（登録商標）（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＩＭＴ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ）－２０００、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）－２０００、Ｗ－ＣＤＭＡ（Ｗ－Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ Ｉｎｔｅｒｎｅｔ）端末機のような全種類の無線通信装置及びデスクトップコンピュータ、スマートＴＶのような固定用端末機であってもよい。
本装置１００、使用者端末２００及び対象製造設備Ａ間の情報共有のためのネットワークの一例としては、３ＧＰＰ（登録商標）（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）ネットワーク、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）ネットワーク、５Ｇネットワーク、ＷＩＭＡＸ（登録商標）（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）ネットワーク、有無線インターネット（Ｉｎｔｅｒｎｅｔ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｗｉｒｅｌｅｓｓ ＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ブルートゥース（登録商標）（Ｂｌｕｅｔｏｏｔｈ（登録商標））ネットワーク、Ｗｉｆｉ（登録商標）ネットワーク、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）ネットワーク、衛星放送ネットワーク、アナログ放送ネットワーク、ＤＭＢ（Ｄｉｇｉｔａｌ Ｍｕｌｔｉｍｅｄｉａ Ｂｒｏａｄｃａｓｔｉｎｇ）ネットワークなどが含まれることができ、これに限定されるものではない。
対象製造設備Ａは、対象製品を生産するための設備を意味し、本装置１００によって制御されることができる。
図２は、本願の他の一実施例による知能型製造設備制御システム１の概略的な構成図である。
図２を参照すると、本システム１は、対象製造設備Ａに付着する複数のセンサーを含み、アルゴリズムの異常有無をモニタリングし、制御までできるように設計された５Ｇエッジコンピュータインフラ基盤のデータ共有を行うことができる。
本装置１００は、収集された製造情報を利用して対象製造設備Ａの製造工程プロセスを分析及び前処理を行い、特質変数を抽出し、抽出された特質変数を通じて製造品質の異常有無を感知または予測することができる。また、本装置１００は、製造品質に異常が発生した時に問題の原因に基づいて生成した視覚化コンテンツを使用者端末２００に出力し、問題の原因を解決するように対象製造設備Ａの環境に合う設備制御を行うことができる。
図３は、本願の一実施例による知能型製造設備の制御装置１００の概略的なブロック図である。
図３を参照すると、本装置１００は、収集部１１０、異常感知部１２０及び制御部１３０を含むことができる。
本願の一実施例によると、収集部１１０は、対象製造設備Ａの製造情報を収集することができる。
本願の一実施例によると、異常感知部１２０は、製造情報に基づいて製造品質異常程度を生成することができる。
本願の一実施例によると、制御部１３０は、製造品質異常程度に基づいて対象製造設備Ａを制御することができる。
本願の一実施例によると、収集部１１０は、製造情報を前処理する前処理部を含むことができる。
本願の一実施例によると、収集部１１０は、製造情報を分析する変数分析部と、製造情報及び分析結果を変数抽出人工神経網に入力して特質変数を出力する変数出力部とを含み、変数抽出人工神経網は、製造情報、製造情報分析結果及び特質変数を学習データセットとして学習することができる。
本願の一実施例によると、異常感知部１２０は、特質変数を異常感知人工神経網に入力して製造品質異常程度を出力する異常出力部を含むことができる。
図４は、本願の他の一実施例による知能型製造設備の制御装置１００の概略的なブロック図である。
図４を参照すると、本装置１００は、データ収集部１０１、データ前処理部１０２、データモデル学習部１０３、説明可能な人工知能モデル視覚化部１０４及び自動工程制御システム部１０５を含むことができる。本装置１００は、ビックデータを含むデータベース（図示せず）を含むことができる。データベースは、生産量、生産実績、生産日付、作業時間、不良数量、計画数量、目標数量、稼動率、部品コード、瞬間停止時間などを含む設備別に発生可能な全ての情報を含むが、これに限定されるものではない。
また、本装置１００の自動工程制御システム部１０５は、異種設備及び工程モニタリング技術（図示せず）、複合イベント分析処理技術（図示せず）、異常診断モニタリング通報技術（図示せず）及び５Ｇエッジコンピュータインフラ基盤のデータ共有技術（図示せず）などを含んでインフラを構築し、対象製造設備Ａに自動工程制御を行うことができる。
異種設備及び工程モニタリング技術（図示せず）は、対象製造設備Ａの製造情報を収集して時間当たり既設定された個数以上（例えば、１秒当たり５００，０００個以上）のイベントを処理することができる環境を構築するために、ディスクストレージではなくコンピュータメモリーに情報を保管するデータベースを使用することができる。
複合イベント分析処理技術（図示せず）は、対象製造設備Ａで発生するリアルタイムの大容量の製造情報を処理するために、複合イベント分析処理技術を利用して、対象製造設備Ａの並列工程の製造情報を速く処理することができる。
異常診断モニタリング通報技術（図示せず）は、製造品質に異常が発生した場合、通報及び警告灯機能を活性化し、勤務者と管理者の使用者端末２００にリアルタイム通報機能（文字及び電子メール含む）を提供する。また、本装置１００は、製造情報を視覚的に表現するために、ＨＴＭＬ５のようにモバイルウェッブ核心技術を適用することができる。すなわち、本装置１００は、クライアントのサーバーと通信を構築して、他の外部（Ａｃｔｉｖｅ－Ｘ、Ｐｌｕｇ－ｉｎ）機能を使用せずともウェッブサービス（付加機能）を提供することができる。
５Ｇエッジコンピュータインフラ基盤のデータ共有技術（図示せず）は、使用者またはデータソースの物理的な位置やその近くでコンピューティングを行うことをいい、対象製造設備Ａの製造工程で発生するセンシング情報は、エッジシステムを通じて前処理及び学習に活用され、ビックデータプラットホームでセンシング情報を分析した後、使用者端末２００に送信して状況認識が進行されるようにすることができる。
本願の一実施例によると、本装置１００は、対象製造設備Ａの製造情報を収集することができる。
一例として、製造情報は、対象製造設備Ａの製造工程情報を含むことができる。製造情報は、対象製造設備Ａの電力、状態、稼動率などを含むことができる。製造情報は、対象製造設備Ａに付着したセンサーから受信されたセンシング情報を含み、対象製造設備Ａに付着したセンサーから受信されたセンシング情報は、対象製造設備Ａの製造工程で発生し数値化することができる時系列情報を含み、対象製造設備Ａに付着したセンサーは、光センサー、超音波センサー、赤外線センサーなどの多様なタイプのセンサーを含むことができる。製造情報は、対象製造設備Ａが生産した製造品に対する多角度のイメージ情報を含むことができる。
本願の一実施例によると、本装置１００は、製造情報に基づいて製造品質異常程度を生成することができる。
一例として、本装置１００は、製造情報に基づいて対象製造設備Ａで生産された製造品に異常があるか否かを感知する情報及び対象製造設備Ａで生産予定である製造品に異常が含まれるか否かを予測する情報のうち少なくとも一つを含む製造品質異常程度を生成することができる。
本願の一実施例によると、本装置１００は、製造品質異常程度に基づいて対象製造設備Ａを制御することができる。
一例として、製造品質異常程度に基づいて、対象製造設備Ａで生産された製造品に異常がなく生産予定である製造品に異常が含まれないように、本装置１００は、対象製造設備Ａに含まれた製造工程を制御することができる。
本願の一実施例によると、本装置１００は製造情報を前処理することができる。
一例として、本装置１００は、製造情報を時系列処理する前処理を行うことができる。本装置１００は、製造情報に時系列処理する前処理を行うことで、製造設備の状態を確認することができる。
他の一例として、前処理手法は、精製手法、正規化手法及び増強手法のうち少なくとも一つを含み、本装置１００は、製造情報に前処理手法を適用することで前処理することができる。製造情報において、精製必要程度、正規化必要程度及び増強必要程度のうち少なくとも一つが既設定された程度以上であれば、対応する必要程度に基づいて、本装置１００は製造情報に前処理手法を選択的に適用することができる。
他の一例として、本装置１００は、異常感知人工神経網に製造情報を入力する時に出力される製造品質異常程度の正確度が既設定された程度以上になるまで製造情報に前処理を行うことができる。
図５は、本願の一実施例による製造情報に関するグラフを概略的に示した図面である。
図５を参照すると、（ａ）は製造情報に含まれた電力の正常パターンに対応するグラフを意味し、（ｃ）は製造情報に含まれた電力の異常パターンに対応するグラフを意味し、（ｂ）及び（ｄ）は時系列処理された製造情報または製造情報に含まれた時系列情報に対応するグラフを意味することができる。
本願の一実施例によると、本装置１００は、製造情報が定型情報であれば、複数の増強手法のうち少なくとも一つの増強手法を利用して製造情報を増強させることができる。
一例として、定型情報は時系列情報を含むことができる。製造情報が時系列処理されると、定型情報として見なすことができる。よって、製造情報が時系列処理されれば、後述する複数の増強手法のうち少なくとも一つの増強手法を利用して製造情報を増強させることができる。
本願の一実施例によると、本装置１００は、製造情報が非定型情報であれば、製造情報に基づいて既設定された臨界程度を満たすまで加工された製造情報を生成することで製造情報を増強させることができる。
一例として、非定型情報は、時系列処理されていない情報を含むことができる。非定型情報は、イメージ情報を含むことができる。よって、製造情報が時系列処理されていないと、本装置１００は、製造情報に基づいて既設定された臨界程度を満たすまで加工された製造情報を生成して製造情報を増強させることができる。本装置１００は、製造情報に含まれた生産された製造品のイメージ情報をＧＡＮアルゴリズムに適用して製造情報を増強させることができる。製造情報に含まれたイメージ情報に逆転、カット、回転などの増強手法を行うか、ＧＡＮアルゴリズムを適用して偽イメージ情報を生成することで、異常があり得る様々な場合のイメージ情報を保有することができる。
また、製造情報が非定型情報であれば、本装置１００は、ＣｙｃｌｅＧａｎアルゴリズムを利用して製造情報を増強させることができる。
図６は、本願の一実施例による増強手法に関するグラフを概略的に示した図面である。
図６を参照すると、Ｏｒｉｇｉｎａｌグラフは、増強されていない時系列処理された製造情報のグラフであることを確認することができる。ここで、（ａ）のＯｒｉｇｉｎａｌグラフに対応する製造情報にＪｉｔｔｅｒｉｎｇ手法を適用して増強させると、（ｂ）のＪｉｔｔｅｒｉｎｇグラフのように製造情報が増強することを確認することができる。また、（ａ）のＯｒｉｇｉｎａｌグラフに対応する製造情報にＳｃａｌｉｎｇ手法を適用して増強させると、（ｃ）のＳｃａｌｉｎｇグラフのように製造情報が増強することを確認することができる。また、（ａ）のＯｒｉｇｉｎａｌグラフに対応する製造情報にＴｉｍｅ Ｗａｒｐｉｎｇ手法を適用して増強させると、（ｄ）のＴｉｍｅ Ｗａｒｐｉｎｇグラフのように製造情報が増強することを確認することができる。
本願の一実施例によると、複数の増強手法は、製造情報に雑音を追加して増強させる第１増強手法を含むことができる。
一例として、製造情報が時系列処理されると、本装置１００は、第１増強手法を利用して製造情報を増強させることができる。第１増強手法を通じて、本装置１００は、時系列処理された製造情報に雑音を追加して増強させることができる。第１増強手法が製造情報に適用されることで、雑音に対する堅固性が上昇し、これにより性能が向上されることができる。第１増強手法は、ガウシアン（Ｇａｕｓｓｉａｎ）分布で無作為に数を生成して時系列処理された製造情報と合わせる方式で実現されることができる。第１増強手法は、Ｊｉｔｔｅｒｉｎｇ手法を含むことができる。
本願の一実施例によると、複数の増強手法は、製造情報の変数に既設定された量の大きさ変化を加えて増強させる第２増強手法を含むことができる。
一例として、製造情報が時系列処理され、製造情報の値が一定のｍａｇｎｉｔｕｄｅで変化してもラベル（ｌａｂｅｌ）を維持可能であれば、本装置１００は、第２増強手法を利用して製造情報を増強させることができる。第２増強手法を通じて、本装置１００は、時系列処理された製造情報の各変数に一括して既設定された量の大きさ変化を加えて製造情報を増強させることができる。第２増強手法は、製造情報の各変数に任意の値を使用して掛け算を進行することにより実現されることができる。第２増強手法は、Ｓｃａｌｉｎｇ手法、Ｄａｔａ ｓｃａｌｉｎｇなどを含むことができる。
本願の一実施例によると、複数の増強手法は、製造情報の時点を変換して増強させる第３増強手法を含むことができる。
一例として、製造情報が時系列処理され、既設定された行動時点変化がラベル（ｌａｂｅｌ）に既設定された程度の影響を与えなければ、本装置１００は、第３増強手法を利用して製造情報を増強させることができる。第３増強手法を通じて、本装置１００は、時系列処理された製造情報の時系列値の時点を変換することにより、製造情報と類似した製造情報を生成して製造情報を増強させることができる。第３増強手法は、製造情報のサンプル間の時間間隔を既設定された程度に歪曲して、サンプルの時間的位置を変更して実現されることができる。第３増強手法は、ｗａｒｐｉｎｇ手法、Ｔｉｍｅ ｗａｒｐｉｎｇなどを含むことができる。
図７は、本願の一実施例による増強手法の構造図を示した図面である。
図７を参照すると、非定型情報である製造情報にＣｙｃｌｅＧａｎアルゴリズムを適用して増加させる場合に関する構造図であることを確認することができる。既存のＧＡＮアルゴリズムは、一つの生成者と判別者で構成されたことに対し、ＣｙｃｌｅＧＡＮは、２個の生成者と２個の判別者で構成されることができる。ここで、（ａ）は第１生成者を意味し、第１ドメインのイメージ情報を第２ドメインのイメージ情報として生成することができる。（ｂ）は、第１判別者を意味し、第１生成者が生成したイメージ（偽物）に対して真偽を判断することができる。（ｃ）は、第２生成者を意味し、第２ドメインのイメージ情報を再び第１ドメインのイメージ情報に変換することができる。また、（ｄ）は、第２判別者を意味し、第２生成者が生成したイメージ情報の真偽を判断することができる。
図８は、本願の一実施例による増強された製造情報の例示を概略的に示した図面である。
図８を参照すると、製造情報に含まれた非定型情報であるイメージ情報を前処理過程を通じて増強した例示であることを確認することができる。製造情報に含まれたイメージ情報は、対象製造設備Ａの製造工程完了後に検証段階のイメージ情報であることができる。
本願の一実施例によると、本装置１００は、製造情報を分析することができる。
本装置１００は、製造情報に既設定された製造品質の異常を誘発する要因との連関有無を分析することができる。製造品質の異常を誘発する要因は、製造工程中に不良部品の組立、製造設備の急稼働、圧力による折り畳み、不規則な電力の供給、温度低下などを含むことができ、これに限定されるものではない。
一例として、本装置１００は、製造情報に基づいて対象製造設備Ａの製造工程に対する分析を行い、対象製造設備Ａが生産した製造品に対する分析を行うことができる。また、本装置１００は、時系列処理された製造情報に時系列分析を行うことで、対象製造設備Ａの状態が生産された製造品の異常と連関性があるか否かを把握することができる。
本願の一実施例によると、本装置１００は、製造情報及び分析結果を変数抽出人工神経網に入力して特質変数を出力することができる。
一例として、本装置１００は、製造情報及び時系列分析結果に基づいて特質変数を抽出し、製造情報及び時系列分析結果を変数抽出人工神経網に入力して特質変数（統計的特質（特徴）変数）を出力することができる。本装置１００は、特質変数に対して有意味な変数を抽出することができる。この時、変数抽出人工神経網は、主成分分析アルゴリズムであることができるが、これに限定されるものではなく、既開発されたか今後開発される多様なアルゴリズムを適用することができる。
本願の一実施例によると、変数抽出人工神経網は、製造情報、製造情報分析結果及び特質変数を学習データセットとして学習することができる。
例えば、人工知能基盤の学習モデルは、機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）などの人工知能基盤の学習を通じて生成されることができるが、これに限定されるものではなく、既開発されたか今後開発される多様な神経網体系を適用することができる。
本願の一実施例によると、本装置１００は、製造情報及び製造された製品情報を学習データセットで学習した複数の人工神経網を生成することができる。
一例として、本装置１００は、Ｒａｎｄｏｍ Ｆｏｒｅｓｔアルゴリズム、ＲＮＮアルゴリズム、ＣＮＮアルゴリズム、Ａｕｔｏｅｎｃｏｄｅｒアルゴリズム、ＧＡＮアルゴリズム及びＴｒａｎｓｆｏｒｍｅｒアルゴリズムのうち少なくとも一つのアルゴリズムに基づいて複数の人工神経網を生成し、製造情報及び製造された製品（製造品）情報を学習データセットに学習させることができる。
Ｒａｎｄｏｍ Ｆｏｒｅｓｔアルゴリズムは、数多くのＤｅｃｉｓｉｏｎ ＴｒｅｅがＦｏｒｅｓｔを構成し、それぞれの予測結果を一つの結果変数で平均化するアルゴリズムである。ＲＮＮアルゴリズムは、内部の循環構造が含まれている人工神経網の一種類であり、時間に依存的であるか順次的なデータ学習に活用され、循環構造によって現在の情報に以前情報が積もりながら情報表現が可能である。ＣＮＮアルゴリズムは、手動で特徴を抽出する必要がなくデータから直接学習する人工神経網であり、映像またはイメージから顔、客体、場面認識のためのパターンを探す時に有用である。Ａｕｔｏｅｎｃｏｄｅｒアルゴリズムは、入力データを圧縮させた後、縮小し再び拡張して結果データを入力データと同一にする。ＧＡＮアルゴリズムは、生成者と区分者が互いに対立して互いの性能を次第に改善しながら学習する人工知能神経網である。Ｔｒａｎｓｆｏｒｍｅｒアルゴリズムは、既存のＲＮＮアルゴリズムを補完してシーケンスを一度で並列処理し、どの部分が重要であるかを伝達して情報を反映することができる神経網である。
本願の一実施例によると、本装置１００は、複数の人工神経網のうち出力される製造品質異常程度の正確度が最も高い人工神経網を異常感知人工神経網として設定することができる。
一例として、本装置１００は、複数のマシーンランニングアルゴリズムを適用して生成された複数の人工神経網のうち出力される製造品質異常程度の正確度が最も高い人工神経網を異常感知人工神工網として設定することができる。異常感知人工神経網は、製造品質異常を探知し予測して品質工程を正確に分類するための目的を有することができる。換言すると、本装置１００は、Ｒａｎｄｏｍ Ｆｏｒｅｓｔアルゴリズム、ＲＮＮアルゴリズム、ＣＮＮアルゴリズム、Ａｕｔｏｅｎｃｏｄｅｒアルゴリズム、ＧＡＮアルゴリズム及びＴｒａｎｓｆｏｒｍｅｒアルゴリズムのそれぞれを適用して人工神経網を生成し、出力される製造品質異常程度の正確度が最も高い人工神経網を製造品質異常の感知及び予測のための異常感知人工神経網として設定することができる。
本願の一実施例によると、本装置１００は、特質変数を異常感知人工神経網に入力して製造品質異常程度を出力することができる。
一例として、製造品質異常程度に基づいて製造品に異常が感知されるか今後異常発生が予測されると、本装置１００は、異常に対応する特質変数及び当該特質変数と連関した製造工程を使用者端末２００に送信することができる。
図９は、本願の一実施例による製造品質異常に関する視覚化資料の例示を概略的に示した図面である。
図９を参照すると、特質変数である温度Ａに基づいて異常であると判断される時点の問題原因に基づいて、（ａ）、（ｂ）及び（ｃ）のように視覚化することができることを確認することができる。
本願の一実施例によると、本装置１００は、製造品質異常程度が既設定された臨界異常程度以上であれば、製造品質異常程度に複数の分析手法のうち少なくとも一つを適用して問題原因工程を算出することができる。
一例として、本装置１００は、製造品質異常程度が既設定された臨界異常程度以上であれば、ＳＨＡＰ手法、Ａｎｃｈｏｒｓ手法、ＬＩＭＥ手法、Ｃｏｕｎｔｅｒｆａｃｔｕａｌ ｉｎｓｔａｎｃｅｓ手法及びＩＣＥ手法のうち少なくとも一つを製造品質異常程度に適用して説明可能な人工知能モデルを生成し、説明可能な人工知能モデルを利用して問題原因工程を算出することができる。
ＳＨＡＰ手法は、それぞれの入力変数に対するＳＨＡＰ値を計算することで、入力変数とモデルの結果値間の関係を分析し視覚化する人工知能手法である。Ａｎｃｈｏｒｓ手法は、他の特性値の変更が予測に影響を及ぼさない場合、予測を捕捉してローカル説明を生成する手法である。ＬＩＭＥ手法は、全ての予測モデルに対する結果を解釈可能で信頼することができる方法で説明する新しい手法を提供するアルゴリズムである。Ｃｏｕｎｔｅｒｆａｃｔｕａｌ Ｅｘｐｌａｎａｔｉｏｎｓ手法は、因果的状況を「Ａという状況が生じなかったらＢという状況は発生しなかったはずである」という方式で説明する手法である。ＩＣＥ手法は、入力値の変化によって出力値がどのように変わるかについて視覚化し、ターゲットにどの入力値が大きな影響を与えたのかを解釈することができる手法である。
本願の一実施例によると、本装置１００は、問題原因工程に基づいて視覚化情報を生成することができる。
一例として、本装置１００は、説明可能な人工知能モデルを利用して算出された問題原因工程に基づいて視覚化情報を生成することができる。本装置１００は、製造工程が完了した製造品に異常があると判断すれば、当該原因が対象向上設備の製造工程のどの部分が原因であったのかを視覚化して提供することで、非専門家も容易に理解し信頼することができるようにする。
本願の一実施例によると、本装置１００は、問題原因工程に基づいて対象製造設備Ａを制御することができる。
一例として、本装置１００が製造工程の完了した製造品に異常があると判断する場合、既設定された管理者の使用者端末２００に問題原因工程を転送し、使用者端末２００に入力された使用者入力に基づいて対象製造設備Ａを制御することができる。
他の一例として、本装置１００は、既設定されたマニュアルに基づいて出力された問題原因工程に対応する工程制御を自動的に行うことができる。
以下では、上記で詳しく説明された内容に基づいて、本願の動作の流れを簡単に説明する。
図１０は、本願の一実施例による知能型製造設備の制御装置１００の制御方法に対するフローチャートである。
図１０を参照すると、Ｓ１１段階において、本装置１００は、対象製造設備Ａの製造情報を収集することができる。次に、Ｓ１２段階において、本装置１００は、製造情報に基づいて製造品質異常程度を生成することができる。次にＳ１３段階において、本装置１００は、製造品質異常程度に基づいて対象製造設備Ａを制御することができる。
図１１は、本願の他の一実施例による知能型製造設備の制御装置１００の制御方法に対するフローチャートである。
図１１を参照すると、本装置１００は、Ｓ１０１段階～Ｓ１０９段階を行うことができる。
図１２は、本願の他の一実施例による知能型製造設備の制御装置１００の制御方法に対するフローチャートである。
図１２を参照すると、本装置１００は、Ｓ１００１段階～Ｓ１００５段階を行うことができる。
図１０～図１２に示された知能型製造設備の制御装置１００の制御方法は、上述した知能型製造設備の制御装置１００によって行われることができる。よって、以下で省略した内容であるとしても、知能型製造設備の制御装置１００について説明された内容は、知能型製造設備の制御装置１００の制御方法に対する説明にも同一に適用されることができる。
上述した説明において、段階Ｓ１１～Ｓ１３、Ｓ１０１～Ｓ１０９、Ｓ１００１～Ｓ１００５は、本願の具現例により、追加的な段階にさらに分割されるか、さらに少ない段階で組み合わせられることができる。また、一部段階は必要に応じて省略されてもよく、段階間の順序が変更されてもよい。
本願の一実施例による知能型製造設備の制御装置１００の制御方法は、多様なコンピュータ手段を通じて行われることができるプログラム命令形態で具現されてコンピュータ読取可能媒体に記録されることができる。上記コンピュータ読取可能媒体は、プログラム命令、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。上記媒体に記録されるプログラム命令は、本発明のために特に設計されて構成されたものであるか、コンピュータソフトウェア当業者に公知されて使用可能なものであってもよい。コンピュータ読取可能記録媒体の例としては、ハードディスク、プロッピィーディスク及び磁気テープのような磁気媒体（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）、及びロム（ＲＯＭ）、ラム（ＲＡＭ）、フラッシュメモリー（登録商標）などのようなプログラム命令を格納し行うように特に構成されたハードウェア装置が含まれる。プログラム命令の例としては、コンパイラーにより作られるもののような機械語コードだけでなく、インタプリターなどを使用してコンピュータによって実行されることができる高級言語コードを含む。上記のハードウェア装置は、本発明の動作を行うために一つ以上のソフトウェアモジュールとして作動するように構成されることができ、その反対も同一である。
また、前述した知能型製造設備の制御装置１００の制御方法は、記録媒体に格納されるコンピュータにより実行されるコンピュータプログラムまたはアプリケーションの形態でも具現されることができる。
前述した本願の説明は例示のためのものであり、本願が属する技術分野の通常の知識を有する者は、本願の技術的思想や必須的な特徴を変更せずに他の具体的な形態に容易に変形可能なことが理解できるであろう。従って、以上で記述した実施例は、全ての面で例示的なものであり、限定的ではないと理解すべきである。例えば、単一型で説明されている各構成要素は分散して実施されてもよく、同様に分散したもので説明されている構成要素も結合された形態で実施されてもよい。
本願の範囲は、上記詳細な説明よりは後述する特許請求の範囲によって表され、特許請求の範囲の意味及び範囲、そしてその均等概念から導出される全ての変更または変形された形態が本願の範囲に含まれると解釈されるべきである。
１：知能型製造設備制御システム
１００：知能型製造設備の制御装置
１１０：収集部
１２０：異常感知部
１３０：制御部
２００：使用者端末
Ａ：対象製造設備
１００：知能型製造設備の制御装置
１１０：収集部
１２０：異常感知部
１３０：制御部
２００：使用者端末
Ａ：対象製造設備
Claims (10)
- 知能型製造設備の制御装置の収集部により、対象製造設備の製造情報を収集する段階と、
前記制御装置の異常感知部により、前記製造情報に基づいて製造品質異常程度を生成する段階と、
前記制御装置の制御部により、前記製造品質異常程度に基づいて前記対象製造設備を制御する段階と、
を含み、
前記製造情報を収集する段階は、前記製造情報を前処理する段階を含み、
前記前処理する段階は、前記製造情報の精製必要程度、正規化必要程度及び増強必要程度のうち少なくとも一つが既設定された程度以上であれば、対応する必要程度に基づいて、精製手法、正規化手法及び増強手法のうち少なくとも一つを含む前処理手法を前記製造情報に適用する段階を含み、
前記製造情報は、定型情報及び非定型情報の少なくとも一方を含み、前記定型情報は、時系列情報を含み、前記非定型情報は、製造品のイメージ情報を含むが前記時系列情報を含まず、
前記前処理する段階は、前記製造情報が前記定型情報であれば、複数の増強手法のうち少なくとも一つの増強手法を利用して前記製造情報を増強し、前記製造情報が非定型情報であれば、前記製造情報に基づいて既設定された臨界程度を満たすまで、前記イメージ情報に反転、カットおよび回転のうちの少なくとも一つを含む増強手法を行って偽イメージ情報を生成することで、前記製造情報を増強させ、
前記複数の増強手法は、
ガウシアン（Ｇａｕｓｓｉａｎ）分布で無作為に数を生成して前記製造情報と合わせる方式で、前記製造情報に雑音を追加して増強させる第１増強手法と、
前記製造情報の変数に既設定された量の大きさ変化を加えて増強させる第２増強手法と、
前記製造情報の時点を変換して増強させる第３増強手法と、を含み、
前記前処理する段階は、前記製造情報の値が一定の大きさ（ｍａｇｎｉｔｕｄｅ）で変化しても前記製造情報に含まれる少なくとも１つの情報に対応するラベル（ｌａｂｅｌ）を維持可能であれば、前記製造情報の各変数に任意の値を使用して掛け算を進行するように前記第２増強手法を利用して製造情報を増強させる段階、前記時系列情報を含む前記定型情報である前記製造情報の時点を変換する既設定された行動時点変化がラベル（ｌａｂｅｌ）に、学習に使用できないほどの影響に対応する既設定された程度の影響を与えなければ、前記時系列情報のサンプル間の時間間隔を既設定された程度に歪曲して前記サンプルの時間的位置を変更する方式で前記第３増強手法を利用して前記製造情報を増強させる段階を含み、
前記製造情報に基づいて製造品質異常程度を生成する段階は、
製造情報及び製造された製品情報を学習データセットで学習し、Ｒａｎｄｏｍ Ｆｏｒｅｓｔアルゴリズム、ＲＮＮアルゴリズム、ＣＮＮアルゴリズム、Ａｕｔｏｅｎｃｏｄｅｒアルゴリズム、ＧＡＮアルゴリズム及びＴｒａｎｓｆｏｒｍｅｒアルゴリズムのうち少なくとも一つのアルゴリズムに基づいて複数の人工神経網を生成する段階と、
前記複数の人工神経網のうち出力される製造品質異常程度の正確度が最も高い人工神経網を、製造品質異常の探知及び予測のための異常感知人工神経網として設定する段階と、を含む、
知能型製造設備の制御装置の制御方法。 - 前記製造情報を収集する段階は、
前記製造情報を分析する段階と、
前記製造情報及び分析結果を変数抽出人工神経網に入力して特質変数を出力する段階と、
を含むことを特徴とし、
前記変数抽出人工神経網は、
製造情報、製造情報分析結果及び特質変数を学習データセットとして学習したものである、
請求項１に記載の知能型製造設備の制御装置の制御方法。 - 前記製造情報に基づいて製造品質異常程度を生成する段階は、
前記特質変数を前記異常感知人工神経網に入力して前記製造品質異常程度を出力する段階
をさらに含む、
請求項２に記載の知能型製造設備の制御装置の制御方法。 - 前記製造情報に基づいて製造品質異常程度を生成する段階は、
製造品質異常程度が既設定された臨界異常程度以上であれば、前記製造品質異常程度に複数の分析手法のうち少なくとも一つを適用して問題原因工程を算出する段階
をさらに含む、
請求項３に記載の知能型製造設備の制御装置の制御方法。 - 前記製造情報に基づいて製造品質異常程度を生成する段階は、
前記問題原因工程に基づいて視覚化情報を生成する段階
をさらに含む、
請求項４に記載の知能型製造設備の制御装置の制御方法。 - 前記製造品質異常程度に基づいて前記対象製造設備を制御する段階は、
前記異常感知部により、前記問題原因工程に基づいて前記対象製造設備を制御する段階を含む、
請求項４に記載の知能型製造設備の制御装置の制御方法。 - 知能型製造設備の制御装置において、
対象製造設備の製造情報を収集する収集部と、
前記製造情報に基づいて製造品質異常程度を生成する異常感知部と、
前記製造品質異常程度に基づいて前記対象製造設備を制御する制御部と、
を含み、
前記収集部は、前記製造情報を前処理する前処理部を含み、
前記前処理部は、前記製造情報の精製必要程度、正規化必要程度及び増強必要程度のうち少なくとも一つが既設定された程度以上であれば、対応する必要程度に基づいて、精製手法、正規化手法及び増強手法のうち少なくとも一つを含む前処理手法を前記製造情報に適用し、
前記製造情報は、定型情報及び非定型情報の少なくとも一方を含み、前記定型情報は、時系列情報を含み、前記非定型情報は、製造品のイメージ情報を含むが前記時系列情報を含まず、
前記前処理部は、前記製造情報が前記定型情報であれば、複数の増強手法のうち少なくとも一つの増強手法を利用して前記製造情報を増強し、前記製造情報が非定型情報であれば、前記製造情報に基づいて既設定された臨界程度を満たすまで、前記イメージ情報に反転、カットおよび回転のうちの少なくとも一つを含む増強手法を行って偽イメージ情報を生成することで、前記製造情報を増強させ、
前記複数の増強手法は、
ガウシアン（Ｇａｕｓｓｉａｎ）分布で無作為に数を生成して前記製造情報と合わせる方式で、前記製造情報に雑音を追加して増強させる第１増強手法と、
前記製造情報の変数に既設定された量の大きさ変化を加えて増強させる第２増強手法と、
前記製造情報の時点を変換して増強させる第３増強手法と、を含み、
前記前処理部は、前記製造情報の値が一定の大きさ（ｍａｇｎｉｔｕｄｅ）で変化しても前記製造情報に含まれる少なくとも１つの情報に対応するラベル（ｌａｂｅｌ）を維持可能であれば、前記製造情報の各変数に任意の値を使用して掛け算を進行するように前記第２増強手法を利用して製造情報を増強させ、前記時系列情報を含む前記定型情報である前記製造情報の時点を変換する既設定された行動時点変化がラベル（ｌａｂｅｌ）に、学習に使用できないほどの影響に対応する既設定された程度の影響を与えなければ、前記時系列情報のサンプル間の時間間隔を既設定された程度に歪曲して前記サンプルの時間的位置を変更する方式で前記第３増強手法を利用して前記製造情報を増強させ、
前記異常感知部は、
製造情報及び製造された製品情報を学習データセットで学習し、Ｒａｎｄｏｍ Ｆｏｒｅｓｔアルゴリズム、ＲＮＮアルゴリズム、ＣＮＮアルゴリズム、Ａｕｔｏｅｎｃｏｄｅｒアルゴリズム、ＧＡＮアルゴリズム及びＴｒａｎｓｆｏｒｍｅｒアルゴリズムのうち少なくとも一つのアルゴリズムに基づいて複数の人工神経網を生成し、
前記複数の人工神経網のうち出力される製造品質異常程度の正確度が最も高い人工神経網を、製造品質異常の探知及び予測のための異常感知人工神経網として設定する、
知能型製造設備の制御装置。 - 前記収集部は、
前記製造情報を分析する変数分析部と、
前記製造情報及び分析結果を変数抽出人工神経網に入力して特質変数を出力する変数出力部と、
を含み、
前記変数抽出人工神経網は、
製造情報、製造情報分析結果及び特質変数を学習データセットとして学習したものである、
請求項７に記載の知能型製造設備の制御装置。 - 前記異常感知部は、
前記特質変数を異常感知人工神経網に入力して前記製造品質異常程度を出力する異常出力部
を含むものである、
請求項８に記載の知能型製造設備の制御装置。 - 請求項１から請求項６のいずれか一項に記載の知能型製造設備の制御装置の制御方法をコンピュータで実行させるためのプログラム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2022-0179128 | 2022-12-20 | ||
| KR1020220179128A KR102622569B1 (ko) | 2022-12-20 | 2022-12-20 | 지능형 제조 설비 제어 장치 및 그의 제어 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP7484065B1 true JP7484065B1 (ja) | 2024-05-16 |
Family
ID=89538219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023069429A Active JP7484065B1 (ja) | 2022-12-20 | 2023-04-20 | 知能型製造設備の制御装置及びその制御方法 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7484065B1 (ja) |
| KR (1) | KR102622569B1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011990A (zh) * | 2024-04-10 | 2024-05-10 | 中国标准化研究院 | 基于人工智能的工业数据品质监控与提升系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018095429A (ja) | 2016-12-14 | 2018-06-21 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
| JP2019061598A (ja) | 2017-09-28 | 2019-04-18 | Ｈｅｒｏｚ株式会社 | 生産管理装置および生産管理方法 |
| JP2019066957A (ja) | 2017-09-28 | 2019-04-25 | フジキンソフト株式会社 | 不良品発生の原因判定システム |
| JP2020035443A (ja) | 2018-08-24 | 2020-03-05 | 株式会社豊田中央研究所 | センシング装置 |
| JP2020166407A (ja) | 2019-03-28 | 2020-10-08 | 三菱重工航空エンジン株式会社 | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 |
| JP2021071818A (ja) | 2019-10-30 | 2021-05-06 | 株式会社ジェイテクト | 工具寿命予測システム |
| JP2021077205A (ja) | 2019-11-12 | 2021-05-20 | 株式会社ジェイテクト | 品質予測システム |
| JP2021082200A (ja) | 2019-11-22 | 2021-05-27 | 株式会社リコー | 情報処理システム、方法、およびプログラム |
| JP2021140400A (ja) | 2020-03-04 | 2021-09-16 | 株式会社日立製作所 | 学習モデル作成システム及び学習モデル作成方法 |
| JP2022113522A (ja) | 2021-01-25 | 2022-08-04 | 株式会社日本製鋼所 | 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102086815B1 (ko) * | 2018-01-12 | 2020-03-09 | 세종대학교산학협력단 | 인공 신경망을 구성하는 복수의 학습 모델 중 최적 학습 모델 선택 방법 및 장치 |
| KR20220025511A (ko) * | 2020-08-24 | 2022-03-03 | 주식회사 에스씨 | 스마트 팩토리 에너지 관리 방법 및 장치 |
| JP2022043848A (ja) * | 2020-09-04 | 2022-03-16 | 日立金属株式会社 | コンピュータプログラム、不良要因分析方法及び不良要因分析装置 |
| KR102494420B1 (ko) * | 2021-06-07 | 2023-02-06 | 충북대학교 산학협력단 | 머신러닝 기반 클린룸 관리 시스템 및 방법 |
-
2022
- 2022-12-20 KR KR1020220179128A patent/KR102622569B1/ko active IP Right Grant
-
2023
- 2023-04-20 JP JP2023069429A patent/JP7484065B1/ja active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018095429A (ja) | 2016-12-14 | 2018-06-21 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
| JP2019061598A (ja) | 2017-09-28 | 2019-04-18 | Ｈｅｒｏｚ株式会社 | 生産管理装置および生産管理方法 |
| JP2019066957A (ja) | 2017-09-28 | 2019-04-25 | フジキンソフト株式会社 | 不良品発生の原因判定システム |
| JP2020035443A (ja) | 2018-08-24 | 2020-03-05 | 株式会社豊田中央研究所 | センシング装置 |
| JP2020166407A (ja) | 2019-03-28 | 2020-10-08 | 三菱重工航空エンジン株式会社 | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 |
| JP2021071818A (ja) | 2019-10-30 | 2021-05-06 | 株式会社ジェイテクト | 工具寿命予測システム |
| JP2021077205A (ja) | 2019-11-12 | 2021-05-20 | 株式会社ジェイテクト | 品質予測システム |
| JP2021082200A (ja) | 2019-11-22 | 2021-05-27 | 株式会社リコー | 情報処理システム、方法、およびプログラム |
| JP2021140400A (ja) | 2020-03-04 | 2021-09-16 | 株式会社日立製作所 | 学習モデル作成システム及び学習モデル作成方法 |
| JP2022113522A (ja) | 2021-01-25 | 2022-08-04 | 株式会社日本製鋼所 | 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102622569B1 (ko) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11631014B2 (en) | Computer-based systems configured for detecting, classifying, and visualizing events in large-scale, multivariate and multidimensional datasets and methods of use thereof | |
| US20200371491A1 (en) | Determining Operating State from Complex Sensor Data | |
| CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
| JP2022500745A (ja) | 異常検出および／または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
| CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| Chiu et al. | An integrative machine learning method to improve fault detection and productivity performance in a cyber-physical system | |
| CN111160687B (zh) | 主动资产监控 | |
| US20070100487A1 (en) | Method and system for virtual metrology in semiconductor manufacturing | |
| Hwang et al. | E-SFD: Explainable sensor fault detection in the ICS anomaly detection system | |
| CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
| JP7484065B1 (ja) | 知能型製造設備の制御装置及びその制御方法 | |
| KR102361423B1 (ko) | 인공지능 기반의 정비 수요 예측 시스템 및 방법 | |
| KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
| US20220292666A1 (en) | Systems and methods for detecting wind turbine operation anomaly using deep learning | |
| EP4075724A1 (en) | Attack detection and localization with adaptive thresholding | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| Silva et al. | Assets predictive maintenance using convolutional neural networks | |
| Saci et al. | Autocorrelation integrated gaussian based anomaly detection using sensory data in industrial manufacturing | |
| Yan et al. | A comprehensive survey of deep transfer learning for anomaly detection in industrial time series: Methods, applications, and directions | |
| You et al. | sBiLSAN: Stacked bidirectional self-attention lstm network for anomaly detection and diagnosis from system logs | |
| Mobtahej et al. | An lstm-autoencoder architecture for anomaly detection applied on compressors audio data | |
| CA3189344A1 (en) | Explaining machine learning output in industrial applications | |
| KR20190081691A (ko) | 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 그 방법 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Kumar et al. | Rule Extraction using Machine Learning Classifiers for Complex Event Processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230421 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230421 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230810 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240122 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240402 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240410 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7484065 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |