KR101825881B1 - 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 - Google Patents

Abstract

본 발명은 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템에 관한 것으로, 본 발명에 따른 빅 데이터 분석을 이용한 제조 공정 관리 방법은 물리적 제조 객체에 구비된 적어도 하나의 에이전트가 해당 물리적 제조 객체에서 제조 데이터를 수집하고 수집된 제조 데이터를 전송하는 단계, 가상 공장 모듈이 상기 에이전트에서 수신된 제조 데이터를 수신하고, 상기 수신된 제조 데이터를 빅 데이터 관리 모듈에 전송하는 단계, 빅 데이터 관리 모듈이 상기 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 추출하여 훈련 데이터 세트를 생성하는 단계, 데이터 분석 모듈이 상기 훈련 데이터 세트를 분석하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하는 단계, 가상 공장 모듈이 상기 생성된 예측 모델을 기초로 제어 파라미터를 생성하고, 생성된 제어 파라미터를 상기 에이전트에 전송하는 단계 및 에이전트는 수신된 제어 파라미터를 기초로 해당 물리적 제조 객체의 동작을 제어하는 단계를 포함한다.

Description

빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템{METHOD OF MANAGING A MANUFACTURING PROCESS AND SYSTEM USING THE SAME}

본 발명은 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템에 관한 것으로, 더욱 상세하게는 제조 과정에서 수집된 데이터를 이용하여 데이터와 목적 지표 사이의 연관성을 분석하고, 분석 결과를 이용하여 효율적으로 제조 공정을 관리할 수 있는 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템에 관한 것이다.

스마트 제조(Smart Manufacturing)는 정보통신기술과 제조기술의 융합을 추구하는 제조 패러다임으로, 스마트 공장(Smart factory)은 스마트 제조의 구현 결과물로 볼 수 있다. 스마트 제조의 핵심기술로는 빅 데이터 분석, 사이버-물리 시스템, 무선 플랫폼, 스마트 로보틱스, 3D프린팅 적층 제조, 상호 운용성 및 표준 개발 등이 있다.

빅 데이터 분석(Big data analytics)은 IT산업분야의 킬러 어플리케이션으로 자리매김하고 있다. 일반적으로 공공 분야, 의료분야, 금융, 통신, 상거래 산업 등과 같이 대규모 데이터가 생성되는 분야에서 순차적으로 적용 중이다. 제조업 분야에서도 꾸준히 빅 데이터 분석과 제조실행시스템(MES, Manufacturing Execution System)간 통합을 위한 시도가 있었다. 그러나, 산업분야별 데이터의 생성량, 형태, 사용처, 프로토콜, 무결점 제어 등의 복잡성 및 다양성이 존재하는 제조업 특성상 빅 데이터 분석의 활용은 쉽지 않은 문제점이 있었다.

대한민국 공개특허공보 10-2015-0056268(2015.05.26), 4쪽 내지 6쪽

본 발명은 제조 과정에서 수집된 데이터를 이용하여 데이터와 목적 지표 사이의 연관성을 분석하고, 분석 결과를 이용하여 효율적으로 제조 공정을 관리할 수 있는 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템을 제공한다.

본 발명은 제조 과정에서 수집된 데이터의 분석을 통해, 제조 현장에서의 데이터 기반 의사결정을 가능하게 하는 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템을 제공한다.

본 발명에 따른 빅 데이터 분석을 이용한 제조 공정 관리 방법은 물리적 제조 객체에 구비된 적어도 하나의 에이전트가 해당 물리적 제조 객체에서 제조 데이터를 수집하고 수집된 제조 데이터를 전송하는 단계, 가상 공장 모듈이 상기 에이전트에서 수신된 제조 데이터를 수신하고, 상기 수신된 제조 데이터를 빅 데이터 관리 모듈에 전송하는 단계, 빅 데이터 관리 모듈이 상기 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 추출하여 훈련 데이터 세트를 생성하는 단계, 데이터 분석 모듈이 상기 훈련 데이터 세트를 분석하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하는 단계, 가상 공장 모듈이 상기 생성된 예측 모델을 기초로 제어 파라미터를 생성하고, 생성된 제어 파라미터를 상기 에이전트에 전송하는 단계 및 에이전트는 수신된 제어 파라미터를 기초로 해당 물리적 제조 객체의 동작을 제어하는 단계를 포함한다.

일 실시예에서, 상기 훈련 데이터 세트를 생성하는 단계는 원인 데이터와 결과 데이터를 구성하는 속성 값을 정의하는 단계, 정의된 속성 값에 따른 원인 데이터와 결과 데이터를 전처리하는 단계, 공정 구성과 상기 원인 데이터 및 결과데이터를 시간에 따라 동기화하는 단계 및 공정 구성 별 훈련 데이터 세트를 생성하는 단계를 포함한다.

일 실시예에서, 상기 공정 구성은 기 정의된 속성 값을 가지며, 해당 속성 값은 기계, 가공소재, 절삭유, 절삭공구, 공정 종류, 수치제어(NC) 코드 및 코드 유형을 포함한다.

일 실시예에서, 상기 원인 데이터는 이송속도, 스핀들 회전속도, 절삭깊이 및 절삭 폭 가운데 적어도 하나를 포함한다.

일 실시예에서, 상기 결과 데이터는 에너지 소모량을 포함한다.

일 실시예에서, 예측 모델을 생성하는 단계는 기계학습 또는 회귀 분석을 통해 상기 훈련 데이터 세트를 분석하여 예측 모델을 생성한다.

일 실시예에서, 상기 예측 모델을 생성하는 단계는 인공 신경망을 통해 상기 훈련 데이터 세트를 분석하며, 상기 예측 모델은 하기 수학식 1에 의해 표현된다.

[수학식 1]

여기에서, 'x'는 원인 속성 변수(데이터), 'y'는 결과 속성 변수(데이터), 'p'와 'q'는 각 layer의 뉴런 개수, 'Woj'와 'Wji'는 각 레이어에 존재하는 각 뉴런의 가중치 값, 'fo'와 'fh'는 시그모이드 함수, 'ε'는 상수이다.

일 실시예에서, 빅 데이터 분석을 이용한 제조 공정 관리 방법은 상기 생성된 예측 모델을 검증하는 단계를 더 포함하고, 상기 생성된 예측 모델을 검증하는 단계는 상기 예측 모델에 의해 생성된 결과 데이터와 실제 측정된 결과데이터 사이의 평균제곱근오차(RMSE)를 계산하여 해당 예측 모델을 검증하는 단계를 포함한다.

본 발명에 따른 빅 데이터 분석을 이용한 제조 공정 관리 시스템은 물리적 제조 객체에 구비되어 해당 물리적 제조 객체의 제조 데이터를 수집하고, 제어 파라미터를 수신하여 해당 물리적 제조 객체의 동작을 제어하는 적어도 하나의 에이전트 및 상기 적어도 하나의 에이전트에서 수신된 제조 데이터를 수신하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하고, 상기 생성된 예측 모델을 기초로 최적 제어 파라미터를 생성하여 상기 적어도 하나의 에이전트에 전송하는 데이터 분석 및 제어 플랫폼을 포함한다.

일 실시예에서, 상기 데이터 분석 및 제어 플랫폼은 상기 에이전트에서 수신된 제조 데이터를 수신하고, 상기 수신된 제조 데이터를 빅 데이터 관리 모듈에 전송하며, 상기 생성된 최적 제어 파라미터를 상기 에이전트에 전송하는 가상 공장 모듈, 상기 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 추출하여 훈련 데이터 세트를 생성하는 빅 데이터 관리 모듈 및 상기 훈련 데이터 세트를 분석하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하는 데이터 분석 모듈을 포함한다.

이상에서 설명한 바와 같이, 본 발명에 따른 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템은 제조 과정에서 수집된 데이터를 이용하여 데이터와 목적 지표 사이의 연관성을 분석하고, 분석 결과를 이용하여 효율적으로 제조 공정을 관리할 수 있다.

본 발명에 따른 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템은 제조 과정에서 수집된 데이터의 빅 데이터 분석을 통해, 제조 현장에서의 데이터 기반 의사결정을 가능하게 할 수 있다.

본 발명에 따른 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템은 제조 과정에서의 핵심 성과 지표(예를 들어, 생산시간, 에너지 소모량, 품질 등)에 대한 정확한 예측과 최적화를 통해 제조 생산성을 향상시킬 수 있다.

본 발명에 따른 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템은 대량의 다양한 데이터로부터 원하는 데이터를 빠른 시간 내에 추출, 처리 및 전달할 수 있다.

도 1은 본 발명의 일 실시예에 따른 빅 데이터 분석을 이용한 제조 공정 관리 시스템의 구성도
도 2는 도 1의 가상 공장 모듈을 나타내는 구성도
도 3은 도 1의 빅 데이터 관리 모듈을 나타내는 구성도
도 4는 도 1의 빅 데이터 관리 모듈이 정적 데이터와 동적 데이터를 처리하는 과정을 설명하는 도면
도 5는 도3의 빅 데이터 관리 모듈의 기능을 설명하는 도면
도 6은 도 1의 데이터 분석 모듈의 데이터 분석 과정을 설명하는 도면
도 7은 인공신경망을 이용하여 원인 데이터와 결과 데이터간의 예측 모델을 산출하는 과정을 설명하는 도면
도 8은 본 발명의 일 실시예에 따른 빅 데이터 분석을 이용한 제조 공정 관리 방법을 설명하는 흐름도

이하, 본 발명에 따른 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템을 실시하기 위한 구체적인 내용을 설명하면 다음과 같다.

도 1은 본 발명의 일 실시예에 따른 빅 데이터 분석을 이용한 제조 공정 관리 시스템의 구성도이다.

도 1을 참조하면, 빅 데이터 분석을 이용한 제조 공정 관리 시스템(100)은 물리적 공장(110)의 물리적 제조 객체에 구비된 에이전트, 데이터 분석 및 제어 플랫폼(120) 및 제조 어플리케이션(130)을 포함할 수 있다.

물리적 공장(110)에는 제조에 필요한 제조 객체(Man, Machine, Material)가 제조 공정에 따라 적어도 하나 이상 구비될 수 있다. 에이전트는 물리적 제조 객체에 구비되어 해당 물리적 제조 객체의 제조 데이터를 수집하고, 데이터 분석 및 제어 플랫폼(120)으로부터 제어 파라미터를 수신하여 해당 물리적 제조 객체의 동작을 제어한다.

에이전트는 동적인 환경에서 작동하고, 자율적이고 지능적인 행위를 수행할 수 있는 컴퓨팅 시스템을 포함한다. 에이전트는 제조 공정 관리 시스템(100) 내에서 가상 객체 형태로 제조 객체에 대한 조정, 통신, 제어 및 정보교환을 수행할 수 있다.

여태까지는, 물리적인 제조 객체와 가상 공장 내 가상 객체 간 정보 연결의 어려움으로 인해 에이전트 시스템의 구현이 어려웠으나, 제조 객체에 임베디드된 에이전트와 네트워크 연결을 통해 물리적 제조 객체와 가상 객체 사이의 연결이 가능하다. 예를 들어, MTConnect와 같은 표준형, 개방형 데이터 인터페이스를 이용하여 제조 객체에 구비된 에이전트로부터 데이터를 수집할 수 있다. 에이전트는 각 제조 객체마다 구비될 수도 있고, 자동화 및 지능화가 필요한 제조 객체에 선별적으로 구비될 수도 있다. 일 실시예에서, 제조 객체에는 하나 또는 복수의 에이전트가 구비될 수 있다.

데이터 분석 및 제어 플랫폼(120)은 적어도 하나의 에이전트에서 수신된 제조 데이터를 수신하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하고, 생성된 예측 모델을 기초로 최적 제어 파라미터를 생성하여 적어도 하나의 에이전트에 전송한다.

일 실시예에서, 데이터 분석 및 제어 플랫폼(120)은 가상 공장 모듈(122), 빅 데이터 관리 모듈(124), 데이터 분석 모듈(126), 가상객체 관리부, 데이터 통제부 및 워크플로우 관리부를 포함한다.

가상 공장 모듈(122)은 에이전트에서 수신된 제조 데이터를 수신하고, 수신된 제조 데이터를 빅 데이터 관리 모듈에 전송하며, 생성된 최적 제어 파라미터를 에이전트에 전송한다. 가상객체 관리부는 가상 공장 모듈(122)과 연결되어, 가상 공장 모듈(122)에 등록된 가상 객체의 정보를 관리(예를 들어, 등록, 검색, 갱신, 수정, 삭제, 수명주기 관리 등)한다. 가상 공장 모듈(122)에 등록된 가상 객체는 물리적 공장(110)에 구비된 제조 객체와 매칭될 수 있다.

빅 데이터 관리 모듈(124)은 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 추출하여 훈련 데이터 세트를 생성한다. 데이터 통제부는 빅 데이터 관리 모듈(124)과 연결되어, 빅 데이터 관리 모듈(124)에 저장된 제조 데이터를 관리(예를 들어, 데이터 수명주기 관리 및 데이터 품질 관리)한다. 데이터 통제부는 빅 데이터 관리 모듈(124)에 저장된 대량의 다양한 데이터로부터 원하는 데이터를 빠른 시간 내에 추출, 처리 및 전달할 수 있도록 한다.

데이터 분석 모듈(126)은 훈련 데이터 세트를 분석하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성한다. 워크플로우 관리부는 데이터 분석 및 제어 플랫폼의 워크플로우(work flow)를 제어한다.

제조 어플리케이션(130)은 제조 공정과 관련된 정보를 분석하고, 이를 관리자 또는 사용자에게 제공한다. 또한, 제조 어플리케이션(130)은 관리자 또는 사용자로부터 명령을 입력받아 데이터 분석 및 제어 플랫폼(120)에 제공할 수 있다. 일 실시예에서, 제조 어플리케이션(130)은 제조실행시스템(MES, Manufacturing Execution System), 전사적자원관리(ERP, Enterprise Resources Planning), 공급망관리(SCM, Supply Chain Management), 제품수명주기관리(PLM, Product Lifecycle Management), 고객관리(CRM, Customer Relationship Management) 등을 포함할 수 있다.

도 2는 도 1의 가상 공장 모듈을 나타내는 구성도이다.

가상 공장 모듈(122)은 제조 객체 가운데 제조 장비(Machine)에 대한 데이터를 수집하고 해당 제조 객체에 대한 의사 결정 및 제어를 수행하는 가상 설비 에이전트, 제조 객체 가운데 작업자(Man)에 대한 데이터를 수집하고 해당 제조 객체에 대한 의사 결정 및 제어를 수행하는 가상 작업자 에이전트 및 제조 객체 가운데 재료 또는 제품(Material)에 대한 데이터를 수집하고 해당 제조 객체에 대한 의사 결정 및 제어를 수행하는 가상 제품 에이전트를 포함한다.

각 에이전트들(가상 설비 에이전트, 가상 작업자 에이전트, 가상 제품 에이전트)은 스텝 에이전트를 통해 빅 데이터 관리 모듈(124) 및 데이터 분석 모듈(126)과 데이터를 송수신할 수 있다. 스텝 에이전트는 빅 데이터 관리 모듈(124)과 연계되는 데이터 브로커, 데이터 분석 모듈(126)과 연계되는 분석 모형 브로커를 포함한다.

가상 공장 모듈(122)은 물리적 공장의 정보 허브로서, 제조 객체에 구비된 에이전트들과 네트워크(예를 들어, 웹 서비스) 연결을 통해 다양한 제조 어플리케이션과의 1-to-N 통합을 가능하게 한다. 또한, 가상 공장 모듈(122)은 물리적 제조 객체를 식별하고 표현하며, 다른 객체와 통신하며, 물리적 제조 객체로부터 데이터를 수집하고, 제조 객체에 대한 의사결정 및 제어를 수행한다. 가상 공장 모듈(122)은 데이터 분석 모듈(126)과 연결되며, 각 제조 객체(예를 들어, 제조 설비(machine))의 예측 모델에 기반하여 해당 제조 객체에 대한 의사결정 및 제어를 수행하도록 예측 제어를 지원한다. 또한, 가상 공장 모듈(122)은 예측 모델을 기초로 제조 객체 한 대에 대한 최적의 공정계획 및 제어 파라미터를 결정할 수도 있고, 광역적으로 제조 시스템 전체에 대한 최적의 공정계획 및 자원할당 등을 결정하여 제조 공정을 제어할 수도 있다. 일 실시예에서, 예기치 않은 생산 스케쥴의 변화가 발생한 경우, 가상 공장 모듈(122)은 제조 공정에서 제조 객체 사이의 공정계획 및 자원 조정을 통해 대안의 최적 생산계획 및 자원할당을 수행할 수도 있다.

도 3은 도 1의 빅 데이터 관리 모듈을 나타내는 구성도이다.

빅 데이터 관리 모듈(124)은 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 관리하고 요청에 따라 제공한다. 예를 들어, 빅 데이터 관리 모듈(124)은 저장된 제조 데이터에서 기 정의된 데이터를 추출하여 훈련 데이터 세트를 생성하고 이를 어플리케이션 계층의 데이터 분석 모듈(126)에 제공할 수 있다.

빅 데이터 관리 모듈(124)은 데이터 계층과 서비스 계층으로 구성되며, 데이터 계층은 기본 설정 데이터(예를 들어, 설비 정보, 공정계획 정보, 수치제어(NC) 프로그램 정보 등)를 저장하는 제조 데이터베이스와 제조 객체로부터 수집된 제조 데이터(예를 들어, 설비 모니터링 정보, 측정계측 정보, 품질 정보 등)를 저장하는 데이터 획득 및 저장시스템을 포함한다. 기본 설정 데이터는 정적 데이터, 제조 데이터는 동적 데이터에 해당할 수 있다.

서비스 계층(Standard Data Layer)은 데이터 계층에 저장된 원시 데이터에 대한 상호호환성 확보를 위하여 기 설정된 표준 데이터 포맷으로 변환한다. 제조 분야에서는 다양한 데이터 포맷이 존재하므로, 서비스 계층은 이들을 언제 어디서나 활용 가능하도록 단순하고 통일된 표준 데이터 포맷으로 변환한다. 일 실시예에서, 서비스 계층은 JSON(Java Script Object Notation) 형식으로 원시 데이터를 변환할 수 있다. 예를 들어, 서비스 계층은 절삭가공 공정의 공정계획 데이터를 표현하는 국제표준인 ISO14649 형태의 데이터를 JSON 형식으로 변환함으로써, 빅 데이터 분석 인프라 내에서 해석가능하고 사용 가능하도록 한다. 한편, 빅 데이터 분석을 통한 예측 모델의 표현은 데이터 마이닝 그룹에서 제정한 예측모델 표현방식의 표준인 PMML(Predictive Model Markup Language)를 사용할 수 있다.

도 4는 도 1의 빅 데이터 관리 모듈이 정적 데이터와 동적 데이터를 처리하는 과정을 설명하는 도면이다.

빅 데이터 관리 모듈은 도 4a 및 도 4b와 같이 2개 요소기술 구성도로 구성될 수 있다. 도 4a는 제조데이터 베이스로부터 정적 데이터(예를 들어, 설비 정보, 공정계획 정보, 수치제어(NC) 프로그램 정보 등)를 처리하는 과정을 설명하는 도면이며, 도 4b는 물리적 공장으로부터 실시간으로 수집되는 동적 데이터(예를 들어, 설비 모니터링 정보, 측정계측 정보, 품질 정보 등)을 처리하는 과정을 설명하는 도면이다.

정적 데이터는 데이터 크기가 상대적으로 작고 정형 데이터의 특성을 갖는데 반하여, 동적 데이터는 데이터 크기가 크고 반정형 또는 비정형 데이터의 특성을 갖고 있으므로, 데이터의 종류에 따라 두 개의 처리 과정으로 구분하여 각 특성에 따라 효과적이고 효율적으로 데이터를 처리할 수 있다.

도 5는 도3의 빅 데이터 관리 모듈의 기능을 설명하는 도면이다.

빅 데이터 관리 모듈(124)은 가상 공장 모듈로부터 원시 제조 데이터(raw manufacturing data)와 이와 관련한 구성 데이터(예를 들어, 제조 데이터 획득 시점·대상·방법·형태·방식·원천 등의 마스터 정보)를 수집한다. 빅 데이터 관리 모듈(124)은 세 개의 참여자(에이전트기반 가상 공장 모듈, 제조 어플리케이션, 데이터 분석 모듈)와 데이터를 교환하는데, 획득된 데이터는 참여자에 따라 다양한 방식으로 활용된다. 가상 공장 모듈의 경우, 획득된 제조 데이터를 활용하여 공장의 상태를 모니터링하고 수신된 제어 파라미터에 따라 실시간·정시 제어를 수행한다. 여기서, 실시간 제어(real-time control)는 간단하고 반복적인 진단을 통하여 데이터 이상치가 발견된 제조 객체에 적절한 제어를 실시하는 것을 의미한다. 예를 들면, 어떤 제조 설비의 공정능력(process capability)에 이상치가 발견된 경우 해당 제조 설비의 가동을 멈출 수 있다. 정시제어(on-time control)는 시간 허용치가 존재하여 다른 두 참여자에서 결정된 계획 및 제어 요소들을 다시 가상 공장 모듈로 피드백하는 것을 의미한다.

빅 데이터 관리 모듈(124)은 시시각각 변동하는 제조 객체의 조건(condition)이나 상태(health) 데이터를 제조 어플리케이션에 전달하여 제조 어플리케이션이 핵심성과지표(KPI, Key Performance Index)의 모니터링 및 진단, 이상상황 경보 및 제조공정 제어 등을 실시하도록 한다. 이와 같이, 제조 어플리케이션은 그들의 고유목적인 단기(실시간이 아닌) 및 중기 의사결정에 집중할 수 있다.

빅 데이터 관리 모듈(124)은 데이터(예를 들어, 기본 설정 데이터, 원인 데이터, 결과 데이터 등)를 데이터 분석 모듈에 제공하고, 데이터 분석 모듈은 획득된 데이터를 기초로 제조 객체에 특화된(customized) 진단, 예측 및 최적화 모델 생성을 수행한다. 예를 들어, 공정 계획 정보, 제어 파라미터 등은 원인 데이터에 해당하고, 설비모니터링 데이터는 결과 데이터에 해당 할 수 있다. 데이터 분석 모듈은 해당 데이터들의 수집과 분석을 통하여 인과 관계를 탐색하거나 발견할 수 있다.

도 6은 도 1의 데이터 분석 모듈의 데이터 분석 과정을 설명하는 도면이다.

데이터 분석 모듈은 획득된 제조 데이터를 사용하여 예측 모델을 생성한다. 즉, 데이터 분석 모듈은 이론적 또는 실험적 방식이 아닌, 과거에 진행되었던 제조공정으로부터 수집되고 축적된 데이터(historical data)를 기반으로 기계학습(machine-learning) 또는 회귀 분석을 적용하여 진단, 예측 및 최적화 예측 모델을 생성할 수 있다. 이러한 방식은 가정치나 국한적인 실험 데이터에 의존하지 않고, 주어진 공정구성(manufacturing configuration, 공정 수행시 사용된 설비, 공구, 소재, 부가물질 등의 조합)에 따른 정확한 진단력, 예측력 및 최적화 능력을 제공한다. 예를 들어, 두 개의 서로 다른 제조 객체(예를 들어, 공작기계 시스템)은 각기 다른 성능을 내기 때문에 예측 모델을 표현하는 수학적 모형의 계수들이 상이할 수밖에 없다. 이 때, 제안된 방식을 통하여 각 공작기계에서 수집된 데이터를 바탕으로 각기 다른 예측 모델의 모형 계수들을 결정함으로써 해당 제조 객체에 대한 정확한 예측력을 확보할 수 있다.

도 6은 데이터 분석 모듈에서 실행되는 예측 모델 생성을 위한 논리적인 절차를 나타낸다. 이하에서는 각 절차를 서술하며, 상세 설명을 위하여 예시적으로 절삭공정용 공작기계 시스템의 전력에너지 소모량 예측을 대상으로 서술한다.

여기서, 예측 모델은 단수 개의 특정 공정 구성에 대해서 원인과 결과 데이터간 상관관계를 수치적으로 규명하여 목표 핵심성과지표를 예측할 수 있는 모델을 의미한다. 만약 공정구성 속성값이 모두 같을 경우, 같은 컴포넌트 모델이 사용될 수 있다. 반면, 공정 구성 속성값이 다르면, 다른 공정 구성에서 가공된 것이므로 다른 컴포넌트 모델을 사용해야 한다.

1. 공정속성 데이터 정의(Process Attribute DataIdentification):

데이터 분석 모듈은 수집되어야 할 속성 데이터를 정의한다. 공정 구성 속성은 상기 언급한 공정 구성(예를 들어, 공정 설정)을 정의하기 위해 수집되는 속성이다. 공정 구성 속성은 예측 모형을 구분하기 위한 식별자 역할을 할 수 있다. 예를 들어, 공정 구성 속성별로 원인 속성 및 결과 속성 값을 수집하여 훈련데이터를 만들 수 있다.

먼저, 예측 모델이 적용될 하나의 특정 공정 상황을 특성화하기 위한 공정 구성 데이터를 정의 및 수집한다. 예를 들어, 절삭 공정에서의 공정 구성 속성값은 공작기계, 가공소재, 공구, 절삭유, 공정종류, NC코드 및 코드유형으로 정의할 수 있다. 그리고, 원인 및 결과 데이터를 구성하는 속성값의 정의가 필요하다. 예를 들어, 절삭공정에서 원인 데이터를 구성하는 속성은 공작기계 제어를 위한 파라미터-이송속도(feedrate), 스핀들 회전속도(spindle speed), 절삭깊이(cutting depth), 절삭폭(cutting width)-로 정의될 수 있다. 한편, 결과 데이터를 구성하는 결과속성은 공작기계의 전력에너지(electrical energy)로 정의될 수 있다.

공정구성 속성값 = {기계, 가공소재, 절삭유, 절삭공구, 공정종류, NC코드, 코드유형}

원인인자 속성값 = {이송속도, 스핀들 회전속도, 절삭깊이, 절삭폭}

결과인자 속성값 = {에너지 소모량}

속성 데이터가 정의된 경우, 데이터 분석 모듈은 속성 데이터를 수집한다. 데이터 분석 모듈은 도 3의 빅 데이터 관리 모듈의 데이터 계층에 저장된 공정계획 정보, NC프로그램 정보 및 설비 모니터링 정보로부터 아래의 해당 속성값들을 가져올 수 있다.

공정계획 정보 = {기계, 가공소재, 절삭유, 절삭공구, 공정종류, 이송속도, 스핀들 회전속도, 절삭깊이, 절삭폭}

NC프로그램 정보 = {NC코드, 코드유형}

설비 모니터링 정보 = {에너지 소모량}

2. 데이터 전처리(Data Pre-processing):

데이터 분석 모듈은 데이터 전처리를 통해 고품질의 데이터를 획득하고, 예측 모델의 신뢰성 확보 및 불확실성을 제거할 수 있다. 기계학습은 컴퓨터가 직접 훈련데이터로부터 지식을 학습하여 문제를 푸는 기법이므로, 훈련 데이터를 필요로 하며, 기계학습에 의한 모형은 훈련데이터의 품질에 많은 영향을 받는다. 데이터 분석 모듈은 데이터 클리닝(cleaning), 정규화(normalization), 변형화(transformation) 및 이상치(outlier) 제거 가운데 적어도 하나를 포함하는 데이터 전처리 과정을 통해 고품질의 훈련데이터 세트를 생성할 수 있다. 이를 통하여, 중요 정보의 손실이 없으면서 동시에 비신뢰적이거나 노이즈가 존재하는 데이터를 제거하여 데이터 불확실성을 줄 일 수 있다.

3. 상황 동기화(Context Synchronization):

데이터 분석 모듈은 각기 다른 소스에서 수집 된 공정구성 데이터, 원인 데이터 및 결과 데이터를 시간에 따라 동기화(synchronization) 한다. 설비 모니터링 데이터는 시간에 따른 설비의 움직임과 행동을 관찰하고 측정한 스냅샷(snapshot)의 연속으로 볼 수 있다. 이러한 설비 모니터링 데이터의 분석은 해당 설비가 왜 그러한 움직임과 행동을 취했는지에 대한 상황을 이해하는데 활용될 수 있다. 이 때, 설비 모니터링 데이터는 결과 데이터이므로, 이와 함께 원인 데이터인 공정계획 데이터 및 NC 프로그램 데이터와 함께 분석이 필요하다. 왜냐하면, 설비의 움직임과 행동은 상기 원인 데이터에 의해 결정되기 때문이다. 따라서, 설비 모니터링 데이터는 해당 공정계획 데이터 및 NC 프로그램 데이터와 정합(matching)시키는 것이 필요하다. 즉, 상황 동기화는 시간에 따른 결과 데이터와 대응되는 원인 데이터를 정합시키는 과정이다.

4. 훈련데이터 준비(Training Data Preparation):

데이터 분석 모듈은 상황 동기화된 데이터 세트를 기초로, 공정 구성별 훈련 데이터 세트를 생성한다. 데이터 분석 모듈은 공정 구성별 훈련 데이터 세트를 통해 공정 구성별 예측 모델을 산출할 수 있다. 하나의 훈련 데이터 세트는 공정구성, 원인 및 결과 데이터의 집합으로 구성될 수 있다.

5. 예측 모델 산출(Component Model Computation):

데이터 분석 모듈은 훈련 데이터 세트의 학습을 통하여 수학적 모형으로 표현되는 예측 모델을 생성한다. 데이터 분석 모듈은 기계학습 또는 회귀 분석을 통해 훈련 데이터 세트를 학습할 수 있다. 예를 들어, 데이터 분석 모듈은 인공신경망(Artificial Neural Network) 기법을 통해 훈련 데이터 세트를 학습할 수 있다. 인공신경망으로부터 원인 데이터(예를 들어, 제어파라미터: 이송속도, 스핀들 회전속도, 절삭깊이, 절삭폭)와 결과 데이터(예를 들어, 에너지 소모량)간의 관련성을 수학적 모델로 산출할 수 있다. 하나의 공정구성은 이러한 수학적 모델을 최소 한 개 이상 갖게 되며, 어떤 원인속성 값들이 정해졌을 때(예를 들어, 입력됐을 때), 예측 결과속성 값이 해당 수학적 모델에 의해 계산될 수 있다.

도 7은 인공신경망을 이용하여 원인 데이터와 결과 데이터간의 예측 모델을 산출하는 과정을 설명하는 도면이다.

하기 수학식 1은 이를 수학적 모델로 표현한 것이다. 여기서, x는 원인속성 변수, y는 결과속성 변수, p와 q는 각 레이어의 뉴런 개수, woj와 wji는 각 레이어에 존재하는 각 뉴런의 가중치값, fo와 fh는 시그모이드 함수, ε는 상수를 의미한다.

[수학식 1]

6. 모델 검증(Model Validation):

데이터 분석 모듈은 산출된 예측 모델의 신뢰성 및 성능을 검증한다. 데이터 분석 모듈은 모델 검증을 통해 해당 모델이 주어진 임계치를 만족하는 성능을 내는지를 정형화되고 정량적인 방법을 통해 측정할 수 있다. 예를 들어, 데이터 분석 모듈은 전체 훈련 데이터 세트를 실 훈련 데이터 세트와 테스트 데이터 세트로 분할하여 검증하는 데이터 분할 검증 방법 또는 교차확인 방법 등을 사용할 수 있다. 데이터 분석 모듈은 모델을 통해 산출된 예측값과 실제값 사이의 차이를 나타내는 평균제곱근오차(RMSE: Root Mean Square Error)를 계산하여 해당 모델의 성능을 측정할 수 있다.

7. 최적화(Optimization):

데이터 분석 모듈은 생성된 예측 모델을 이용하여 주어진 공정상황에 대한 최적의 원인 데이터 값(예를 들어, 제어 파라미터) 및 해당 결과 데이터 값을 계산한다. 예측 모델은 원인 속성과 결과 속성간의 관계를 수학적으로 표현한 것이므로, 해당 예측 모델을 통해 최적화 과정에 필요한 의사결정변수(x)와 목적함수(y)의 정의가 가능하다. 따라서, 데이터 분석 모듈은 제약조건(constraints) 정의와 함께 다양한 최적해 기법을 사용하여 최적의 의사결정변수와 목적함수 값을 산출할 수 있다. 예를 들어, 에너지 소모량을 최소로 사용하는 제어 파라미터를 산출하되 표면조도의 임계치가 제약조건으로 주어진다면, 데이터 분석 모듈은 최적해 탐색 과정을 통하여 최적 제어 파라미터 및 최소 에너지 소모량 값과 표면조도 값을 산출할 수 있다.

도 8은 본 발명의 일 실시예에 따른 빅 데이터 분석을 이용한 제조 공정 관리 방법을 설명하는 흐름도이다.

물리적 제조 객체에 구비된 적어도 하나의 에이전트는 해당 물리적 제조 객체에서 제조 데이터를 수집하고 수집된 제조 데이터를 데이터 분석 및 제어 플랫폼에 전송한다(S810).

데이터 분석 및 제어 플랫폼의 가상 공장 모듈은 적어도 하나의 에이전트로부터 수신된 제조 데이터를 수신하고, 수신된 제조 데이터를 빅 데이터 관리 모듈에 전송한다(S820).

빅 데이터 관리 모듈은 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 추출하여 훈련 데이터 세트를 생성한다(S830).

일 실시예에서, 빅 데이터 관리 모듈은 원인 데이터와 결과 데이터를 구성하는 속성 값을 정의하고, 정의된 속성 값에 따른 원인 데이터와 결과 데이터를 전처리하며, 공정 구성과 원인 데이터 및 결과데이터를 시간에 따라 동기화하고, 공정 구성 별 훈련 데이터 세트를 생성할 수 있다.

데이터 분석 모듈은 훈련 데이터 세트를 분석하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성한다(S840). 일 실시예에서, 데이터 분석 모듈은 기계학습 또는 회귀 분석을 통해 상기 훈련 데이터 세트를 분석하여 예측 모델을 생성할 수 있다.

일 실시예에서, 데이터 분석 모듈은 인공 신경망을 통해 상기 훈련 데이터 세트를 분석하며, 예측 모델은 하기 수학식 1에 의해 표현될 수 있다.

[수학식 1]

여기에서, 'x'는 원인 속성 변수(데이터), 'y'는 결과 속성 변수(데이터), 'p'와 'q'는 각 layer의 뉴런 개수, 'Woj'와 'Wji'는 각 레이어에 존재하는 각 뉴런의 가중치 값, 'fo'와 'fh'는 시그모이드 함수, 'ε'는 상수

일 실시예에서, 데이터 분석 모듈은 예측 모델에 의해 생성된 결과 데이터와 실제 측정된 결과데이터 사이의 평균제곱근오차(RMSE)를 계산하여 해당 예측 모델을 검증할 수 있다.

가상 공장 모듈은 생성된 예측 모델을 기초로 제어 파라미터를 생성하고, 생성된 제어 파라미터를 물리적 제조 객체에 구비된 에이전트에 전송한다(S850).

에이전트는 수신된 제어 파라미터를 기초로 해당 물리적 제조 객체의 동작을 제어한다(S860).

도 1 내지 도 8을 통해 설명된 시스템 및 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다.

컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

모듈(module)이라 함은 명세서에서 설명되는 각각의 명칭에 따른 기능과 동작을 수행할 수 있는 하드웨어를 의미할 수도 있고, 또한 특정한 기능과 동작을 수행할 수 있는 컴퓨터 프로그램 코드를 의미할 수도 있고, 또한 특정한 기능과 동작을 수행시킬 수 있는 컴퓨터 프로그램 코드가 탑재된 전자적 기록 매체, 예컨대 프로세서를 의미할 수 있다.

이상 본 발명의 실시예로 설명하였으나 본 발명의 기술적 사상이 상기 실시예로 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범주에서 다양한 제조 공정 관리 방법 및 그 시스템으로 구현할 수 있다.

100 : 빅 데이터 분석을 이용한 제조 공정 관리 시스템
110 : 물리적 공장
120 : 데이터 분석 및 제어 플랫폼
130 : 제조 어플리케이션

Claims (11)

1. 물리적 제조 객체에 구비된 적어도 하나의 에이전트가 해당 물리적 제조 객체에서 제조 데이터를 수집하고 수집된 제조 데이터를 전송하는 단계;
   가상 공장 모듈이 상기 에이전트에서 수신된 제조 데이터를 수신하고, 상기 수신된 제조 데이터를 빅 데이터 관리 모듈에 전송하는 단계;
   빅 데이터 관리 모듈이 상기 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 추출하여 훈련 데이터 세트를 생성하는 단계;
   데이터 분석 모듈이 상기 훈련 데이터 세트를 분석하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하는 단계;
   가상 공장 모듈이 상기 생성된 예측 모델을 기초로 제어 파라미터를 생성하고, 생성된 제어 파라미터를 상기 에이전트에 전송하는 단계; 및
   에이전트는 수신된 제어 파라미터를 기초로 해당 물리적 제조 객체의 동작을 제어하는 단계를 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 방법.
2. 제1항에 있어서,
   상기 훈련 데이터 세트를 생성하는 단계는
   원인 데이터와 결과 데이터를 구성하는 속성 값을 정의하는 단계;
   정의된 속성 값에 따른 원인 데이터와 결과 데이터를 전처리하는 단계;
   공정 구성과 상기 원인 데이터 및 결과데이터를 시간에 따라 동기화하는 단계; 및
   공정 구성 별 훈련 데이터 세트를 생성하는 단계를 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 방법.
3. 제2항에 있어서,
   상기 공정 구성은 기 정의된 속성 값을 가지며, 해당 속성 값은 기계, 가공소재, 절삭유, 절삭공구, 공정 종류, 수치제어(NC) 코드 및 코드 유형을 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 방법.
4. 제2항에 있어서,
   상기 원인 데이터는 이송속도, 스핀들 회전속도, 절삭깊이 및 절삭 폭 가운데 적어도 하나를 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 방법.
5. 제2항에 있어서,
   상기 결과 데이터는 에너지 소모량을 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 방법.
6. 제1항에 있어서,
   상기 예측 모델을 생성하는 단계는
   기계학습 또는 회귀 분석을 통해 상기 훈련 데이터 세트를 분석하여 예측 모델을 생성하는 빅 데이터 분석을 이용한 제조 공정 관리 방법.
7. 제1항에 있어서,
   상기 예측 모델을 생성하는 단계는 인공 신경망을 통해 상기 훈련 데이터 세트를 분석하며, 상기 예측 모델은 하기 수학식 1에 의해 표현되는 빅 데이터 분석을 이용한 제조 공정 관리 방법:
   [수학식 1]
   

   

   
   여기에서, 'x'는 원인 속성 변수(데이터), 'y'는 결과 속성 변수(데이터), 'p'와 'q'는 각 layer의 뉴런 개수, 'Woj'와 'Wji'는 각 레이어에 존재하는 각 뉴런의 가중치 값, 'fo'와 'fh'는 시그모이드 함수, 'ε'는 상수이다.
8. 제1항에 있어서,
   상기 생성된 예측 모델을 검증하는 단계를 더 포함하고,
   상기 생성된 예측 모델을 검증하는 단계는 상기 예측 모델에 의해 생성된 결과 데이터와 실제 측정된 결과데이터 사이의 평균제곱근오차(RMSE)를 계산하여 해당 예측 모델을 검증하는 단계를 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 방법.
9. 물리적 제조 객체에 구비되어 해당 물리적 제조 객체의 제조 데이터를 수집하고, 제어 파라미터를 수신하여 해당 물리적 제조 객체의 동작을 제어하는 적어도 하나의 에이전트; 및
   상기 적어도 하나의 에이전트에서 수신된 제조 데이터를 수신하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하고, 상기 생성된 예측 모델을 기초로 최적 제어 파라미터를 생성하여 상기 적어도 하나의 에이전트에 전송하는 데이터 분석 및 제어 플랫폼을 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 시스템.
10. 제9항에 있어서,
    상기 데이터 분석 및 제어 플랫폼은
    상기 에이전트에서 수신된 제조 데이터를 수신하고, 상기 수신된 제조 데이터를 빅 데이터 관리 모듈에 전송하며, 상기 생성된 최적 제어 파라미터를 상기 에이전트에 전송하는 가상 공장 모듈;
    상기 수신된 제조 데이터를 저장하고, 저장된 제조 데이터를 추출하여 훈련 데이터 세트를 생성하는 빅 데이터 관리 모듈; 및
    상기 훈련 데이터 세트를 분석하여 원인 데이터와 결과 데이터 사이의 예측 모델을 생성하는 데이터 분석 모듈을 포함하는 빅 데이터 분석을 이용한 제조 공정 관리 시스템.
11. 제10항에 있어서,
    상기 데이터 분석 모듈은 인공 신경망을 통해 상기 훈련 데이터 세트를 분석하며, 상기 예측 모델은 하기 수학식 1에 의해 표현되는 빅 데이터 분석을 이용한 제조 공정 관리 시스템:
    [수학식 1]
    

    

    
    여기에서, 'x'는 원인 속성 변수(데이터), 'y'는 결과 속성 변수(데이터), 'p'와 'q'는 각 layer의 뉴런 개수, 'Woj'와 'Wji'는 각 레이어에 존재하는 각 뉴런의 가중치 값, 'fo'와 'fh'는 시그모이드 함수, 'ε'는 상수이다.
    

Images