KR102054500B1 - 설계 도면 제공 방법 - Google Patents

Abstract

본 발명의 일 실시예에 따른 설계 도면 제공 방법은 설계하고자 하는 대상 정보에 기초하여, 설계 대상의 유형-상기 설계 대상의 상기 유형은 도로, 건물, 플랜트 및 반도체 설비 중 적어도 하나를 포함함-을 식별하는 단계를 포함한다.

Description

설계 도면 제공 방법{METHOD FOR PROVIDING DESIGN DRAWING}

본 발명의 설계 도면 제공 방법에 관한 것으로서, 설계 대상의 유형과 설계 대상의 요구 조건에 따라 설계에 필수적인 엘리먼트들을 제시하여, 설계 작업의 효율과 속도를 높이고 체계적인 설계 작업 환경을 제공하는 설계 도면 제공 방법에 관한 것이다.

토목, 건축, 산업용 플랜트 및 반도체 설계는 설계 대상을 특정하고, 설계, 조달, 시공으로 엔지니어링 공정이 진행된다. 토목, 건축 및 플랜트 설계는 공학적인 전문 기술이 종합적으로 활용되어 정유, 가스, 석유화학 및 고분자 화학 플랜트와 발전소 등을 건설하는데 요구되는 사양에 따라 설계 작업이 수행된다. 토목, 건축 및 플랜트 설계는 제철소, 발전소, 자동차 산업 등에서 요구되는 각종 설비 및 시설에 필요한 기계, 배관, 전기, 계장, 공정, 구조물, 장치류 등의 국제 규격, 기술적인 사항들, 대체품 간의 사양 비교, 결합 여부가 체크되어야 하기 때문에 설계 작업 기술에서 작업자에게 제공되는 효율성과 정교함이 중요하다.

반도체 설비 설계는 반도체 제조 공정에서 필수적인 설비 또는 장비를 설계하는 기술로서, 반도체 제조 공정 내에서 해당 공정의 특성을 정확히 반영하고 주변 공정과의 연계를 고려하여 설계 작업이 수행된다. 반도체 제조용 설비는 설비의 안정적인 구동 및 제어, 환경 제어, 자동화 제어, 시스템 개선 등 다양한 요소가 고려되고, 반도체 설비 내 탑재되는 하드웨어와 소프트웨어 사이의 연동이 잘 이루어지는지 테스트가 되어야 한다. 산업용 플랜트 및 반도체 설비 등 다양한 산업용 장비 또는 설비들은 3D 모델링을 통해 구현될 수 있는데, 설계 작업에 있어서 설계 품질과 공기 단축을 실현할 수 있는 설계 기술의 연구가 요구된다.

한국등록특허 제10-0969613호

본 발명의 일측면은 설계 대상의 유형과 설계 대상의 요구 조건에 따라 설계에 필수적인 엘리먼트들을 제시하여, 설계 작업의 효율과 속도를 높이고 체계적인 설계 도면 제공 방법을 제공하고자 한다.

본 발명의 일측면은 유형별 설계 조건을 단계적으로 제시하고, 최적화된 설계 정보를 제공하여 구조적, 기계적, 제어적 설계 사양에 적합한 설계 솔루션을 도출하고자 한다.

본 발명의 일측면은 설계 조건에 따른 엘리먼트들의 배치, 연결 관계, 제어 동작에 대한 피드백을 히스토리로 관리하여 정교한 설계 솔루션을 제공하고자 한다.

본 발명의 일측면은 유저들의 설계 피드백 데이터를 기초로 작업자에게 단계별 설계 작업의 정보를 가이드하여 설계 편의성과 효율성을 높이고자 한다.

본 발명의 일측면은 인공지능을 기초로 엘리먼트들의 3D 공간 상 위치를 표현하는 정보, 엘리먼트들의 연결 관계를 표현하는 정보 및 엘리먼트들의 동작 프로세스를 표현하는 정보를 생성하여 작업의 효율성과 속도를 높여 품질향상과 공기단축을 실현하고자 한다.

본 발명의 다른 측면은 웹페이지를 통해 표시되는 통계 정보에 있어서, 사용자가 간단 조작만으로도 통계자료에 대한 다양한 다이나믹 그래프를 생성할 수 있는 기능을 제공하는 사내망 관리를 위한 방법을 제공한다.

본 발명의 또 다른 측면은 서로 마주하도록 마련되어 사이에 위치하는 부품 두께를 측정하는 상부 센서 및 하부 센서를 포함하는 두께 측정 장치를 제공하며, 두 센서를 이용한 두께 측정의 정확성을 확보하기 위해 상부 센서 및 하부 센서의 위치를 제어할 수 있다.

본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 설계 도면 제공 방법은, 설계하고자 하는 대상 정보에 기초하여, 설계 대상의 유형-상기 설계 대상의 상기 유형은 도로, 건물, 플랜트 및 반도체 설비 중 적어도 하나를 포함함-을 식별하는 단계를 포함한다.

일 실시예에서, 상기 설계 대상에 대응하는 구조 설계 조건-상기 구조 설계 조건은 공간 상에 부품들을 배치시키 위한 구조적인 조건을 포함함-, 기계 설계 조건-상기 기계 설계 조건은 상기 부품들의 사양으로서, 크기, 길이, 형상, 명칭, 두께, 재질, 사용 압력, 사용 온도, 사용 전력, 사용 전압, 용접 방식, 반경, 강도, 내부 유체, 결합 방식 및 규격 중 적어도 하나를 포함함- 및 제어 설계 조건-상기 제어 설계 조건은 입출력에 대응하는 전류, 전압, 전력, 압력, 각도, 이동 반경, 액츄에이팅 정보, 내부 유체량, 속도, 온도, 시간, 농도, 진동수 및 밝기 중 적어도 하나를 포함함-을 획득하는 단계; 설계 대상들, 구조 설계 조건들, 기계 설계 조건들, 제어 설계 조건들 및 엘리먼트들을 매칭시킨 데이터베이스를 조회하여, 상기 구조 설계 조건, 상기 기계 설계 조건 및 상기 제어 설계 조건에 대응하는 제2 엘리먼트들을 획득하는 단계; 상기 설계 대상들, 상기 구조 설계 조건들, 상기 기계 설계 조건들 및 상기 제어 설계 조건들의 히스토리에 따라 최적화된 설계 정보에 기초하여, 상기 제2 엘리먼트들의 위치들의 위치 정보, 상기 제2 엘리먼트들 사이의 연결 관계들의 연결 정보 및 상기 제2 엘리먼트들의 동작 프로세스들의 동작 정보를 생성하는 단계; 상기 위치 정보, 상기 연결 정보 및 상기 동작 정보에 기초하여, 상기 설계 대상을 3D 모델링한 산업용 플랜트 또는 반도체 설비의 3D 모델을 생성하는 단계; 상기 구조 설계 조건, 상기 기계 설계 조건 및 상기 제어 설계 조건에 대응하는 제어 신호들을 상기 3D 모델에 적용하여, 상기 3D 모델을 테스트하는 단계; 및 네트워크를 통해 사내망에 접속하는 단말기 및 관리 서버를 포함하여, 상기 단말기를 통해 요청되는 업무에 따른 처리 결과를 상기 사내망과 연동되는 웹페이지에 표시하는 단계를 포함하고, 상기 위치 정보, 상기 연결 정보 및 상기 동작 정보를 생성하는 단계는, 상기 구조 설계 조건들에 따라 클러스터링된 엘리먼트들의 제1 히스토리에 기초하여, 상기 획득된 제2 엘리먼트들을 배치시키기 위한 3D 공간 상의 영역들 내 위치들을 생성하는 단계; 상기 영역들 별로 각각 배치된 상기 제2 엘리먼트들의 상기 위치들을 조정하기 위한 제1 입력에 응답하여, 상기 제2 엘리먼트들의 위치들의 위치 정보를 수정하는 단계; 상기 위치 정보의 수정에 따른 상기 제2 엘리먼트들 별 위치들의 제1 수정 정보를 기록하는 단계; 상기 기계 설계 조건들에 따라 상기 엘리먼트들을 연결시킨 제2 히스토리에 기초하여, 상기 위치 정보가 수정된 상기 제2 엘리먼트들 사이의 연결 관계들을 생성하는 단계; 상기 연결된 상기 제2 엘리먼트들 사이의 상기 연결 관계들을 조정하기 위한 제2 입력에 응답하여, 상기 제2 엘리먼트들 사이의 연결 관계들의 연결 정보를 수정하는 단계; 상기 연결 정보의 수정에 따른 상기 제2 엘리먼트들 사이의 연결 관계들의 제2 수정 정보를 기록하는 단계; 상기 제어 설계 조건들에 따라 상기 엘리먼트들을 동작시키는 제3 히스토리에 기초하여, 상기 연결 정보가 수정된 상기 제2 엘리먼트들의 동작 프로세스들을 생성하는 단계; 상기 제2 엘리먼트들 별로 각각 정의된 상기 동작 프로세스들을 조정하기 위한 제3 입력에 응답하여, 상기 제2 엘리먼트들의 동작 프로세스들의 동작 정보를 수정하는 단계; 및 상기 동작 정보의 수정에 따른 상기 제2 엘리먼트들의 동작 프로세스들의 제3 수정 정보를 기록하는 단계를 포함하고, 상기 기계 설계 조건 중 상기 부품들의 두께를 획득하는 단계는, 서로 마주하도록 마련되어 사이에 위치하는 상기 부품의 두께를 측정하는 상부 센서 및 하부 센서를 포함하는 두께 측정 장치에 의해 수행되며, 상기 두께 측정 장치는, 상기 상부 센서 및 상기 하부 센서로부터 각각 거리 측정을 위해 출력되는 광의 스팟(spot) 중심점이 일치하고, 상기 상부 센서 및 상기 하부 센서 각각의 측정 범위가 중첩될 수 있도록 상기 상부 센서 및 상기 하부 센서의 위치를 제어하는 제어부를 더 포함하고, 상기 제어부는, 상기 상부 센서로부터 상기 하부 센서로 광을 출력하도록 제어하고, 소정의 구동 모듈을 제어하여 상기 하부 센서를 이동시키면서 상기 상부 센서로부터 상기 하부 센서로 출력되는 광의 스펙트럼 뷰를 모니터링하여 상기 하부 센서의 위치를 선정하고, 상기 제어부는, 상기 스펙트럼 뷰의 데이터가 소정의 조건을 만족하는 지점을 지점을 상기 하부 센서의 위치로 선정하기 위해 상기 스펙트럼 뷰의 데이터인 거리 및 강도를 모니터링하고, 상기 제어부는, 상기 스펙트럼 뷰의 모니터링을 위해 상기 스펙트럼 뷰의 데이터가 변할 때마다 파일로 저장하고, 차례로 생성되는 파일을 비교하여 상기 스펙트럼 뷰의 데이터가 소정의 조건을 만족하는 지점을 추출하며, 상기 관리 서버는, 통계자료에 대한 데이터 시트를 생성하여 상기 웹페이지의 제1 영역에 표시하고, 상기 단말기로부터 수신되는 상기 데이터 시트의 소정 영역에 대한 선택신호를 기초로 사용자에 의해 선택된 변량명의 종류를 구분하고, 선택된 적어도 하나의 변량명에 대응되는 변량들을 기초로 다이나믹 그래프를 생성하여 상기 웹페이지의 제2 영역에 표시하며, 상기 제2 영역에 표시된 다이나믹 그래프의 인쇄 또는 저장을 위하여, 상기 다이나믹 그래프를 상기 웹페이지의 제3 영역으로 이동시켜 표시하되, 상기 다이나믹 그래프를 생성하는 것은, 순차적으로 입력되는 선택신호의 순서에 따라 상기 다이나믹 그래프의 명칭 및 그래프의 가로축 및 세로축에 대한 변량의 종류를 자동으로 구분하고, 선택된 변량명에 소속된 변량들에 대한 그룹별 다이나믹 그래프를 생성하고, 상기 다이나믹 그래프에 대한 통계적 의미를 나타내는 그래픽 정보를 상기 다이나믹 그래프 상에 표시하는 것을 포함하되, 상기 그래픽 정보는 생성된 다이나믹 그래프의 종류에 따라 서로 다른 종류로 생성되고, 상기 그래픽 정보는 평균, 표준분포, 도수, 회귀선, 도수분포다각형에 대한 정보 중 적어도 하나를 포함하며, 상기 웹페이지의 제4 영역에 표시된 그래프 종류 선택 영역에 대한 선택신호를 기초로, 제1 형태의 다이나믹 그래프를 동일한 변량명에 대한 제2 형태의 다이나믹 그래프로 변환하여 상기 웹페이지의 제2 영역에 표시한다.

본 발명의 일측면에 따르면, 설계 대상의 유형과 설계 대상의 요구 조건에 따라 설계에 필수적인 엘리먼트들을 제시하여, 설계 작업의 효율과 속도를 높이고 체계적인 설계 작업 환경을 제공하고, 유형별 설계 조건을 단계적으로 제시하고, 최적화된 설계 정보를 제공하여 구조적, 기계적, 제어적 설계 사양에 적합한 설계 솔루션을 도출할 수 있다.

또한, 설계 조건에 따른 엘리먼트들의 배치, 연결 관계, 제어 동작에 대한 피드백을 히스토리로 관리하여 정교한 설계 솔루션을 제공할 수 있으며, 유저들의 설계 피드백 데이터를 기초로 작업자에게 단계별 설계 작업의 정보를 가이드하여 설계 편의성과 효율성을 높일 수 있다.

또한, 인공지능을 기초로 엘리먼트들의 3D 공간 상 위치를 표현하는 정보, 엘리먼트들의 연결 관계를 표현하는 정보 및 엘리먼트들의 동작 프로세스를 표현하는 정보를 생성하여 작업의 효율성과 속도를 높여 품질향상과 공기단축을 실현할 수 있다.

본 발명의 일 측면에 따르면, 웹페이지를 통해 통계자료에 대한 데이터 시트를 생성하여 상기 웹페이지의 제1 영역에 표시하고, 상기 단말기로부터 수신되는 상기 데이터 시트의 소정 영역에 대한 선택신호를 기초로 사용자에 의해 선택된 변량명의 종류를 구분하고, 선택된 적어도 하나의 변량명에 대응되는 변량들을 기초로 다이나믹 그래프를 생성하여 상기 웹페이지의 제2 영역에 표시하며, 상기 제2 영역에 표시된 다이나믹 그래프의 인쇄 또는 저장을 위하여, 상기 다이나믹 그래프를 상기 웹페이지의 제3 영역으로 이동시켜 표시할 수 있다.

본 발명의 또 다른 측면에 따르면, 서로 마주하도록 마련되어 사이에 위치하는 부품의 두께를 측정하는 상부 센서 및 하부 센서를 포함하는 두께 측정 장치를 제공하여 부품 두께 측정의 정확성을 확보할 수 있다.

도 1은 일실시예에 따른 설계 도면 제공 방법을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 설계 도면 제공 방법이 실시된 예를 도시한다.
도 3은 일실시예에 따른 설계 도면 제공 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 장치의 구성의 예시도이다.
도 5는 본 발명의 다른 실시예에 따른 도면 제공 방법의 개략적인 구성이 도시된 개념도이다.
도 6은 통계 데이터를 기초로 다이나믹 그래프를 생성하는 일 예를 설명하기 위한 개념도이다.
도 7 및 도 8은 다이나믹 그래프의 종류에 따라 서로 다른 그래픽 정보가 생성되는 일 예가 도시된 도면이다.
도 9는 본 발명의 일 실시예에 따른 두께 측정 장치를 보여주는 도면이다.
도 10는 도 9에 도시된 상부 센서 및 하부 센서의 위치 제어를 설명하기 위한 도면이다.
도 11은 도 9에 도시된 상부 센서로부터 하부 센서 측으로 광을 출력하는 경우 측정되는 스펙트럼의 일 예이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.

도 1은 일실시예에 따른 설계 도면 제공 방법을 설명하기 위한 도면이고, 도 2는 일실시예에 따른 설계 도면 제공 방법이 실시된 예를 도시한다.

도 1 및 도 2를 참조하면, 설계 도면 제공 방법를 위한 설계 장치(이하, 설계 장치라 함)는 설계하고자 하는 대상 정보에 기초하여, 설계 대상의 유형을 식별할 수 있다(101). 설계 장치는 CAD를 기반으로 도로, 건축, 산업용 플랜트 및 반도체 설비 등 다양한 산업용 장비 또는 설비들을 설계하는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다.

일 실시예에 따른 설계 장치는 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 전자 장치는 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.

일 실시예에 따르면, 전자장치는 통신 기능을 갖춘 스마트 가전 제품(smart home appliance)일 수 있다. 스마트 가전 제품은, 예를 들자면, 전자 장치는 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), TV 박스(예를 들면, 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(game consoles), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.

일 실시예에 따르면, 전자장치는 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치 및 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛, 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine) 또는 상점의 POS(point of sales) 중 적어도 하나를 포함할 수 있다.

일 실시예에 따르면, 전자장치는 통신기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 일 실시예에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 유저라는 용어는 전자 장치를 사용하는 사람 또는 전자장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

일 실시예에 따른 전자 장치는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.

일 실시예에 따르면, 설계 대상의 유형은 도로, 건축, 산업용 플랜트 및 반도체 설비 중 적어도 하나를 포함할 수 있다. 도로, 건축, 산업용 플랜트 및 반도체 설비는 사업 수주, 설계(Engineering), 자재 구매(Procurement), 구축의 과정을 거치므로, 설계 초기 단계에서 설계 방향을 정교하게 설정하고 불필요한 오류를 줄여 작업기간 단축, 품질 향상, 비용 절감을 달성하는 게 중요하다. 설계 및 구축 후 테스트 단계에서 설계 오류가 발견되거나 계획 변경이 발생되는 경우에는 불필요한 절차로 인한 시간 및 비용 손실이 커질 수 있다. 따라서, 설계 단계에서 오류를 줄이고 속도를 높이는 기법이 필요하다.

일 실시예에 따르면, 설계 장치는 CAD(Computer-Aided Design)를 기반으로 도로, 건축, 산업용 플랜트 및 반도체 설비를 설계할 수 있다. CAD는 설계 및 기술 문서를 작성하기 위한 기술로, 수작업으로 진행되는 제도를 자동화된 프로세스로 대체하는 소프트웨어이다. 설계 장치는 CAD를 기반으로 설계 동작을 수행하되, 산업용 플랜트 및 반도체 설비의 설계를 구현하는데 요구되는 기능을 제공할 수 있다.

일 실시예에 따르면, 설계 장치는 화력, 원자력, 수력 등 플랜트, 반도체 기계 설비, 제어 시스템과 같이 미리 정의된 유형들 중 설계 대상의 유형을 식별할 수 있다. 설계 대상의 유형에 따라 기본적으로 요구되는 사양이 달라질 수 있으므로, 설계 장치는 설계 대상의 유형에 기초하여 데이터베이스 내 엘리먼트들을 추출할 수 있다.

일실시예에 따르면, 설계 장치는 설계 대상에 대응하는 구조 설계 조건, 기계 설계 조건 및 제어 설계 조건을 획득할 수 있다(102). 일 실시예에 따르면, 구조 설계 조건은 공간 상에 부품들을 배치시키 위한 구조적인 조건을 포함한다. 플랜트 설계 시에는 각각의 배관을 어떻게 배치할지를 계획하는데 이를 배치 계획이라 한다. 설계 장치는 배치 계획과 같은 구조 설계 조건을 획득하여, 3차원 공간 상의 배관 부품을 배치할 수 있다. 설계 장치는 배관 부품의 배치 결과에 따라 배관 루트를 생성하고, 배관 부품의 배치 데이터를 생성할 수 있다.

일 실시예에 따르면, 기계 설계 조건은 상기 부품들의 사양으로서, 크기, 길이, 형상, 명칭, 두께, 재질, 사용 압력, 사용 온도, 사용 전력, 사용 전압, 용접 방식, 반경, 강도, 내부 유체, 결합 방식 및 규격 중 적어도 하나를 포함할 수 있다. 예를 들어, 설계 장치는 플랜트 설계 시 구조 설계 조건과 기계 설계 조건을 충족시키기 위한 배관의 부품 별로 배치 데이터와 사양 데이터를 생성할 수 있다. 설계 장치는 CAD 내 배치 데이터와 사양 데이터를 생성하기 위한 구조 설계 조건 및 기계 설계 조건을 획득할 수 있다.

일 실시예에 따르면, 제어 설계 조건은 입출력에 대응하는 전류, 전압, 전력, 압력, 각도, 이동 반경, 액츄에이팅 정보, 내부 유체량, 속도, 온도, 시간, 농도, 진동수 및 밝기 중 적어도 하나를 포함할 수 있다. 예를 들어, 설계 장치는 반도체 장비 설계 시 제어 설계 조건을 충족시키기 위한 부품들 별로 동작하는 동작 프로세스 데이터를 생성할 수 있다. 설계 장치는 기계 설비 내 제어 시스템과 케이블 결선을 통해 각 부품들이 동작하는 제어논리도(CLD: Control Logic Diagram)와 제어환선도(FLD: Functional Loop Diagram)를 생성할 수 있다.

일 실시예에 따르면, 설계 장치는 설계 대상들, 구조 설계 조건들, 기계 설계 조건들, 제어 설계 조건들 및 엘리먼트들을 매칭시킨 데이터베이스를 조회하여, 구조 설계 조건, 기계 설계 조건 및 제어 설계 조건에 대응하는 제2 엘리먼트들을 획득할 수 있다(103). 설계 장치는 산업용 플랜트 및 반도체 설비 중 적어도 하나에 포함되는 배관, 전기, 계장, 공기조화, 구조, 토목, 히터 등 주어진 설계 조건에 대응하는 제2 엘리먼트들을 데이터베이스로부터 획득할 수 있다.

일실시예에 따르면, 설계 장치는 3D 모델을 생성하기 위한 데이터의 엘리먼트들을 획득할 수 있다. 예를 들어, 3D CAD는 AVEVA의 E3D, INTERGRAPH의 S3D, BIM(Building InformationModeling)의 3D CAD 모델링일 수 있으며, 이에 제한되지는 않는다. 설계 장치는 서버일 수 있으며, 데이터베이스에 기록된 설계 조건과 엘리먼트 사이의 매칭 관계를 조회하여 주어진 설계 조건에 대응하는 엘리먼트들을 획득할 수 있다.

일 실시예에 따르면, 엘리먼트는 속성 및 형상 등 다양한 사양에 의해 정의될 수 있다. 엘리먼트는 파이프, 엘보우(Elbow), 티(Tee), 밸브(Valve), 타워(Tower), 드럼Drum), 베셀(Vessel), 탱크(Tank), 펌프(Pump), 운전(Operation)과 유지보수(Maintenace)를 위해 설치되는 플랫폼(Platform)과 파이프랙(Piperack), 트레이(Tray), 정션박스(Junction Box)나 전선배관, 전력 모듈, 트랜지스터 세트, 발광 모듈, 에너지 저장 모듈 등 다양한 형태로 유형화될 수 있다. 엘리먼트의 속성은 명칭, 재질(Material Specification), 넘버, 규격, 사용 환경 등 다양하게 정의될 수 있다.

일 실시예에 따르면, 설계 장치는 설계 대상의 식별된 유형에 기초하여, 플랜트 및 반도체 설비 중 적어도 하나에 대응하는 설계 템플릿을 획득할 수 있다. 설계 템플릿은 3D CAD 작업을 수행하기 위해 적용되는 템플릿일 수 있다.

일 실시예에 따르면, 설계 장치는 획득된 설계 템플릿에 대응하는 설계 대상들, 구조 설계 조건들, 기계 설계 조건들, 제어 설계 조건들 및 엘리먼트들의 매칭 관계를 데이터베이스로부터 추출할 수 있다. 데이터베이스는 설계 대상, 설계 조건 및 엘리먼트들을 기초로 생성된 3D 모델의 테스트 결과에 기초하여 갱신될 수 있다.

일 실시예에 따르면, 설계 장치는 매칭 관계로부터 구조 설계 조건, 기계 설계 조건 및 제어 설계 조건에 대응하는 제2 엘리먼트들을 획득할 수 있다. 설계 장치는 주어진 조건을 충족하는 제2 엘리먼트들을 데이터베이스로부터 획득하여 유저에게 제공할 수 있고, 유저는 제시된 제2 엘리먼트들을 별도의 선택 과정 없이 선정할 수 있어 작업의 효율을 높일 수 있다.

일 실시예에 따르면, 설계 장치는 설계 대상들, 구조 설계 조건들, 기계 설계 조건들 및 제어 설계 조건들의 히스토리에 따라 최적화된 설계 정보에 기초하여, 제2 엘리먼트들의 위치들의 위치 정보, 제2 엘리먼트들 사이의 연결 관계들의 연결 정보 및 제2 엘리먼트들의 동작 프로세스들의 동작 정보를 생성할 수 있다(104). 일실시예에 따르면, 히스토리는 설계 대상에 설계 조건이 적용되어 생성된 3D 모델의 테스트 결과 및 엘리먼트에 대한 사용자들의 처리 결과 중 적어도 하나에 기초하여 갱신된 정보일 수 있다. 예를 들어, 히스토리는 설계 대상 및 설계 조건들으로부터 학습되는 엘리먼트들의 추정 결과 일 수 있으며, 딥러닝에 채용되는 트레이닝 샘플은 설계 대상, 설계 조건 및 엘리먼트에 따른 테스트 결과일 수 있다. 학습 및 추론과 관련된 내용은 후술하겠다.

일 실시예에 따르면, 설계 장치는 구조 설계 조건들에 따라 클러스터링된 엘리먼트들의 제1 히스토리에 기초하여, 제2 엘리먼트들을 배치시키기 위한 3D 공간 상의 영역들 내 위치들을 생성할 수 있다. 예를 들어, 설계 장치는 복수의 사용자들에 의해 업로드된 엘리먼트들 별 위치들의 수정 정보를 기초로 최적화되어 클러스터링된 엘리먼트들의 제1 히스토리에 기초하여, 3D 공간 상의 위치들을 생성할 수 있다. 설계 장치는 영역들 별로 각각 배치된 제2 엘리먼트들의 위치들을 조정하기 위한 제1 입력에 응답하여, 제2 엘리먼트들의 위치들의 위치 정보를 수정할 수 있다.

일 실시예에 따르면, 유저는 구조 설계 조건에 대응하는 제2 엘리먼트들을 배치시키기 위한 영역들을 확인하고, 해당 영역들 내에서 유저의 재량에 따라 영역 내 위치를 조정하는 입력 동작을 수행할 수 있다. 유저는 기 정의된 유저 인터페이스를 통해 입력 동작을 수행할 수 있다. 유저는 제2 엘리먼트들 별로 적절하게 배치되어야 하는 후보 영역 또는 위치가 제시되는 체험감을 제공받을 수 있어 작업 효율과 속도를 높일 수 있다.

일 실시예에 따르면, 설계 장치는 설계 대상의 유형과 설계 대상의 요구 조건에 따라 설계에 필수적인 엘리먼트들을 제시하여, 설계 작업의 효율과 속도를 높이고 체계적인 설계 작업 환경을 제공할 수 있다.

일 실시예에 따르면, 설계 장치는 제1 입력에 기초한 위치 정보의 수정에 따른 제2 엘리먼트들 별 위치들의 제1 수정 정보를 기록할 수 있다. 설계 장치는 제1 수정 정보에 기초하여 데이터베이스를 갱신할 수 있고, 갱신된 데이터베이스는 설계 장치에 의해 활용될 수 있다.

일 실시예에 따르면, 설계 장치는 기계 설계 조건들에 따라 엘리먼트들을 연결시킨 제2 히스토리에 기초하여, 위치 정보가 수정된 제2 엘리먼트들 사이의 연결 관계들을 생성할 수 있다. 예를 들어, 설계 장치는 복수의 사용자들에 의해 업로드된 엘리먼트들 사이의 연결 관계들의 수정 정보를 기초로 최적화되어 연결된 엘리먼트들의 제2 히스토리에 기초하여, 연결 관계들을 생성할 수 있다.

일 실시예에 따르면, 설계 장치는 기계 설계 조건들에 기초하여, 제2 엘리먼트들의 속성들 및 형상들을 판단할 수 있다. 예를 들어, 형상은 삼각뿔 형상, 사각뿔 형상, 마름모 형상, 박스 형상, 원형 형상, 타원 형상, 실린더 형상 및 원뿔 형상 중 적어도 하나의 조합으로 구현될 수 있다. 파이프는 실린더 형상으로 구현되고, 전기 판넬은 박스형상으로 구현되고, 배관은 실린더 형상으로 구현되고, 제어반은 박스 형상 또는 원형 형상으로 구현되고, 발광 모듈은 타원 형상으로 구현될 수 있다.

일 실시예에 따르면, 설계 장치는 기계 설계 조건들에 기초하여 제2 엘리먼트들의 속성들 및 형상들을 설정하고, 설정된 속성들 및 형상들에 기초하여 솔리드 연산(Solid Operaion 또는 Boolean operation)을 수행하고, 연산 수행 결과 논리적 형상을 생성할 수 있다. 설계 장치는 전기 배관이 결합된 박스 형태의 전기 판넬의 형상을 생성하거나 제어 모듈이 결합된 팬으로 구현된 반도체 설비 온도 제어반의 형상을 생성하거나 플랫폼에 설치되는 플레이트(Plate)나 그레이팅(Grating)을 관통하는 파이프의 형상을 생성할 수 있다.

일 실시예에 따르면, 설계 장치는 서로 연결된 제2 엘리먼트들 사이의 연결 관계들을 조정하기 위한 제2 입력에 응답하여, 제2 엘리먼트들 사이의 연결 관계들의 연결 정보를 수정할 수 있다.

일 실시예에 따르면, 유저는 기계 설계 조건에 대응하는 제2 엘리먼트들을 연결시키기 위한 연결 관계들을 확인하고, 유저의 재량에 따라 연결 관계들을 조정하는 입력 동작을 수행할 수 있다. 유저는 기 정의된 유저 인터페이스를 통해 입력 동작을 수행할 수 있다. 유저는 제2 엘리먼트들 별로 적절하게 연결되어야 하는 후보 연결 관계가 제시되는 체험감을 제공받을 수 있어 작업 효율과 속도를 높일 수 있다.

일 실시예에 따르면, 설계 장치는 연결 정보의 수정에 따른 제2 엘리먼트들 사이의 연결 관계들의 제2 수정 정보를 기록할 수 있다. 설계 장치는 제2 수정 정보에 기초하여 데이터베이스를 갱신할 수 있고, 갱신된 데이터베이스는 설계 장치에 의해 활용될 수 있다. 일실시예에 따르면 설계 장치는 유저들의 설계 피드백 데이터를 기초로 작업자에게 단계 별 설계 작업의 정보를 가이드하여 설계 편의성과 효율성을 높일 수 있다.

일 실시예에 따르면, 설계 장치는 제어 설계 조건들에 따라 엘리먼트들을 동작시키는 제3 히스토리에 기초하여, 연결 정보가 수정된 제2 엘리먼트들의 동작 프로세스들을 생성할 수 있다. 예를 들어, 설계 장치는 복수의 사용자들에 의해 업로드된 엘리먼트들의 동작 프로세스들의 수정 정보를 기초로 최적화되어 동작하는 엘리먼트들의 제3 히스토리에 기초하여, 동작 프로세스들을 생성할 수 있다. 동작 프로세스는 미리 정의된 전류 또는 전압 조건에 따라 회전하는 액츄에이팅일 수 있고, 미리 정의된 신호 또는 명령에 따라 특정 전력을 송신하는 동작일 수 있고, 미리 정의된 온도 범위에 따라 동작하는 온도 제어 동작일 수 있다.

일 실시예에 따르면, 설계 장치는 동작 프로세스를 제어논리도(CLD: Control Logic Diagram) 및 제어환선도(FLD: Functional Loop Diagram) 중 적어도 하나의 조합으로 구현된 제어 회로로 표현할 수 있다. 제어논리도는 플랜트(Plant) 또는 반도체 설비에 포함된 펌프(Pump), 밸브(Valve) 및 각종 많은 장비들의 기동과 정지를 포함하여 플랜트(Plant) 또는 반도체 설비 전체의 기동 및 정지를 표현하는 도면으로 모든 정보는 “0” 과 “1”을 연산하기 위한 디지털 논리기호로 구현된다. 제어환선도는 플랜트(Plant) 또는 반도체 설비에 포함된 제어밸브 및 속도 제어 장비 등과 같이 기동 이후 장비의 밸런스(Balance)를 유지하기 위한 수치 연산 프로그램(Program)을 보여주기 위한 도면으로 사칙연산 및 미분 적분 등 각종 수치 연산 함수를 통해 구현된다.

일 실시예에 따르면, 설계 장치는 플랜트(Plant) 또는 반도체 설의 기능에 따라 배관계장도(P&ID, Piping and Instrumentation Diagram), 계통운전도(SOD, System Operation Diagram), 제어계기도(C&ID, Control & Instrument Diagram), 제어논리도(CLD, Control Logic Diagram), 기본배선도(EWD, Elementary Wiring Diagram) 중 적어도 하나에 기초하여 동작 프로세스를 정의할 수 있다. 일 실시예에 따르면, 설계 장치는 동작 프로세스를 아날로그 또는 디지털 신호의 입출력에 관한 데이터(예를 들면, 전압, 전류, 전력, 압력, 회전수, 온도, 시간, 농도, 진동수중 적어도 하나와 이를 연산하는 수치적 연산식)와, 도면의 식별정보(예를 들면, 작업자 아이디나 이름, 명칭, 도면 번호, 고유 식별기호, 날짜중 적어도 하나)에 기초하여 정의할 수 있다.

일 실시예에 따르면, 설계 장치는 제2 엘리먼트들 별로 각각 정의된 동작 프로세스들을 조정하기 위한 제3 입력에 응답하여, 제2 엘리먼트들의 동작 프로세스들의 동작 정보를 수정할 수 있다.

일 실시예에 따르면, 유저는 제어 설계 조건에 대응하는 제2 엘리먼트들을 동작시키기 위한 동작 프로세스들을 확인하고, 유저의 재량에 따라 영역 내 동작 프로세스를 조정하는 입력 동작을 수행할 수 있다. 유저는 기 정의된 유저 인터페이스를 통해 입력 동작을 수행할 수 있다. 유저는 제2 엘리먼트들 별로 적절하게 수행되어야 하는 후보 동작 프로세스가 제시되는 체험감을 제공받을 수 있어 작업 효율과 속도를 높일 수 있다.

일 실시예에 따르면, 설계 장치는 유형 별 설계 조건을 단계적으로 제시하고, 최적화된 설계 정보를 제공하여 구조적, 기계적, 제어적 설계 사양에 적합한 설계 솔루션을 도출할 수 있다. 설계 장치는 설계 조건에 따른 엘리먼트들의 배치, 연결 관계, 제어 동작에 대한 피드백을 히스토리로 관리하여 정교한 설계 솔루션을 제공할 수 있다.

일 실시예에 따르면, 설계 장치는 동작 정보의 수정에 따른 제2 엘리먼트들의 동작 프로세스들의 제3 수정 정보를 기록할 수 있다. 설계 장치는 장치는 제3 수정 정보에 기초하여 데이터베이스를 갱신할 수 있고, 갱신된 데이터베이스는 설계 장치에 의해 활용될 수 있다.

일 실시예에 따르면, 설계 장치는 위치 정보, 연결 정보 및 동작 정보에 기초하여 설계 대상을 3D 모델링한 산업용 플랜트 또는 반도체 설비의 3D 모델을 생성할 수 있다(105). 설계 장치는 공장의 기계설비 또는 제어시스템을 개발하거나 개조하기 위한 3D 모델을 생성할 수 있는데, 3D 모델은 기계 설비의 구성들과 해당 구성들이 동작하는 규약들이 설계된 제어시스템과 해당 제어시스템과 케이블이 결선된 형태로 구현될 수 있다.

일 실시예에 따르면, 설계 장치는 구조 설계 조건, 기계 설계 조건 및 제어 설계 조건에 대응하는 제어 신호들을 3D 모델에 적용하여, 3D 모델을 테스트할 수 있다(106). 설계 장치는 플랜트 및 반도체 설비의 제어 시스템을 테스트하기 위한 테스트 신호를 생성하고, 테스트 신호에 따른 응답을 통해 3D 모델의 오류 및 결함을 확인하고, 화긴 결과에 따라 3D 모델을 갱신할 수 있다.

도 3은 일실시예에 따른 설계 도면 제공 방법을 설명하기 위한 도면이다.

일 실시예에 따르면, 설계 장치는 설계 대상(201)에 대응하는 구조 설계 조건, 기계 설계 조건 및 제어 설계 조건(202)을 획득할 수 있다. 설계 장치는 설계 대상들, 구조 설계 조건들, 기계 설계 조건들, 제어 설계 조건들 및 엘리먼트들을 매칭시킨 데이터베이스(205)를 조회하여, 구조 설계 조건, 기계 설계 조건 및 제어 설계 조건(202)에 대응하는 제2 엘리먼트들을 획득할 수 있다.

일 실시예에 따르면, 설계 장치는 딥러닝 기법을 이용하여 제2 엘리먼트들을 배치시키기 위한 3D 공간 상의 영역들 내 위치들(203)을 생성할 수 있다. 설계 장치는 구조 설계 조건 및 설계 대상에 따라 최적화되어 엘리먼트들을 배치시키도록 학습된 뉴럴 네트워크를 이용하여 제2 엘리먼트들의 위치들을 생성할 수 있다.

일 실시예에 따르면, 설계 장치는 제2 엘리먼트들에 대응하는 구조 설계 조건 내 제1 변수들을 전처리하여 제1 변수들에 각각 대응하는 다 차원의 제1 입력을 생성할 수 있다. 여기서, 입력은 one-hot 벡터, 실수 벡터 등 설계 의도에 따라 다양한 형태로 정의될 수 있다. 입력 생성 시 구조 설계 조건 내 제1 변수들에 각각 가중치들이 적용될 수 있다. 여기서, 가중치들은 뉴럴 네트워크의 학습 시 최적화될 수 있다.

일 실시예에 따르면, 설계 장치는 엘리먼트들 별 위치들의 수정 정보를 기초로 기 학습된 제1 뉴럴 네트워크로 제1 입력을 적용할 수 있다. 입력은 뉴럴 네트워크의 입력 레이어에 대응할 수 있다.

일 실시예에 따르면, 설계 장치는 제1 뉴럴 네트워크에 의해 생성된 제1 출력을 획득할 수 있다. 설계 장치는 제1 뉴럴 네트워크의 출력 레이어로부터 생성된 제1 출력을 획득할 수 있다. 뉴럴 네트워크는 비선형적인 활성화 함수를 이용하여 중간 레이어를 거친 값들을 출력 레이어로 처리하여, 출력을 생성할 수 있다.

일 실시예에 따르면, 출력은 엘리먼트들 별 위치들에 대응하는 노드들을 포함할 수 있다. 출력 레이어는 특정 엘리먼트의 위치에 대응하는 값을 출력하는 제1 노드, 특정 엘리먼트의 위치에 대응하는 값을 출력하는 제2 노드 등을 포함할 수 있다. 노드에 의해 출력되는 값은 위치를 이산화하여 표현하거나 확률과 같은 연속된 값으로 표현할 수 있다.

일 실시예에 따르면, 설계 장치는 제1 출력에 기초하여, 제2 엘리먼트들에 각각 대응하는 위치들을 표현하는 제1 정보를 생성할 수 있다. 설계 장치는 제1 정보에 기초하여, 제2 엘리먼트들이 3D 공간 상 영역 내 위치들을 생성할 수 있다. 제1 정보는 3D 공간 상의 좌표 또는 영역 내 좌표에 대응하는 확률과 연관된 정보로 표현될 수 있다.

일 실시예에 따르면, 뉴럴 네트워크는 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 엘리먼트들에 대응하는 구조 설계 조건 내 변수들 및 엘리먼트들 별 위치들에 대한 추정 결과들 또는 유저들의 수정 정보들에 기초하여 정의될 수 있다. 뉴럴 네트워크는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

일 실시예에 따르면, 학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수를 이용할 수 있다.

일 실시예에 따르면, 학습 장치는 미리 정의된 손실 함수(loss function)을 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

일 실시예에 따르면, 학습 장치는 역전파(backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일 실시예에 따르면, 설계 장치는 학습이 완료된 뉴럴 네트워크를 이용하여 출력을 획득하고, 제2 엘리먼트들에 각각 대응하는 위치들을 추정할 수 있다.

일 실시예에 따르면, 설계 장치는 딥러닝 기법을 이용하여 제2 엘리먼트들을 연결시키기 위한 3D 공간 상의 연결 관계(204)를 생성할 수 있다. 설계 장치는 기계 설계 조건 및 설계 대상에 따라 최적화되어 엘리먼트들을 배치시키도록 학습된 뉴럴 네트워크를 이용하여 제2 엘리먼트들 사이의 연결 관계를 생성할 수 있다.

일 실시예에 따르면, 설계 장치는 제1 출력 및 제2 엘리먼트들에 대응하는 기계 설계 조건 내 제2 변수들을 전처리하여 제2 변수들에 각각 대응하는 다 차원의 제2 입력을 생성할 수 있다. 입력 생성 시 기계 설계 조건 내 제2 변수들에 각각 가중치들이 적용될 수 있다.

일 실시예에 따르면, 설계 장치는 엘리먼트들 사이의 연결 관계들의 수정 정보를 기초로 기 학습된 제2 뉴럴 네트워크로 제2 입력을 적용할 수 있다.

일 실시예에 따르면, 설계 장치는 제2 뉴럴 네트워크에 의해 생성된 제2 출력을 획득할 수 있다. 설계 장치는 제2 뉴럴 네트워크의 출력 레이어로부터 생성된 제2 출력을 획득할 수 있다. 뉴럴 네트워크는 비선형적인 활성화 함수를 이용하여 중간 레이어를 거친 값들을 출력 레이어로 처리하여, 출력을 생성할 수 있다.

일 실시예에 따르면, 출력은 엘리먼트들 사이의 위치 관계들에 대응하는 노드들을 포함할 수 있다. 출력 레이어는 특정 엘리먼트들 사이의 위치 관계에 대응하는 값을 출력하는 제1 노드, 특정 엘리먼트들 사이의 위치 관계에 대응하는 값을 출력하는 제2 노드 등을 포함할 수 있다. 노드에 의해 출력되는 값은 위치 관계를 이산화하여 표현하거나 확률과 같은 연속된 값으로 표현할 수 있다.

일 실시예에 따르면, 설계 장치는 제2 출력에 기초하여, 제2 엘리먼트들 사이를 연결시키는 연결 관계들을 표현하는 제2 정보를 생성할 수 있다. 설계 장치는 제2 정보에 기초하여, 제2 엘리먼트들이 3D 공간 내에서 연결되는 연결 관계들을 생성할 수 있다. 제2 정보는 3D 공간 상의 연결 관계들에 대응하는 확률과 연관된 정보로 표현될 수 있다.

일 실시예에 따르면, 뉴럴 네트워크는 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 학습에는 상술된 내용이 적용될 수 있다. 일실시예에 따르면, 설계 장치는 학습이 완료된 뉴럴 네트워크를 이용하여 출력을 획득하고, 제2 엘리먼트들을 연결시키는 연결 관계들을 추정할 수 있다.

일 실시예에 따르면, 설계 장치는 딥러닝 기법을 이용하여 제2 엘리먼트들을 동작시키기 위한 동작 프로세스들을 포함하는 3D 모델을 생성할 수 있다. 설계 장치는 제어 설계 조건 및 설계 대상에 따라 최적화되어 엘리먼트들을 동작시키도록 학습된 뉴럴 네트워크를 이용하여 제2 엘리먼트들의 동작 프로세스들을 생성할 수 있다.

일 실시예에 따르면, 설계 장치는 제1 출력, 제2 출력 및 제2 엘리먼트들에 대응하는 제어 설계 조건 내 제3 변수들을 전처리하여 제3 변수들에 각각 대응하는 다 차원의 제3 입력을 생성을 생성할 수 있다. 입력 생성 시 제어 설계 조건 내 제3 변수들에 각각 가중치들이 적용될 수 있다.

일 실시예에 따르면, 설계 장치는 엘리먼트들의 동작 프로세스들의 수정 정보를 기초로 기 학습된 제3 뉴럴 네트워크로 제3 입력을 적용할 수 있다.

일 실시예에 따르면, 설계 장치는 제3 뉴럴 네트워크에 의해 생성된 제3 출력을 획득할 수 있다. 설계 장치는 제3 뉴럴 네트워크의 출력 레이어로부터 생성된 제3 출력을 획득할 수 있다. 뉴럴 네트워크는 비선형적인 활성화 함수를 이용하여 중간 레이어를 거친 값들을 출력 레이어로 처리하여, 출력을 생성할 수 있다.

일 실시예에 따르면, 출력은 엘리먼트들의 동작 프로세스들에 대응하는 노드들을 포함할 수 있다. 출력 레이어는 특정 엘리먼트의 동작 프로세스에 대응하는 값을 출력하는 제1 노드, 특정 엘리먼트의 동작 프로세스에 대응하는 값을 출력하는 제2 노드 등을 포함할 수 있다. 노드에 의해 출력되는 값은 동작 프로세스를 이산화하여 표현하거나 확률과 같은 연속된 값으로 표현할 수 있다.

일 실시예에 따르면, 설계 장치는 제3 출력에 기초하여, 제2 엘리먼트들을 동작시키는 동작 프로세스들을 표현하는 제3 정보를 생성할 수 있다. 설계 장치는 제3 정보에 기초하여, 제2 엘리먼트들이 3D 공간 내에서 동작하는 동작 프로세스들을 생성할 수 있다. 제3 정보는 3D 공간 내 동작 프로세스들에 대응하는 확률과 연관된 정보로 표현될 수 있다.

일 실시예에 따르면, 뉴럴 네트워크는 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 학습에는 상술된 내용이 적용될 수 있다. 일 실시예에 따르면, 설계 장치는 학습이 완료된 뉴럴 네트워크를 이용하여 출력을 획득하고, 제2 엘리먼트들을 동작 시키기 위한 동작 프로세스들을 추정할 수 있다.

일 실시예에 따르면, 설계 장치는 인공지능을 기초로 엘리먼트들의 3D 공간 상 위치를 표현하는 정보, 엘리먼트들의 연결 관계를 표현하는 정보 및 엘리먼트들의 동작 프로세스를 표현하는 정보를 생성하여 작업의 효율성과 속도를 높여 품질향상과 공기단축을 실현할 수 있다.

도 4는 일실시예에 따른 장치의 구성의 예시도이다.

일 실시예에 따른 장치(301)는 프로세서(302) 및 메모리(303)를 포함한다. 일실시예에 따른 장치(301)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 2를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 2를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(303)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(303)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(302)는 프로그램을 실행하고, 장치(301)를 제어할 수 있다. 프로세서(302)에 의하여 실행되는 프로그램의 코드는 메모리(303)에 저장될 수 있다. 장치(301)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

도 5는 본 발명의 다른 실시예에 따른 설계 도면 제공 방법의 개략적인 구성이 도시된 개념도이다.

본 발명에 따르면, 본 발명의 일 실시예에 따른 설계 도면 제공 방법(1000)은 장치(301), 단말기(400) 및 관리 서버(500)를 포함할 수 있다.

장치(301)는 상술한 도 3에서와 같은 구성으로 형성될 수 있으며, 실시예에 따라서는 관리 서버(500)에 포함되는 구성으로 형성될 수 있다. 장치(301)에 관한 설명은 도 1 내지 도 4에서 상술한 바와 동일한 바 여기서는 자세한 설명을 생략한다.

단말기(400)는 본 발명에 따른 산업용 플랜트 및 반도체 설비 설계 방법(1000)이 구축된 사내망(인트라넷)을 통해 관리 서버(500)에 접속하는 장치로, 단말기(400)는 PC, 노트북, 스마트폰, 핸드폰 등과 같이 키패드, 터치패드 등과 같은 입력 수단과, 디스플레이부 등과 같은 출력 수단과, 정보의 처리가 가능한 CPU 모듈이 구비된 통신 가능 장치이다.

단말기(400)는 관리 서버(500)에서 제공하는 어플리케이션을 다운로드 받아 설치하여 두거나, 관리 서버(200)와 연동되는 웹페이지에 접속하여 관리 서버(200)에서 제공하는 ERP 시스템을 이용한 업무를 수행하며, 이에 따른 데이터를 송수신할 수 있다.

관리 서버(500)는 웹페이지를 관리할 수 있다. 관리 서버(500)는 인트라넷 등과 같은 사내망을 통해 접속하는 단말기(200) 또는 장치(310)를 기업 활동을 위한 웹페이지로 연결시킬 수 있거나, 산업용 플랜트 및 반도체 설비 설계와 관련된 웹페이지로 연결시킬 수 있다. 또한, 단말기(400) 또는 장치(310)를 통해 요청되는 업무에 따른 처리 결과를 웹페이지에 표시할 수 있다.

도 6은 통계 데이터를 기초로 다이나믹 그래프를 생성하는 일 예를 설명하기 위한 개념도이다.

도시된 바와 같이, 관리 서버(500)는 웹페이지를 통해 표시되는 통계 자료에 대하여, 동적으로 변화하는 그래프를 생성하여 웹페이지를 통해 표시되도록 제어할 수 있다. 관리 서버(500)는 입력받은 통계자료에 대한 데이터 시트를 생성하여 웹페이지의 제1 영역에 출력할 수 있다. 웹페이지(10)는 데이터 시트를 표시하기 위한 제1 영역(11)과, 데이터 시트에 대한 그래프 생성 결과를 표시하기 위한 제2 영역(12)과, 저장 또는 인쇄될 그래프를 표시하기 위한 제3 영역(13)과, 다양한 기능을 수행하기 위한 아이콘들이 포함된 인터페이스 영역(14)을 포함할 수 있다.

통계자료는 원시자료 또는 원시자료를 도수분포의 형태로 요약한 요약자료를 포함할 수 있으며, CSV(Comma Separated Value)형식 또는 JSON 형식으로 생성되거나 저장될 수 있다.

이러한 통계자료는 다양한 방법으로 입력받을 수 있다. 일 예로, 통계자료는 웹페이지를 통해 직접 입력받을 수 있다. 관리서버는 복수의 셀이 행과 열로 구성된 데이터 시트 양식을 생성하여 웹페이지의 제1 영역에 표시할 수 있다. 사용자는 제1 영역에 표시된 데이터 시트의 공란, 즉 어느 하나의 셀에 통계 분석을 위한 변량들을 입력하여 통계자료를 생성할 수 있다. 관리서버는 사용자로부터 입력된 변량들을 기초로 데이터 시트에 변량을 기록한 결과를 제1 영역에 표시할 수 있다.

다른 예로, 관리서버는 웹페이지를 통해 파일 형태의 통계자료를 입력받을 수 있다. 사용자는 사용자 단말에 저장된 통계자료를 웹페이지를 통해 관리서버로 업로드할 수 있다. 관리서버는 수신된 통계자료에 포함된 변량들의 종류를 구분하여 자동으로 데이터 시트에 기록한 후 이를 제1 영역에 표시할 수 있다.

데이터 시트에 통계 자료가 기록된 후, 관리 서버(500)는 단말기(400)로부터 선택되는 그래프의 종류에 대한 다이나믹 그래프를 생성하여 제2 영역상에 출력할 수 있다.

관리서버는 웹페이지(10)의 제1 영역(11)상의 소정 영역에 대한 선택신호를 수신하면, 데이터 시트에 기록된 모든 변량들 중에서 그래프를 생성하기 위한 변량들을 수집할 수 있다. 데이터 시트에는 변량들의 종류를 구분하기 위한 셀(이하, 변량명 영역)들이 배치될 수 있으며, 관리 서버(500)는 사용자가 어느 하나의 변량명 영역을 선택하면, 선택된 변량명 영역에 소속된 변량들을 수집할 수 있다.

이후, 관리 서버(500)는 웹페이지의 제4 영역인 인터페이스 영역(14) 상의 어느 하나의 아이콘에 대한 선택신호를 수신하면, 수집된 변량들 및 선택된 아이콘의 종류에 따른 다이나믹 그래프를 생성할 수 있다. 여기서, 그래프의 종류는 막대 그래프, 원 그래프, 띠 그래프, 꺾은선 그래프, 점 그래프, 히스토그램, 줄기 그래프, 상자 그래프 및 산점도 그래프를 포함할 수 있다. 관리 서버(500)에서 생성되는 그래프의 종류는 상술한 예시에 한정되지 않으며, 통계자료를 시각적으로 분석하기 위한 다양한 형태의 그래프 종류를 더 포함할 수 있다. 관리서버는 각각의 그래프의 종류에 대응되는 아이콘을 웹페이지(10)의 인터페이스 영역(14)에 배치시킬 수 있다. 이때, 상기 자료에 대한 통계적 의미를 나타내는 그래픽을 상기 다이나믹 그래프 상에 표시할 수 있다.

이후, 관리 서버(500)는 웹페이지(10)의 제2 영역 중 그래프를 저장하거나 인쇄하기 위한 영역 또는 UI에 대한 선택신호를 수신하면, 제2 영역(12)에 생성된 다이나믹 그래프를 제3 영역(13)으로 이동시켜, 제3 영역(13)에서 표시되도록 할 수 있다. 제3 영역(13)은 제2 영역(12)에서 사용자에 의해 선택된 적어도 하나의 그래프들이 정렬되어 표시되는 영역으로, 출력을 위한 규격에 적합하도록 배열될 수 있다.

이하에서는, 상술한 본 발명에 따른 다이나믹 그래프를 이용한 통계자료 분석 방법을 이용하여 다이나믹 그래프를 생성하는 과정을 더욱 구체적으로 설명하기로 한다.

도 7 및 도 8은 다이나믹 그래프의 종류에 따라 서로 다른 그래픽 정보가 생성되는 일 예가 도시된 도면이다. 구체적으로, 도 7은 점 그래프에 표시되는 그래픽 정보의 일 예가 도시된 도면이고, 도 8은 산점도 그래프에 표시되는 그래픽 정보의 일 예가 도시된 도면이다.

각각의 그룹에 대한 평균 및 표준편차에 대한 그래픽 정보를 생성하여 기 생성된 다이나믹 그래프상에 표시할 수 있다. 반면, 관리서버는 사용자에 의해 선택되어 생성된 산점도 그래프에 대해서는 회귀선에 대한 그래픽 정보를 생성할 수 있다. 이와 같이, 관리서버는 일률적인 그래픽 정보를 생성하는 대신 다이나믹 그래프의 종류에 적합한 그래픽 정보를 생성함으로써 생성된 그래프에 대한 효과적인 분석을 가능하게 한다. 하지만, 생성되는 그래픽 정보는 상술한 예시에 한정되지 않으며 사용환경과 설정 등에 따라 다양한 종류의 그래픽 정보를 다이나믹 그래프에 표시할 수도 있음은 물론이다.

한편, 도 7 및 도 8에 도시된 바와 같이, 관리서버(500)는 단말기(400)로부터 수신된 선택신호를 기초로 생성된 다이나믹 그래픽의 명칭을 자동을 생성할 수 있다. 구체적으로, 관리서버는 웹페이지상의 제1 영역에 대한 사용자의 선택신호의 선택 순서에 따라 그래프의 명칭을 순차적으로 결정할 수 있다. 예를 들어, 사용자가 입고량에 대한 변량명 영역을 첫 번째로 선택하고, 출고량에 대한 변량명 영역을 두 번째로 선택하는 경우, 관리서버는 '입고량 : 출고량의 산점도'와 같은 명칭을 생성할 수 있다.

한편, 관리 서버(500)는 다이나믹 그래프를 생성하는 과정에서 선택된 변량명에 포함된 변량이 문자인지 또는 숫자인지에 따라 생성 가능한 그래프를 종류를 사용자에게 알려줄 수 있다. 예를 들어, 관리서버는 '원시자료에서 두 개이상 선택된 변량의 종류에 대해서는 그래프 또는 표가 생성되지 않습니다.' 또는 '문자 형태의 변량은 선택하신 그래프를 생성할 수 없습니다.' 등과 같은 안내 메시지를 웹페이지의 팝업 형태로 출력할 수 있다.

또한, 관리서버(500)는 다양한 기능들에 대한 아이콘을 인터페이스 영역(14)에 배치시킬 수 있다. 이때, 관리서버(200)는 통계자료에 대한 다이나믹 그래프를 생성하는 기능 외에도 추가적인 기능을 수행할 수 있다.

이 밖에도, 관리서버(500)는 상관계수 시뮬레이션 및 회귀분석 시뮬레이션 등과 같은 시뮬레이션 기능을 제공할 수 있다.

상술한 바와 같은 기능을 수행하는 관리 서버(500)는, 백업 파일 분산화 모듈(설명의 편의상 도면에는 도시하지 않음)을 포함할 수 있다.

백업 파일 분산화 모듈은, 해킹 또는 랜섬웨어와 같은 외부의 공격으로부터 보호하여야 할 사용자 정보나 시스템 정보 등과 같은 중요 정보를 백업 파일로 생성한 후, 생성된 백업 파일을 동일한 데이터를 포함하는 1차 백업 파일과 2차 백업을 차례로 생성하여 저장하되, 1차 백업 파일과 2차 백업 파일의 저장 장소를 달리 하여 저장한다.

다만, 백업 파일의 생성은 1차와 2차에 한정되는 것은 아니며, 시스템의 성능 등을 고려하여 3차 이상의 복수 개의 백업 파일을 생성하여도 무방하다.

그리고, 백업 파일 분산화 모듈은, 기 설정된 주기로(예를 들어, 시스템 상 기본적으로 설정된 주기인 3시간 마다 1회 내지 5시간 마다 1회 등, 다만 해당 설정된 주기에 한정되는 것은 아니며 사용자로부터 지정 받은 주기로 설정되어도 무방하다) 저장되었던 1차 백업 파일과 2차 백업 파일의 저장 장소를 시스템 상의 기 설정된 장소 또는 새롭게 생성된 장소로 변경한다.

이때, 백업 파일의 이동 장소는, 시스템 상에서 기 설정되거나 사용자로부터 지정 받은 장소가 아니라, 임의의 랜덤 변수에 따라 생성된 폴더나 서브 폴더로 지정됨이 바람직하다.

이에 따라, 해킹 또는 랜섬웨어와 같은 공격형 프로그램이 공격하고자 하는 파일이 위치하는 폴더의 존재 또는 해당 폴더의 위치를 예측하고 용이하게 공격하는 것을 원천적으로 방지함은 물론, 삭제되어서는 안 되는 고객 정보와 같은 중요한 데이터가 사용자의 실수로 삭제되거나 수정되는 것을 방지할 수 있다.

본 발명에서, 1차 백업 파일과 2차 백업 파일은, 동일한 내용의 데이터를 포함하고 있는 파일들로써, 상호 간에 우열이 존재하는 것은 아니며, 파일의 이동에 있어서도 1차 백업 파일의 이동 후 2차 백업 파일이 이동하거나, 2차 백업 파일의 이동 후 1차 백업 파일이 이동하여도 무방하다.

일 실시예에서, 백업 파일 분산화 모듈은, 외부로부터 침입이 감지될 경우, 기 생성되었던 1차 백업 파일과 2차 백업 파일로부터의 복제를 연속적으로 수행하여 각 백업 파일의 서브 백업 파일들을 다수 개 생성하며, 생성된 다수 개의 서브 백업 파일들을 역시 랜덤 변수에 따라 생성된 서로 다른 장소에 개별적으로 저장할 수 있다.

이에 따라, 시스템 상에서 산발적으로 생성된 다수 개의 백업 파일을 임의의 장소로 나누어 저장함으로써, 일부 백업 파일이 공격에 의해 손실되거나 삭제되는 경우에도 시스템 상에 산발적으로 존재하는 백업 파일을 이용하여 필요한 자료 등을 용이하게 복구하도록 할 수 있다.

다음으로, 백업 파일 분산화 모듈은, 다수 개의 백업 파일 중 현재 공격받고 있는 백업 파일이라고 판단된 파일을 시스템 상에서 영구적으로 삭제하게 된다.

이에 따라, 본 발명에서는, 해킹 또는 랜섬웨어의 공격 등으로 인해 시스템 상에서 정상적인 기능을 수행하지 못하거나, 해당 공격으로 인해 시스템 상에 존재하는 다른 파일까지도 위험에 노출시킬 수 있는 좀비 프로그램으로 변할 수 있는 파일을 미연에 시스템 상에서 삭제시킴으로써, 일부 파일로 인해 시스템 전체가 공격받는 것을 미연에 방지할 수 있다.

일 실시예에서, 백업 파일 분산화 모듈은, 백업 파일을 클라우드 서비스와 연동된 동기화 폴더에 저장한 경우, 해당 동기화 폴더에 백업 파일의 저장이 완료되고 저장한 백업 파일이 클라우드 상에 업로드 되면, 해당 동기화 폴더에 대한 동기화를 해제할 수 있다.

예를 들어, 사용자의 동기화를 위한 클라우드 서비스가 "Dropbox"라고 할 경우, "Dropbox"에서 제공하고 있는 "선택적 동기화 서비스"를 이용하여 상술한 바와 같은 백업 파일 분산화 모듈의 기능을 구현하게 된다.

즉, 백업 파일 분산화 모듈은, 백업 파일을 저장하기 위한 공간으로서 "백업 폴더"를 시스템 상에 생성하면, 클라우드 서비스는 새롭게 생성된 "백업 폴더"를 클라우드 상에서 역시 동일하게 생성하게 된다.

다음으로, 백업 파일 분산화 모듈은, 해당 폴더에 백업 파일을 저장하게 될 것이고, 이에 따라 클라우드 상에도 해당 백업 파일이 업로드 된다.

마지막으로, 클라우드 상에 해당 백업 파일의 업로드가 완료되면, 백업 파일 분산화 모듈은, 백업 파일 업로드에 사용되었던 "백업 폴더"에 대한 동기화만을 선택적으로 해제하고, "백업 폴더"를 시스템 상에서 삭제한다.

이 경우, 시스템 전체에 대한 동기화를 해제하는 것이 아니라, 백업 파일의 업로드에 사용하기 위해 임시적으로 생성되었던 "백업 폴더"만에 대한 동기화를 해제함으로써, 클라우드 서비스와의 안정적인 동기화 서비스는 지속적으로 수행하는 반면, 백업 파일은 클라우드 상에 업로드시킨 후 시스템 상에서는 삭제함에 따라 클라우드 상에서 백업 파일은 안전하게 저장하는 한편 시스템을 침투한 공격에 지속적으로 노출되는 것은 원천적으로 방지할 수 있게 된다.

일 실시예에서, 백업 파일 분산화 모듈은, 클라우드 상에 업로드 하였던 백업 파일의 저장 장소를 변경할 순서가 된 경우, 선택적 동기화를 해제하였던 폴더의 동기화를 다시 수행하여 클라우드 서비스에 업로드 하였던 백업 파일을 다운받은 후, 다운받은 백업 파일을 상술한 바와 같이 랜덤 변수에 따라 새롭게 생성된 장소로 이동시킬 수 있다.

또한, 상술한 바와 같은 구성을 가지는 관리 서버(500)는, 개발 환경 관리 시스템(설명의 편의상 도면에는 도시하지 않음) 상에서 구현될 수 있다.

개발 환경은 다수의 개발자가 소프트웨어 개발을 위해 다수의 개발 시스템을 사용하며, 각 개발 시스템은 개발자의 제어에 따라 소프트웨어 컴포넌트 및 소프트웨어를 개발하고 직접 관리할 수 있다. 각 개발 시스템은 신뢰 플랫폼 모듈(TPM: Trusted Platform Module) 표준기술을 사용하며, 이에 따라 소프트웨어 컴포넌트가 사용 허가된 개발 시스템에서만 사용 가능하도록 한다. 신뢰 플랫폼 모듈(TPM)은 일종의 보안 장치로서, 데이터 암호화를 위한 보안키를 생성 및 관리할 수 있다.

개발 환경 관리 시스템은 소프트웨어 컴포넌트 사용에 대한 개발자의 권한을 제한하고, 개발자가 사용하는 개발 시스템에 대한 보안 인증을 수행할 수 있다.

개발 환경 관리 시스템은 개발 시스템으로부터 소프트웨어 컴포넌트 생성 또는 수정 허가 요청 메시지를 수신하는 경우, 해당 개발 시스템의 권한 정보를 확인하여 소프트웨어 컴포넌트 생성 또는 수정 허가 요청 메시지를 처리할 수 있다.

여기에서, 소프트웨어 컴포넌트는 소스코드, 디버깅 정보를 포함하는 바이너리, 디버깅 정보를 포함하지 않는 순수 바이너리, 코드에 대한 상세설명을 위한 문서, 코드의 이해를 위한 공정 수식모델 중 적어도 하나를 포함하여 구성될 수 있다.

권한 정보는 소프트웨어 컴포넌트를 읽을 수 있는 읽기 권한, 소프트웨어 컴포넌트를 생성 및 수정하여 저장할 수 있는 저장 권한, 권한 정보를 조정할 수 있는 권한조정 권한 중 적어도 하나를 포함하여 구성될 수 있다.

개발 환경 관리 시스템은 권한 정보를 만족하는 어느 하나의 개발 시스템에 의해 소프트웨어 컴포넌트가 생성 또는 수정되는 경우, 이를 저장하여 다른 개발 시스템에서도 공유 가능하도록 제어할 수 있다. 이는 어느 하나의 개발 시스템에 의해 빌드한 모듈을 다른 개발 시스템에서 사용하여야 하는 경우가 있기 때문이다.

개발 환경 관리 시스템은 이러한 소프트웨어 컴포넌트의 생성 또는 수정 이력을 저장한 데이터베이스를 구축할 수 있다. 이는 이력 정보를 통해 특정 변수의 값이 어떻게 달라졌는지 단계별로 추적할 수 있고, 그 특정 변수가 임의의 다른 변수의 값 변경에 어떠한 영향을 주었는지도 파악할 수 있기 때문이다.

구체적으로는, 개발 환경 관리 시스템은 소프트웨어 컴포넌트의 종류, 해당 소프트웨어 컴포넌트의 생성/수정 여부, 해당 소프트웨어 컴포넌트의 생성/수정 일자, 해당 소프트웨어 컴포넌트의 생성/수정 빈도, 해당 소프트웨어 컴포넌트를 생성/수정한 개발 시스템의 권한 정보를 포함하여 이력 정보를 생성할 수 있다.

개발 환경 관리 시스템은 이력 정보를 생성할 때마다 인덱스를 부여하여 이력 정보 데이터베이스에 저장할 수 있다.

이때, 개발 환경 관리 시스템은 소프트웨어 컴포넌트의 종류별로 이력 정보 데이터베이스를 구축할 수 있다. 즉, 개발 환경 관리 시스템은 소프트웨어 컴포넌트의 중요도에 따라 이력 정보 데이터베이스를 구축할 수 있으며, 중요도가 가장 높은 종류에 해당하는 소프트웨어 컴포넌트의 이력 정보 데이터베이스는 후술하는 바와 같이 저장 공간 관리를 위한 데이터베이스 갱신 대상에서 제외될 수 있을 것이다.

또는, 개발 환경 관리 시스템은 소프트웨어 컴포넌트의 생성/수정 일자 별로 이력 정보 데이터베이스를 구축할 수 있다. 일예로, 개발 환경 관리 시스템은 특정 일자의 이력 정보 데이터베이스를 구축하여, 해당 이력 정보 데이터베이스를 데이터베이스 갱신 대상에서 제외시킬 수 있다.

또는, 개발 환경 관리 시스템은 권한 정보 별로 이력 정보 데이터베이스를 구축할 수 있다. 일예로, 개발 환경 관리 시스템은 최고 권한 정보로 간주되는 권한 정보를 조정할 수 있는 권한조정 권한에 해당하는 개발 시스템에 의한 소프트웨어 컴포넌트의 이력 정보 데이터베이스를 구축하여, 해당 이력 정보 데이터베이스를 데이터베이스 갱신 대상에서 제외시킬 수 있다.

개발 환경 관리 시스템은 상술한 바와 같이 효율적인 저장 공간 관리를 위해 이력 정보 데이터베이스를 갱신할 수 있다.

구체적으로는, 개발 환경 관리 시스템은 이력 정보 데이터베이스의 인덱스가 미리 설정된 인덱스에 도달하면 이력 정보 데이터베이스 갱신을 수행할 수 있다.

예를 들면, 개발 환경 관리 시스템은 이력 정보 데이터베이스의 전체 인덱스를 오름차순으로 하여 3 개의 구간으로 나눌 수 있다.

개발 환경 관리 시스템은 3 개의 구간 중 가장 낮은 인덱스를 포함하는 구간에 해당하는 이력 정보를 조건 없이 삭제할 수 있다. 해당 구간에 해당하는 이력 정보는 생성/수정 일자가 오랜 시간이 경과한 것으로 간주할 수 있으며, 이에 해당 이력 정보가 다시 참조될 가능성은 낮으므로 조건 없이 삭제할 수 있다.

개발 환경 관리 시스템은 3 개의 구간 중 가운데 구간에 해당하는 이력 정보를 소프트웨어 컴포넌트의 종류에 따라 삭제 또는 유지 여부를 결정하여 갱신할 수 있다. 즉, 개발 환경 관리 시스템은 소프트웨어 컴포넌트의 종류에 따라 중요도를 분류할 수 있으며, 3 개의 구간 중 가운데 구간에 해당하는 이력 정보 중 중요도가 가장 높은 소프트웨어 컴포넌트의 종류에 해당하는 이력 정보만을 유지하고 나머지 이력 정보는 모두 삭제하는 방식으로 이력 정보 데이터베이스를 갱신할 수 있다.

또는, 개발 환경 관리 시스템은 3 개의 구간 중 가운데 구간에 해당하는 이력 정보를 소프트웨어 컴포넌트의 생성/수정 빈도에 따라 삭제 또는 유지 여부를 결정하여 갱신할 수 있다. 즉, 3 개의 구간 중 가운데 구간에 해당하는 이력 정보 중 그 생성/수정 빈도가 미리 설정된 기준 빈도보다 높은 이력 정보는 모두 삭제하고 나머지 이력 정보는 유지하는 방식으로 이력 정보 데이터베이스를 갱신할 수 있다.

또는, 개발 환경 관리 시스템은 3 개의 구간 중 가운데 구간에 해당하는 이력 정보를 개발 시스템의 권한 정보에 따라 삭제 또는 유지 여부를 결정하여 갱신할 수 있다. 즉, 3 개의 구간 중 가운데 구간에 해당하는 이력 정보 중 그 권한 정보가 최고 권한 정보로 간주되는 권한 정보를 조정할 수 있는 권한조정 권한인 이력 정보는 그대로 유지하고, 나머지 이력 정보는 모두 삭제하는 방식으로 이력 정보 데이터베이스를 갱신할 수 있다.

개발 환경 관리 시스템은 3 개의 구간 중 가장 높은 인덱스를 포함하는 구간에 해당하는 이력 정보를 그대로 유지할 수 있다. 해당 구간에 해당하는 이력 정보는 생성/수정 일자가 비교적 최근의 것으로 간주할 수 있으며, 이에 해당 이력 정보가 다시 참조될 가능성은 높으므로 그대로 유지할 수 있다.

상술한 바와 같은 구성을 가지는 관리 서버(500)의 구성 중 일부는 인공지능에 의해 구현될 수 있으며, 의사결정 이유 제시 모듈(설명의 편의상 도면에는 도시하지 않음)을 더 포함할 수 있다.

의사결정 이유 제시 모듈은, 주어지거나 사용자에 의해 입력된 데이터에 대해서 분류·예측할 뿐만 아니라 결정에 대한 인과관계를 분석하여 적절한 근거를 찾아, 인공지능이 제시한 결과에 대해서 왜 그런 결과가 나오는지에 대한 이유를 사용자 레벨에서 설명할 수 있다. 의사결정 이유 제시 모듈을 통해 사용자와 인공지능 상호간의 신뢰할 수 있는 의사결정을 가능케 함으로써, 문제나 오류 발생 시 사용자에 의한 피드백이 적절하게 반영될 수 있다. 또한, 의사결정 이유 제시 모듈을 둠으로써, 인공지능이 제시하는 결과에 대해서 왜 그런 결과가 나오는지에 대한 원인을 명쾌하게 설명할 수 없어 사용자가 인공지능에 가질 수 있는 불신감을 해소할 수 있으며, 과도하게 학습을 진행할 경우 전체적인 관점에서의 최적해가 아닌 지역 내 최적해가 선택될 수 있다는 과적합화(overfitting) 문제를 미연에 방지할 수 있다.

일 실시 예에서, 의사결정 이유 제시 모듈은 모델 구축 모듈 및 이유 설명 인터페이스 모듈을 더 포함할 수 있다. 모델 구축 모듈은 심층 설명 학습 모듈, 해석 가능한 모델 생성 모듈 및 모델 귀납 모듈로 구현될 수 있다.

심층 설명 학습 모듈은 변형된 딥러닝 기술로서 심층 신경망이 설명 가능한 특징들을 학습하도록 할 수 있다. 은닉계층의 노드가 의미 있는 속성을 나타내도록 학습할 수 있으며, 예를 들어 팔과 다리의 이미지를 구분하는 모델을 학습한다면, 각 은닉 노드가 손톱이나 발톱 모양, 손가락이나 발가락 모양, 손바닥이나 발바닥의 위치 등을 나타내도록 학습해서 모델이 어떤 이미지를 손이라고 판단했을 때 활성화된 은닉 노드를 통해 판단의 근거를 알 수 있다. 이러한 판단의 근거는 예를 들어 RNN(순환신경망, Recurrent Neural Network) 등의 자연어 생성 모델을 통해 언어적으로 나타낼 수도 있다. RNN은 딥러닝의 모델이며 인공신경망의 한 종류로서, 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 것으로서, 입력조절벡터와 망각벡터 그리고 출력조절벡터를 이용하여 입력과 출력데이터를 얻는다. 입력조절벡터에서는 입력신호가 활성화함수와의 연결계층을 거친 후에 값을 받아들이며 망각 벡터는 과거 입력의 일부를 현재 입력에 반영하는 역할을 한다. 그리고 출력조절벡터는 과거의 값과 수정된 입력값을 고려하여 활성화 함수를 이용해 값을 받아들인다. 그리고 그 최종결과는 다시 입력으로 되돌아가게 된다. 이러한 순환신경망은 문서 감정을 분류하거나 필기체를 인식하는데 주로 활용되며, 음성 인식, 시계열 예측이나 파형생성을 할 때에도 주로 활용될 수 있다. 이는 입력데이터가 순서가 없는 고정된 모양 이어도 적절할 순서에 따라 처리할 수 있기 때문이다.

또한, 일 실시 예에서, 심층 설명 학습 모듈은 이미지에 근거가 되는 부분을 표시하여 시각적으로 나타낼 수도 있다. 예를 들어 인공지능 시스템이 고양이 이미지를 분류할 경우, 기존 시스템은 입력된 이미지의 고양이 여부만을 도출하지만, 심층 설명 학습 모듈은 고양이 여부를 도출하고, 이것의 근거(털, 수염 등) 이미지를 사용자에게 제공할 수 있다.

해석 가능한 모델 생성 모듈은, 구조화된 데이터를 해석 가능한 인과관계 모델로 구축할 수 있다. 일 실시 예에 따르면, BPL(bayesian program learning)을 이용하여 해석 가능한 모델 생성 모듈을 구축할 수 있으며, BPL은 작은 조각들의 조합으로 표현하도록 학습하는 방법으로서, 예를 들어 글자를 생성하는 모델을 학습할 때 글자를 획으로 나누어서 가장 합리적인 획의 조합으로 생성하도록 한다. BPL은 대량의 데이터가 없이도 사람과 같이 한 번 보면 그대로 모방할 수 있으며, Neural Network(신경망 모델)를 진화시킨 것으로서 새로운 사건이 주어졌을 때 그 사건을 바탕으로 확률값을 변화시킬 수 있다. 즉, BPL은 가상 변수들에 들어가는 가중치만 바꾸는 방식이 아니라, 중간에 다른 가상 변수를 생성하는 내용까지 포함된다. 새로운 환경이 주어지면 다른 방식으로 현상을 이해하는 것으로서 예를 들어, 동전을 100번 던져서 앞면이 60번, 뒷면이 40번 나와서 앞 면이 나올 확률을 60%로 잡은 다음, 다음번에 뒷면이 나오게 되면 앞면이 나올 확률을 59.4%로 내리는 방식이다.

또한, 일 실시 예에서, 해석 가능한 모델 생성 모듈은 확률론적 접근 방법을 통해 구현될 수 있다. 확률론적 접근 방법은 몇 가지 샘플만으로도 학습 효과를 낼 수 있으며, 예를 들면 길이가 긴 의자와 짧은 의자를 보여주면 중간 길이의 의자도 있다는 것을 배우는 것과 비슷하다. 즉, 부족한 데이터를 스스로 채워 나가며 학습하는 기술이다. 실시 예에 따라서는 확률론적 접근 방법은 수학적 계산을 통해 스스로 확률과 프로그램을 보정하는 기능을 포함할 수 있다.

또한, 일 실시 예에서, 해석 가능한 모델 생성 모듈은 And-Or-Graph를 이용하여 구현된 수 있다. And-Or-Graph는 AND/OR 그래프란 rule의 조건 및 결론관계와 AND/OR 관계를 그래프 형태로 나타내는 것으로서, 인공지능에 의해 도출되는 중간 및 최종 데이터가 구조화 되어있어 모델의 결정과정을 논리적으로 설명하기 쉬운 장점이 있다. 즉, AND 노드와 OR 노드로 그래프를 나타내는데, AND 노드는 모두 처리되어야 하며 OR 노드는 하나만 처리되면 끝낼 수 있다. AND/OR 그래프를 이용하면 서로 산재해 있는 rule들의 집합을 하나의 구조로 조감할 수 있으며 각 문장간의 논리적인 관계를 쉽게 파악할 수 있다.

모델 귀납 모듈은 임의의 블랙박스 모델을 설명가능한 모델로 추론할 수 있다. 일 실시 예에서, 모델 귀납 모듈은 LIME(local interpretable model-agnostic explanations)로 구현될 수 있으며, LIME은 임의의 블랙박스 모델을 이미 설명이 가능한 데이터 주변에서 희소 선형 결합을 통해 국부적으로 설명 가능하게 만들 수 있다. 예를 들어, 이미지를 분류하는 블랙박스 모델이 어떤 이미지를 심장이라고 판단했다면 이미 설명 가능한 다른 모델의 심장에 대한 설명 즉, 심장을 표현하는 픽셀들을 주어진 이미지와 대조하여 어느 부분이 심장이라고 판단한 근거인지 제시할 수 있다.

또한, 일 실시 예에서 모델 귀납 모듈은 모델을 일련의 if-then 조건문으로 표현하는 BRL(bayesian rule lists)로 구현될 수 있다. BRL은 고차원, 다변수인 특징공간을 간단하고 이미 해석 가능한 조건문으로 나누어 복잡한 모델을 이해할 수 있게 한다.

상술한 심층 설명 학습 모듈, 해석 가능한 모델 생성 모듈 및 모델 귀납 모듈은 서로 독립적으로 또는 서로 결합되어 작용될 수 있으며, 그 구현 순서도 실시 예에 따라 달라질 수 있다.

다음으로, 이유 설명 인터페이스 모듈은 인공지능의 의사결정에 대한 설명을 사용자가 이해할 수 있는 방식으로 표현할 수 있다. 이유 설명 인터페이스 모듈은 제시한 설명이 반복적일 것, 필요한 설명을 모두 포함하고 있을 것, 불필요한 설명을 포함하지 않을 것, 양이 적절할 것 등을 필수 항목으로 포함할 수 있다. 즉, 사용자가 용이하게 인공지능이 어떠한 과정과 이유로 최종 결과를 도출했는지와 각 단계별로 영향을 미친 요소나 데이터가 무엇인지 언어, 표, 이미지, 그래프, 수식 등을 포함하여 사용자에게 제공할 수 있다.

또한, 이유 설명 인터페이스 모듈은 사용자의 정정 명령을 입력받을 수 있다. 이를 위해 이유 설명 인터페이스 모듈은 정정가능성은 설명이 유동적일 것, 사용자의 피드백을 존중할 것, 점진적인 변화를 주시할 것 등을 필수 항목으로 포함할 수 있다. 이렇게 제시된 설명에 대해서 사용자에게 설명의 명확도와 활용도 등에 대한 피드백을 받아 이유 설명 인터페이스 모듈의 효과를 평가하고 발전시킬 수 있다.

다른 실시 예에서, 의사결정 이유 제시 모듈은, 인과관계 모델로 형성될 수 있다. 인과과계 모델은 딥러닝과 마르코브 랜덤 필드를 결합하는 형태로 형성될 수 있다. 먼저 학습 데이터로부터 심층 마르코브 랜덤 필드 모델의 확률 분포를 모델링하고, 확률 변수들 사이의 조건부 독립성을 나타내는 마르코브 랜덤 필드의 구조를 학습한다. 구조가 학습된 마르코브 랜덤 필드의 잠재 함수를 심층 신경망으로 추론하여 입력 변수의 수가 증가함에 따라 잠재 함수에 필요한 매개 변수의 수가 기하급수적으로 증가하는 문제를 완화하고, 변수 연관관계에 대한 제약 없이 복잡한 연관관계를 학습할 수 있다. 실시예에 따라 클래스 분류 문제를 보조태스크인 속성, 슈퍼카테고리와 같이 학습한 후, 출력 단계에서 선형 결합하여 효과적인 표현이 가능하도록 할 수 있다. 또한 인과관계가 정확히 학습되었는지 사람이 확인하고 피드백을 주어 수정할 수 있도록 하는 상호작용 학습 알고리즘을 포함할 수 있다.

또 다른 실시 예에서, 의사결정 이유 제시 모듈은, 분석 모듈로 구현될 수 있다. 시계열 함수를 다양한 커널을 바탕으로 다변수 가우시안으로 회귀분석 하는 기술로서, 가우시안 프로세스에서 커널을 표현하는 최적의 커널 조합을 학습하여 주어진 시계열 데이터를 위에서 찾은 커널 조합을 바탕으로 설명할 수 있다. 더 나아가서 여러 개의 시계열 데이터가 있을 때에도 공통적으로 표현되는 커널 및 각 시계열 데이터의 특성을 표현하는 커널의 조합을 학습하여 여러 개의 시계열 데이터에서 공통적으로 나타나는 특징을 설명할 수 있다. 시계열 데이터 분석 모델을 통해 찾은 커널의 조합을 자연어로 작성함으로써 사용자에게 인공지능에 의해 도출된 의사결정의 도출과정 및 그 이유를 자연어로 설명해 줄 수 있다.

이와 같은 의사결정 이유 제시 모듈을 통해, 인공지능의 의사결정 과정을 사용자의 입장에서 시각화 및 문자화함으로써, 의사결정에 과정에 관여한 구성요소를 설명할 수 있으며 동시에 복잡한 모델의 상관관계를 분석하여 원인요소와 결과요소로 나누어 설명할 수 있다. 특히 사용자가 용이하게 이해할 수 있는 자동 보고서의 형식으로 작성됨으로써, 데이터를 분석한 결과뿐만 아니라 이유를 제공하여 인공지능이 보다 정밀하게 인간과 상호 작용하게 할 수 있다.

이와 같은, 생체영상 워터마크 삽입 방법 및 생체영상 워터마크 추출 방법을 제공하는 기술은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

도 9는 본 발명의 일 실시예에 따른 두께 측정 장치를 보여주는 도면이다.

도 9를 참조하면, 본 발명의 일 실시예에 따른 두께 측정 장치(600)는 상부 센서(610) 및 하부 센서(620)를 포함하여, 상부 센서(610) 및 하부 센서(620) 사이에 위치하는 부품의 두께를 측정할 수 있다. 즉, 상술한 기계 설계 조건 중 상기 부품들의 두께를 획득하는 단계는, 서로 마주하도록 마련되어 사이에 위치하는 상기 부품의 두께를 측정하는 상부 센서(610) 및 하부 센서(620)를 포함하는 두께 측정 장치(600)에 의해 수행된다.

상부 센서(610) 및 하부 센서(620)는 광학 센서로, 투광부 및 수광부가 동축에 구비되어 시편까지의 거리를 측정할 수 있다. 특히, 상부 센서(610) 및 하부 센서(620)의 스팟(spot) 직경은 일예로, 2um로 형성되어 정밀 측정이 가능하다. 또한 상부 센서(610) 및 하부 센서(620)의 Z축 분해능(Resolution)은 대략 10nm으로 형성되어 거리 측정의 정확도를 확보할 수 있을 것이다.

상부 센서(610) 및 하부 센서(620)는 서로 마주보도록 마련되되, 3차원적으로 이동 가능하도록 마련될 수 있다.

본 발명의 일 실시예에 따른 두께 측정 장치(600)는 이러한 상부 센서(610) 및 하부 센서(620)의 3차원 이동을 제어하는 제어부를 더 포함할 수 있다.

제어부는 시편의 정확한 두께 또는 형상 측정을 위해 상부 센서(610) 및 하부 센서(620)가 시편의 동일 지점을 동시에 측정할 수 있도록 상부 센서(610) 및 하부 센서(620)의 위치를 제어할 수 있다.

도 10는 도 9에 도시된 상부 센서 및 하부 센서의 위치 제어를 설명하기 위한 도면이다.

도 10을 참조하면, 상부 센서(610) 및 하부 센서(620)로부터 각각 거리 측정을 위해 출력되는 광의 스팟 중심점이 일치하고, 상부 센서(610) 및 하부 센서(620) 각각의 측정 범위가 중첩되는 경우, 시편의 동일 지점까지의 거리가 동시에 측정되므로 시편의 정확한 두께 측정이 가능하다.

제어부는 위와 같은 조건을 충족시킬 수 있도록 상부 센서(610) 및 하부 센서(620)의 위치를 제어할 수 있다.

예를 들면, 제어부는 상부 센서(610)로부터 하부 센서(620)로 광을 출력하도록 제어하고, 소정의 구동 모듈을 제어하여 하부 센서(620)를 이동시키면서 상부 센서(610)로부터 하부 센서(620)로 출력되는 광의 스펙트럼 뷰(spectrum view)를 모니터링하여 하부 센서(620)의 최적 위치를 선정할 수 있다. 이와 관련하여 도 11를 예로 들어 설명한다.

도 11는 도 9에 도시된 상부 센서로부터 하부 센서 측으로 광을 출력하는 경우 측정되는 스펙트럼의 일 예이다.

도 11을 참조하면, 상부 센서(610)로부터 하부 센서(620)로 광을 출력하는 경우의 CHRocodile Explorer의 스펙트럼 뷰의 일 예를 확인할 수 있다. 스펙트럼 뷰를 살펴보면 x축은 거리(distance)를 나타내고, y축은 강도(intensity)를 나타낸다.

제어부는 스펙트럼 뷰에서의 거리가 중심에 위치하고, 강도가 상대적으로 높게 측정되도록 하부 센서(620)를 위치시킬 수 있다. 즉 제어부는 스펙트럼 뷰를 모니터링하면서 거리가 중심에 위치하고, 강도가 상대적으로 높게 측정되는 경우, 하부 센서(620)의 이동을 중지하고 해당 위치에 고정시킬 수 있다.

이와 같은 경우, 상부 센서(610) 및 하부 센서(620)로부터 각각 거리 측정을 위해 출력되는 광의 스팟 중심점이 일치하고, 상부 센서(610) 및 하부 센서(620) 각각의 측정 범위가 중첩될 것이다.

제어부는 스펙트럼 뷰의 모니터링을 위해 스펙트럼 뷰의 데이터(강도 및 거리)가 변할 때마다 파일로 저장할 수 있다. 제어부는 차례로 생성되는 파일을 비교하여 거리가 중심에 위치하면서 강도가 상대적으로 높게 측정되는 지점을 추출할 수 있을 것이다.

제어부는 이러한 스펙트럼 뷰의 데이터의 파일 저장을 위해 백업파일 분산화 모듈을 포함할 수 있다. 백업파일 분산화 모듈은 상술한 바와 동일한 바 중복 기재를 피하기 위해 자세한 설명은 생략한다.

한편 제어부는 스펙트럼 뷰의 모니터링을 위해 스펙트럼 뷰의 데이터(강도 및 거리)가 변할 때마다 파일로 저장할 수 있는데 각 파일에 인덱스를 부여하여 이력 정보 데이터베이스에 저장할 수 있다.

이때, 제어부는 각 파일의 생성 시간 별로 이력 정보 데이터베이스를 구축할 수 있다. 즉, 제어부는 각 파일의 생성 시간 별로 중요도를 부여하고, 중요도에 따라 이력 정보 데이터베이스를 구축할 수 있으며, 중요도가 가장 높은 종류에 해당하는 파일은 후술하는 바와 같이 저장 공간 관리를 위한 데이터베이스 갱신 대상에서 제외될 수 있을 것이다.

제어부는 효율적인 저장 공간 관리를 위해 이력 정보 데이터베이스를 갱신할 수 있다.

구체적으로는, 제어부는 이력 정보 데이터베이스의 인덱스가 미리 설정된 인덱스에 도달하면 이력 정보 데이터베이스 갱신을 수행할 수 있다.

예를 들면, 제어부는 이력 정보 데이터베이스의 전체 인덱스를 오름차순으로 하여 3 개의 구간으로 나눌 수 있다.

제어부는 3 개의 구간 중 가장 낮은 인덱스를 포함하는 구간에 해당하는 파일을 조건 없이 삭제할 수 있다. 해당 구간에 해당하는 파일은 생성/수정 일자가 오랜 시간이 경과한 것으로 간주할 수 있으며, 이에 해당 파일이 다시 참조될 가능성은 낮으므로 조건 없이 삭제할 수 있다.

제어부는 3 개의 구간 중 가운데 구간에 해당하는 파일을 파일에 부여된 중요도에 따라 삭제 또는 유지 여부를 결정하여 갱신할 수 있다. 즉, 제어부는 파일의 생성 시간에 따라 중요도를 부여할 수 있으며, 3 개의 구간 중 가운데 구간에 해당하는 파일 중 중요도가 가장 높은 파일의 종류에 해당하는 파일만을 유지하고 나머지 파일은 모두 삭제하는 방식으로 이력 정보 데이터베이스를 갱신할 수 있다.

제어부는 3 개의 구간 중 가장 높은 인덱스를 포함하는 구간에 해당하는 파일을 그대로 유지할 수 있다. 해당 구간에 해당하는 파일은 생성/수정 일자가 비교적 최근의 것으로 간주할 수 있으며, 이에 해당 파일이 다시 참조될 가능성은 높으므로 그대로 유지할 수 있다.

또는 제어부의 일부는 인공지능에 의해 구현될 수 있으며, 의사결정 이유 제시 모듈을 더 포함할 수 있다.

의사결정 이유 제시 모듈은, 주어지거나 사용자에 의해 입력된 데이터에 대해서 분류·예측할 뿐만 아니라 결정에 대한 인과관계를 분석하여 적절한 근거를 찾아, 인공지능이 제시한 결과에 대해서 왜 그런 결과가 나오는지에 대한 이유를 사용자 레벨에서 설명할 수 있다. 의사결정 이유 제시 모듈을 통해 사용자와 인공지능 상호간의 신뢰할 수 있는 의사결정을 가능케 함으로써, 문제나 오류 발생 시 사용자에 의한 피드백이 적절하게 반영될 수 있다. 또한, 의사결정 이유 제시 모듈을 둠으로써, 인공지능이 제시하는 결과에 대해서 왜 그런 결과가 나오는지에 대한 원인을 명쾌하게 설명할 수 없어 사용자가 인공지능에 가질 수 있는 불신감을 해소할 수 있으며, 과도하게 학습을 진행할 경우 전체적인 관점에서의 최적해가 아닌 지역 내 최적해가 선택될 수 있다는 과적합화(overfitting) 문제를 미연에 방지할 수 있다.

제어부는 차례로 생성되는 파일을 비교하여 추출하는 거리가 중심에 위치하면서 강도가 상대적으로 높게 측정되는 지점에 대해 의사결정 이유 제시 모듈을 이용하여 평가할 수 있다. 즉 제어부는 거리가 중심에 위치하면서 강도가 상대적으로 높게 측정되는 지점을 차례로 생성되는 파일을 비교하여 추출하거나 또는, 인공지능을 이용하여 추출할 수 있으며, 그 결정에 대한 인과관계를 분석하여 전체적인 관점에서의 최적해가 도출되는 것을 기대할 수 있다.

일 실시 예에서, 의사결정 이유 제시 모듈은 모델 구축 모듈 및 이유 설명 인터페이스 모듈을 더 포함할 수 있다. 모델 구축 모듈은 심층 설명 학습 모듈, 해석 가능한 모델 생성 모듈 및 모델 귀납 모듈로 구현될 수 있다.

심층 설명 학습 모듈은 변형된 딥러닝 기술로서 심층 신경망이 설명 가능한 특징들을 학습하도록 할 수 있다. 은닉계층의 노드가 의미 있는 속성을 나타내도록 학습할 수 있으며, 예를 들어 팔과 다리의 이미지를 구분하는 모델을 학습한다면, 각 은닉 노드가 손톱이나 발톱 모양, 손가락이나 발가락 모양, 손바닥이나 발바닥의 위치 등을 나타내도록 학습해서 모델이 어떤 이미지를 손이라고 판단했을 때 활성화된 은닉 노드를 통해 판단의 근거를 알 수 있다. 이러한 판단의 근거는 예를 들어 RNN(순환신경망, Recurrent Neural Network) 등의 자연어 생성 모델을 통해 언어적으로 나타낼 수도 있다. RNN은 딥러닝의 모델이며 인공신경망의 한 종류로서, 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 것으로서, 입력조절벡터와 망각벡터 그리고 출력조절벡터를 이용하여 입력과 출력데이터를 얻는다. 입력조절벡터에서는 입력신호가 활성화함수와의 연결계층을 거친 후에 값을 받아들이며 망각 벡터는 과거 입력의 일부를 현재 입력에 반영하는 역할을 한다. 그리고 출력조절벡터는 과거의 값과 수정된 입력값을 고려하여 활성화 함수를 이용해 값을 받아들인다. 그리고 그 최종결과는 다시 입력으로 되돌아가게 된다. 이러한 순환신경망은 문서 감정을 분류하거나 필기체를 인식하는데 주로 활용되며, 음성 인식, 시계열 예측이나 파형생성을 할 때에도 주로 활용될 수 있다. 이는 입력데이터가 순서가 없는 고정된 모양 이어도 적절할 순서에 따라 처리할 수 있기 때문이다.

또한, 일 실시 예에서, 심층 설명 학습 모듈은 이미지에 근거가 되는 부분을 표시하여 시각적으로 나타낼 수도 있다. 예를 들어 인공지능 시스템이 고양이 이미지를 분류할 경우, 기존 시스템은 입력된 이미지의 고양이 여부만을 도출하지만, 심층 설명 학습 모듈은 고양이 여부를 도출하고, 이것의 근거(털, 수염 등) 이미지를 사용자에게 제공할 수 있다.

해석 가능한 모델 생성 모듈은, 구조화된 데이터를 해석 가능한 인과관계 모델로 구축할 수 있다. 일 실시 예에 따르면, BPL(bayesian program learning)을 이용하여 해석 가능한 모델 생성 모듈을 구축할 수 있으며, BPL은 작은 조각들의 조합으로 표현하도록 학습하는 방법으로서, 예를 들어 글자를 생성하는 모델을 학습할 때 글자를 획으로 나누어서 가장 합리적인 획의 조합으로 생성하도록 한다. BPL은 대량의 데이터가 없이도 사람과 같이 한 번 보면 그대로 모방할 수 있으며, Neural Network(신경망 모델)를 진화시킨 것으로서 새로운 사건이 주어졌을 때 그 사건을 바탕으로 확률값을 변화시킬 수 있다. 즉, BPL은 가상 변수들에 들어가는 가중치만 바꾸는 방식이 아니라, 중간에 다른 가상 변수를 생성하는 내용까지 포함된다. 새로운 환경이 주어지면 다른 방식으로 현상을 이해하는 것으로서 예를 들어, 동전을 100번 던져서 앞면이 60번, 뒷면이 40번 나와서 앞 면이 나올 확률을 60%로 잡은 다음, 다음번에 뒷면이 나오게 되면 앞면이 나올 확률을 59.4%로 내리는 방식이다.

또한, 일 실시 예에서, 해석 가능한 모델 생성 모듈은 확률론적 접근 방법을 통해 구현될 수 있다. 확률론적 접근 방법은 몇 가지 샘플만으로도 학습 효과를 낼 수 있으며, 예를 들면 길이가 긴 의자와 짧은 의자를 보여주면 중간 길이의 의자도 있다는 것을 배우는 것과 비슷하다. 즉, 부족한 데이터를 스스로 채워 나가며 학습하는 기술이다. 실시 예에 따라서는 확률론적 접근 방법은 수학적 계산을 통해 스스로 확률과 프로그램을 보정하는 기능을 포함할 수 있다.

또한, 일 실시 예에서, 해석 가능한 모델 생성 모듈은 And-Or-Graph를 이용하여 구현된 수 있다. And-Or-Graph는 AND/OR 그래프란 rule의 조건 및 결론관계와 AND/OR 관계를 그래프 형태로 나타내는 것으로서, 인공지능에 의해 도출되는 중간 및 최종 데이터가 구조화 되어있어 모델의 결정과정을 논리적으로 설명하기 쉬운 장점이 있다. 즉, AND 노드와 OR 노드로 그래프를 나타내는데, AND 노드는 모두 처리되어야 하며 OR 노드는 하나만 처리되면 끝낼 수 있다. AND/OR 그래프를 이용하면 서로 산재해 있는 rule들의 집합을 하나의 구조로 조감할 수 있으며 각 문장간의 논리적인 관계를 쉽게 파악할 수 있다.

모델 귀납 모듈은 임의의 블랙박스 모델을 설명가능한 모델로 추론할 수 있다. 일 실시 예에서, 모델 귀납 모듈은 LIME(local interpretable model-agnostic explanations)로 구현될 수 있으며, LIME은 임의의 블랙박스 모델을 이미 설명이 가능한 데이터 주변에서 희소 선형 결합을 통해 국부적으로 설명 가능하게 만들 수 있다. 예를 들어, 이미지를 분류하는 블랙박스 모델이 어떤 이미지를 심장이라고 판단했다면 이미 설명 가능한 다른 모델의 심장에 대한 설명 즉, 심장을 표현하는 픽셀들을 주어진 이미지와 대조하여 어느 부분이 심장이라고 판단한 근거인지 제시할 수 있다.

또한, 일 실시 예에서 모델 귀납 모듈은 모델을 일련의 if-then 조건문으로 표현하는 BRL(bayesian rule lists)로 구현될 수 있다. BRL은 고차원, 다변수인 특징공간을 간단하고 이미 해석 가능한 조건문으로 나누어 복잡한 모델을 이해할 수 있게 한다.

상술한 심층 설명 학습 모듈, 해석 가능한 모델 생성 모듈 및 모델 귀납 모듈은 서로 독립적으로 또는 서로 결합되어 작용될 수 있으며, 그 구현 순서도 실시 예에 따라 달라질 수 있다.

다음으로, 이유 설명 인터페이스 모듈은 인공지능의 의사결정에 대한 설명을 사용자가 이해할 수 있는 방식으로 표현할 수 있다. 이유 설명 인터페이스 모듈은 제시한 설명이 반복적일 것, 필요한 설명을 모두 포함하고 있을 것, 불필요한 설명을 포함하지 않을 것, 양이 적절할 것 등을 필수 항목으로 포함할 수 있다. 즉, 사용자가 용이하게 인공지능이 어떠한 과정과 이유로 최종 결과를 도출했는지와 각 단계별로 영향을 미친 요소나 데이터가 무엇인지 언어, 표, 이미지, 그래프, 수식 등을 포함하여 사용자에게 제공할 수 있다.

또한, 이유 설명 인터페이스 모듈은 사용자의 정정 명령을 입력받을 수 있다. 이를 위해 이유 설명 인터페이스 모듈은 정정가능성은 설명이 유동적일 것, 사용자의 피드백을 존중할 것, 점진적인 변화를 주시할 것 등을 필수 항목으로 포함할 수 있다. 이렇게 제시된 설명에 대해서 사용자에게 설명의 명확도와 활용도 등에 대한 피드백을 받아 이유 설명 인터페이스 모듈의 효과를 평가하고 발전시킬 수 있다.

다른 실시 예에서, 의사결정 이유 제시 모듈은, 인과관계 모델로 형성될 수 있다. 인과과계 모델은 딥러닝과 마르코브 랜덤 필드를 결합하는 형태로 형성될 수 있다. 먼저 학습 데이터로부터 심층 마르코브 랜덤 필드 모델의 확률 분포를 모델링하고, 확률 변수들 사이의 조건부 독립성을 나타내는 마르코브 랜덤 필드의 구조를 학습한다. 구조가 학습된 마르코브 랜덤 필드의 잠재 함수를 심층 신경망으로 추론하여 입력 변수의 수가 증가함에 따라 잠재 함수에 필요한 매개 변수의 수가 기하급수적으로 증가하는 문제를 완화하고, 변수 연관관계에 대한 제약 없이 복잡한 연관관계를 학습할 수 있다. 실시예에 따라 클래스 분류 문제를 보조태스크인 속성, 슈퍼카테고리와 같이 학습한 후, 출력 단계에서 선형 결합하여 효과적인 표현이 가능하도록 할 수 있다. 또한 인과관계가 정확히 학습되었는지 사람이 확인하고 피드백을 주어 수정할 수 있도록 하는 상호작용 학습 알고리즘을 포함할 수 있다.

또 다른 실시 예에서, 의사결정 이유 제시 모듈은, 분석 모듈로 구현될 수 있다. 시계열 함수를 다양한 커널을 바탕으로 다변수 가우시안으로 회귀분석 하는 기술로서, 가우시안 프로세스에서 커널을 표현하는 최적의 커널 조합을 학습하여 주어진 시계열 데이터를 위에서 찾은 커널 조합을 바탕으로 설명할 수 있다. 더 나아가서 여러 개의 시계열 데이터가 있을 때에도 공통적으로 표현되는 커널 및 각 시계열 데이터의 특성을 표현하는 커널의 조합을 학습하여 여러 개의 시계열 데이터에서 공통적으로 나타나는 특징을 설명할 수 있다. 시계열 데이터 분석 모델을 통해 찾은 커널의 조합을 자연어로 작성함으로써 사용자에게 인공지능에 의해 도출된 의사결정의 도출과정 및 그 이유를 자연어로 설명해 줄 수 있다.

이와 같은 의사결정 이유 제시 모듈을 통해, 인공지능의 의사결정 과정을 사용자의 입장에서 시각화 및 문자화함으로써, 의사결정에 과정에 관여한 구성요소를 설명할 수 있으며 동시에 복잡한 모델의 상관관계를 분석하여 원인요소와 결과요소로 나누어 설명할 수 있다. 특히 사용자가 용이하게 이해할 수 있는 자동 보고서의 형식으로 작성됨으로써, 데이터를 분석한 결과뿐만 아니라 이유를 제공하여 인공지능이 보다 정밀하게 인간과 상호 작용하게 할 수 있다.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

1000: 설계 도면 제공 방법
301: 장치
400: 단말기
500: 관리 서버
600: 두께 측정 장치
610: 상부 센서
620: 하부 센서

Claims (2)

1. 설계하고자 하는 대상 정보에 기초하여, 설계 대상의 유형-상기 설계 대상의 상기 유형은 도로, 건물, 플랜트 및 반도체 설비 중 적어도 하나를 포함함-을 식별하는 단계를 포함하되,
   상기 설계 대상에 대응하는 구조 설계 조건-상기 구조 설계 조건은 공간 상에 부품들을 배치시키 위한 구조적인 조건을 포함함-, 기계 설계 조건-상기 기계 설계 조건은 상기 부품들의 사양으로서, 크기, 길이, 형상, 명칭, 두께, 재질, 사용 압력, 사용 온도, 사용 전력, 사용 전압, 용접 방식, 반경, 강도, 내부 유체, 결합 방식 및 규격 중 적어도 하나를 포함함- 및 제어 설계 조건-상기 제어 설계 조건은 입출력에 대응하는 전류, 전압, 전력, 압력, 각도, 이동 반경, 액츄에이팅 정보, 내부 유체량, 속도, 온도, 시간, 농도, 진동수 및 밝기 중 적어도 하나를 포함함-을 획득하는 단계;
   설계 대상들, 구조 설계 조건들, 기계 설계 조건들, 제어 설계 조건들 및 엘리먼트들을 매칭시킨 데이터베이스를 조회하여, 상기 구조 설계 조건, 상기 기계 설계 조건 및 상기 제어 설계 조건에 대응하는 제2 엘리먼트들을 획득하는 단계;
   상기 설계 대상들, 상기 구조 설계 조건들, 상기 기계 설계 조건들 및 상기 제어 설계 조건들의 히스토리에 따라 최적화된 설계 정보에 기초하여, 상기 제2 엘리먼트들의 위치들의 위치 정보, 상기 제2 엘리먼트들 사이의 연결 관계들의 연결 정보 및 상기 제2 엘리먼트들의 동작 프로세스들의 동작 정보를 생성하는 단계;
   상기 위치 정보, 상기 연결 정보 및 상기 동작 정보에 기초하여, 상기 설계 대상을 3D 모델링한 산업용 플랜트 또는 반도체 설비의 3D 모델을 생성하는 단계; 및
   상기 구조 설계 조건, 상기 기계 설계 조건 및 상기 제어 설계 조건에 대응하는 제어 신호들을 상기 3D 모델에 적용하여, 상기 3D 모델을 테스트하는 단계; 및
   네트워크를 통해 사내망에 접속하는 단말기 및 관리 서버를 포함하여, 상기 단말기를 통해 요청되는 업무에 따른 처리 결과를 상기 사내망과 연동되는 웹페이지에 표시하는 단계를 포함하고,
   상기 위치 정보, 상기 연결 정보 및 상기 동작 정보를 생성하는 단계는,
   상기 구조 설계 조건들에 따라 클러스터링된 엘리먼트들의 제1 히스토리에 기초하여, 상기 획득된 제2 엘리먼트들을 배치시키기 위한 3D 공간 상의 영역들 내 위치들을 생성하는 단계; 상기 영역들 별로 각각 배치된 상기 제2 엘리먼트들의 상기 위치들을 조정하기 위한 제1 입력에 응답하여, 상기 제2 엘리먼트들의 위치들의 위치 정보를 수정하는 단계; 상기 위치 정보의 수정에 따른 상기 제2 엘리먼트들 별 위치들의 제1 수정 정보를 기록하는 단계; 상기 기계 설계 조건들에 따라 상기 엘리먼트들을 연결시킨 제2 히스토리에 기초하여, 상기 위치 정보가 수정된 상기 제2 엘리먼트들 사이의 연결 관계들을 생성하는 단계; 상기 연결된 상기 제2 엘리먼트들 사이의 상기 연결 관계들을 조정하기 위한 제2 입력에 응답하여, 상기 제2 엘리먼트들 사이의 연결 관계들의 연결 정보를 수정하는 단계; 상기 연결 정보의 수정에 따른 상기 제2 엘리먼트들 사이의 연결 관계들의 제2 수정 정보를 기록하는 단계; 상기 제어 설계 조건들에 따라 상기 엘리먼트들을 동작시키는 제3 히스토리에 기초하여, 상기 연결 정보가 수정된 상기 제2 엘리먼트들의 동작 프로세스들을 생성하는 단계; 상기 제2 엘리먼트들 별로 각각 정의된 상기 동작 프로세스들을 조정하기 위한 제3 입력에 응답하여, 상기 제2 엘리먼트들의 동작 프로세스들의 동작 정보를 수정하는 단계; 및 상기 동작 정보의 수정에 따른 상기 제2 엘리먼트들의 동작 프로세스들의 제3 수정 정보를 기록하는 단계를 포함하고,
   상기 기계 설계 조건 중 상기 부품들의 두께를 획득하는 단계는, 서로 마주하도록 마련되어 사이에 위치하는 상기 부품의 두께를 측정하는 상부 센서 및 하부 센서를 포함하는 두께 측정 장치에 의해 수행되며,
   상기 두께 측정 장치는, 상기 상부 센서 및 상기 하부 센서로부터 각각 거리 측정을 위해 출력되는 광의 스팟(spot) 중심점이 일치하고, 상기 상부 센서 및 상기 하부 센서 각각의 측정 범위가 중첩될 수 있도록 상기 상부 센서 및 상기 하부 센서의 위치를 제어하는 제어부를 더 포함하고,
   상기 제어부는, 상기 상부 센서로부터 상기 하부 센서로 광을 출력하도록 제어하고, 소정의 구동 모듈을 제어하여 상기 하부 센서를 이동시키면서 상기 상부 센서로부터 상기 하부 센서로 출력되는 광의 스펙트럼 뷰를 모니터링하여 상기 하부 센서의 위치를 선정하고,
   상기 제어부는, 상기 스펙트럼 뷰의 데이터가 소정의 조건을 만족하는 지점을 지점을 상기 하부 센서의 위치로 선정하기 위해 상기 스펙트럼 뷰의 데이터인 거리 및 강도를 모니터링하고,
   상기 제어부는, 상기 스펙트럼 뷰의 모니터링을 위해 상기 스펙트럼 뷰의 데이터가 변할 때마다 파일로 저장하고, 차례로 생성되는 파일을 비교하여 상기 스펙트럼 뷰의 데이터가 소정의 조건을 만족하는 지점을 추출하며,
   상기 관리 서버는, 통계자료에 대한 데이터 시트를 생성하여 상기 웹페이지의 제1 영역에 표시하고, 상기 단말기로부터 수신되는 상기 데이터 시트의 소정 영역에 대한 선택신호를 기초로 사용자에 의해 선택된 변량명의 종류를 구분하고, 선택된 적어도 하나의 변량명에 대응되는 변량들을 기초로 다이나믹 그래프를 생성하여 상기 웹페이지의 제2 영역에 표시하며, 상기 제2 영역에 표시된 다이나믹 그래프의 인쇄 또는 저장을 위하여, 상기 다이나믹 그래프를 상기 웹페이지의 제3 영역으로 이동시켜 표시하되,
   상기 다이나믹 그래프를 생성하는 것은, 순차적으로 입력되는 선택신호의 순서에 따라 상기 다이나믹 그래프의 명칭 및 그래프의 가로축 및 세로축에 대한 변량의 종류를 자동으로 구분하고, 선택된 변량명에 소속된 변량들에 대한 그룹별 다이나믹 그래프를 생성하고, 상기 다이나믹 그래프에 대한 통계적 의미를 나타내는 그래픽 정보를 상기 다이나믹 그래프 상에 표시하는 것을 포함하되,
   상기 그래픽 정보는 생성된 다이나믹 그래프의 종류에 따라 서로 다른 종류로 생성되고, 상기 그래픽 정보는 평균, 표준분포, 도수, 회귀선, 도수분포다각형에 대한 정보 중 적어도 하나를 포함하며,
   상기 웹페이지의 제4 영역에 표시된 그래프 종류 선택 영역에 대한 선택신호를 기초로, 제1 형태의 다이나믹 그래프를 동일한 변량명에 대한 제2 형태의 다이나믹 그래프로 변환하여 상기 웹페이지의 제2 영역에 표시하는, 설계 도면 제공 방법.
   
   
2. 삭제

Images