KR102097448B1 - 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 - Google Patents
공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 Download PDFInfo
- Publication number
- KR102097448B1 KR102097448B1 KR1020180027776A KR20180027776A KR102097448B1 KR 102097448 B1 KR102097448 B1 KR 102097448B1 KR 1020180027776 A KR1020180027776 A KR 1020180027776A KR 20180027776 A KR20180027776 A KR 20180027776A KR 102097448 B1 KR102097448 B1 KR 102097448B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- distributed
- dcs
- active dcs
- control
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
- G05B19/4148—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by using several processors for different functions, distributed (real-time) systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
본 발명은 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법에 관한 것이다. 본 발명은, Active DCS(100)가 수집 프로그램(100d)을 통해 센서 데이터를 수집하고, PLC 장치(200) 및 시퀀스 회로(600)에 대해서 PLC/시퀀스 회로 데이터를 수집하고, DI/DO, AI/AO 모듈(120)에 대해서 AI/AO 데이터 및 DI/DO 데이터를 수집하는 제 1 단계; Active DCS(100)가 수집된 센서 데이터, PLC/시퀀스 회로 데이터, AI/AO 데이터 및 DI/DO 데이터에 대해서 Active DCS(100)의 제어 미들웨어 프로그램(100b)에 의해 1차로 Active DCS(100)에 내장된 분산 파일 시스템으로 저장하고, 머신러닝 알고리즘 프로그램을 통해 분석하는 제 2 단계; 및 Active DCS(100)가 2차로 Active DCS(100)와 네트워크(300)(유선, WIFI, 3G, LTE)를 통해 연결된 현장 내의 중앙 관제 서버(400) 또는 현장 외의 클라우드 서버(500)로 네트워크(300)를 통해 데이터를 전송하고, 클라우드 서버(500)에 의해 통합된 데이터가 딥러닝 알고리즘을 통해 분석되도록 하는 제 3 단계; 를 포함하는 것을 특징으로 한다.
이에 의해, 공장 내의 설비, 유틸리티 등의 정보를 분산된 파일 시스템을 통해 수집, 분석하고 DI/DO, AI/AO 모듈, PLC 장치 등에 최적화된 명령을 내려 각 개소 별 분산 제어가 가능하도록 하기 위한 하드웨어 및 소프트웨어 통합 솔루션을 제공할 수 있다.
이에 의해, 공장 내의 설비, 유틸리티 등의 정보를 분산된 파일 시스템을 통해 수집, 분석하고 DI/DO, AI/AO 모듈, PLC 장치 등에 최적화된 명령을 내려 각 개소 별 분산 제어가 가능하도록 하기 위한 하드웨어 및 소프트웨어 통합 솔루션을 제공할 수 있다.
Description
본 발명은 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법에 관한 것으로, 보다 구체적으로는, 공장 내의 설비, 유틸리티 등의 정보를 분산된 파일 시스템을 통해 수집, 분석하고 DI/DO, AI/AO 모듈, PLC 장치 등에 최적화된 명령을 내려 각 개소 별 분산 제어 가능하도록 하기 위한 하드웨어 및 소프트웨어 통합 솔루션을 제공하는, 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법에 관한 것이다.
현재 생산관리 시스템은 PLC 데이터를 PC 데이터로 변환하여 수집하고 결과를 웹으로 확인하며 문제 상황에 대한 대응은 관리자가 현장에 있는 설비에 직접 방문해서 제어하는 방식으로 이루어진다.
그러나 이러한 방식은 문제 상황 발생으로부터 조치까지 걸리는 시간이 원격 제어 방식에 비해 오래 걸리기 때문에 생산율 저하와 같은 문제가 발생한다.
이에 따라, 해당 기술분야에 있어서는 이러한 문제를 해결하기 위해 설비데이터, 생산데이터의 수집뿐만 아니라 수집 데이터를 머신러닝, 딥러닝 알고리즘을 통해 분석하고, 분석된 결과에 대한 조치 사항을 설비에 직접 제어 명령을 내릴 수 있도록 하기 위한 기술개발이 요구되고 있다.
본 발명은 상기의 문제점을 해결하기 위한 것으로, 각 소단위 시스템에 서버에서 전달된 데이터 분석 결과의 대응을 각각의 개소를 통해 수행되며, 각 소단위 시스템 별로, 각 설비에 명령을 내려, 제어 가능하도록 하기 위한 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법을 제공하기 위한 것이다.
또한, 본 발명은 소단위 시스템별로 제어기능을 분산시킴으로써 신뢰성을 향상하고 이상발생시 파급효과를 최소화하는 효과를 제공하며, 소단위 시스템을 적용하면 중앙의 관리자가 현장에 직접 가지 않고 중앙에서 분산되어 있는 설비를 제어할 수 있고, 실시간으로 수집 데이터를 모니터링 할 수 있도록 하기 위한 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법을 제공하기 위한 것이다.
또한, 본 발명은 1차적인 분석 처리는 각 개소 소단위 시스템에서 가능하며, 분산저장 및 분산처리로 서버에 부하를 줄일 수 있고, 처리 속도를 향상시킬 수 있을 뿐만 아니라, 관리자의 조치사항을 분산 또는 통합 제어 가능하도록 하기 위한 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법을 제공하기 위한 것이다.
그러나 본 발명의 목적들은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위해 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 방법은, Active DCS(100)가 수집 프로그램(100d)을 통해 센서 데이터를 수집하고, PLC 장치(200) 및 시퀀스 회로(600)에 대해서 PLC/시퀀스 회로 데이터를 수집하고, DI/DO, AI/AO 모듈(120)에 대해서 AI/AO 데이터 및 DI/DO 데이터를 수집하는 제 1 단계; Active DCS(100)가 수집된 센서 데이터, PLC/시퀀스 회로 데이터, AI/AO 데이터 및 DI/DO 데이터에 대해서 Active DCS(100)의 제어 미들웨어 프로그램(100b)에 의해 1차로 Active DCS(100)에 내장된 분산 파일 시스템으로 저장하고, 머신러닝 알고리즘 프로그램을 통해 분석하는 제 2 단계; 및 Active DCS(100)가 2차로 Active DCS(100)와 네트워크(300)(유선, WIFI, 3G, LTE)를 통해 연결된 현장 내의 중앙 관제 서버(400) 또는 현장 외의 클라우드 서버(500)로 네트워크(300)를 통해 데이터를 전송하고, 클라우드 서버(500)에 의해 통합된 데이터가 딥러닝 알고리즘을 통해 분석되도록 하는 제 3 단계; 를 포함하는 것을 특징으로 한다.
이때, 본 발명의 다른 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 방법에 있어서, 상기 제 3 단계는, 각 개소별 Active DCS(100)가 DataNode가 되고, 클라우드 서버(500)가 NameNode가 되어 데이터가 통합되며, 데이터 통합은 실시간으로 이루어지며, 네트워크(300) 이상, 디바이스 이상을 포함한 예측할 수 없는 장애가 발생하더라도 장애가 복구되는 즉시 1차 저장된 데이터를 토대로 데이터 동기화를 실행하여 데이터의 누락이 없도록 하는 것을 특징으로 한다.
또한, 본 발명의 또 다른 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 방법은, 상기 제 3 단계 이후, 각 개소별 Active DCS(100)가 데이터 조회를 수행시, Active DCS(100)에서 수집되는 모든 데이터는 1차로 DCS DB(100-1)에 저장되므로, 저장된 데이터를 기반으로 한 중앙제어부(110) 상에 설치되어 있는 WEB Service 프로그램인 WEB 프로그램(100a)을 사용하여 네트워크(300)를 통해 중앙관제 서버(400) 또는 클라우드 서버(500)에 수집된 데이터 및 분석된 데이터를 조회하고, 조회된 데이터에 따라 알람, 장애 발생 위험이 있는 경우 미리 확인하고 조치하는 제 4 단계; 를 더 포함하는 것을 특징으로 한다.
본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법은, 일관된 공정관리가 가능하므로 신뢰도 향상 및 다양한 응용으로 유연성 있는 제어가 가능하고, 최소의 인원으로 정보처리 및 제어기능을 수행할 수 있어 인력 활용도를 높일 수 있는 효과를 제공한다.
또한, 본 발명의 다른 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법은, 복잡한 연산 및 데이터 수집, 레포트 기능을 내장해 개별 시스템을 추가하더라도 손쉬운 접속이 가능하고, 용도에 적합하게 선택할 수 있는 다양한 데이터 전송 버스와 입출력 모듈을 확보할 수 있는 효과를 제공한다.
또한, 본 발명의 다른 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법은, 소단위 시스템별로 제어기능을 분산시킴으로써 신뢰성을 향상하고 이상 발생시 파급효과 최소화 가능하고, 분산 설치된 시스템을 중앙제어 시스템에 집중화시킴으로써 다양한 자료 처리와 원활한 운영관리 가능한 효과를 제공한다.
또한, 본 발명의 다른 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법은, 수집되는 데이터를 활용한 데이터 분석 솔루션을 사용함으로써 생산량, 안전 관리, 예방 보전 등의 관리를 효율적으로 할 수 있는 효과를 제공한다.
뿐만 아니라, 본 발명의 다른 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법은, 특정 상황이나 문제 발생시 관리자가 직접 설비, 센서 위치로 이동하여 관리하는 개념이 아닌 장소의 구애를 받지 않고 원격지에서 제어 가능하기 때문에 문제 상황을 신속하게 처리 가능하고, 각 개소에 설치된 Active DCS를 통해 설비 수명주기 관리가 가능하기 때문에 공장의 상태기반 보전이 가능한 효과를 제공한다.
도 1은 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템을 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템 중 Active Distributed Command System Terminal(100)에 대한 하드웨어 구성을 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템 중 Active Distributed Command System Terminal(100)의 외관을 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템에서 Active Distributed Command System Terminal(100)의 중앙제어부(110)를 구성하는 소프트웨어 구성을 나타내는 블록도이다.
도 5는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 방법을 나타내는 흐름도이다.
도 2는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템 중 Active Distributed Command System Terminal(100)에 대한 하드웨어 구성을 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템 중 Active Distributed Command System Terminal(100)의 외관을 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템에서 Active Distributed Command System Terminal(100)의 중앙제어부(110)를 구성하는 소프트웨어 구성을 나타내는 블록도이다.
도 5는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 방법을 나타내는 흐름도이다.
이하, 본 발명의 바람직한 실시예의 상세한 설명은 첨부된 도면들을 참조하여 설명할 것이다. 하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터 또는 신호를 '전송'하는 경우에는 구성요소는 다른 구성요소로 직접 상기 데이터 또는 신호를 전송할 수 있고, 적어도 하나의 또 다른 구성요소를 통하여 데이터 또는 신호를 다른 구성요소로 전송할 수 있음을 의미한다.
도 1은 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템을 나타내는 도면이다. 도 1을 참조하면, 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템(1)은 Active Distributed Command System Terminal(이하, 'Active DCS')(100), 공정 제어를 위한 Programmable Logic Controller(이하, 'PLC 장치')(200), 네트워크(300), 중앙관제 서버(400), 그리고 클라우드 서버(500)를 포함할 수 있다.
중앙관제 서버(400)는 공장 내 서버에 해당하는 공장 서버 관리자가 운영하며,클라우드 서버(500)는 공장 외에 클라우드 웹하드 파일 및 폴더 아키텍처에 의한 WEB 홈페이지를 제공할 수 있다.
각 Active DCS(100)는 PLC 장치(200), 센서 모듈(130), 터치패널(170), 시퀀스 회로(600)와 함께 소단위 시스템을 구성하여, 각 PLC 장치(200), 센서 모듈(130), 터치패널(170), 시퀀스 회로(600)에 대해서 신호 및 데이터를 송수신할 수 있다.
즉, Active DCS(100)는 다양한 센서들에 해당하는 센서 모듈(130)로부터 센서 컨트롤러를 통해 공장설비의 온도, 습도, 대기질, 진동, 소음, 에너지 사용량 등의 데이터를 수집할 수 있다. 이에 따라, Active DCS(100)는 수집된 센서 데이터들에 대해서 저장과 분석을 통해 사용자에게 유용한 정보를 디스플레이함과 동시에 자동제어를 위한 피드백을 제공할 수 있다. Active DCS(100)는 센서로부터 수집된 센서 데이터, PLC 및 시퀀스 회로 작동 상태 정보를 포함하는 PLC/시퀀스 회로 데이터, PLC 장치(200) 또는 시퀀스 회로(600), 그 밖의 설비들과 연결된 포트의 아날로그 및 디지털 입력, 아날로그 및 디지털 출력 상태 정보를 포함하는 AI/AO 데이터 및 DI/DO 데이터 등을 통해서 관리자가 즉시 확인하고 조치하여야 할 사항들에 대해서는 문자, PUSH 알람 등 다양한 방법을 통해 자체적인 출력 또는 담당자의 유무선 단말로 자동으로 경고 메시지를 송신할 수 있다.
여기서 PLC 장치(200)는 공장 설비 자동화 시스템을 구축하기 위해 다수의 공장 설비를 제어하고 구동하며, 내부에 불리안(Boolean) 로직 형태의 래더 다이어그램(Ladder Diagram) 정보를 제어 프로그램으로서 저장하고 있을 수 있다.
이러한 PLC 장치(200)는 공장 설비 자동화 시스템에서 공장 설비들을 PLC 출력신호에 따라 구동하며, 구동 중 또는 구동 후의 공정 상황을 다수의 센서에 해당하는 센서 모듈(130)을 통해 파악하고, PLC 입력신호를 Active DCS(100)에 제공할 수 있다.
한편, 시퀀스 회로(600)는 PLC 장치(200) 내부에 일 구성요소로 구비되거나 별도로 형성됨으로써, 롬에 저장된 시스템 오퍼레이션 프로그램에 따라 공장 설비 자동화 시스템에 있어서 시퀀스 출력을 통해 각 공장 설비들 간의 시퀀스 제어를 수행할 수 있다.
도 2는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템 중 Active Distributed Command System Terminal(이하, 'Active DCS')(100)에 대한 하드웨어 구성을 나타내는 도면이다. 도 3은 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템 중 Active DCS(100)의 외관을 나타내는 도면이다.
도 2 및 도 3을 참조하면, 각 DCS(100)는 중앙처리 및 제어를 담당하는 중앙제어부(110), 입출력을 담당하는 DI(Digital Input)/DO(Digital Output), AI(Analog Input)/AO(Analog Output) 모듈(120), DI/DO, AI/AO 모듈(120)과 중앙제어부(110)를 연결하고 센서(130)로부터 센서값 수집 외에 분산처리, 제어명령을 담당하는 마이크로 컨트롤러(140), PLC 장치(200)와 신호 및 데이터 송수신을 수행하는 외부 통신 모듈(150) 등으로 구성되어 있으며, 그 밖에 LCD 디스플레이 패널과 터치 패널과 같은 입출력장치(170)와의 인터페이스를 위한 HMI(160)를 구비할 수 있다.
그 외 부가적인 구성으로는 수집에 필요한 각종 센서 모듈과 중앙관제 서버(400)와 네트워크(300)를 통해 연결하기 위한 WIFI, 3G, LTE 모듈(180) 및 무선센서 수집을 위한 Beacon, Zigbee 모듈(190) 등이 있다.
도 4는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템에서 Active DCS(100)의 중앙제어부(110)를 구성하는 소프트웨어 구성을 나타내는 블록도이다. 도 4를 참조하면, 중앙제어부(110)를 구성하는 소프트웨어는 WEB 프로그램(100a), 제어 미들웨어 프로그램(100b), 드라이버 및 관리 프로그램(100c), 수집 프로그램(100d), 통신 및 데이터 보안 프로그램(100e), 분산 파일 프로그램(100f), 분석/제어 프로그램(100g), 대량 데이터 배치처리 프로그램(100h), NoSQL 데이터베이스 관리 프로그램(100i), 딥러닝 알고리즘 프로그램(100j) 및 변환 프로그램(100k)을 포함할 수 있다.
WEB 프로그램(100a)은 네트워크(300)를 통해 WAS(Web Application Server, 웹 애플리케이션 서버)로 데이터베이스를 구비한 중앙관제 서버(400) 및 클라우드 서버(500)에 대한 액세스(access)를 통해 WEB 환경을 구동케 하여 애플리케이션 실행 환경과 데이터베이스 접속 기능을 제공하고, 트랜잭션을 관리하며, 업무를 처리하는 비즈니스 로직을 수행하고, 다른 기종 시스템 간의 애플리케이션 연동 등을 수행하기 위해 웹 기반의 사용자 명령을 입력받아 수행하도록 WIFI, 3G, LTE 모듈(180) 및 Beacon, Zigbee 모듈(190)을 제어할 수 있다.
제어 미들웨어 프로그램(100b)은 센서(120)를 통해 수집된 센서 데이터를 저장 및 관리하며, 수집된 센서 데이터 기반으로, 시간과 공간의 제약 없이 WEB 플랫폼상에서 DI/DO(Digital Input/Digital Output) 및 AI(Analog Input), AO(Analog Output) 기반 명령을 내려 PLC 장치(200)에 대한 PLC 제어, 그리고 시퀀스 회로(600)에 대한 시퀀스 제어를 제공하기 위해 사용자 명령과 디지털/아날로그 입출력을 연결을 제어한다.
제어 미들웨어 프로그램(100b)은 PLC 장치(200) 및 시퀀스 회로(600)에 대한 관리자 명령을 전송하기 위해 중앙관제 서버(400) 및 클라우드 서버(500)로부터 반응형 WEB 페이지(Responsive Web page)를 제공받아서 구동되는 것이 바람직하다.
드라이버 및 관리 프로그램(100c)은 PLC 장치(200)와 통신을 위한 외부 통신 모듈(communication module)(150) 및 DI/DO, AI/AO 모듈(120)의 드라이버 및 관리를 수행한다. 보다 구체적으로, 드라이버 및 관리 프로그램(100c)은 DI/DO, AI/AO 모듈(120) 외에 자체 내장된 통신 드라이버를 갖는 외부 통신 모듈(communication module)(150)을 통해 PLC 장치(200) 및/또는 시퀀스 회로(600)와 통신하여 PLC 장치(200) 및/또는 시퀀스 회로(600)에 직접 값을 입력하거나 출력하는 기능을 수행할 수 있다.
수집 프로그램(100d)은 다양한 센서들에 해당하는 센서 모듈(130)로부터 센서 모듈(130)에 부착된 센서 컨트롤러를 통해 공장설비의 온도, 습도, 대기질, 진동, 소음, 에너지 사용량 등의 데이터를 수집하도록 마이크로 컨트롤러(140)를 제어한 뒤, 분산 파일 프로그램(100f)로 제공할 수 있다.
또한, 수집 프로그램(100d)은 수집된 센서 데이터들에 대해서 저장과 분석을 통해 사용자에게 유용한 정보를 디스플레이함과 동시에 자동제어를 위한 피드백을 제공할 수 있다. 수집 프로그램(100d)은 센서 모듈(130)을 구성하는 센서로부터 수집된 센서 데이터, PLC 및 시퀀스 회로 작동 상태 정보를 포함하는 PLC/시퀀스 회로 데이터, PLC 장치(200) 또는 시퀀스 회로(600)와 연결된 포트의 아날로그 및 디지털 입력, 아날로그 및 디지털 출력 상태 정보를 포함하는 AI/AO 데이터 및 DI/DO 데이터 등을 통해서 관리자가 즉시 확인하고 조치하여야 할 사항들에 대해서는 문자, PUSH 알람 등 다양한 방법을 통해 자체적인 출력 또는 담당자의 스마트 디바이스로 자동으로 경고 메시지를 송신할 수 있다.
통신 및 데이터 보안 프로그램(100e)은 센서 모듈(130), PLC 장치(200), 시퀀스 회로(600), 그리고 네트워크(300)를 통한 중앙관제 서버(400) 및 클라우드 서버(500) 간의 신호 및 데이터 송수신의 경우 암호화를 통해 통신 및 데이터 보안을 수행할 수 있다.
분산 파일 프로그램(100f)은 각 개소에서 분산 파일 시스템 형식으로 수집 프로그램(100d)에 의해 수집된 센서 데이터, PLC 및 시퀀스 회로 작동 상태 정보를 포함하는 PLC/시퀀스 회로 데이터, PLC 장치(200) 또는 시퀀스 회로(600)와 연결된 포트의 아날로그 및 디지털 입력, 아날로그 및 디지털 출력 상태 정보를 포함하는 AI/AO 데이터 및 DI/DO 데이터 등을 DCS DB(100-1)에 분산 저장할 수 있다.
분석/제어 프로그램(100g)은 분산 파일 프로그램(100f)에 의해 DCS DB(100-1)에 분산 저장된 수집 데이터를 머신러닝 알고리즘을 통해 분석하고 상태 관리 명령을 내릴 수 있다. 보다 구체적으로, 분석/제어 프로그램(100g)에서 사용되는 머신러닝 알고리즘은 결정 트리(DT, Decision Tree) 분류 알고리즘, 랜덤 포레스트 분류 알고리즘, SVM(Support Vector Machine) 분류 알고리즘 중 하나일 수 있다.
분석/제어 프로그램(100g)은 분산 파일 프로그램(100f)에 의해 DCS DB(100-1)에 분산 저장된 수집 데이터를 분석하여 그 분석한 결과로 다수의 특징 정보를 추출하고 추출된 특징 정보를 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하여 학습한 결과로 이상 상태 여부를 판단할 수 있다.
즉, 분석/제어 프로그램(100g)은 상태 여부 판단 결과의 정확도 향상을 위해 다수의 상호 보완적인 머신러닝 알고리즘들로 구성된 앙상블 구조를 적용할 수 있다.
결정 트리 분류 알고리즘은 트리 구조로 학습하여 결과를 도출하는 방식으로 결과 해석 및 이해가 용이하고, 데이터 처리 속도가 빠르며 탐색 트리 기반으로 룰 도출이 가능할 수 있다. DT의 낮은 분류 정확도를 개선하기 위한 방안으로 RF를 적용할 수 있다. 랜덤 포레스트 분류 알고리즘은 다수의 DT를 앙상블로 학습한 결과를 도축하는 방식으로, DT보다 결과 이해가 어려우나 DT보다 결과 정확도가 높을 수 있다. DT 또는 RF 학습을 통해 발생 가능한 과적합의 개선 방안으로 SVM을 적용할 수 있다. SVM 분류 알고리즘은 서로 다른 분류에 속한 데이터를 평면 기반으로 분류하는 방식으로, 일반적으로 높은 정확도를 갖고, 구조적으로 과적합(overfitting)에 낮은 민감도를 가질 수 있다.
결과적으로 분석/제어 프로그램(100g)은 공장 내의 설비, 유틸리티의 운용, 관리, 제어를 반복된 학습으로 최적화하고, 각 개소에 설치된 설비의 운전 상태를 파악하여 사고방지 및 분석 등 효율적인 운용을 도모하며, 근무자 및 관리자가 실시간으로 공장 내의 현황을 파악할 수 있고 원격 분산제어 명령 기능을 제공하기 위한 "상태 관리 명령"을 생성할 수 있다.
대량 데이터 배치처리 프로그램(100h)은 클라우드 서버(500)에서 대용량 데이터(NoSQL) 분산처리 및 분석 가능하도록 관계형 모델을 사용하지 않는 데이터 저장 구조로 클라우드 서버(500)로 데이터를 전송한다. 즉, 대량 데이터 배치처리 프로그램(100h)은 분산 파일 프로그램(100f)에 의해 DCS DB(100-1)에 분산 저장된 "수집 데이터", 그리고 분석/제어 프로그램(100g)에 의해 생성된 "상태 관리 명령 정보"를 클라우드 서버(500)에서 대용량 데이터(NoSQL) 분산처리 및 분석 가능하도록 네트워크(300)를 통해 클라우드 서버(500)에 제공할 수 있다.
NoSQL 데이터베이스 관리 프로그램(100i)은 클라우드 서버(500)의 클라우드 DB(500a)에 저장된 데이터에 대한 NoSQL 데이터베이스에 대한 액세스 관리를 수행할 수 있으며, 각 개소별 Active DCS(100)에 의한 클라우드 서버(500)로의 데이터 조회를 수행할 수 있도록 한다.
딥러닝 알고리즘 프로그램(100j)은 공장에 설치된 각각의 설비 정보를 분산 수집하여 각 개소에 설치된 Active DCS(100) 내의 머신러닝(Machine learning) 알고리즘을 통해 데이터를 분석하고, 상황에 따른 조치 결과를 분석/제어 프로그램(100g)이 설비에 직접 명령하는 것에 추가하여 각 개소에서 머신러닝을 통해 분석된 데이터들은 심화 분석이 필요한 데이터들만 정제하여 대량 데이터 배치처리 프로그램(100h)에 의해 클라우드 서버(500)로 전송해 딥러닝(Deep learning)을 통해 2차 분석을 진행한다. 이에 따라 딥러닝 알고리즘 프로그램(100j)은 딥러닝을 통해 얻어진 분석 결과를 생산 계획에 반영되어 향후 설비 운영 계획을 수립할 수 있다.
여기서 딥러닝 방식은 분석/제어 프로그램(100g)에 의해 분석된 데이터를 이용한 공정 작업 반복시 하나의 전체 프로세스에 소요되는 시간인 사이클 타임(Cycle time)과, 각 공정시간의 최대 시간인 택트 타임(Tact time)의 감소를 최소화하는 방식으로 각 분석된 데이터의 공정 파라미터에 대한 딥러닝 알고리즘 프로그램(100j)의 변환 및 적용을 통해 수행될 수 있다.
변환 프로그램(100k)은 클라우드 서버(500)의 클라우드 DB(500a)에 저장된 NoSQL 형식의 데이터에 대해서 클라우드 서버(500)의 요청에 따라 RDBMS(Relational Database Management System) 형식의 데이터로 변환하여 제공할 수 있다.
즉, 변환 프로그램(100k)은 NoSQL 형식의 데이터에 대해서 행과 열로 된 2차원의 표로 데이터를 표현하는 데이터베이스로 제공함으로써, 클라우드 서버(500) 상으로 대규모 컴퓨터 시스템을 대상으로 많은 이용자가 대량의 데이터를 다룰 때 데이터베이스를 관리하도록 하고 Active DCS(100), 모바일단말 또는 PC와 같은 유선단말용 데이터베이스에 비해 클라우드 서버(500)에 의해 대량의 데이터를 취급할 수 있고 신뢰성 측면에서도 뛰어난 업무 시스템을 구축할 수 있도록 한다.
여기서, RDBMS은 구조화 조회 언어(SQL)로 작성된 데이터 조작용 명령에 따라 클라우드 서버(500) 상의 데이터를 조작하며, 수정 등의 명령을 클라우드 서버(500)로 보낼 수 있으므로, Active DCS(100)에서 클라우드 서버(500)의 데이터를 조작할 수 있도록 하는 효과를 제공한다.
한편, 대량 데이터 배치처리 프로그램(100h), NoSQL 데이터베이스 관리 프로그램(100i), 딥러닝 알고리즘 프로그램(100j) 및 변환 프로그램(100k)은 Active DCS(100)의 중앙제어부(110) 뿐만 아니라, 클라우드 서버(500)에도 동일하게 형성됨으로써, NoSQL 타입의 데이터를 수신한 뒤, RDBMS 타입으로의 변환과 딥러닝 알고리즘에 따른 데이터 분석 기능을 제공할 수 있다.
이러한 프로그램의 집합에 따라 각 개소에 클라우드 서버(500)에서 전달된 데이터 분석 결과의 대응을 각각의 Active DCS(100)을 통해 수행되며, Active DCS(100)가 각 설비에 명령을 내려 제어가 가능하다. 제어 명령의 대상은 DI/DO, AI/AO 모듈(120), PLC 장치(200), 시퀀스 회로(600) 등이 된다. 즉, 소단위 시스템별로 제어기능을 분산시킴으로써 신뢰성을 향상하고 이상발생시 파급효과를 최소화하는 효과를 제공하며, Active DCS(100)을 적용하면 중앙의 관리자가 현장에 직접 가지 않고 중앙에서 분산되어 있는 설비를 제어할 수 있고, 실시간으로 수집 데이터를 모니터링 할 수 있다.
또한, 1차 적인 분석처리는 각 개소별 Active DCS(100)에서 가능하며, 분산저장 및 분산처리로 클라우드 서버(500)에 부하를 줄일 수 있고, 처리 속도를 향상시킬 수 있다.
또한, 디지털/아날로그 입출력 외에 자체 내장된 외부 통신 모듈(150)에 해당하는 통신 드라이버를 통해 PLC 장치(200)에 값을 입력하거나 출력하는 기능이 있으며, 관리자의 조치사항을 분산 또는 통합 제어가 가능할 수 있다.
도 5는 본 발명의 실시예에 따른 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 방법을 나타내는 흐름도이다. 도 5를 참조하면, Active DCS(100)는 수집 프로그램(100d)을 통해 센서 데이터를 수집하고, PLC 장치(200) 및 시퀀스 회로(600)에 대해서 PLC/시퀀스 회로 데이터를 수집하고, DI/DO, AI/AO 모듈(120)에 대해서 AI/AO 데이터 및 DI/DO 데이터를 수집한다(S11).
먼저, 각종 센서로 이루어진 센서 모듈(130)에서 수집된 센서 데이터는 센서 컨트롤러로 전송되고 센서 컨트롤러에 의해 수집된 센서 데이터는 유/무선 통신(Zigbee, Bluetooth, Wifi, Beacon 등)을 통해 Active DCS(100)에 전송될 수 있다. 여기서 Active DCS(100)에서 수집된 데이터들은 PLC 장치(200)에 전송하여 PLC에(200) 직접 값을 쓰거나, 내장되어 있는 DCS DB(100-1)에 1차 저장되고 머신러닝 알고리즘으로 분석된 후 네트워크(300)를 통해 클라우드 서버(500)에 전송되어 2차 저장되고 분석될 수 있다.
다음으로, PLC 장치(200)와 Active DCS(100)를 통신으로 연결하고 수집을 원하는 PLC 주소를 수집 프로그램(100d)에서 지정한다. 지정된 주소의 PLC 값들은 주기적으로 Active DCS(100)에서 수집하여 내장되어 있는 DCS DB(100-1)에 1차 저장되고 필요에 따라 클라우드 서버(500) 등에 2차 전송될 수 있다.
마지막으로 DI/DO, AI/AO 모듈(120)과 연결된 포트의 디지털/아날로그 입출력 상태를 Active DCS(100)에 내장되어 있는 수집 프로그램(100d)에서 RS-232/485 또는 TCP/IP 통신을 통하여 데이터를 수집한다.
단계(S11) 이후, Active DCS(100)는 단계(S11)에서 수집되는 센서 데이터, PLC/시퀀스 회로 데이터, AI/AO 데이터 및 DI/DO 데이터를 Active DCS(100)의 제어 미들웨어 프로그램(100b)에 의해 1차로 Active DCS(100)에 내장된 분산 파일 시스템으로 저장하고(S12), 머신러닝 알고리즘 프로그램을 통해 분석을 수행한다(S13).
단계(S13) 이후, Active DCS(100)는 2차로 Active DCS(100)와 네트워크(300)(유선, WIFI, 3G, LTE)를 통해 연결된 현장 내의 중앙 관제 서버(400) 또는 현장 외의 클라우드 서버(500)로 네트워크(300)를 통해 데이터를 전송하고(S14), 클라우드 서버(500)에 의해 통합된 데이터가 딥러닝 알고리즘을 통해 분석되도록 한다(S15).
이에 따라, 각 개소별 Active DCS(100)는 DataNode가 되고, 클라우드 서버(500)는 NameNode가 되어 데이터가 통합될 수 있다. 데이터 통합은 실시간으로 이루어지며, 네트워크(300) 이상, 디바이스 이상 등 예측할 수 없는 장애가 발생하더라도 장애가 복구되는 즉시 1차 저장된 데이터를 토대로 데이터 동기화를 실행하여 데이터의 누락이 없도록 한다.
한편, 각 개소별 Active DCS(100)는 데이터 조회를 수행할 수 있다.
즉, Active DCS(100)에서 수집되는 모든 데이터는 1차로 DCS DB(100-1)에 저장된다. 저장된 데이터를 기반으로 한 WEB Service 프로그램인 WEB 프로그램(100a)이 중앙제어부(110) 상에 설치되어 있으므로, Active DCS(100)은 WEB 프로그램(100a)을 사용하여 네트워크(300)를 통해 중앙관제 서버(400) 또는 클라우드 서버(500)에 수집된 데이터 및 분석된 데이터를 조회할 수 있으므로, 조회된 데이터에 따라 알람, 장애 발생 위험이 있는 경우 미리 확인하고 조치할 수 있다.
한편, 각 개소별 Active DCS(100)가 아닌 모바일 단말 및 PC와 같은 유선단말에서 네트워크(300)를 통해 중앙관제 서버(400) 또는 클라우드 서버(500)에 수집된 데이터 및 분석된 데이터를 조회할 수 있다.
즉, 각 개소별 Active DCS(100)에 의해 수집되는 모든 데이터는 1차로 DCS DB(100-1)에 저장된 후 2차로 중앙관제 서버(400) 또는 클라우드 서버(500)와 데이터 동기화를 진행하게 된다. 동기화된 데이터를 기반으로 클라우드 서버(500)에서는 작업 현장에서 발생된 다양한 데이터들을 딥러닝 알고리즘으로 분석하는 프로그램이 실행되고, 분석 결과는 클라우드 DB(500a)에 저장되며 사용자는 WEB 플랫폼으로 분석 결과를 확인할 수 있다.
한편, 단계(S13) 또는 단계(S15) 이후, Active DCS(100)의 제어 미들웨어 프로그램(100b)은 PLC 장치(200), 시퀀스 회로(600), 그 밖의 DI/DO, AI/AO 모듈(120)에 대한 분산 제어 기능을 수행한다(S16).
단계(S16)에서 제어시 각각의 데이터 수집 개소 별로 설치된 Active DCS(100)를 통해 분산제어가 가능하다. 제어 방식으로는 자동제어, 수동제어 두 가지 방식이 있다. 자동제어는 Active DCS(100)를 통해 수집된 정보를 바탕으로 단계(S13)에 따라 머신러닝 알고리즘 분석 결과를 기반으로 Active DCS(100)가 설비인 PLC 장치(200), 시퀀스 회로(600), 그 밖의 DI/DO, AI/AO 모듈(120)에 직접 제어명령을 내려 제어하는 방식이다.
수동제어는 관리자가 단계(S15)에 따라 클라우드 서버(500)에서 딥러닝 알고리즘을 통해 분석한 결과 보고서를 바탕으로 설비를 제어할 때 사용할 수 있으며 웹 플랫폼(WEB Platform)을 통하여 Active DCS(100)가 설치된 각 개소 중에서 선택해서 제어 명령을 내리거나 일괄 제어 명령이 가능하다.
자동, 수동제어 두 가지 방식 모두 Active DCS(100)를 통해 분산 제어가 가능하며 Active DCS(100)가 설치된 개소 별, 라인별, 공장별로 제어할 수 있는 장점을 제공할 수 있다.
한편, 데이터 분석 방식으로는 Active DCS(100) 자체 머신러닝 알고리즘 분석(단계(S13))과, 클라우드 통합 데이터 딥러닝 알고리즘 분석(단계(S15)) 두 종류가 있다. 즉, 1차적으로 Active DCS(100) 자체에 수집된 데이터를 머신러닝의 지도학습을 통해 패턴을 파악하고 분석 결과를 바탕으로 생산, 품질 관련 지표를 제공한다. 1차 분석된 데이터는 클라우드 서버(500)로 전송되며 클라우드 서버(500)의 클라우드 DB(500a)에서 통합된 데이터는 딥러닝 알고리즘 분석을 통해 사용자에게 생산 계획이나 공장 운영 계획을 제안하는데 활용될 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
1 : 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템
100 : Active Distributed Command System Terminal
100a : WEB 프로그램
100b : 제어 미들웨어 프로그램
100c : 드라이버 및 관리 프로그램
100d : 수집 프로그램
100e : 통신 및 데이터 보안 프로그램
100f : 분산 파일 프로그램
100g : 분석/제어 프로그램
100h : 대량 데이터 배치처리 프로그램
100i : NoSQL 데이터베이스 관리 프로그램
100j : 딥러닝 알고리즘 프로그램
100k : 변환 프로그램
200 : PLC 장치(Programmable Logic Controller)
300 : 네트워크
400 : 중앙관제 서버
500 : 클라우드 서버
100 : Active Distributed Command System Terminal
100a : WEB 프로그램
100b : 제어 미들웨어 프로그램
100c : 드라이버 및 관리 프로그램
100d : 수집 프로그램
100e : 통신 및 데이터 보안 프로그램
100f : 분산 파일 프로그램
100g : 분석/제어 프로그램
100h : 대량 데이터 배치처리 프로그램
100i : NoSQL 데이터베이스 관리 프로그램
100j : 딥러닝 알고리즘 프로그램
100k : 변환 프로그램
200 : PLC 장치(Programmable Logic Controller)
300 : 네트워크
400 : 중앙관제 서버
500 : 클라우드 서버
Claims (3)
- Active DCS(100)가 수집 프로그램(100d)을 통해 센서 데이터를 수집하고, PLC 장치(200) 및 시퀀스 회로(600)에 대해서 PLC/시퀀스 회로 데이터를 수집하고, DI/DO, AI/AO 모듈(120)에 대해서 AI/AO 데이터 및 DI/DO 데이터를 수집하는 제 1 단계;
Active DCS(100)가 수집된 센서 데이터, PLC/시퀀스 회로 데이터, AI/AO 데이터 및 DI/DO 데이터에 대해서 Active DCS(100)의 제어 미들웨어 프로그램(100b)에 의해 1차로 Active DCS(100)에 내장된 분산 파일 시스템으로 저장하고, 머신러닝 알고리즘 프로그램을 통해 분석하는 제 2 단계;
Active DCS(100)가 2차로 Active DCS(100)와 네트워크(300)(유선, WIFI, 3G, LTE)를 통해 연결된 현장 내의 중앙 관제 서버(400) 또는 현장 외의 클라우드 서버(500)로 네트워크(300)를 통해 데이터를 전송하고, 클라우드 서버(500)에 의해 통합된 데이터가 딥러닝 알고리즘을 통해 분석되도록 하는 제 3 단계; 및
상기 제 3 단계 이후, 각 개소별 Active DCS(100)가 데이터 조회를 수행시, Active DCS(100)에서 수집되는 모든 데이터는 1차로 DCS DB(100-1)에 저장되므로, 저장된 데이터를 기반으로 한 중앙제어부(110) 상에 설치되어 있는 WEB Service 프로그램인 WEB 프로그램(100a)을 사용하여 네트워크(300)를 통해 중앙관제 서버(400) 또는 클라우드 서버(500)에 수집된 데이터 및 분석된 데이터를 조회하고, 조회된 데이터에 따라 알람, 장애 발생 위험이 있는 경우 미리 확인하고 조치하는 제 4 단계를 포함하고,
상기 제 1 단계는,
센서로 이루어진 센서 모듈(130)에서 수집된 센서 데이터가 센서 컨트롤러로 전송되고, 센서 컨트롤러에 의해 수집된 센서 데이터가 유/무선 통신을 통해 Active DCS(100)에 전송되고, Active DCS(100)에서 수집된 데이터들이 PLC 장치(200)에 전송되어 1차 저장되고, 머신러닝 알고리즘으로 분석된 후 네트워크(300)를 통해 클라우드 서버(500)로 전송되어 2차 저장되고 분석되는 단계;
PLC 장치(200)와 Active DCS(100)가 통신으로 연결되고 수집을 원하는 PLC 주소가 수집 프로그램(100d)에서 지정되고, 지정된 주소의 PLC 값들이 주기적으로 Active DCS(100)에서 수집되어, DCS DB(100-1)에 1차 저장되고, 클라우드 서버(500)로 2차 전송되는 단계; 및
DI/DO, AI/AO 모듈(120)과 연결된 포트의 디지털/아날로그 입출력 상태를 Active DCS(100)에 내장되어 있는 수집 프로그램(100d)이 수집하는 단계를 포함하고,
상기 제 3 단계는,
각 개소별 Active DCS(100)가 DataNode가 되고, 클라우드 서버(500)가 NameNode가 되어 데이터가 통합되며, 데이터 통합은 실시간으로 이루어지며, 네트워크(300) 이상, 디바이스 이상을 포함한 예측할 수 없는 장애가 발생하더라도 장애가 복구되는 즉시 1차 저장된 데이터를 토대로 데이터 동기화를 실행하여 데이터의 누락이 없도록 하고,
Active DCS(100)가 아닌 모바일 단말 및 유선단말에서 네트워크(300)를 통해 중앙관제 서버(400) 또는 클라우드 서버(500)에 수집된 데이터 및 분석된 데이터를 조회하고,
Active DCS(100)에 의해 수집되는 모든 데이터는 1차로 DCS DB(100-1)에 저장된 후 2차로 중앙관제 서버(400) 또는 클라우드 서버(500)와 데이터 동기화가 진행되고,
동기화된 데이터를 기반으로 클라우드 서버(500)에서는 작업 현장에서 발생된 데이터들을 딥러닝 알고리즘으로 분석하는 프로그램이 실행되고, 분석 결과는 클라우드 DB(500a)에 저장되며, 분석 결과는 WEB 플랫폼에 의해 사용자에게 확인되고,
상기 제 2 단계 또는 상기 제 3 단계 이후, Active DCS(100)의 제어 미들웨어 프로그램(100b)이 PLC 장치(200), 시퀀스 회로(600), DI/DO, AI/AO 모듈(120)에 대한 분산 제어 기능을 수행하고, 제어시 각각의 데이터 수집 개소 별로 설치된 Active DCS(100)를 통해 분산제어가 수행되고,
자동제어 또는 수동제어에 의해 Active DCS(100)를 통한 분산 제어가 가능하고, Active DCS(100)가 설치된 개소 별, 라인별, 공장별로 제어되고,
자동제어는, Active DCS(100)를 통해 수집된 정보 및 머신러닝 알고리즘 분석 결과를 기반으로, Active DCS(100)가, PLC 장치(200), 시퀀스 회로(600), DI/DO, AI/AO 모듈(120)에 직접 제어명령을 내려 제어하는 방식이고,
수동제어는, 관리자가 클라우드 서버(500)에서 딥러닝 알고리즘을 통해 분석한 결과 보고서를 바탕으로, PLC 장치(200), 시퀀스 회로(600), DI/DO, AI/AO 모듈(120)을 제어할 때 사용되고, 웹 플랫폼(WEB Platform)을 통하여 Active DCS(100)가 설치된 각 개소 중에서 선택해서 제어 명령을 내리거나 일괄 제어 명령을 내리는 방식이고,
데이터 분석 방식으로는 Active DCS(100) 자체 머신러닝 알고리즘 분석과, 클라우드 통합 데이터 딥러닝 알고리즘 분석이 이용되고,
1차적으로 Active DCS(100) 자체에 수집된 데이터를 머신러닝의 지도학습을 통해 패턴을 파악하고, 분석 결과를 바탕으로 생산, 품질 관련 지표가 제공되고, 1차 분석된 데이터는 클라우드 서버(500)로 전송되며, 클라우드 서버(500)의 클라우드 DB(500a)에서 통합된 데이터는 딥러닝 알고리즘 분석을 통해 사용자에게 생산 계획이나 공장 운영 계획을 제안하는데 활용되는 것을 특징으로 하는 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 방법.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180027776A KR102097448B1 (ko) | 2018-03-09 | 2018-03-09 | 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180027776A KR102097448B1 (ko) | 2018-03-09 | 2018-03-09 | 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190106368A KR20190106368A (ko) | 2019-09-18 |
| KR102097448B1 true KR102097448B1 (ko) | 2020-04-06 |
Family
ID=68071144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180027776A KR102097448B1 (ko) | 2018-03-09 | 2018-03-09 | 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102097448B1 (ko) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102334965B1 (ko) * | 2020-05-26 | 2021-12-03 | 타이아(주) | 공장 자동화 설비의 효율적 관리와 생산성 향상을 위한 예지 보전 시스템 |
| KR20220092227A (ko) * | 2020-12-24 | 2022-07-01 | 한국공학대학교산학협력단 | 분산형 엣지 컴퓨팅 기반의 자율화 공장 운영 시스템 |
| KR102482240B1 (ko) * | 2021-09-03 | 2022-12-28 | 재단법인차세대융합기술연구원 | 장비 이상 탐지 장치 및 방법 |
| KR102588769B1 (ko) * | 2021-10-26 | 2023-10-13 | (주)넥스트랩 | 네트워크기반 정보수집장치 다중연동과 수집데이터 분석 시스템 |
| KR102407886B1 (ko) * | 2021-11-26 | 2022-06-10 | (주)미래융합정보기술 | 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템 |
| CN114527709B (zh) * | 2022-03-04 | 2024-03-19 | 广西网数云科技有限公司 | 一种用于垃圾焚烧发电厂的分布式云调控系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016076218A (ja) * | 2014-10-06 | 2016-05-12 | フィッシャー−ローズマウント システムズ，インコーポレイテッド | プロセスプラントでの自動的信号処理ベースの学習、プロセスプラントでビッグデータベースの学習を提供するためのシステム及び方法、プロセスプラントでビッグデータベースの学習を自動的に実施するためのシステム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150049420A (ko) * | 2013-10-30 | 2015-05-08 | (주)에이시에스 | 연속생산공정을 위한 생산자원 양방향 감시시스템 |
-
2018
- 2018-03-09 KR KR1020180027776A patent/KR102097448B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016076218A (ja) * | 2014-10-06 | 2016-05-12 | フィッシャー−ローズマウント システムズ，インコーポレイテッド | プロセスプラントでの自動的信号処理ベースの学習、プロセスプラントでビッグデータベースの学習を提供するためのシステム及び方法、プロセスプラントでビッグデータベースの学習を自動的に実施するためのシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190106368A (ko) | 2019-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102097448B1 (ko) | 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 | |
| CN110719210B (zh) | 一种基于云边协同的工业设备预测性维护方法 | |
| US10764255B2 (en) | Secure command execution from a cloud monitoring system to a remote cloud agent | |
| KR102097453B1 (ko) | 공장 자동화 설비의 수명과 생산성 향상을 위한 ｐｌｃ 패턴 분석 시스템 및 패턴 분석 방법 | |
| US10208947B2 (en) | Cloud-level analytics for boiler networks | |
| CN105427193B (zh) | 一种基于分布式时序数据服务的大数据分析装置及方法 | |
| CN100492234C (zh) | 用于过程控制系统的基于开放网络的数据获取、集合和优化的系统和方法 | |
| US20160182309A1 (en) | Cloud-based emulation and modeling for automation systems | |
| CN104954242A (zh) | 用于将工业数据迁移至云平台的统一数据摄取适配器 | |
| CN110971666A (zh) | 一种物联网管理系统及其通讯方法 | |
| CN107409140A (zh) | 用于收集工业过程控制和自动化系统风险数据的基础设施监视工具 | |
| RU2547708C2 (ru) | Информационная система для промышленных машин, включающая в себя циклически повторяющееся информационное сообщение машины | |
| CN105589349A (zh) | 用于发现工业自动化环境中的控制系统数据的爬取器 | |
| CN104950836A (zh) | 使用工业云代理的预置型数据收集和摄取 | |
| CN105005274A (zh) | 管理过程控制系统中的大数据 | |
| CN106292580A (zh) | 一种智能集成式半导体制造执行系统 | |
| CN104636421A (zh) | 使用云计算的工业监视 | |
| CN110134674A (zh) | 一种货币信贷大数据监测分析系统 | |
| CN102521781A (zh) | 一种基于独立监控服务的跨安全区的设备统一监控方法及其监控系统 | |
| CN102449567A (zh) | 作为用于装备健康状况监视服务的基础的云计算 | |
| CN113176948B (zh) | 边缘网关、边缘计算系统及其配置方法 | |
| CN204515507U (zh) | 基于物联网的机电设备运行远程监控管理系统 | |
| KR20200087313A (ko) | 복합적인 IoT로 구성된 Super Things에서의 각 IoT의 기능을 새롭게 융합하고 복합 서비스를 만들기 위한 기법 | |
| CN104504483B (zh) | 一种用于实现防误操作票省地一体化的方法 | |
| KR100695533B1 (ko) | 유비쿼터스 기술을 적용한 생산 관리 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |