KR102111043B1

KR102111043B1 - 전자 장비 및 기계 장비의 제조를 위한 제어 방법

Info

Publication number: KR102111043B1
Application number: KR1020190124912A
Authority: KR
Inventors: 전제항
Original assignee: 전제항
Priority date: 2019-10-08
Filing date: 2019-10-08
Publication date: 2020-05-14

Abstract

전자 장비 및 기계 장비의 제조 공정을 제어하기 위한 방법 및 장치가 개시된다. 일실시예에 따른 전자 장비 및 기계 장비의 제조 공정을 제어하기 위한 장치는 전자 장비 및 기계 장비의 제조를 위한 재료들을 3D 스캐너의 원통형 내부의 투과성 받침판 상부에 위치시키고, 물체 감지 센서를 사용하여 투과성 받침판 상부에 재료들이 위치한 것이 감지됨과 동시에, 3D 스캐너 원통형 내부에 원형으로 줄지어 위치하고 있는 제1 내지 제20 카메라를 원통형 내부의 상단에서부터 하단으로 이동시키며 연속 촬영하여 3D 스캐닝하고, 3D 스캐닝의 결과에 기초하여, 3D 모델 및 제1 입력 신호를 생성하고, 제1 입력 신호를 미리 학습된 컨벌루션 신경망에 입력해 재료들의 연결 결과에 기초하여, 제1 학습 신호를 생성하고, 제1 학습 신호를 미리 학습된 컨벌루션 신경망에 입력해 컨벌루션 신경망을 재학습시키고, 컨벌루션 신경망의 재학습 결과에 기초하여, 재료들을 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료로 재분류하고, 재분류 결과에 기초하여, 제1 공정 신호를 생성하고, 제1 공정 신호에 기초하여, 제1 공정 기계를 제어해 재료들을 조립하고, 공정 과정에 대한 기록을 블록체인 네트워크에 저장할 수 있다.

Description

전자 장비 및 기계 장비의 제조를 위한 제어 방법{METHOD FOR CONTROLLING ELECTRONIC AND MECHANICAL EQUIPMENT MANUFACTURING}

아래 실시예들은 전자 장비 및 기계 장비의 제조 공정을 제어하는 기술에 관한 것이다.

기존의 전자 장비 및 기계 장비의 제조 공정은 자동화 되어 있지만, 많은 부분을 사용자의 결정에 의존하고 있다. 특히 유사 형태 및 크기를 지닌 재료에 있어 재료를 분류하는 작업은 많은 작업 시간을 요구한다. 더불어 공정 및 유통 과정에서 일어날 수 있는 오류를 관리하는 기술의 부족으로, 공정의 기록이 제대로 남지 못한 채 공정 과정의 실수를 되풀이하게 된다. 따라서 전자 장비 및 기계 장비의 제조 공정을 제어하기 위해 복잡하고 시간이 오래 걸리는 공정을 신속화하며, 공정의 기록을 분산화해 보안 관리하는 기술의 연구가 요구된다.

KR 101804840 KR 101909552 KR 102005826 KR 102017675

실시예들은 전자 장비 및 기계 장비의 제조 공정과 관련한 제어 정보를 딥러닝 기술을 적용해 공정의 자동화 및 정확도를 높이고자 한다.

실시예들은 제조 공정 중 태양광 설비를 통한 전원의 안정적 공급을 통해 통전 검사의 신뢰도를 높이고자 한다.

실시예들은 제조 공정의 기록을 블록체인 네트워크로 저장해 기록의 안전성 및 투명성을 높이고자 한다.

일실시예에 따른 전자 장비 및 기계 장비의 제조를 위한 제어 방법은 전자 장비 및 기계 장비의 제조를 위한 재료들-상기 재료들은 전자 장비 및 기계 장비의 몸체, 연결, 전력 및 특수 기능을 수행하기 위한 재료들로서, 전자 기판, 저항, 트랜지스터, 다이오드, 반도체, 정류기 및 증폭기의 전자 부품 및 금속판, 플라스틱, 유리, 볼트 및 너트의 기계 부품을 포함함-을 3D 스캐너의 원통형 내부의 투과성 받침판 상부에 위치시키는 단계; 물체 감지 센서를 사용하여 상기 투과성 받침판 상부에 재료들이 위치한 것이 감지됨과 동시에, 상기 3D 스캐너 원통형 내부에 원형으로 줄지어 위치하고 있는 제1 내지 제20 카메라를 원통형 내부의 상단에서부터 하단으로 이동시키며 연속 촬영하여 3D 스캐닝하는 단계; 상기 3D 스캐닝의 결과에 기초하여, 3D 모델 및 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 미리 학습된 컨벌루션 신경망에 입력해 제1 출력 신호를 획득하는 단계; 상기 획득한 제1 출력 신호에 기초하여, 각 재료들을 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료로 분류하는 단계; 상기 3D 모델 상에서 상기 제1 재료, 상기 제2 재료, 상기 제3 재료, 상기 제4 재료 및 상기 제5 재료를 연결하는 단계; 상기 재료들의 연결 결과에 기초하여, 제1 학습 신호를 생성하는 단계; 상기 제1 학습 신호를 미리 학습된 상기 컨벌루션 신경망에 입력해 상기 컨벌루션 신경망을 재학습시키는 단계; 상기 컨벌루션 신경망의 재학습 결과에 기초하여, 상기 재료들을 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료로 재분류하는 단계; 상기 재분류 결과에 기초하여, 제1 공정 신호를 생성하는 단계; 상기 제1 공정 신호에 기초하여, 제1 공정 기계를 제어해 상기 재료들을 조립하는 단계; 조립된 제품을 제2 공정 기계의 컨베이어 벨트를 제어해 태양광 설비를 포함한 통전 검사기 내부에 위치시키는 단계; 상기 통전 검사기를 제어해 통전 검사를 실시하는 단계; 상기 통전 검사에 기초하여, 제2 공정 기계의 컨베이어 벨트를 제어해 상기 제품을 에어식 절곡 장치 상에 위치시키는 단계; 상기 에어식 절곡 장치를 제어해 상기 제품을 절곡 가공하는 단계; 및 상기 제1 공정 기계 및 상기 제2 공정 기계에 대한 제어 기록을 블록체인 네트워크에 저장하는 단계를 포함한다.

삭제

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 전자 장비 및 기계 장비의 제조 공정과 관련한 제어 정보를 딥러닝 기술을 적용해 공정의 자동화 및 정확도를 높일 수 있다.

실시예들은 제조 공정 중 태양광 설비를 통한 전원의 안정적 공급을 통해 통전 검사의 신뢰도를 높일 수 있다.

실시예들은 제조 공정의 기록을 블록체인 네트워크로 저장해 기록의 안전성 및 투명성을 높일 수 있다.

도 1은 일실시예에 따른 전자 장비 및 기계 장비의 제조 공정을 제어하기 위한 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 태양광 설비를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 임베디드 컴퓨터의 동작을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 인공 신경망의 학습 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 고주파 아크의 주파수와 주파수에 따른 고주파 아크의 발생빈도의 관계를 표현한 그래프이다.
도 6은 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.
도 7은 일실시예에 따른 블록체인 네트워크의 네트워크 저장장치들을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 전자 장비 및 기계 장비의 제조 공정을 제어하기 위한 방법을 설명하기 위한 순서도이다.

일실시예에 따르면, 전자 장비 및 기계 장비의 제조 공정을 위한 제어 장치(이하, 제어 장치라 함)는 전자 장비 및 기계 장비의 제조를 위한 재료들을 3D 스캐너의 원통형 내부의 투과성 받침판 상부에 위치시킬 수 있다. 제어 장치는 전자 장비 및 기계 장비의 제조 공정을 제어하는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다.

일실시예에 따른 제어 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.

일실시예에 따르면, 전자 장치는 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.

일실시예에 따르면, 전자 장치는 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.

일실시예에 따르면, 전자 장치는 통신 기능을 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. 일실시예에에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 유저라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

일실시예에 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.

일실시예에 따른 재료들은 전자 장비 및 기계 장비의 몸체, 연결, 전력 및 특수 기능을 수행하기 위한 재료들로서, 전자 기판, 저항, 트랜지스터, 다이오드, 반도체, 정류기 및 증폭기의 전자 부품 및 금속판, 플라스틱, 유리, 볼트 및 너트 증의 기계 부품을 포함할 수 있다.

일실시예에 따른 3D 스캐너는 레이저나 백색광을 투사해 대상물의 형상정보를 취득, 디지털 정보로 전환하는 기계이다. 3D 스캐너는 크게 접촉식과 비접촉식으로 구분할 수 있으며, 비접촉식 스캐너는 빛을 직접 피사체에 쏘는지의 여부에 따라 능동형과 수동형 스캐너로 구분할 수 있다.

일실시예에 따르면, 제어 장치는 물체 감지 센서를 사용하여 투과성 받침판 상부에 재료들이 위치한 것이 감지됨과 동시에, 3D 스캐너 원통형 내부에 원형으로 줄지어 위치하고 있는 제1 내지 제20 카메라를 원통형 내부의 상단에서부터 하단으로 이동시키며 연속 촬영하여 3D 스캐닝할 수 있다(401).

일실시예에 따른 물체 감지 센서는 물체의 존재 및 위치를 감지할 수 있는 센서로 열 센서, 적외선 감지 센서, 광 센서, 소리 센서 등을 포함할 수 있으며 이에 한정하지 않는다. 물체 감지 센서가 감지하는 위치에 물체가 놓이게 되면 물체 감지 센서는 점등 신호, 음성 신호 및 디지털 신호 등의 신호를 생성해 물체 감지에 대한 결과를 출력할 수 있다.

일실시예에 따르면, 투과성 받침판은 레이저 및 백색광이 투과할 수 있는 재질로 구성되며, 경우에 따라 X선 및 γ선을 포함하는 방사선에도 투과성을 보일 수 있다. 3D 스캐너 내의 투과성 받침판은 물체가 받침판 상단에 놓였을 때, 스캐너의 카메라들이 받침판을 제외한 물체만을 스캐닝할 수 있도록 기능하며 물체의 하단까지 모두 스캐닝할 수 있도록 물체를 받치는 역할을 함께 수행할 수 있다.

일실시예에 따르면, 3D 스캐너 내의 카메라들은 물체를 중심으로 360˚로 배치되며, 각각의 카메라가 물체의 표면을 중첩되게 촬영하도록 화각이 조정되어 있다. 3D 스캐너는 원통형의 몸체를 가지고 있으며, 이 때 제1 내지 제20 카메라는 원통형의 상단에 360˚로 배치되어 있다. 3D 스캐닝은 물체 감지 센서가 출력하는 신호에 따라 동작을 수행하며, 동작은 원통형 몸체의 상단에서 하단으로 이동하며 카메라가 물체를 촬영하는 방식으로 진행될 수 있다. 제1 내지 제20 카메라는 모두 카메라의 화각 중심을 물체로 고정하여 진행하며, 이에 따라 상단부에서는 상대적으로 하단부를 향하고 하단부에서는 상대적으로 상단부를 향할 수 있다. 카메라는 상하로 최대 45˚의 각도만큼 기울어질 수 있다.

일실시예에 따르면, 제어 장치는 3D 스캐닝의 결과에 기초하여, 3D 모델 및 제1 입력 신호를 생성할 수 있다(402).

일실시예에 따르면, 제어 장치는 3D 스캐닝 결과를 바탕으로 3D 모델을 형성하며, 카메라의 해상도에 따라 100배 내지 10000배까지 확대할 수 있다. 3D 모델은 x축, y축 및 z축으로 모두 360˚ 회전 가능하며, 모델을 확대시켜 보는 경우라도 언제든 실제 길이를 표시할 수 있다. 예를 들어, 볼트의 경우 3D 모델 상에 구현된 볼트 역시 기존의 볼트와 같은 크기로 표시될 수 있으며, 모니터 상에 확대된 경우에도 기존의 길이를 그대로 보존할 수 있다. 더불어 볼트의 나사선의 개수는 실제 나사선의 개수와 일치하며, 각 나사선 사이의 거리도 정밀하게 구현할 수 있다.

일실시예에 따르면, 제1 입력 신호는 미리 학습된 컨벌루션 신경망에 입력되기 위한 신호로, 3D 스캐닝한 결과물 그 자체를 픽셀로 구현한 결과물이라 할 수 있다. 대상 재료의 표면 정보를 담고 있으며, 각 카메라에서 찍은 2차원의 개별 사진들을 모두 분석해 입력 신호를 만들 수 있다.

일실시예에 따르면, 제어 장치는 제1 입력 신호를 미리 학습된 컨벌루션 신경망에 입력해 제1 출력 신호를 획득할 수 있다(403).

일실시예에 따른 컨벌루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨벌루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨벌루션 계층은 컨벌루션 연산, 컨벌루션 필터 및 활성함수를 포함하고 있다. 컨벌루션 필터의 계산은 대상 영상의 픽셀 수에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 이미지의 크기를 줄이는 역하를 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨벌루션 계층과 풀링 계층은 해당 영상이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 전자 장비 및 기계 장비의 제조 공정을 제어하기 위한 컨벌루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 출력층의 노드는 총 5개로 하며, 출력층의 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 5개의 출력 중 하나의 출력만을 선택하는 것이 가능하다.

일실시예에 따르면, 제어 장치는 획득한 제1 출력 신호에 기초하여, 각 재료들을 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료로 분류할 수 있다(404).

일실시예에 따르면, 컨벌루션 신경망의 출력은 모두 5가지로 출력들은 각각 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료에 대응된다. 각 재료들은 모두 전자 장비 및 기계 장비의 제조에 사용되는 재료들로서, 필요에 따라 하나 또는 그 이상이 사용될 수 있다. 제1 재료는 금속판, 플라스틱, 유리 등으로 이뤄진 몸체로 분류되는 재료를 의미하고, 제2 재료는 전자 기판으로 분류되는 재료를 의미하고, 제3 재료는 전자 기판, 트랜지스터, 다이오드, 반도체, 정류기 및 증폭기 등으로 분류되는 재료를 의미하고, 제4 재료는 볼트 및 너트 등으로 분류되는 재료를 의미하고, 제5 재료는 도선 및 저항 등으로 분류되는 재료를 의미할 수 있다.

일실시예에 따르면, 제어 장치는 3D 모델 상에서 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료를 연결할 수 있다. 3D 모델 상에서 각 재료의 연결은 실제 조립 완성된 제품에 준하게 이뤄지며, 연결 관계의 검사 또한 제품에 준하게 이뤄질 수 있다. 연결 관계에 대한 결과를 통해 분류된 제품들이 시뮬레이션 상에서 실제 연결될 수 있는 관계인지를 판단할 수 있다.

일실시예에 따르면, 제어 장치는 재료들의 연결 결과에 기초하여, 제1 학습 신호를 생성할 수 있다(405). 제어 장치는 제1 학습 신호를 미리 학습된 컨벌루션 신경망에 입력해 컨벌루션 신경망을 재학습시킬 수 있다(406).

일실시예에 따르면, 제어 장치는 미리 학습된 컨벌루션 신경망을 재학습 시키기 위한 제1 학습 신호를 생성할 수 있다. 본 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 학습 신호에 의해 컨벌루션 신경망은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.

일실시예에 따르면, 제어 장치는 컨벌루션 신경망의 재학습 결과에 기초하여, 상기 재료들을 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료로 재분류할 수 있다(407).

일실시예에 따르면, 제어 장치는 컨벌루션 신경망의 재학습 후, 기존의 입력을 재 입력함에 따라 새로운 출력을 얻을 수 있다. 이 출력은 새로운 분류 결과를 나타낼 수 있다. 재분류 결과가 앞서와 마찬가지로 정답과 오차를 보일 경우, 기존의 데이터들을 바탕으로 반복적인 학습을 다시 거칠 수 있다.

일실시예에 따르면, 제어 장치는 재분류 결과에 기초하여, 제1 공정 신호를 생성할 수 있다(408). 제어 장치는 재분류 결과에 따른 재료들을 바탕으로, 공정 진행을 위한 제1 공정 신호를 생성할 수 있다. 각 공정 신호는 공정 기계를 제어하는 방식으로 이뤄질 수 있으며, 공정 기계를 통해 각 재료들의 조립이 이뤄질 수 있다.

일실시예에 따르면, 제어 장치는 제1 공정 신호에 기초하여, 제1 공정 기계를 제어해 상기 재료들을 조립할 수 있다(409).

일실시예에 따르면, 제어 장치는 제1 공정 기계의 위치 센서를 이용해, 제1 재료의 각 부분의 표지점을 확인할 수 있다. 표지점은 재료의 가공을 위핸 고안된 점들로 연마, 절곡, 가열, 절단 및 조립 등을 위해 존재하는 자리일 수 있다. 표지점은 제1 재료의 정중점을 위치 센서의 정중점과 일치하게 설정했을 때, 정중점 및 제1 재료 상을 가로 및 세로로 나누는 삼등분 선이 만나는 점들을 포함할 수 있다.

일실시예에 따르면, 제어 장치는 제1 공정 기계를 제어해 제2 재료를 표지점의 제1 점에, 제3 재료를 표지점의 제3 점에 위치시킬 수 있다. 각각의 표지점에 대한 번호는 정중점을 0점으로 하고, 나머지 점들을 시계 방향으로 순서대로 각각 번호를 붙이는 방식으로 진행된다. 각 번호는 제1 공정 기계의 위치 센서 기준 좌상단의 점을 제1 점으로 하여 제4 점까지, 정중점인 제 0점을 포함해 총 5개의 점일 수 있다. 모든 표지점은 제시된 다섯 개일 수 있고, 경우에 따라 그 이상일 수 있다.

일실시예에 따르면, 제어 장치는 제1 공정 기계 및 제1 공정 기계의 위치 센서를 제어해 제4 재료를 제2 재료 및 제3 재료의 가장자리 네 꼭지점에 각각 위치시킬 수 있다. 제어 장치는 제1 공정 기계를 제어해 제4 재료를 시계방향 회전시켜, 제2 재료 및 제3 재료를 제1 재료에 연결할 수 있다.

일실시예에 따르면, 제어 장치는 제1 공정 기계를 제어해 위치 센서로 파악한 제2 재료 및 제3 재료의 위치 및 외형을 바탕으로 제2 재료 및 제3 재료의 네 꼭지점에 제4 재료를 위치시킬 수 있다. 제4 재료는 위치 센서가 마주하고 있는 평면을 xy평면으로 보았을 때, 재료의 장축이 z축에 평행하도록 위치시키며 카메라 쪽을 양의 값으로 하였을 때, 음의 방향으로 나사선이 오도록 위치시킬 수 있다. 제어 장치는 제4 재료의 위치 및 나사선 방향을 맞춘 후 시계 방향 회전동작을 통해 제4 재료를 제2 재료 및 제3 재료에 접합시킬 수 있다. 이 동작을 통해 제2 재료 및 제3 재료는 제1 재료와 연결될 수 있다.

일실시예에 따르면, 제어 장치는 제1 공정 기계 및 제1 공정 기계의 위치 센서를 제어해 제5 재료의 양 끝을 제2 재료와 제3 재료 각각의 정중점에 위치시킬 수 있다. 제어 장치는 제1 공정 기계를 제어해 제5 재료의 양 끝을 가열해 제5 재료를 제2 재료 및 제3 재료와 연결할 수 있다.

일실시예에 따르면, 제어 장치는 제1 공정 기계의 위치 센서가 마주하고 있는 평면을 xy평면으로 보았을 때, 제5 재료의 장축은 xy평면에 놓이며, 양 끝은 제2 재료와 제3 재료의 정중점에 위치시킬 수 있다. 제5 재료의 양 끝은 가열 시 자동으로 납땜이 될 수 있도록 가공된 재료로서, 위치 완료 시 제1 공정 기계의 가열 공정을 통해 제2 재료 및 제3 재료와 연결될 수 있다. 이 연결은 전기를 흐르도록 하는 연결로서, 연결 가공의 정상 완료 시 전류가 흐를 수 있다.

일실시예에 따르면, 제어 장치는 조립된 제품을 제2 공정 기계의 컨베이어 벨트를 제어해 태양광 설비를 포함한 통전 검사기 내부에 위치시킬 수 있다. 제어 장치는 통전 검사기를 제어해 통전 검사를 실시할 수 있다(410).

일실시예에 따른 태양광 설비를 포함한 통전 검사기의 자세한 기능 및 원리는 도 2, 도 3, 도 4 및 도 5에 후술될 것이다. 태양광 설비를 포함한 통전 검사기는 안정적인 교류 전류를 제공함으로써, 통전 검사의 안정성 및 신뢰성을 높이는 역할을 할 수 있다. 더불어 고효율의 에너지 절약을 할 수 있는 장비일 수 있다.

일실시예에 따르면, 제어 장치는 통전 검사에 기초하여, 제2 공정 기계의 컨베이어 벨트를 제어해 제품을 에어식 절곡 장치 상에 위치시킬 수 있다. 제어 장치는 에어식 절곡 장치를 제어해 제품을 절곡 가공할 수 있다.

일실시예에 따른 에어식 절곡 장치는 제품의 절곡 가공을 수행하는 장비로서, 에어를 사용하기 때문에 모든 절곡을 대칭적으로 수행할 수 있다. 기존의 절곡 장치들이 동시에 절곡을 진행할 수 없었던 단점을 극복한 장비로서, 이에 따라 균일한 만곡도를 보이는 제품 절곡 가공을 수행할 수 있다.

일실시예에 따르면, 공정 과정에 대한 기록을 블록체인 네트워크에 저장할 수 있다. 블록체인 네트워크에 관한 상세한 설명은 도 6과 도 7의 설명에서 후술될 것이다. 블록체인 네트워크는 분산화를 통한 보안 전략으로서, 각 공정 과정을 투명하게 저장 및 관리할 수 있는 시스템이다. 공정 과정에 대한 기록을 보관하는 것은 향후의 공정에 있어 사용할 데이터를 수집하는 작업이 될 수 있으며, 쌓인 데이터들을 빅데이터로 유의미한 통계 자료 및 딥러닝을 수행할 수 있다.

일실시예에 따르면, 제어 장치는 전자 장비 및 기계 장비의 제조 공정과 관련한 제어 정보를 딥러닝 기술을 적용해 공정의 자동화 및 정확도를 높일 수 있다.

도 2은 일실시예에 따른 태양광 설비를 설명하기 위한 도면이다.

도 2를 참조하면, 태양광 설비(100)는 태양광을 제공 받아 직류 전류를 생산하는 태양광 모듈(110); 태양광 모듈(110)이 생산한 직류 전류를 교류 전력으로 변환하는 인버터(130); 태양광 모듈(110)과 인버터(130) 사이에 배치되어 태양광 모듈(110)이 생산한 직류 전류를 제공 받아 인버터(130)에 제공하는 태양광 모듈 접속함(120)을 포함할 수 있다.

태양광 모듈(110)은 태양광을 직류 전류로 변환할 수 있다. 태양광 모듈(110)의 셀에 태양광이 닿으면 광전 효과에 의해 물리적 반응이 일어나며, 이로 인해 셀은 직류 전류를 발생시킬 수 있다. 태양광 모듈(110)은 약 60개 이상의 셀로 이루어질 수 있으며, 셀들을 전기적으로 연결하여 내구성이 강한 유리 패널과 프레임으로 안전하게 결합할 수 있다. 태양광 모듈(100)에서 생성된 직류 전류는 인버터(130)로 전송될 수 있으며, 이 과정에서 직류 전류는 태양광 모듈 접속함(120)을 거쳐 인버터(130)로 전송될 수 있다.

인버터(130)는 태양광 모듈(110)에서 생산된 직류 전류를 교류 전력으로 변환하는 역할을 수행한다. 태양광 모듈(110)에서 생산된 직류 전류가 인버터(130)를 거쳐 교류 전력으로 변환됨으로써, 비로소 가정, 회사 등에서 이용할 수 있는 교류 전기의 형태를 갖추게 된다. 인버터(130)는 필요와 목적에 따라 전압 변환 후 주파수 변환 방식; 전압, 주파수 동시변환 방식; DC-DC-AC 변환 방식; DC-AC 변환 방식 등이 차용될 수 있다.

한편, 태양광 모듈(110)이 태양으로부터 광에너지를 제공 받아 직류 전류를 생산하는 과정에서, 고주파 아크(high-frequency arc) 성분이 직류 전류에 포함될 수 있다. 즉, 태양이 구름 등에 가려져 있다가 노출되는 경우처럼, 태양광 모듈(110)에 입사하는 광에너지가 순간적으로 변하는 경우, 태양광 모듈(110)이 생산하는 전류는 순간적으로 요동을 치게 되며, 이 과정에서 직류 전류에 고주파 아크 성분이 포함되게 된다.

한편, 일반적으로 인버터(130)는 고가의 예민한 장비이므로, 인버터(130)가 고주파 아크 등 인버터(130)의 고장의 원인이 되는 현상에 노출되지 않도록 신경을 쓸 필요가 있다. 즉, 인버터(130)가 고주파 아크에 견딜 수 있는 최대 허용 주파수 이상의 주파수를 가진 고주파 아크가 입력되면, 인버터(130)는 높은 확률로 오작동 및 고장이 일어나, 가정 및 회사 등에 태양광으로 생산한 전기가 공급되지 못하는 문제가 발생할 수 있다. 나아가, 인버터(130)의 고장이 심한 경우, 고가의 장비인 인버터(130)를 새로 교체해야 하고, 이 과정에서 심각한 비용 손실을 초래할 수 있다.

이러한 문제들이 발생하지 않도록, 태양광 모듈 접속함(120)은 태양광 모듈(110)과 인버터(130) 사이에 배치되어 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 선택적으로 제공할 수 있다. 이 과정에서, 태양광 모듈 접속함(120)는 태양광 모듈(110)이 생산한 직류 전류에 고주파 아크 성분이 많이 포함된 경우, 인버터(130)로 흘러 들어가는 전류를 차단할 수 있다. 이를 위해, 태양광 모듈 접속함(120)은 전류 측정부(121); 전류 차단부(122); 및 임베디드 컴퓨터(123)를 포함할 수 있으며, 임베디드 컴퓨터(123)은 유효한 기능 수행을 위해 복수의 센서(140)와 연결될 수 있다.

전류 측정부(121)는 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정할 수 있다. 이를 위해, 전류 측정부(121)는 RC 하이 패스 필터(high pass filter)를 포함할 수 있다. RC 하이 패스 필터는 차단 주파수(cutoff frequency)가 0.5~1kHz 사이 정도가 되도록 설계될 수 있다. 보통 고주파 아크는 1kHz 이상의 주파수를 가지며, 수십kHz 이상의 주파수를 가지는 고주파 아크도 존재한다. 그러나 구체적인 숫자들은 예시일 뿐이며, RC 하이 패스 필터는 실제 태양광 설비(100)가 설치되는 지역 및 환경에 따라 발생하는 고주파 아크에 유효하게 대응할 수 있는 적절한 차단 주파수를 가지도록 설계될 수 있다.

RC 하이 패스 필터의 입력측은 태양광 모듈(110)과 연결되고, 출력측은 임베디드 컴퓨터(123)와 연결될 수 있다. 태양광 모듈(110)에 입력되는 태양광이 일정한 경우, 태양광 모듈(110)에 의해 생산된 전류는 고주파 아크 성분이 없거나 아주 적게 포함되어 있을 것이다. 이 경우, 태양광 모듈(110)이 생산한 전류는 지배적으로 RC 하이 패스 필터의 차단 주파수 이하의 주파수를 가지므로, 임베디드 컴퓨터(123)와 연결된 출력측에 임계치 이상의 신호가 전달되지 않는다. 한편, 미세먼지, 매연, 구름 등에 의해 태양광 모듈(110)에 입력되는 태양광이 순간적으로 변하는 경우, 태양광 모듈(110)에 의해 생산된 전류는 고주파 아크 성분을 포함할 것이다. 이 경우, 태양광 모듈(110)이 생산한 전류는 RC 하이 패스 필터의 차단 주파수 이상의 주파수를 가지는 고주파 아크 성분이 포함될 수 있으므로, 임베디드 컴퓨터(123)와 연결된 출력측에 임계치 이상의 신호가 전달될 수 있다.

전류 측정부(121)로부터 임계치 이상의 신호를 전달 받은 임베디드 컴퓨터(123)는 고주파 아크 성분 데이터를 획득한 셈이 된다. 임베디드 컴퓨터(123)는 고주파 아크 성분의 주파수를 분석하는 종래의 알고리즘들을 수행할 수 있고, 고주파 아크 성분의 주파수가 후술의 단전(斷電) 주파수를 초과하는 것으로 판별된 경우, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 제공하지 않고 차단하라는 명령을 전류 차단부(122)로 전송할 수 있다.

한편, 위에서 설명한 회로 구성 및 전류 측정 방식은 예시일 뿐이며, 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정할 수만 있다면, 어떠한 회로 구성 및 측정 방식이라도 전류 측정부(121)에 차용될 수 있다.

전류 차단부(122)는 인버터(130)로 제공되는 직류 전류를 차단할 수 있다. 구체적으로, 임베디드 컴퓨터(123)는 차단 명령을 전송할 수 있다. 가령, 전류 차단부(122)에 NPN 트랜지스터가 포함될 수 있고, NPN 트랜지스터의 컬렉터(C)가 태양광 모듈(110)측과 연결되고; 이미터(E)가 인버터(130)측에 연결되고; 베이스(B)가 태양광 모듈 접속함(120)측에 연결될 수 있다.

평소에는, 베이스(B)에 일정한 전류가 흐름으로써, 태양광 모듈(110)이 생산한 직류 전류가 인버터(130)로 제공되는 상황일 수 있다. 이때, 차단 명령은 태양광 모듈 접속함(120)가 베이스(B)에 입력되는 전류를 중단시키는 것일 수 있다. 이를 통해, 전류 차단부(122)에 포함되는 NPN 트랜지스터의 컬렉터(C)와 이미터(E) 사이에는 더 이상 전류가 흐를 수 없게 된다. 이를 통해, 태양광 모듈(110)이 생산한 직류 전류는 인버터(130)로 제공되지 않고 차단될 수 있다.

한편, 위에서 설명한 회로 구성 및 회로 구성에 따른 차단 명령은 예시일 뿐이며, 태양광 모듈 접속함(120)에서 전송하는 차단 명령을 통해 태양광 모듈(110)이 생산한 직류 전류가 인버터(130)로 제공되지 않을 수만 있다면, 어떠한 회로 구성이라도 전류 차단부(122)에 차용될 수 있으며, 어떠한 회로 구성에 따른 차단 명령이라도 임베디드 컴퓨터(123)에 차용될 수 있다.

임베디드 컴퓨터(123)는 전류 측정부(121) 및 전류 차단부(122)를 제어하여, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 제공하거나 제공하지 않을 수 있다. 이를 위해, 임베디드 컴퓨터(123)는 태양광 모듈(110)이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 복수의 센서(140)와 연결되고; 각각의 센서(141, 142, 143)로부터 특정한 환경 데이터를 획득하고; 복수의 환경 데이터를 기초로, 단전(斷電) 주파수를 설정하고; 전류 측정부(121)가 측정한 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득하고; 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터(130)로 제공되는 직류 전류를 차단하는 명령을 전류 차단부(122)로 전송할 수 있다. 임베디드 컴퓨터(123)의 구체적인 동작은 도 4를 참조하여 후술된다.

복수의 센서(140)는 각각 태양광 모듈(110)이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있다. 가령, 복수의 센서(140)는 제 1 센서(141); 제 2 센서(142); 및 제 3 센서(143)가 있을 수 있다.

제 1 센서(141)는 일사량 센서일 수 있다. 대표적으로, 일사량 센서로는 PAR(Photosynthetically Active Radiation) 센서가 사용될 수 있다. PAR 센서는 광합성 유효광량을 공기 또는 물에서 측정할 수 있도록 구성된 센서이다. PAR 센서는 태양광 에너지가 밀집된 스펙트럼 범위(400-700nm)내의 가시광선에 반응하는 센서이다. PAR 센서는 PPFD(Photosynthetic Photon Flux Density)를 측정하며, 측정단위는 μmol/(m2·s)이다. PAR 센서의 입력부인 렌즈 부분이 하늘을 향하도록 평평하게 정렬함으로써, PAR 센서가 태양광 모듈(110) 주변의 일사량을 측정하도록 구성될 수 있다. 한편, 일사량 센서는 PAR 센서로 국한되지 않으며, 가령 일사량 센서는 단위 시간 및 단위 면적당 내리쬐는 태양광 에너지를 W/m2 단위로 측정하는 일사량 센서도 차용될 수 있다.

제 2 센서(142)는 미세먼지량을 측정하는 미세먼지량 측정 센서일 수 있다. 미세먼지량 측정 센서는 공기 중에 떠도는 미세먼지의 양을 측정하기 위한 센서로, 10μm 크기의 미세먼지에서부터 2.5μm 이하 크기의 초미세먼지까지 측정할 수 있다. 태양광 모듈(110) 주변의 미세먼지량이 크게 측정될 경우, 태양광 모듈(110) 주변은 미세먼지가 많은 상황으로 해석될 수 있다.

제 3 센서(143)는 은행 나무의 은행 열매의 화학 성분에 타겟팅된 전자코(electronic nose)일 수 있다. 전자코(electronic nose)란, 사람의 코 기능과 구조를 기초로 하여 설계된 타겟팅 성분을 감지할 수 있는 가스 센서로, 1982년 영국의 Persaud와 Dodd에 의해 단일 종의 가스인식시스템이 소개된 것을 시발점으로, 점차 상용화가 이루어지고 있는 기술이다. 전자코는 인간 코의 기능을 디지털화 한 것이라 볼 수 있으며, 화학 성분의 냄새를 통해 화학 성분의 정성적, 정량적 분석을 빠르게 수행 할 수 있는 사람의 후각 인지 시스템을 모방하여 대기 중의 화학 성분을 감별하는 센서이다. 전자코의 입력부는 각종 화학 성분과 접촉할 때마다 전압이 변화하는 등의 감지 신호를 생성할 수 있다. 전자코는 입력부를 통해 대기 중에 분산된 화학 성분을 입력 받아 감지 신호를 생성하고, 인공 신경망을 통해 감지 신호로부터 화학 성분을 분석하여, 해당 화학 성분이 대기 중에 분포해 있는지 여부 및 분포해 있다면 그 농도가 어떻게 되는지 여부 등을 출력한다.

전자코의 분석은 신속하고 편리한 비파괴적 분석 방법으로, 측정하고자 하는 화학 성분을 일일이 분리하여 분석하는 것이 아니라, 인간이 코를 이용해 화학 성분을 감지하는 것처럼, 대기 중에 배합된 화학 성분을 대기와 함께 전체적으로 감지하는 특성을 가지고 있다. 전자코에 포함된 인공 신경망을 어떻게 학습시켜 주는지에 따라 전자코는 사람의 코가 감지할 수 없는 화학 성분까지도 측정할 수 있다.

전자코의 인공 신경망은 입력부를 통해 입력된 각 화학 성분에 대하여 서로 다른 인식 패턴을 보이며, 타겟 화학 성분이 갖고 있는 향기 패턴을 인공 신경망을 이용하여 반복적으로 학습시킴으로써, 전자코가 타겟 화학 성분을 감별해내는 오차를 최소화 할 수 있다. 이를 통해, 대기 중 타겟 화학 성분에 대한 객관적인 자료화가 가능하고, 일정 기간이 지난 후에도 전자코의 미리 학습된 인공 신경망을 이용하여 대기 중 타겟 화학 성분을 분석할 수 있다는 장점이 있다.

제 3 센서(143)는 이와 같은 전자코에 있어서, 타겟 화학 성분을 은행 열매의 화학 성분으로 삼고 전자코의 인공 신경망을 학습시킨 전자코일 수 있다. 이를 통해, 제 3 센서(143)는 태양광 모듈(110) 주변에 은행 나무들이 많이 분포하고 있는지 여부를 판별할 수 있다. 은행 나무는 매연, 분진, 이산화질소, 아황산가스 등을 흡수하고 신선한 산소를 배출할 수 있는 능력이 일반 나무보다 5, 6배 많은 것으로 알려져 있다. 따라서 제 2 센서(142)를 통해 태양광 모듈(110) 주변의 미세먼지량이 크게 측정된 경우라도, 제 3 센서(143)를 통해 태양광 모듈(110) 주변에 은행 열매의 화학 성분이 많이 검출된다면, 태양광 모듈(110) 주변은 미세먼지량이 많지 않은 상황으로 해석될 수 있다.

전자코(143)의 인공 신경망의 구체적인 학습 과정은 도 4를 참조하여 후술된다. 또한, 센서들(141, 142, 143)이 측정한 환경 데이터를 기초로 태양광 모듈 접속함(120)의 임베디드 컴퓨터(123)가 태양광 설비(100)를 제어하는 과정은 도 3를 참조하여 후술된다.

일실시예에 따르면, 통전 검사기는 생성된 교류 전류를 제품에 전가시켜 통전 여부를 검사할 수 있다. 제어 장치는 제조 공정 중 태양광 설비를 통한 전원의 안정적 공급을 통해 통전 검사의 신뢰도를 높일 수 있다.

도 3는 일실시예에 따른 임베디드 컴퓨터의 동작을 설명하기 위한 도면이다.

우선, 임베디드 컴퓨터(123)는 태양광 모듈이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 복수의 센서(140)와 연결될 수 있다(210). 임베디드 컴퓨터(123)과 복수의 센서(140)는 유선 또는 무선 인터넷 환경, LTE, 5G, WiFi, 블루투스, UART, SPI, I2C, USB 통신, LAN 등을 비롯한 다양한 네트워크로 연결될 수 있다. 이를 위해, 임베디드 컴퓨터(123) 및 복수의 센서(140)는 유무선 네트워크를 위한 통신 안테나, 통신 단자, 하드웨어, 소프트웨어 및 이들의 조합을 포함할 수 있으며, 유무선 네트워크를 위한 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다.

구체적으로, 임베디드 컴퓨터(123)는 제 1 센서(141); 제 2 센서(142); 및 제 3 센서(143)와 연결될 수 있다. 이때, 제 1 센서(141)는 일사량 센서; 제 2 센서(142)는 미세먼지량 측정 센서; 제 3 센서(143)는 은행 나무의 은행 열매의 화학 성분에 타겟팅된 전자코일 수 있다.

다음으로, 임베디드 컴퓨터(123)는 복수의 센서로부터 복수의 환경 데이터를 획득할 수 있다(220). 구체적으로, 임베디드 컴퓨터(123)는 제 1 센서(141)로부터 제 1 환경 데이터를; 제 2 센서(142)로부터 제 2 환경 데이터를; 제 3 센서(143)로부터 제 3 환경 데이터를 획득할 수 있다. 이때, 제 1 환경 데이터는 태양광 모듈(110) 주변의 일사량 데이터이고; 제 2 환경 데이터는 태양광 모듈(110) 주변의 미세 먼지량 데이터이고; 제 3 환경 데이터는 태양광 모듈(110) 주변의 대기 중 은행 열매의 화학 성분을 수치화한 데이터일 수 있다.

이어서, 복수의 환경 데이터를 기초로, 단전(斷電) 주파수를 설정할 수 있다(230). 여기서 단전(斷電) 주파수란, 태양광 모듈(110)이 생산한 직류 전류에서 고주파 아크 성분이 검출되었고, 나아가 고주파 아크 성분의 주파수가 단전 주파수를 초과한 것으로 판별된 경우, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)으로 제공하지 않고 차단하기로 결정하는 주파수일 수 있다.

단전 주파수를 어떻게 설정해야 적합한지는 도 6을 참고하여 설명될 수 있다. 도 6을 참고하면, 일사량이 적은 경우(510)와 일사량이 많은 경우(520), 고주파 아크의 주파수와 주파수에 따른 고주파 아크의 발생빈도의 관계를 표현한 그래프들을 확인할 수 있다. 일사량이 적은 경우(510)에나 일사량이 많은 경우(520)에나, 고주파 아크의 주파수에 따른 발생빈도는 정규분포에 가까운 형태를 띠는 것을 확인할 수 있다. 한편, 일사량이 많은 경우(520), 정규분포의 중심 위치를 결정하는 평균 값이 더 크므로, 주파수가 높은 고주파 아크들이 보다 높은 확률로 발생한다는 것을 확인할 수 있다. 이는 태양광 모듈(110)의 일부 또는 전부가 태양광으로부터 가려져 있다가 태양광에 다시 노출되는 경우(또는 그 반대의 경우), 일사량이 많을수록 순간적인 광에너지의 변화가 크기 때문에, 전류의 요동도 심해지고, 이에 따라 고주파 아크들의 주파수도 통계적으로 상승하게 되는 것에서 원인을 찾을 수 있다.

한편, 인버터(130)가 고주파 아크에 견딜 수 있는 최대 허용 주파수(501) 이상의 주파수를 가진 고주파 아크에 노출되면 오작동 및 고장이 일어날 수 있다. 따라서, 단전 주파수는 일사량이 적은 경우(510)에나 일사량이 많은 경우(520)에나 최대 허용 주파수(501)보다 작아야 인버터(130)를 보호한다는 목적을 달성할 수 있다.

여기서, 일사량이 적은 경우(510), 정규분포의 중심 위치를 결정하는 평균 값이 작으므로, 태양광 모듈(110)이 생산한 직류 전류에서 고주파 아크 성분이 검출되더라도, 검출된 고주파 아크의 주파수가 최대 허용 주파수(501)보다 크거나 같을 확률은 낮다. 따라서 일사량이 적은 경우의 단전 주파수(511)는 최대 허용 주파수(501)와의 차가 작도록 설정되어야 태양광 설비(100)가 불필요하게 차단되는 비효율을 최소화할 수 있다.

반대로, 일사량이 많은 경우(520), 정규분포의 중심 위치를 결정하는 평균 값이 크므로, 태양광 모듈(110)이 생산한 직류 전류에서 고주파 아크 성분이 검출되었다면, 검출된 고주파 아크의 주파수가 최대 허용 주파수(501)보다 크거나 같을 확률이 높다. 따라서 일사량이 많은 경우의 단전 주파수(521)는 최대 허용 주파수(501)와의 차가 크도록 설정되어야 인버터(130)가 고장 날 위험성을 최소화할 수 있다.

따라서 태양광 모듈 접속함(120)의 임베디드 컴퓨터(123)는 복수의 센서(140)를 통해 태양광 모듈(110) 주변의 일사량이 많은지 적은지를 측정하고, 이를 기초로 단전 주파수를 정해야 태양광 설비(100)가 불필요하게 차단되는 비효율을 최소화하면서 동시에 인버터(130)가 고장 날 위험성도 최소화할 수 있다.

이를 위해, 우선, 제 1 센서(141)로부터 획득한 제 1 환경 데이터, 즉 일사량 센서로부터 획득한 태양광 모듈(110) 주변의 일사량 데이터를 통해 단전 주파수가 설정될 수 있다. 일사량이 높다고 측정될수록 최대 허용 주파수(501)를 초과하는 고주파 아크가 발생할 확률이 크므로, 단전 주파수와 최대 허용 주파수(501)의 차가 커지도록 단전 주파수가 설정되어야 한다.

다음으로, 제 2 센서(142)로부터 획득한 제 2 환경 데이터, 즉 미세먼지량 측정 센서로부터 획득한 태양광 모듈(110) 주변의 미세먼지량 데이터를 통해, 제 1 환경 데이터를 통해 설정된 단전 주파수를 세부적으로 조정될 수 있다.

태양광 모듈(110) 주변의 미세먼지량이 크게 측정될 경우, 태양광 모듈(110) 주변은 미세먼지가 많은 상황으로 해석될 수 있다. 이때, 제 1 센서(141)에 의해 일사량이 적다고 측정된 경우라도, 제 2 센서(142)에 의해 미세먼지량이 심하다고 측정된 경우, 실제로는 일사량이 많은 날씨이지만, 미세먼지 때문에 태양광 모듈(110) 주변의 일사량이 일시적으로 및 국지적으로 줄어든 상황일 수 있다. 즉, 제 1 센서(141)에 의한 측정 결과와는 달리, 실제로는 일사량이 많은 상황일 수도 있다. 이러한 상황에서, 미세먼지가 빠르게 걷힐 경우, 태양광 모듈(110)은 순간적으로 강한 일사량의 태양광에 노출될 수 있으며, 이에 따라 최대 허용 주파수(501)를 초과하는 고주파 아크가 발생할 위험이 있다. 이러한 고주파 아크를 방지하기 위해서는, 제 1 환경 데이터, 즉 일사량 데이터가 동일한 값을 가지는 경우라도, 제 2 환경 데이터, 즉 미세먼지량 데이터가 큰 값을 가질수록, 단전 주파수와 최대 허용 주파수(501)의 차가 커지도록 단전 주파수가 설정되어야 한다. 즉, 제 1 환경 데이터인 일사량 데이터가 동일한 값을 가지는 경우에 대해, 제 2 환경 데이터인 미세먼지량 데이터가 큰 값을 가지는 경우, 단전 주파수와 최대 허용 주파수(501)의 차는 제 2 환경 데이터가 작은 값을 가지는 경우보다 커야 한다.

이어서, 제 3 센서(143)로부터 획득한 제 3 환경 데이터, 즉 은행 나무의 은행 열매의 화학 성분에 타겟팅된 전자코의 인공 신경망으로부터 획득한 태양광 모듈(110) 주변의 대기 중 은행 열매의 화학 성분을 수치화한 데이터를 통해, 제 1 환경 데이터 및 제 2 환경 데이터를 기초로 세부적으로 설정된 단전 주파수가 세부적으로 조정될 수 있다.

제 2 센서(142)를 통해 태양광 모듈(110) 주변의 미세먼지량이 크게 측정된 경우라도, 제 3 센서(143)를 통해 태양광 모듈(110) 주변에 은행 열매의 화학 성분이 많이 검출된다면, 매연, 분진, 이산화질소, 아황산가스 등을 흡수하고 신선한 산소를 배출할 수 있는 능력이 일반 나무보다 5, 6배 많은 은행 나무들이 태양광 모듈(110) 주변에 많이 분포한 상황이므로, 미세먼지가 많더라도 실제 태양광 모듈 근방은 은행 나무들에 의해 흡수되어 많지 않은 상황으로 해석될 수 있다. 이때, 제 1 센서(141)에 의해 일사량이 적다고 측정되고, 제 2 센서(142)에 의해 미세먼지량이 심하다고 측정된 경우라면, 실제로는 일사량이 많은 날씨라 하더라도, 미세먼지 때문에 태양광 모듈(110) 주변의 일사량이 일시적으로 및 국지적으로 줄어든 상황으로 해석될 수도 있을 것이나, 여기에 더해 제 3 센서(143)에 의해 대기 중 은행 열매의 화학 성분이 많다고 측정된 경우라면, 은행 나무들이 미세먼지를 많이 흡수했을 것이므로, 실제로도 일사량이 적은 날일 것이다. 즉, 제 3 환경 데이터는 제 2 환경 데이터가 단전 주파수를 조정하는 효과를 상쇄시킨다. 따라서 제 1 환경 데이터, 즉 일사량 데이터가 동일한 값을 가지고, 제 2 환경 데이터, 즉 미세먼지량 데이터 역시 동일한 값을 가지는 경우, 제 3 환경 데이터, 즉 태양광 모듈(110) 주변의 대기 중 은행 열매의 화학 성분을 수치화한 데이터가 클수록 단전 주파수와 최대 허용 주파수(501)의 차는 작아지도록 단전 주파수가 설정되어야 한다. 즉, 제 1 환경 데이터인 일사량 데이터가 동일한 값을 가지고, 제 2 환경 데이터인 미세먼지량 데이터 역시 동일한 값을 가지는 경우에 대해, 제 3 환경 데이터인 태양광 모듈(110) 주변의 대기 중 은행 열매의 화학 성분을 수치화한 데이터가 큰 값을 가지는 경우, 단전 주파수와 최대 허용 주파수(501)의 차는 제 3 환경 데이터가 작은 값을 가지는 경우보다 작아야 한다.

이처럼 제 1 환경 데이터; 제 2 환경 데이터; 및 제 3 환경 데이터를 기초로 임베디드 컴퓨터(123)가 단전 주파수를 설정하는 프로세스는, 제 1 환경 데이터; 제 2 환경 데이터; 및 제 3 환경 데이터를 기초로 입력을 생성하고, 생성된 입력을 미리 학습된 인공 신경망에 적용하고, 인공 신경망의 출력을 획득하고, 출력을 기초로 단전 주파수를 설정하는 프로세스를 통해 이루어질 수 있다.

특히, 인공 신경망이 추론하여 출력한 주파수를 단전(斷電) 주파수로 설정할 수 있다. 이때, 단전 주파수(511, 521)는 인버터가 고주파 아크에 견딜 수 있는 최대 허용 주파수(501)보다 작으며; 제 1 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(501)와의 차가 커지도록 설정되며; 제 1 환경 데이터가 동일한 값을 가지는 경우라도, 제 2 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(501)와의 차가 커지도록 설정되며; 제 1 환경 데이터가 동일한 값을 가지고, 제 2 환경 데이터도 동일한 값을 가지는 경우에 대하여, 제 3 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(501)와의 차가 작아지도록 설정될 수 있다. 한편, 임베디드 컴퓨터(123)에 포함되는 인공 신경망이 학습되는 과정은 도 3을 참조하여 후술된다.

이어지는 순서로, 전류 측정부(121)가 측정한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득할 수 있다(240). 전류 측정부(121)가 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정하고, 측정 결과를 임베디드 컴퓨터(123)로 전송하는 과정은 도 1을 참조하여 설명된 전류 측정부(121)에 포함되는 RC 하이 패스 필터를 중심으로 이루어질 수 있다. 그러나, 이에 제한되는 것은 아니며, 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정하고, 측정 결과를 임베디드 컴퓨터(123)으로 전송할 수만 있다면, 어떠한 구성 및 방식이라도 차용될 수 있다.

다음으로, 임베디드 컴퓨터(123)는 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터(130)로 제공되는 직류 전류를 차단하는 명령을 전류 차단부(122)로 전송할 수 있다(250). 임베디드 컴퓨터(123)가 전류 측정부(121)로부터 획득한 고주파 아크 성분의 주파수를 측정하고, 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 것으로 판별한 경우, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 제공하지 않고 차단하라는 명령을 전류 차단부(122)로 전송하는 과정은 도 1을 참조하여 설명된 전류 측정부(121)로부터 임계치 이상의 신호를 전달 받은 임베디드 컴퓨터(123)의 동작과 동일할 수 있다. 그러나, 이에 제한되는 것은 아니며, 고주파 아크의 주파수가 단전 주파수를 초과할 경우, 전류 차단부(122)로 차단 명령을 전송할 수만 있다면, 어떠한 구성 및 방식이라도 차용될 수 있다.

이후, 차단 명령을 전송 받은 전류 차단부(122)는 (130)로 제공되는 직류 전류를 차단할 수 있으며, 그 과정은 도 1을 참조하여 설명된 전류 차단부(122)에 포함되는 NPN 트랜지스터를 중심으로 이루어질 수 있다. 그러나, 이에 제한되는 것은 아니며, 태양광 모듈 접속함(120)에서 전송하는 차단 명령을 통해 태양광 모듈(110)이 생산한 직류 전류가 인버터(130)로 제공되지 않도록 할 수만 있다면, 어떠한 구성 및 방식이라도 전류 차단부(122)에 차용될 수 있다.

도 4는 일실시예에 따른 인공 신경망의 학습 과정을 설명하기 위한 도면이다.

제 1 인공 신경망은 제 3 센서(143)인 전자코의 인공 신경망일 수 있다. 제 1 인공 신경망은 타겟 화학 성분인 은행 열매의 화학 성분이 대기 중에 얼마만큼 포함되어 있는지를 수치로 출력하는 알고리즘일 수 있다.

제 2 인공 신경망은 임베디드 컴퓨터(123)에 포함되는 인공 신경망일 수 있다. 제 2 인공 신경망은 복수의 센서(140)가 측정한 복수의 환경 데이터를 입력 삼아 단전(斷電) 주파수를 출력하는 알고리즘일 수 있다.

제 1 인공 신경망 및 제 2 인공 신경망은 별도의 학습 장치를 통해 학습된 후, 제 3 센서(143) 또는 임베디드 컴퓨터(123)에 설치될 수 있다. 이하에서는, 제 1 인공 신경망 및 제 2 인공 신경망이 학습되는 과정을 설명한다.

우선, 학습 장치는 트레이닝 데이터와 레이블을 마련할 수 있다(300).

제 1 인공 신경망의 경우, 트레이닝 데이터는 대기 환경이 통제되는 챔버 내부에 은행 열매들을 놔두고 실험을 반복했을 때, 각각의 실험에서 대기 중 은행 열매의 화학 성분을 입력 받은 전자코의 입력부가 생성한 감지 신호일 수 있다. 이때, 레이블은 챔버의 부피 당 각각의 실험에 사용된 은행 열매의 수일 수 있다.

제 2 인공 신경망의 경우, 우선, 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 복수의 센서(140)가 측정한 복수의 환경 데이터를 수집할 수 있다. 가령, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역 동안 복수의 센서(140)가 측정한 복수의 환경 데이터를 수집할 수 있다. 보다 구체적으로, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 1 센서(141)가 측정한 일사량 데이터를 수집할 수 있다. 또, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 2 센서(142)가 측정한 미세먼지량 데이터를 수집할 수 있다. 또, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 3 센서(143)가 측정한 대기 중 은행 열매의 화학 성분을 수치화한 데이터를 수집할 수 있다. 이때, 학습이 완료된 제 1 인공 신경망은 전자코에 해당하는 제 3 센서(143)에 포함되며, 제 2 인공 신경망의 트레이닝 데이터 및 레이블을 생성하는 데이터를 마련하는데 활용될 수 있다.

다음으로, 제 1 센서(141)가 미리 정해진 시간 구역 동안, 가령, 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역 동안 측정한 일사량 데이터의 평균값을 구할 수 있다. 평균값이 높을수록 도 5의 일사량이 많은 경우(520)에 가깝고, 평균값이 낮을수록 일사량이 적은 경우(510)에 가깝다. 평균값이 높을수록, 즉 일사량이 많은 경우(520)일수록, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지 복수의 센서(140)가 측정한 복수의 환경 데이터에서 5초 이전의 시점에 가까운 시각에 측정된 복수의 환경 데이터를 트레이닝 데이터로 삼을 수 있다. 한편, 평균값이 낮을수록, 즉 일사량이 적은 경우(510)일수록, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지 복수의 센서(140)가 측정한 복수의 환경 데이터에서 1 초 이전의 시점에 가까운 시각에 측정된 복수의 환경 데이터를 트레이닝 데이터로 삼을 수 있다.

이때, 레이블은 트레이닝 데이터로 삼은 복수의 환경 데이터가 측정된 시각에 발생한 고주파 아크의 주파수로 설정될 수 있다. 이를 통해, 레이블은 인버터(130)가 고장이 나기 전에 측정된 고주파 아크의 주파수로 설정되므로, 인버터(130)가 고주파 아크에 견딜 수 있는 최대 허용 주파수(501)보다 작은 값을 가지게 된다. 또한, 평균값이 높을수록, 즉 일사량이 많은 경우(520)일수록, 레이블과 최대 허용 주파수(501)의 차는 커지며, 평균값이 낮을수록, 즉 일사량이 적은 경우(510)일수록, 레이블과 최대 허용 주파수(501)의 차는 작아지게 된다.

다음으로, 학습 장치는 트레이닝 데이터로부터 입력을 생성할 수 있다(310).

제 1 인공 신경망의 경우, 전자코의 입력부가 생성한 감지 신호를 입력으로 그대로 사용하거나, 노이즈 등의 불필요한 정보를 제거하는 통상의 처리를 거쳐 인공 신경망의 입력을 생성할 수 있다.

제 2 인공 신경망의 경우, 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역 중에서 특정한 시각에 복수의 센서(140)가 측정한 복수의 환경 데이터 각각에 가중치를 곱한 값을 배열의 형태로 입력으로 사용하거나, 각각에 가중치를 곱한 값을 합산한 값을 입력으로 사용할 수 있다. 이때, 제 1 센서(141)가 측정한 제 1 환경 데이터에 가장 높은 가중치를; 제 2 센서(142)가 측정한 제 2 환경 데이터에 다음으로 높은 가중치를; 제 3 센서 (143)가 측정한 제 3 환경 데이터가 가장 낮은 가중치를 가질 수 있다.

이어서, 학습 장치는 입력을 인공 신경망에 적용할 수 있다(320). 학습 장치에 포함된 인공 신경망은 지도 학습(supervised learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 지도 학습을 통해 학습시키기에 적합한 컨볼루션 신경망(convolutional neural network, CNN) 또는 리커런트 신경망(recurrent neural network, RNN) 구조일 수 있다.

이를 통해, 제 1 인공 신경망은 챔버 내 은행 열매의 수가 어떻게 되는지에 따라 전자코의 입력부의 감지 신호가 어떤 경향성을 가지는지를 용이하게 학습할 수 있다.

또한, 제 2 인공 신경망은, 일사량이 많은 경우(520), 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수가 어떻게 되는지에 따라 복수의 센서(140)가 측정한 복수의 환경 데이터가 어떤 경향성을 가지는지를 용이하게 학습할 수 있다. 또, 제 2 인공 신경망은 일사량이 적은 경우(510), 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 1초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수가 어떻게 되는지에 따라 복수의 센서(140)가 측정한 복수의 환경 데이터가 어떤 경향성을 가지는지를 용이하게 학습할 수 있다.

이어지는 순서로, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다(330).

제 1 인공 신경망의 출력은, 대기 중 은행 열매의 화학 성분을 수치화한 데이터일 수 있다. 가령, 특정 부피 내(챔버 내) 은행 열매의 수에 대한 인공 신경망의 추론 값일 수 있다. 구체적으로, 제 1 인공 신경망은 전자코의 입력부가 입력 받은 감지 신호에서 챔버 내 은행 열매가 없는 경우 활성화되지 않는 영역; 챔버 내 은행 열매가 있는 경우 비로소 활성화되는 영역; 및 챔버 내 은행 열매가 증가할수록 변화를 보이는 영역의 패턴을 발견하여, 해당 패턴들을 기초로 추론한 챔버 내 은행 열매의 수를 출력할 수 있다.

제 2 인공 신경망의 출력은, 일사량이 많은 경우(520), 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수에 대한 인공 신경망의 추론 값일 수 있다. 또, 일사량이 적은 경우(510), 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 1초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수에 대한 인공 신경망의 추론 값일 수 있다. 요컨대, 제 2 인공 신경망은 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역에서 일사량의 많고 적음에 입각하여 결정된 특정한 시각에 측정된 일사량 데이터; 미세먼지량 데이터; 및 대기 중 은행 열매의 화학 성분을 수치화한 데이터의 패턴을 발견하여, 해당 패턴들을 기초로 추론한 주파 아크의 주파수를 출력할 수 있다.

다음으로, 학습 장치는 출력과 레이블을 비교할 수 있다(340). 추론 값에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 비교하는 과정은 출력과 레이블의 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.

이어서, 학습 장치는 비교 값을 기초로 인공 신경망을 갱신할 수 있다(350). 인공 신경망의 출력과 레이블 간의 비교 값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론 값에 해당하는 인공 신경망이 출력과 정답에 해당하는 레이블이 점점 일치하게 되며, 이를 통해 인공 신경망은 정답에 가까운 추론 값을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교 값에 해당하는 손실함수의 값이 점점 손실함수의 최소값에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

특히, 제 2 인공 신경망의 출력이 레이블과 점점 일치하게 된다면, 일사량이 많을수록, 출력과 최대 허용 주파수(501)의 차는 커지며, 일사량이 적을수록, 출력과 최대 허용 주파수(501)의 차는 작아지게 된다. 따라서 학습이 완료된 제 2 인공 신경망이 출력한 주파수를 단전(斷電) 주파수로 설정할 수 있다.

학습 장치는 상기와 같은 과정을 반복함으로써 인공 신경망을 학습시킬 수 있다.

이를 통해, 제 1 인공 신경망의 경우, 챔버 내 포함되는 은행 열매의 수에 따른 전자코의 입력부의 감지 신호를 기초로, 대기 중 은행 열매의 화학 성분을 수치화한 데이터를 추론하여 출력하는 인공 신경망을 구비할 수 있다. 제 1 인공 신경망을 구비한 전자코는 은행 열매의 화학 성분의 대기 중 존재 여부 및 농도를 측정할 수 있으므로, 가령 태양광 모듈(110)의 주변에 대기 중 은행 열매의 화학 성분이 얼마만큼 포함되어 있는지를 측정할 수 있고, 이를 기초로 태양광 모듈(110) 주변에 은행 나무가 얼마만큼 많이 자리하고 있는지를 유의미하게 추측할 수 있다. 또한, 학습이 완료된 제 1 인공 신경망은 학습이 완료된 제 2 인공 신경망의 입력을 생성하는데 활용될 수 있다.

제 2 인공 신경망은 일사량이 많은 경우(520), 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지의 시간 구역에서 5초 이전의 시점에 가까운 특정한 시각에 측정된 복수의 환경 데이터를 기초로, 해당 시각의 고주파 아크의 주파수를 추론하여 출력하는 인공 신경망을 구비할 수 있다. 학습이 완료된 제 2 인공 신경망이 출력한 주파수를 단전(斷電) 주파수로 설정할 경우, 단전 주파수는 최대 허용 주파수(501)와의 차가 상대적으로 크도록 설정되며, 이를 통해 인버터(130)가 고장 날 위험성을 최소화할 수 있다.

또, 제 2 인공 신경망은 일사량이 적은 경우(510), 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지의 시간 구역에서 1초 이전의 시점에 가까운 특정한 시각에 측정된 복수의 환경 데이터를 기초로, 해당 시각의 고주파 아크의 주파수를 추론하여 출력하는 인공 신경망을 구비할 수 있다. 학습이 완료된 제 2 인공 신경망이 출력한 주파수를 단전(斷電) 주파수로 설정할 경우, 단전 주파수는 최대 허용 주파수(501)와의 차가 상대적으로 작도록 설정되며, 이를 통해 태양광 설비(100)가 불필요하게 차단되는 비효율을 최소화할 수 있다.

도 6은 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.

도 6를 참조하면, 블록체인 네트워크는 재료의 보유량, 재료의 필요량, 생산 진행량, 생산량, 운반량 등을 포함한 거래 장부 및 이를 다루는 미리 학습된 인공 신경망(707)을 포함하는 블록(601)들; 각 블록을 시간 순으로 연결하는 체인(602)들; 및 상기 각 블록체인을 저장하는 네트워크 저장장치(603)들을 포함하는 프라이빗 블록체인 네트워크일 수 있다.

일실시예에 따르면, 블록체인 네트워크의 블록(601)들은 재료의 보유량, 재료의 필요량, 생산 진행량, 생산량, 운반량 등을 포함한 거래 장부 및 이를 다루는 미리 학습된 인공 신경망(707)을 포함할 수 있다. 각 블록(601)들은 일반적으로 시간 순으로 연결이 되며, 이에 따라 10분 간격으로 새로운 블록(601)들이 생산될 수 있다. 이미 생성된 블록(601)의 내용들은 모든 네트워크 저장장치들에 저장되며, 시간 내에 과반수의 내용이 변경되지 않는 한 변경될 수 없는 구조로 되어있다. 예를 들어, 총 5개의 네트워크 저장장치(603)를 가진 블록체인 네트워크에서 제한된 시간 내에 3개 이상의 블록의 내용을 바꾸지 못하면, 각 블록은 검증을 통해 과반수와 다른 내용의 블록을 과반수와 같도록 값을 재변경 시킬 수 있다. 이에 따라 높은 보안을 유지할 수 있는데, 실제로 블록체인 네트워크에 참여하는 네트워크 저장장치(603)의 수는 수십에서 수십만에 달할 수 있기 때문에 더욱 높은 보안성을 나타낼 수 있다.

일실시예에 따른 블록(601)들은 미리 학습된 인공 신경망(707)을 포함할 수 있는데, 이러한 인공 신경망(707)은 재료의 보유량, 재료의 필요량, 생산 진행량, 생산량 및 운반량 등을 입력으로 하고, 주문, 주문 보류, 운반, 반려 및 생산 중단 등을 출력으로 할 수 있다. 미리 학습된 인공 신경망(707)은 3개 이상의 은닉층을 가지고 있으며, 각 은닉층은 50개 이상의 은닉 노드를 가질 수 있다. 각 은닉 노드의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수를 사용할 수 있으며, 이에 국한되지 않는다. 출력 노드의 함수는 one-hot 인코딩 기법을 활용한 소프트맥스 함수를 사용할 수 있다. 출력은 주문, 주문 보류, 운반, 반려 및 생산 중단 등 5개로 분류할 수 있으나, 이에 국한되지 않는다. One-hot 인코딩 기법에 따라 출력은 하나의 분류만을 선택하며, 선택된 분류로부터 명령을 수행하도록 할 수 있다. 블록체인 네트워크와 인공 신경망(707)을 활용해 자동으로 주문하고 운송을 진행하는 시스템을 구축할 수 있다.

일실시예에 따른 체인(602)들은 해시값으로 구성될 수 있다. 체인(602)들은 블록(601)을 시간 순으로 연속되도록 하는데, 이 때 해시값을 이용해 각 블록(601)들이 연결되게 할 수 있다. 블록(601)에는 장부 및 장부의 해시값, 이전 헤더 및 현 블록의 헤더를 보관할 수 있다. 여기서 현 블록의 헤더는 다음 블록에서 이전 헤더의 기능을 하게 되어 각 블록(601)들은 유기적으로 연결될 수 있다. 더불어 해시값은 장부의 내용이 조금이라도 바뀌면 완전히 다른 형태로 변형이 되는데, 이 때문에 장부의 내용을 변경하려는 시도를 효과적으로 막을 수 있다. 현 블록의 헤더는 장부, 장부의 해시값 및 이전 헤더를 포함한 총 합의 해시값이 되기 때문에, 장부와 해시값을 효과적으로 수정해 보안을 해치려는 시도도 성공하기 어렵게 된다. 왜냐하면 장부와 해시값을 수정하는 순간, 헤더의 내용도 바뀌게 되고 이에 따라 다음 블록에 들어가는 이전 헤더도 바뀌게 되며, 이에 따라 그 블록의 헤더도 바뀌어 다음 블록의 이전 헤더를 다시 바꾸게 될 수 있다. 즉, 이후의 모든 블록(601)을 해킹해야만 하게 된다. 따라서, 해시값을 통한 체인(602)으로 블록체인의 보안을 높일 수 있다.

일실시예에 따른 네트워크 저장장치(603)들에 대한 설명은 도 7에서 후술된다.

도 7은 일실시예에 따른 블록체인 네트워크의 네트워크 저장장치들을 설명하기 위한 도면이다.

도 7을 참조하면, 네트워크 저장장치들은 재료 생산자들을 포함하는 제1 네트워크 저장장치(701); 재료 운반자들을 포함하는 제2 네트워크 저장장치(702); 1차 생산자들을 포함하는 제3 네트워크 저장장치(703); 1차 생산품 운반자들을 포함하는 제4 네트워크 저장장치(704); 2차 생산자들을 포함하는 제5 네트워크 저장장치(705); 및 각 네트워크 저장장치들을 연결하는 초고속 인터넷 연결망(706)을 포함할 수 있다. 네트워크 저장장치들은 그 앞에 붙는 숫자의 크기가 커짐에 따라 피라미드 형태로 실제 저장장치들의 수는 줄어들 수 있다.

일실시예에 따르면, 제1 네트워크 저장장치(701)는 재료 생산자들을 포함할 수 있다. 전자 장비 및 기계 장비의 재료들은 전자 장비 및 기계 장비의 몸체, 연결, 전력 및 특수 기능을 수행하기 위한 재료들로서, 전자 기판, 저항, 트랜지스터, 다이오드, 반도체, 정류기 및 증폭기의 전자 부품 및 금속판, 플라스틱, 유리, 볼트 및 너트 등의 기계 부품을 포함할 수 있다. 재료들의 제조 가공을 처리하는 재료 생산자들의 네트워크 저장장치들을 제1 네트워크 저장장치(701)로 분류하며, 제품의 제조에 필요한 재료의 개수에 비례한 만큼의 저장장치 수를 가질 수 있다.

일실시예에 따르면, 제2 네트워크 저장장치(702)는 재료 운반자들을 포함한 네트워크 저장장치일 수 있다. 제2 네트워크 저장장치(702)로 참여하는 재료 운반들은 운반의 특성으로 고려해 일반적으로 네트워크 저장장치로 휴대용 단말을 사용할 수 있다.

일실시예에 따르면, 제3 네트워크 저장장치(703)는 1차 생산자들을 포함하는 네트워크 저장장치일 수 있다. 전자 장비 및 기계 장비 제조 공정은 이에 해당할 수 있으며, 재료들의 1차 조립에 따라 1차 생산품을 생산해낼 수 있다.

일실시예에 따르면, 제4 네트워크 저장장치(704)는 1차 생산품 운반자들을 포함한 네트워크 저장장치일 수 있다. 제4 네트워크 저장장치(704)는 일반적으로 휴대용 단말이 사용될 수 있다.

일실시예에 따르면, 제5 네트워크 저장장치(705)는 2차 생산자들을 포함하는 네트워크 저장장치일 수 있다. 2차 생산자들은 제공받은 1차 생산품들을 조립해 최종 생산품의 제조 공정을 진행할 수 있다.

일실시예에 따른 초고속 인터넷 연결망(706)은 유선, 무선, 광케이블 기술 등을 포함하는 연결망으로 LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않는다.

일실시예에 따르면, 초고속 인터넷 연결망(706)으로 연결된 각종 네트워크 저장장치(603)들은 블록(601) 내의 미리 학습된 인공 신경망(707)을 통해 주문, 주문 보류, 운반, 반려 및 생산 중단 등의 동작을 수행할 수 있다. 각 네트워크 저장장치(603)들은 이에 수동 또는 자동으로 동작할 수 있다.

도 8은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(1201)는 프로세서(1202) 및 메모리(1203)를 포함한다. 일실시예에 따른 장치(1201)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 5을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(1203)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1203)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

일실시예에 따르면, 프로세서(1202)는 프로그램을 실행하고, 장치(1201)를 제어할 수 있다. 프로세서(1202)에 의하여 실행되는 프로그램의 코드는 메모리(1203)에 저장될 수 있다. 장치(1201)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

전자 장비 및 기계 장비의 제조를 위한 재료들-상기 재료들은 전자 장비 및 기계 장비의 몸체, 연결, 전력 및 특수 기능을 수행하기 위한 재료들로서, 전자 기판, 저항, 트랜지스터, 다이오드, 반도체, 정류기 및 증폭기의 전자 부품 및 금속판, 플라스틱, 유리, 볼트 및 너트의 기계 부품을 포함함-을 3D 스캐너의 원통형 내부의 투과성 받침판 상부에 위치시키는 단계;
물체 감지 센서를 사용하여 상기 투과성 받침판 상부에 재료들이 위치한 것이 감지됨과 동시에, 상기 3D 스캐너 원통형 내부에 원형으로 줄지어 위치하고 있는 제1 내지 제20 카메라를 원통형 내부의 상단에서부터 하단으로 이동시키며 연속 촬영하여 3D 스캐닝하는 단계;
상기 3D 스캐닝의 결과에 기초하여, 3D 모델 및 제1 입력 신호를 생성하는 단계;
상기 제1 입력 신호를 미리 학습된 컨벌루션 신경망에 입력해 제1 출력 신호를 획득하는 단계;
상기 획득한 제1 출력 신호에 기초하여, 각 재료들을 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료로 분류하는 단계;
상기 3D 모델 상에서 상기 제1 재료, 상기 제2 재료, 상기 제3 재료, 상기 제4 재료 및 상기 제5 재료를 연결하는 단계;
상기 재료들의 연결 결과에 기초하여, 제1 학습 신호를 생성하는 단계;
상기 제1 학습 신호를 미리 학습된 상기 컨벌루션 신경망에 입력해 상기 컨벌루션 신경망을 재학습시키는 단계;
상기 컨벌루션 신경망의 재학습 결과에 기초하여, 상기 재료들을 제1 재료, 제2 재료, 제3 재료, 제4 재료 및 제5 재료로 재분류하는 단계;
상기 재분류 결과에 기초하여, 제1 공정 신호를 생성하는 단계;
상기 제1 공정 신호에 기초하여, 제1 공정 기계를 제어해 상기 재료들을 조립하는 단계;
조립된 제품을 제2 공정 기계의 컨베이어 벨트를 제어해 태양광 설비를 포함한 통전 검사기 내부에 위치시키는 단계;
상기 통전 검사기를 제어해 통전 검사를 실시하는 단계;
상기 통전 검사에 기초하여, 제2 공정 기계의 컨베이어 벨트를 제어해 상기 제품을 에어식 절곡 장치 상에 위치시키는 단계;
상기 에어식 절곡 장치를 제어해 상기 제품을 절곡 가공하는 단계; 및
상기 제1 공정 기계 및 상기 제2 공정 기계에 대한 제어 기록을 블록체인 네트워크에 저장하는 단계
를 포함하는
전자 장비 및 기계 장비의 제조를 위한 제어 방법.
삭제
삭제
삭제
삭제