KR102139358B1 - 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 - Google Patents
머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 Download PDFInfo
- Publication number
- KR102139358B1 KR102139358B1 KR1020200048668A KR20200048668A KR102139358B1 KR 102139358 B1 KR102139358 B1 KR 102139358B1 KR 1020200048668 A KR1020200048668 A KR 1020200048668A KR 20200048668 A KR20200048668 A KR 20200048668A KR 102139358 B1 KR102139358 B1 KR 102139358B1
- Authority
- KR
- South Korea
- Prior art keywords
- target
- past
- machine learning
- core
- model
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
- B01D3/42—Regulation; Control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Feedback Control In General (AREA)
Abstract
본 발명은 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하는 공정제어방법에 관한 것이다. 본 발명에 따른 공정제어방법 및 그를 포함하는 공정제어장치는 머신러닝을 통한 경험적 모델(AI 모델, 공정지능화 모델)을 도출함으로써, 복잡하게 구성된 공정시스템이나 거대한 크기의 현장에 대하여 적은 시간과 비용으로 분석이 가능할 수 있다.
Description
본 발명은 공정제어방법, 그를 수행하기 컴퓨터 프로그램 매체 및 공정제어장치에 관한 것으로서, 보다 상세하게는 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치에 관한 것이다.
기존의 이론적 시뮬레이션 분석은 과학적 이론과 최소한의 가정을 통하여 이루어지며, 각각의 물리량에 대하여 제어체적(control volume)을 정의하고 에너지보존법칙을 적용하여 공간과 시간에 따라 계산한다. 이론적 시뮬레이션 접근방법은 한정된 조건과 수식들을 통하여 새로운 설계에 대한 선행시간 및 비용의 막대한 절감 및 구조변경, 운전조건변화에 대하여 명확한 특성을 도출할 수 있는 장점을 지니고 있다. 이러한 특성으로 인하여 나누어져 실제 현장(farm scale)에서 특성단위로 분석이 이루어지며, 초기개발단계 및 장치 개선에 광범위하게 활용되고 있다. 그러나 각각의 공정 특성에 따른 여러 가지 모델을 개발하는 것은 복잡하게 구성된 현장을 모두 모사하는 것은 불가능하다. 또한 시뮬레이션한 원료 조성에 대해서만 적용이 가능하며, 실시간으로 원료 조성을 측정하는 것이 불가능하다.
증류탑 분리공정은 혼합물 분리를 위한 석유화학 분야의 가장 일반적이고 핵심적인 공정이다. 그런데 증류탑 분리공정은 연속적으로 운전되는 공정으로 운전 조건 변경 등의 제어가 매우 어렵고, 미세한 차이에 의해 생산성이 저하되는 문제점이 있다. 또한, 공정 효율에 영향을 주는 변수가 많고, 변수들 간의 상관관계도 복잡하여 안정적인 운전을 위해 빅데이터를 활용한 지능화 시스템이 필요한 실정이다.
본 발명의 목적은 상기의 문제점을 해결하기 위한 것으로, 머신러닝을 통한 경험적 모델(AI 모델, 공정지능화 모델)을 도출함으로써, 복잡하게 구성된 공정시스템이나 거대한 크기의 현장에 대하여 적은 시간과 비용으로 빅데이터의 분석이 가능한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치를 제공하는데 있다.
또한 본 발명의 다른 목적은 종래에 사람이 공정 운행 상황에 따라 본인의 판단 하에 공정 조건 값을 입력하던 방식이 아닌 머신러닝을 통해 도출된 경험적 모델(AI 모델)이 스스로 상황을 판단하여 공정 운행 조건의 추천 값을 제시할 수 있는 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치를 제공하는데 있다.
또한 본 발명의 다른 목적은 에너지 다소비 공정뿐만 아니라 소규모, 비연속식 회분 운전을 하는 공정 등에 적용하여 공정 효율을 개선할 수 있으며, 스케줄링(Scheduling) 및 생산일정계획(Planning) 모델을 개발하여, 공정 효율 외에도 공정의 운전계획 등을 묶어 궁극적인 스마트 공장을 실현할 수 있는 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치를 제공하는데 있다.
본 발명의 일 측면에 따르면, (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 과거의 상기 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 과거의 상기 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하는 공정제어방법이 제공된다.
또한, 상기 단계 (a)의 추출된 핵심변수는 상기 공정변수 중에서 공정목표와의 상관관계지수가 가장 큰 것부터 차례로 선택된 복수개의 상기 공정변수를 포함할 수 있다.
또한, 상기 공정변수가 시계열적 데이터일 수 있다.
또한, 상기 공정변수가 원료조성, 원료의 유량속도, 원료 중 조성성분의 함량, 제품순도, 공정수율, 스팀의 유량속도, 리플럭스(reflux) 유량속도, 냉각수 유량속도, 증류탑의 각 n번째 단의 온도(n은 1 내지 500 중에서 선택된 어느 하나의 정수), 증류탑의 바탐(bottom) 압력, 증류탑의 오버헤드(overhead) 압력, 증류탑 오버헤드(overhead)에서 나가는 제품의 유량속도, 증류탑 바탐(bottom)에서 나가는 제품의 유량속도 및 64단에서 나가는 제품의 유량속도로 이루어진 군으로부터 선택된 1종 이상을 포함할 수 있다.
또한, 상기 공정목표가 상기 공정변수 중에서 선택된 어느 하나일 수 있다.
또한, 단계 (b)의 상기 머신러닝 모델의 학습방법이 지도학습, 비지도 학습 및 강화학습으로 이루어진 군으로부터 선택된 어느 하나일 수 있다.
또한, 단계 (b)의 상기 하이퍼-파라미터가 Learning rate (모델학습속도), Number of Epochs (반복학습횟수), Hidden layers 및 Activations functions로 이루어진 군으로부터 선택된 1종 이상을 포함할 수 있다.
또한, 단계 (b)의 상기 머신러닝 모델이 GRU(Gated Recurrent Units), RNN((Recurrent Neural Networks), 및 LSTM(Long Short Term Memory)로 이루어진 군으로부터 선택된 어느 하나일 수 있다.
또한, 단계 (b)의 상기 머신러닝 모델의 학습의 최적화가 Adam, SGD, Adagrad, Adadelta, Momentum, 및 RMSprop로 이루어진 군으로부터 선택된 어느 하나의 최적화 함수를 사용하여 손실함수(error)가 최소가 되도록 수행될 수 있다.
또한, 단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행될 수 있다.
[식 1]
[식 2]
또한, 상기 S1이 0.9≤S1<1이고, S2가 0<S2≤0.1일 수 있다.
또한, 상기 공정제어방법이 단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우, 상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계(c')를 추가로 포함하고, 개선된 상기 머신러닝 모델로 단계(b) 및 (c)를 수행할 수 있다.
또한, 상기 공정제어방법이 단계 (d) 후에 목표로 하는 상기 핵심 입력변수의 값을 시계열적으로 공정에 적용하여 목표로 하는 상기 핵심 출력변수의 값을 얻는 단계 (e)를 추가로 포함할 수 있다.
또한, 상기 공정제어방법이 증류탑 분리공정에 사용하기 위한 공정제어방법이고, 과거의 상기 핵심입력변수가 과거의 스팀 유량속도(steam flow rate), 과거의 원료 유량속도(feed flow rate), 과거의 리플럭스 유량속도(reflux flow rate), 및 과거의 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고, 과거의 상기 핵심출력변수가 과거의 증류탑의 각 n번째 단의 온도, 과거의 제품의 순도, 및 과거의 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함하고, 목표로 하는 상기 핵심 입력변수가 목표로 하는 스팀 유량속도(steam flow rate), 목표로 하는 원료 유량속도(feed flow rate), 목표로 하는 리플럭스 유량속도(reflux flow rate), 및 목표로 하는 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고, 목표로 하는 상기 핵심 출력변수가 목표로 하는 증류탑의 각 n번째 단의 온도, 목표로 하는 제품의 순도, 및 목표로 하는 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함할 수 있다.
본 발명의 다른 일 측면에 따르면, 공정을 제어하기 위한 컴퓨터가 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 과거의 상기 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 과거의 상기 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 수행하도록 하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체가 제공된다.
또한, 단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행될 수 있다.
[식 1]
[식 2]
또한, 상기 S1이 0.9≤S1<1이고, S2가 0<S2≤0.1일 수 있다.
또한, 단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우, 상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계(c')를 추가로 포함하고, 개선된 상기 머신러닝 모델로 단계(b) 및 (c)를 수행할 수 있다.
본 발명의 다른 일 측면에 따르면, 과거의 공정데이터 및 하이퍼-파라미터를 포함하는 변수를 수신하는 통신부: 머신러닝 모델을 학습시키고 검증하여 목표로 하는 예측성능에 도달한 공정지능화 모델을 이용하여 목표로 하는 핵심출력변수로부터 목표로 하는 핵심 입력변수를 추출하는 프로세서; 및 상기 프로세서가 목표로 하는 상기 핵심 입력변수를 추출함에 필요한 저장공간을 제공하는 저장부; 를 포함하는 공정제어장치가 제공된다.
또한, 상기 프로세서가 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 과거의 상기 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 과거의 상기 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 수행할 수 있다.
본 발명에 따른 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치는 머신러닝을 통한 경험적 모델(AI 모델)을 도출함으로써, 복잡하게 구성된 공정시스템이나 거대한 크기의 현장에 대하여 적은 시간과 비용으로 빅데이터의 분석이 가능할 수 있다.
또한 본 발명은 종래에 사람이 공정 운행 상황에 따라 본인의 판단 하에 공정의 조건 값을 입력하던 방식이 아닌 머신러닝을 통해 도출된 경험적 모델(AI 모델)이 스스로 상황을 판단하여 공정 운행 조건의 추천 값을 제시할 수 있다.
또한 본 발명은 에너지 다소비 공정뿐만 아니라 소규모, 비연속식 회분 운전을 하는 공정에 적용하여 공정 효율을 개선할 수 있으며, 스케줄링(Scheduling) 및 생산일정계획(Planning) 모델을 개발하여, 공정 효율 외에도 공정의 운전계획 등을 묶어 궁극적인 스마트 공장을 실현할 수 있다.
도 1은 본 발명의 공정제어방법의 단계를 보여주는 알고리즘이다.
도 2는 본 발명의 공정제어장치의 블럭도이다.
도 3은 실제 운전 데이터와 개발된 공정지능화 모델의 시뮬레이션 데이터의 스팀 유량속도 변화에 따른 증류탑의 64단 온도의 변화를 비교한 그래프이다.
도 2는 본 발명의 공정제어장치의 블럭도이다.
도 3은 실제 운전 데이터와 개발된 공정지능화 모델의 시뮬레이션 데이터의 스팀 유량속도 변화에 따른 증류탑의 64단 온도의 변화를 비교한 그래프이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 이하에서 사용된 제1, 제 2등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성 요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
또한, 어떤 구성요소가 다른 구성요소 상에 "형성되어" 있다거나 "적층되어" 있다고 언급될 때에는, 그 다른 구성요소의 표면 상의 전면 또는 일면에 직접 부착되어 형성되어 있거나 적층되어 있을 수도 있지만, 중간에 다른 구성요소가 더 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요서, 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.
도 1은 본 발명의 공정제어방법의 단계를 보여주는 알고리즘이다. 이하, 도 1을 참조하여 본 발명의 공정제어방법에 대해 설명하도록 한다.
본 발명은 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하는 공정제어방법을 제공한다.
상기 단계 (a)의 추출된 핵심변수는 상기 공정변수 중에서 공정목표와의 상관관계지수가 가장 큰 것부터 차례로 선택된 복수개의 상기 공정변수를 포함할 수 있다.
상기 공정변수가 시계열적 데이터일 수 있다.
상기 공정변수가 원료조성, 원료의 유량속도, 원료 중 조성성분의 함량, 제품순도, 공정수율, 스팀의 유량속도, 리플럭스(reflux) 유량속도, 냉각수 유량속도, 증류탑의 각 n번째 단의 온도(n은 1 내지 500 중에서 선택된 어느 하나의 정수), 증류탑의 바탐(bottom) 압력, 증류탑의 오버헤드(overhead) 압력, 증류탑 오버헤드(overhead)에서 나가는 제품의 유량속도, 증류탑 바탐(bottom)에서 나가는 제품의 유량속도 및 64단에서 나가는 제품의 유량속도로 이루어진 군으로부터 선택된 1종 이상을 포함할 수 있다.
상기 공정목표가 상기 공정변수 중에서 선택된 어느 하나일 수 있다.
상기 과거의 공정데이터는 모델의 학습에 사용할 데이터를 정하기 위해 훈련 데이터(Training set) 및 테스트 데이터(Test set)로 분류할 수 있고, 분류의 비율은 9:1, 7:3, 5:5 등으로 다양할 수 있고, 바람직하게는 7:3 비율의 훈련 데이터 및 테스트 데이터로 데이터를 분류할 수 있다. 상기 과거의 공정데이터 중 훈련 데이터를 이용하여 모델을 학습시킬 수 있다.
단계 (b)의 상기 머신러닝 모델의 학습방법이 지도학습, 비지도 학습 및 강화학습으로 이루어진 군으로부터 선택된 어느 하나일 수 있다.
상기 학습방법은 머신러닝이 풀고자 하는 목표 및 머신러닝을 통해 얻으려고 하는 목적에 따라 선택을 해야하기 때문에 공정의 최종 목표를 고려하여야 한다. 상기 지도학습은 값을 예측하는 회귀, 항목을 선택하는 분류, 순서를 배열하는 랭킹/추천 등에 이용이 된다. 상기 비지도 학습은 비슷한 데이터를 묶는 군집화, 데이터 분포를 예측하는 밀도 추정, 데이터 차원을 간추리는 차원 축소 등에 주로 이용이 되며, 마지막으로 상기 강화학습의 경우는 최적화를 하는데 주로 이용되지만 지도학습, 비지도 학습과는 다르게 기계가 환경과의 상호작용(선택과 피드백의 반복)을 통해 장기적으로 얻는 이득을 최대화하도록 하는 학습방법이다. 여기서는 운전자의 판단 하에 학습방법을 선정해주어야 한다.
상기 하이퍼-파라미터는 모델이 학습을 시작하기 전에 설정해줘야하는 매개변수로서, 모델이 얼마나 잘 훈련될 수 있는 지에 관해 직접적인 영향을 미칠 수 있다.
단계 (b)의 상기 하이퍼-파라미터가 Learning rate (모델학습속도), Number of Epochs (반복학습횟수), Hidden layers 및 Activations functions로 이루어진 군으로부터 선택된 1종 이상을 포함할 수 있다.
단계 (b)의 상기 머신러닝 모델이 GRU(Gated Recurrent Units), RNN(Recurrent Neural Networks), 및 LSTM(Long Short Term Memory)로 이루어진 군으로부터 선택된 어느 하나일 수 있다.
단계 (b)의 상기 머신러닝 모델의 학습의 최적화가 Adam, SGD, Adagrad, Adadelta, Momentum, 및 RMSprop로 이루어진 군으로부터 선택된 어느 하나의 최적화 함수를 사용하여 손실함수(error)가 최소가 되도록 수행될 수 있다.
모델 학습을 통해 얻어진 공정지능화 모델의 예측 성능을 검증하기 위해 상기 과거의 공정데이터 중 테스트 데이터(Test set)를 이용하여 상기 공정지능화 모델의 예측 성능을 검증할 수 있다.
단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행될 수 있다.
[식 1]
[식 2]
상기 S1이 0.9≤S1<1이고, S2가 0<S2≤0.1일 수 있다.
상기 공정제어방법이 단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우, 상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계 (c')를 추가로 포함하고, 개선된 상기 머신러닝 모델로 단계 (b) 및 (c)를 수행할 수 있다.
상기 공정제어방법이 단계 (d) 후에 목표로 하는 상기 핵심 입력변수의 값을 시계열적으로 공정에 적용하여 목표로 하는 상기 핵심 출력변수의 값을 얻는 단계 (e)를 추가로 포함할 수 있다.
상기 공정제어방법이 증류탑 분리공정에 사용하기 위한 공정제어방법이고, 상기 과거의 핵심입력변수가 과거의 스팀 유량속도(steam flow rate), 과거의 원료 유량속도(feed flow rate), 과거의 리플럭스 유량속도(reflux flow rate), 및 과거의 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고, 상기 과거의 핵심출력변수가 과거의 증류탑의 각 n번째 단의 온도, 과거의 제품의 순도, 및 과거의 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함하고, 목표로 하는 상기 핵심 입력변수가 목표로 하는 스팀 유량속도(steam flow rate), 목표로 하는 원료 유량속도(feed flow rate), 목표로 하는 리플럭스 유량속도(reflux flow rate), 및 목표로 하는 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고, 목표로 하는 상기 핵심 출력변수가 목표로 하는 증류탑의 각 n번째 단의 온도, 목표로 하는 제품의 순도, 및 목표로 하는 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함할 수 있다.
본 발명은 공정을 제어하기 위한 컴퓨터가 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 수행하도록 하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체를 제공한다.
단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행될 수 있다.
[식 1]
[식 2]
상기 S1이 0.9≤S1<1이고, S2가 0<S2≤0.1일 수 있다.
단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우, 상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계 (c')를 추가로 포함하고, 개선된 상기 머신러닝 모델로 단계 (b) 및 (c)를 수행할 수 있다.
도 2는 본 발명의 공정제어장치의 블럭도이다. 이하 도 2를 참조하여 본 발명의 공정제어장치에 대해 설명하도록 한다.
본 발명은 과거의 공정데이터 및 하이퍼-파라미터를 포함하는 변수를 수신하는 통신부; 머신러닝 모델을 학습시키고 검증하여 목표로 하는 예측성능에 도달한 공정지능화 모델을 이용하여 목표로 하는 핵심출력변수로부터 목표로 하는 핵심 입력변수를 추출하는 프로세서; 및 상기 프로세서가 목표로 하는 상기 핵심 입력변수를 추출함에 필요한 저장공간을 제공하는 저장부;를 포함하는 공정제어장치를 제공한다.
상기 프로세서가 (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계; (b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 (인공신경망, neural networks) 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및 (d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 수행할 수 있다.
실시예 1: 증류탑 단의 온도 예측
본 발명의 공정제어방법에 따른 하나의 실시예는 증류탑 분리공정 제어방법이다. 상기 이 증류탑 분리공정 제어방법에 사용하는 증류탑 분리장치의 주요 부위에 센서를 설치하여 실시간으로 공정데이터를 수집하고, 수집된 상기 공정데이터를 결측치(Missing value) 처리, 범주형변수(Categorical data) 처리 및 Feature scaling (데이터 정규화)를 통해 머신러닝 모델의 입력에 적합한 형태로 바꿔 핵심변수를 추출했다. 구체적으로 본 발명은 수집된 상기 공정데이터 중에서 노말부탄의 순도에 가장 크게 영향을 주는 증류탑의 64단의 온도를 예측할 때 필요한 핵심변수를 상관관계지수를 통해 추출했다. 여기서 가장 바람직한 핵심변수는 노말부탄의 순도(99% 이상)이나 노말부탄의 순도는 실시간으로 측정되기 어려운 값이므로, 노말부탄의 순도 대신에 그것에 가장 크게 영향을 주는 증류탑의 64단의 온도를 선택하였다.
상기 공정변수가 원료조성, 원료의 유량속도, 원료 중 조성성분의 함량, 제품순도, 공정수율, 스팀의 유량속도, 리플럭스(reflux) 유량속도, 냉각수 유량속도, 증류탑의 각 n번째 단의 온도(n은 1 내지 500 중에서 선택된 어느 하나의 정수), 증류탑의 바탐(bottom) 압력, 증류탑의 오버헤드(overhead) 압력, 증류탑 오버헤드(overhead)에서 나가는 제품의 유량속도, 증류탑 바탐(bottom)에서 나가는 제품의 유량속도 및 64단에서 나가는 제품의 유량속도로 이루어진 군으로부터 선택된 1종 이상을 포함할 수 있고, 실시예 1은 상관관계 지수를 사용하여 상기 공정변수 중에서 64단의 온도와 상관관계 지수가 높은 원료의 유량속도, 스팀의 유량속도, 리플럭스(reflux) 유량속도 및 증류탑의 바탐(bottom) 압력을 핵심변수로 추출하였다. 핵심변수로 추출된 4가지 변수들 중 스팀의 유량속도를 조작변수로 지정하였다. 이 공정의 목표는 어떤 상황에서도 64단의 온도가 72℃를 유지하도록 하기 위해 스팀의 유량속도 값을 조절하는 것이다.
필요한 스팀의 유량속도 값을 예측해야 하기 때문에 실시예 1의 경우에서는 머신러닝 학습 방법 중 하나인 지도학습을 선택하였고, 그 중에서도 회귀 분석 모델을 선택하였다. 또한, 증류탑은 과거의 상태가 현재와 미래에 영향을 미치므로 이를 반영할 수 있는 시계열 데이터 분석 모델을 선택하였다.
수집된 상기 공정데이터를 7:3 비율로 훈련 데이터(Training set) 및 테스트 데이터(Test set)로 분리하고, 하이퍼-파라미터(hyper-parameter)를 설정하고, 상기 훈련 데이터(Training set)에 잘 맞는 모델을 선택하였다. 또한 손실함수(≒error)가 최소가 되도록 상기 훈련 데이터(Training set)와 상황에 맞는 최적화 기법을 선택하여 머신러닝 모델을 학습시켰다. 학습된 상기 머신러닝 모델을 상기 테스트 데이터(Test set)를 이용하여 적합도(R2) 및 정확도(RMSE, root mean square error)를 계산하고, 아래 식 1 및 식 2를 사용하여 상기 학습된 머신러닝 모델을 평가(검증)하였다.
[식 1]
[식 2]
상기 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지와 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 상기 S1이 0.9≤S1<1이고, S2가 0<S2≤0.1인 기준치를 충족하지 못한다면, 하이퍼-파라미터, 모델의 종류, 학습방법, 또는 최적화 함수 등의 조건을 변경하여 반복적으로 모델학습을 진행하고, 개선된 머신러닝 모델을 얻을 수 있었다.
본 발명은 적합도(R2) 및 정확도(RMSE)의 값을 고려하여 구체적인 Hyper parameter 값을 Batch size는 256 및 Hidden layer는 20로 선정하고, epoch는 EarlyStopping이라는 기능을 이용하여 1부터 순차적으로 계산하다 validation loss 값이 5번 연속 높아지는 지점에서 멈추며 그때의 값은 19 ~ 21이다. 증류탑 공정데이터에 가장 적합한 모델로서 GRU로 선정하고, 최적화 기법으로 Adam을 선정하여 최종적으로 증류탑 분리공정에서 제품 출구(64단)의 온도를 예측하기 위한 공정지능화 모델을 개발할 수 있었다.
도 3은 실제 운전 데이터와 개발된 공정지능화 모델의 시뮬레이션 데이터의 스팀 유량속도 변화에 따른 증류탑의 64단 온도의 변화를 비교한 그래프이다.
도 3을 참조하면, 실제 운전 데이터는 스팀 유량속도 변화에 따라 증류탑의 64단 온도가 급격하게 변하고 있으나, 개발된 공정지능화 모델의 시뮬레이션 데이터는 스팀 유량속도 변화에 따라 증류탑의 64단 온도가 거의 일정 수준 유지되고 있음을 알 수 있었다. 상기 증류탑의 64단 온도는 최종 제품의 순도에 영향을 많이 미칠 수 있는 변수이다. 본 발명에 따라 개발된 공정지능화 모델은 시뮬레이션을 통해서 실제 공정에서는 일일이 조절할 수 없는 스팀 유량속도를 시계열적으로 정확하게 변경하여 조절함으로써 증류탑의 64단 온도를 목표하는 온도인 72℃로 일정하게 유지할 수 있었다. 따라서 개발된 공정지능화 모델로 공정 제어 시 최종 제품으로 순도 99% 이상의 노말부탄을 얻을 수 있을 것임을 알 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허 청구 범위에 의하여 나타내어지며, 특허 청구 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (20)
- (a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;
(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계;
(c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및
(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하고,
단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행되는 것인, 공정제어방법.
[식 1]
[식 2]
- 제1항에 있어서,
상기 단계 (a)의 추출된 핵심변수는 상기 공정변수 중에서 공정목표와의 상관관계지수가 가장 큰 것부터 차례로 선택된 복수개의 상기 공정변수를 포함하는 것을 특징으로 하는 공정제어방법. - 제2항에 있어서,
상기 공정변수가 시계열적 데이터인 것을 특징으로 하는 공정제어방법. - 제2항에 있어서,
상기 공정변수가 원료조성, 원료의 유량속도, 원료 중 조성성분의 함량, 제품순도, 공정수율, 스팀의 유량속도, 리플럭스(reflux) 유량속도, 냉각수 유량속도, 증류탑의 각 n번째 단의 온도(n은 1 내지 500 중에서 선택된 어느 하나의 정수), 증류탑의 바탐(bottom) 압력, 증류탑의 오버헤드(overhead) 압력, 증류탑 오버헤드(overhead)에서 나가는 제품의 유량속도, 증류탑 바탐(bottom)에서 나가는 제품의 유량속도 및 64단에서 나가는 제품의 유량속도로 이루어진 군으로부터 선택된 1종 이상을 포함하는 것을 특징으로 하는 공정제어방법. - 제2항에 있어서,
상기 공정목표가 상기 공정변수 중에서 선택된 어느 하나인 것을 특징으로 하는 공정제어방법. - 제1항에 있어서,
단계 (b)의 상기 머신러닝 모델의 학습방법이 지도학습, 비지도 학습 및 강화학습으로 이루어진 군으로부터 선택된 어느 하나인 것을 특징으로 하는 공정제어방법. - 제1항에 있어서,
단계 (b)의 상기 하이퍼-파라미터가 Learning rate (모델학습속도), Number of Epochs (반복학습횟수), Hidden layers 및 Activations functions로 이루어진 군으로부터 선택된 1종 이상을 포함하는 것을 특징으로 하는 공정제어방법. - 제1항에 있어서,
단계 (b)의 상기 머신러닝 모델이 GRU(Gated Recurrent Units), RNN(Recurrent Neural Networks), 및 LSTM(Long Short Term Memory)로 이루어진 군으로부터 선택된 어느 하나인 것을 특징으로 하는 공정제어방법. - 제1항에 있어서,
단계 (b)의 상기 머신러닝 모델의 학습의 최적화가 Adam, SGD, Adagrad, Adadelta, Momentum, 및 RMSprop로 이루어진 군으로부터 선택된 어느 하나의 최적화 함수를 사용하여 손실함수(error)가 최소가 되도록 수행되는 것을 특징으로 하는 공정제어방법. - 삭제
- 제1항에 있어서,
상기 S1이 0.9≤S1<1이고, S2가 0<S2≤0.1인 것을 특징으로 하는 공정제어방법. - 제1항에 있어서, 상기 공정제어방법이
단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우,
상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계 (c')를 추가로 포함하고,
개선된 상기 머신러닝 모델로 단계 (b) 및 (c)를 수행하는 것을 특징으로 하는 공정제어방법. - 제1항에 있어서, 상기 공정제어방법이
단계 (d) 후에
목표로 하는 상기 핵심 입력변수의 값을 시계열적으로 공정에 적용하여 목표로 하는 상기 핵심 출력변수의 값을 얻는 단계 (e)를 추가로 포함하는 것을 특징으로 하는 공정제어방법. - 제1항에 있어서,
상기 공정제어방법이 증류탑 분리공정에 사용하기 위한 공정제어방법이고,
상기 과거의 핵심입력변수가 과거의 스팀 유량속도(steam flow rate), 과거의 원료 유량속도(feed flow rate), 과거의 리플럭스 유량속도(reflux flow rate), 및 과거의 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고,
상기 과거의 핵심출력변수가 과거의 증류탑의 각 n번째 단의 온도, 과거의 제품의 순도, 및 과거의 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함하고,
목표로 하는 상기 핵심 입력변수가 목표로 하는 스팀 유량속도(steam flow rate), 목표로 하는 원료 유량속도(feed flow rate), 목표로 하는 리플럭스 유량속도(reflux flow rate), 및 목표로 하는 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고
목표로 하는 상기 핵심 출력변수가 목표로 하는 증류탑의 각 n번째 단의 온도, 목표로 하는 제품의 순도, 및 목표로 하는 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함하는 것을 특징으로 하는 공정제어방법. - 공정을 제어하기 위한 컴퓨터가
(a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;
(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계;
(c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및
(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 수행하도록 하기 위한 것이고,
단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행되는 것인, 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체.
[식 1]
[식 2]
- 삭제
- 제15항에 있어서,
상기 S1이 0.9≤S1<1이고, S2가 0<S2≤0.1인 것을 특징으로 하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체. - 제15항에 있어서,
단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우,
상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계 (c')를 추가로 포함하고,
개선된 상기 머신러닝 모델로 단계 (b) 및 (c)를 수행하는 것을 특징으로 하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체. - 과거의 공정데이터 및 하이퍼-파라미터를 포함하는 변수를 수신하는 통신부:
머신러닝 모델을 학습시키고 검증하여 목표로 하는 예측성능에 도달한 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수로부터 목표로 하는 핵심 입력변수를 추출하는 프로세서; 및
상기 프로세서가 목표로 하는 상기 핵심 입력변수를 추출함에 필요한 저장공간을 제공하는 저장부; 를 포함하고,
상기 프로세서가
(a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;
(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계;
(c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및
(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하고,
단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행되는 것인, 공정제어장치.
[식 1]
[식 2]
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200048668A KR102139358B1 (ko) | 2020-04-22 | 2020-04-22 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200048668A KR102139358B1 (ko) | 2020-04-22 | 2020-04-22 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102139358B1 true KR102139358B1 (ko) | 2020-07-29 |
Family
ID=71893792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200048668A KR102139358B1 (ko) | 2020-04-22 | 2020-04-22 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102139358B1 (ko) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102283207B1 (ko) * | 2020-12-31 | 2021-07-30 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
| CN113591234A (zh) * | 2021-06-16 | 2021-11-02 | 长三角先进材料研究院 | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 |
| KR20220031809A (ko) * | 2020-09-04 | 2022-03-14 | 국민대학교산학협력단 | 해수 담수화 장치 및 그 분리막의 화학 세정 시기 예측 방법 |
| KR102417702B1 (ko) * | 2021-01-06 | 2022-07-07 | (주)유엠로직스 | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 |
| KR20220102716A (ko) | 2021-01-14 | 2022-07-21 | 재단법인차세대융합기술연구원 | 머신러닝에 기반하여 테일러-쿠엣 흐름에서의 입도를 예측하는 방법 |
| CN114768279A (zh) * | 2022-04-29 | 2022-07-22 | 福建德尔科技股份有限公司 | 用于电子级二氟甲烷制备的精馏控制系统及其控制方法 |
| CN114906817A (zh) * | 2021-02-08 | 2022-08-16 | 中国石油化工股份有限公司 | 存储器、双氧水萃取工艺控制方法、装置和设备 |
| CN115491652A (zh) * | 2022-06-20 | 2022-12-20 | 江苏恒云太信息科技有限公司 | 管式pecvd硅片颜色值预测方法及镀膜时间控制方法 |
| KR102499412B1 (ko) * | 2021-09-27 | 2023-02-13 | 한국생산기술연구원 | 데이터 특성 기반 산업 공정 예측모델 개발 및 그를 사용한 산업 공정 데이터의 예측 방법 |
| KR102510647B1 (ko) * | 2021-09-27 | 2023-03-16 | 한국생산기술연구원 | 데이터 군집화 기반 공정 예측 모델 개발을 위한 훈련 데이터 선택 방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090114926A (ko) * | 2008-04-30 | 2009-11-04 | 주식회사 엘지화학 | 아세틸렌의 선택적 수소화 반응의 최적화 방법 |
| JP2016197432A (ja) * | 2010-07-21 | 2016-11-24 | キストラー ホールディング アクチエンゲゼルシャフト | 部品の製造工程の過程を制御するための装置および方法 |
| JP2017094403A (ja) * | 2015-11-18 | 2017-06-01 | ファナック株式会社 | 加工プログラムの機械学習装置、該機械学習装置を備えた加工組立システムおよび加工プログラムの機械学習方法 |
| JP2019096047A (ja) * | 2017-11-22 | 2019-06-20 | 千代田化工建設株式会社 | プロセス設備の制御装置および制御方法ならびにプロセス設備の推定モデルの構築装置および構築方法 |
| KR102009284B1 (ko) * | 2018-11-28 | 2019-08-09 | 주식회사 피엠아이지 | 비즈니스 프로세스의 마지막 액티비티의 수행 시점을 예측하기 위해 동적 순환신경망을 학습시키는 비즈니스 프로세스 학습 장치 |
| KR102051974B1 (ko) * | 2019-09-20 | 2019-12-04 | 박흥용 | 금속 탱크 제조 공정의 제어 방법 및 장치 |
-
2020
- 2020-04-22 KR KR1020200048668A patent/KR102139358B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090114926A (ko) * | 2008-04-30 | 2009-11-04 | 주식회사 엘지화학 | 아세틸렌의 선택적 수소화 반응의 최적화 방법 |
| JP2016197432A (ja) * | 2010-07-21 | 2016-11-24 | キストラー ホールディング アクチエンゲゼルシャフト | 部品の製造工程の過程を制御するための装置および方法 |
| JP2017094403A (ja) * | 2015-11-18 | 2017-06-01 | ファナック株式会社 | 加工プログラムの機械学習装置、該機械学習装置を備えた加工組立システムおよび加工プログラムの機械学習方法 |
| JP2019096047A (ja) * | 2017-11-22 | 2019-06-20 | 千代田化工建設株式会社 | プロセス設備の制御装置および制御方法ならびにプロセス設備の推定モデルの構築装置および構築方法 |
| KR102009284B1 (ko) * | 2018-11-28 | 2019-08-09 | 주식회사 피엠아이지 | 비즈니스 프로세스의 마지막 액티비티의 수행 시점을 예측하기 위해 동적 순환신경망을 학습시키는 비즈니스 프로세스 학습 장치 |
| KR102051974B1 (ko) * | 2019-09-20 | 2019-12-04 | 박흥용 | 금속 탱크 제조 공정의 제어 방법 및 장치 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220031809A (ko) * | 2020-09-04 | 2022-03-14 | 국민대학교산학협력단 | 해수 담수화 장치 및 그 분리막의 화학 세정 시기 예측 방법 |
| KR102444122B1 (ko) * | 2020-09-04 | 2022-09-19 | 국민대학교 산학협력단 | 해수 담수화 장치 및 그 분리막의 화학 세정 시기 예측 방법 |
| WO2022145812A1 (ko) * | 2020-12-31 | 2022-07-07 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
| KR102283207B1 (ko) * | 2020-12-31 | 2021-07-30 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
| KR102417702B1 (ko) * | 2021-01-06 | 2022-07-07 | (주)유엠로직스 | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 |
| KR102533048B1 (ko) | 2021-01-14 | 2023-05-15 | 재단법인차세대융합기술연구원 | 머신러닝에 기반하여 테일러-쿠엣 흐름에서의 입도를 예측하는 방법 |
| KR20220102716A (ko) | 2021-01-14 | 2022-07-21 | 재단법인차세대융합기술연구원 | 머신러닝에 기반하여 테일러-쿠엣 흐름에서의 입도를 예측하는 방법 |
| CN114906817A (zh) * | 2021-02-08 | 2022-08-16 | 中国石油化工股份有限公司 | 存储器、双氧水萃取工艺控制方法、装置和设备 |
| CN114906817B (zh) * | 2021-02-08 | 2023-12-05 | 中国石油化工股份有限公司 | 存储器、双氧水萃取工艺控制方法、装置和设备 |
| CN113591234A (zh) * | 2021-06-16 | 2021-11-02 | 长三角先进材料研究院 | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 |
| CN113591234B (zh) * | 2021-06-16 | 2024-06-11 | 长三角先进材料研究院 | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 |
| KR102499412B1 (ko) * | 2021-09-27 | 2023-02-13 | 한국생산기술연구원 | 데이터 특성 기반 산업 공정 예측모델 개발 및 그를 사용한 산업 공정 데이터의 예측 방법 |
| KR102510647B1 (ko) * | 2021-09-27 | 2023-03-16 | 한국생산기술연구원 | 데이터 군집화 기반 공정 예측 모델 개발을 위한 훈련 데이터 선택 방법 |
| CN114768279A (zh) * | 2022-04-29 | 2022-07-22 | 福建德尔科技股份有限公司 | 用于电子级二氟甲烷制备的精馏控制系统及其控制方法 |
| CN114768279B (zh) * | 2022-04-29 | 2022-11-11 | 福建德尔科技股份有限公司 | 用于电子级二氟甲烷制备的精馏控制系统及其控制方法 |
| CN115491652A (zh) * | 2022-06-20 | 2022-12-20 | 江苏恒云太信息科技有限公司 | 管式pecvd硅片颜色值预测方法及镀膜时间控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102139358B1 (ko) | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 | |
| CN109165664B (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
| CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
| CN104200268B (zh) | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 | |
| CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
| CN110070145A (zh) | 基于增量聚类的lstm轮毂单品能耗预测 | |
| CN106971240A (zh) | 一种变量选择与高斯过程回归的短期负荷预测方法 | |
| CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和系统 | |
| CN107590567A (zh) | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 | |
| CN109360604B (zh) | 一种卵巢癌分子分型预测系统 | |
| Zhang et al. | Local parameter optimization of LSSVM for industrial soft sensing with big data and cloud implementation | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
| CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
| CN114757104B (zh) | 一种串联闸群调水工程水力实时调控模型的构建方法 | |
| CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和系统 | |
| Shi et al. | Optimization of a crude distillation unit using a combination of wavelet neural network and line-up competition algorithm | |
| CN115456460A (zh) | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 | |
| CN111898867A (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
| CN110110447B (zh) | 一种混合蛙跳反馈极限学习机带钢厚度预测方法 | |
| Emsia et al. | Economic growth prediction using optimized support vector machines | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN107705160A (zh) | 一种结合计量经济学和启发式智能的汽车销量预测方法及系统 | |
| CN109102698B (zh) | 基于集成lssvr模型的路网中短时交通流的预测方法 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |