KR102141709B1 - 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 그 설계 방법 - Google Patents

Abstract

본 발명은, 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 예측모델 생성부; 설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성하는 데이터 생성부; 생성된 상기 특성 데이터를 분석하는 데이터 분석부; 및 상기 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 설계 최적화부를 포함하는 설계 전문가 시스템을 개시한다.
본 발명에 따르면, 최적설계 및 다차원 데이터 분석에서 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과를 얻을 수 있다.

Description

엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 그 설계 방법{ENGINEERING BIG DATA-DRIVEN DESIGN EXPERT SYSTEM AND DESIGN METHOD THEREOF}

본 발명은 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 설계 방법에 관한 것으로, 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과, 그 근거 및 추가 개선 가이드 정보를 도출하는 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 설계 방법에 관한 것이다.

전문가 시스템이란 특정 분야에서 전문가의 지식과 경험을 체계화한 시스템을 말한다.

전문가 시스템은 사용자의 의사결정을 지원하는데 사용되거나, 시스템의 오류를 최소화하는데 사용될 수 있다. 초기 전문가시스템은 경영정보 시스템의 문제해결 능력 향상에서 시작되었다.

전문가 시스템의 특징으로 첫째, 지식베이스의 항구적 보관이 가능하다. 둘째, 전문가의 지식에 비해 지식 이전과 학습이 용이하다. 셋째, 인간의 전문지식을 문서화하는 것에 비해 지식의 문서화가 용이하다. 넷째, 전문가보다 일관성 있는 결과를 제공한다. 다섯째, 일반 사용자가 전문지식이나 능력을 저렴한 비용으로 시간 제약 없이 사용 가능하다.

도 1은 종래의 기술에 따른 일반적인 전문가 시스템의 예시도이다.

도 1을 참조하면, 전문가 시스템은 구성 요소로서 지식베이스(Knowledge Base, KB), 추론 기관(Inference Engine, IE), 설명기관(Justifier), 지식획득시스템(Knowledge Acquisition System, KAS), 및 사용자 인터페이스(User Interface, UI)를 포함한다.

지식베이스는 문제 해결에 관련된 전문가 지식을 담고 있는 지식저장소로서 관련 정보, 데이터, 규칙, 관계 등을 저장한다. 대표적인 지식표현 방법으로서 in-then 규칙, 의미론적 네트워크(Semantic Net), 프레임(Frame) 방법 등이 있다.

If-then 규칙은 가장 널리 사용되는 지식표현 방법이다. 지식이 규칙의 형태로 저장되기 때문에 흔히 지식베이스는 규칙베이스라고 불린다.

추론기관은 지식에 근거하여 사실 추론을 한다. 문제에 대한 정확한 추론을 지원한다. 대표적인 추론방법으로 정방향 추론(Forward Chaining)과 역방향 추론(Backward Chaining)이 있다.

설명기관은 결론에 도달한 이유를 설명한다. 전문가 시스템에서 설명능력을 제공하는 구성 요소이다. 추론과정을 저장하여 이를 문장으로 제시한다. 해당 문제해결과 관련된 지식을 보여준다.

지식획득시스템은 지식을 획득한다. 지식획득은 전문가와의 인터뷰나 문헌자료 등을 수집하고 정리하여 컴퓨터에 입력하는 과정이다. 전문가시스템의 개발과정 중 가장 많은 시간과 비용이 소요되는 부분이다. 정확하고 충분한 지식이 전문가시스템의 성공 여부를 결정한다. 유지 및 보수작업이 필요하며, 최근 자동 지식습득을 수행하는 자동학습 분야가 중요 연구과제로 부상하고 있다.

오늘날 빅데이터를 처리하는 방법으로 크게 분류(Classification), 군집(Clustering), 연관성(Association), 연속성(Sequencing), 및 예측(Forecasting)의 데이터 마이닝 (Data Mining) 또는 데이터 분석(Data Analytics) 기법이 활용된다.

빅데이터의 활용이 도입되고 있는 금융이나 의료 분야와는 달리 엔지니어링 분야에서 빅데이터는 정성적인 지표가 아닌 정량적인 성능 지수의 예측을 통해 제품의 개념 설계에서 적극 활용되어야 한다.

엔지니어링 빅데이터에는 실험계획법과 같이 정규화된 계획 아래에서 획득된 데이터가 많이 분포한다. 따라서, 엔지니어링 분야에서는 정규화된 계획 아래에서 획득된 빅데이터를 토대로 개념 설계 단계에서 성능을 사전에 예측하고 개선안을 도출할 수 있는 설계 전문가 시스템이 필요하다.

엔지니어링 설계 분야의 종래의 기술에 따르면 최적설계, 실험계획법, 민감도 분석, 설계 기여도 분석, 성능 간의 상충관계 분석 과정을 통해 개선안을 도출하고, 도출된 근거를 확보하여 설계 변경에 반영하는 절차를 따른다. 그러나 기업체의 엔지니어 입장에서는 최적설계 전문가나 데이터 분석 전문가의 도움 없이 신뢰도 높은 개선 결과를 확보하는 것이 쉽지 않다.

본 발명의 일 실시 예에 따른 엔지니어링 빅데이터 기반의 설계 전문가 시스템은 엔지니어링 빅데이터 분석을 통해, 최적설계를 위한 향상된 결과를 도출하고 그 결과와 근거를 설계 변경에 반영한다는 점에서 발명의 특징이 있으며, 이러한 특징은 종래기술과 구별되고 상기 종래기술이 갖는 문제점을 해결하기 위해 개시된다.

한국 공개특허공보 특2002-0012733호호(2002.02.20.)

본 발명이 해결하고자 하는 과제는, 최적설계 및 다차원 데이터 분석에서 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과를 도출하는 설계 전문가 시스템을 제공하는 것이다.

본 발명이 추가적으로 해결하려는 과제는, 머신 러닝의 학습 기능을 이용하여 설계 대상 시스템의 실험데이터의 데이터 마이닝을 통해 더욱 나은 최적 설계가 가능한 설계 전문가 시스템을 제공하는 것이다.

본 발명의 일 실시 예에 따른 설계 전문가 시스템은, 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 예측모델 생성부; 설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성하는 데이터 생성부; 생성된 상기 특성 데이터를 분석하는 데이터 분석부; 및 상기 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 설계 최적화부를 포함하는 것을 특징으로 한다.

여기서, 상기 데이터 분석부는, 성능 인자에 영향을 미치는 설계 변수의 중요도 순서와 개선방향을 분석하는 설계민감도 분석부를 포함하는 것을 특징으로 한다.

여기서, 상기 데이터 분석부는, 성능 인자 간의 상충관계(Trade-off) 존재 여부 및 성능 인자 간의 우선 순위를 분석하는 상충관계 분석부를 더 포함하는 것을 특징으로 한다.

여기서, 설계 전문가 시스템은, 설계 최적화부의 최적화 결과를 로직에 따라 분석하는 최적화 분석부를 더 포함하고, 상기 설계 최적화부는, 분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하는 것을 특징으로 한다.

여기서, 상기 최적화 분석부는, 설계 최적화부의 최적화를 통해 개선된 설계 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 것을 특징으로 한다.

여기서, 상기 설계 전문가 시스템은, 데이터 분석부 또는 최적화 분석부에 의한 분석 결과를 텍스트 레포트로 출력하는 설명부를 더 포함하는 것을 특징으로 한다.

여기서, 상기 설계 전문가 시스템은, 머신 러닝 알고리즘을 이용하여 데이터를 분석하기 위한 머신 러닝 모델을 생성하는 머신 러닝 모델 생성부; 학습 데이터 및 분석 데이터를 포함하는 데이터베이스; 및 데이터 항목과 키워드를 포함하는 훈련 데이터를 이용하여 상기 머신 러닝 모델의 분류 학습을 수행하는 학습부를 더 포함하는 것을 특징으로 한다.

여기서, 상기 머신 러닝 모델은, 학습부에 의해 수행된 학습에 따라 최적 설계를 위해 필요한 실험데이터를 포함하여 각종 데이터에 대해 데이터 분류를 수행하는 것을 특징으로 한다.

본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법은, 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 단계; 설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성하는 단계; 생성된 상기 특성 데이터의 분석을 통해 설계민감도 분석 및/또는 상충관계 분석을 수행하는 단계; 및 상기 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 단계를 포함하는 것을 특징으로 한다.

여기서, 상기 설계 전문가 시스템의 설계 방법은, 설계 최적화부의 최적화 결과를 로직에 따라 분석하는 단계; 및 분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하는 단계를 더 포함 및/또는, 최적화 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 단계를 더 포함하는 것을 특징으로 한다.

본 발명에 의하면, 최적설계 및 다차원 데이터 분석에서 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과를 얻을 수 있다.

또한, 머신 러닝의 학습 기능을 이용하여 설계 대상 시스템의 실험데이터의 데이터 마이닝을 통해 보다 나은 최적 설계가 가능하다.

도 1은 종래의 기술에 따른 일반적인 전문가 시스템의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 형태를 설명하기 위한 예시도이다.
도 3은 도 2 (B)에서 사용자 단말에 해당하는 클라이언트의 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 설계 전문가 시스템에 해당하는 컴퓨팅 장치의 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법에 관한 흐름도이다.
도 7은 본 발명의 일 실시 예에 따른 머신 러닝에 의한 데이터 분류 과정의 예시도이다.

이하, 첨부한 도면을 참조하여 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 그 설계 방법에 대한 바람직한 실시 예를 상세히 설명하기로 한다.

각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한, 본 발명의 일 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 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 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.

이하 본 발명의 일 실시 예에 따른 엔지니어링 빅데이터 기반의 설계 전문가 시스템의 형태에 대해 설명하기로 한다.

도 2는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 형태를 설명하기 위한 예시도이다.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 (A), (B) 두 가지 형태로 개발될 수 있다. (A)는 서버와 클라이언트의 구분이 없는 형태이고, (B)는 서버(200) 및 클라이언트(100)를 포함하는 형태이다. (A)의 경우 설계 전문가 시스템(200)이 네트워크에 반드시 연결되어 있어야 하는 것은 아니지만, (B)의 경우 서버 형태의 설계 전문가 시스템(200)은 네트워크(400)를 통해 데이터베이스(300)와 사용자 단말(100)과 연결된다. 이하 (B) 형태를 예로서 설명하기로 한다.

도 2 (B)를 참조하면, 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)을 포함하는 시스템 환경(1)은 사용자 단말(100), 설계 전문가 시스템(200), 데이터베이스(300) 및 네트워크(400)를 포함한다.

사용자 단말(100)은 설계 전문가 시스템(200)이 제공하는 설계 서비스를 제공받는 장치이다. 여기서, 사용자 단말(100)은, 설계를 수행하는 장치로서, 그 구성 요소로서 입력 디바이스 및 출력 디바이스를 포함하고, 그 종류로서 컴퓨팅 장치, 단말기(terminal) 및 무선 단말(wireless terminal)을 포함할 수 있다.

상기 무선 단말의 다양한 실시 예들은 셀룰러 전화기, 무선 통신 기능을 가지는 스마트 폰, 무선 통신 기능을 가지는 개인 휴대용 단말기(PDA), 무선 모뎀, 무선 통신 기능을 가지는 휴대용 컴퓨터, 무선 통신 기능을 가지는 디지털 카메라와 같은 촬영장치, 무선 통신 기능을 가지는 게이밍 (gaming) 장치, 무선 통신 기능을 가지는 음악저장 및 재생 가전제품, 무선 인터넷 접속 및 브라우징이 가능한 인터넷 가전제품뿐만 아니라 그러한 기능들의 조합들을 통합하고 있는 휴대형 유닛 또는 단말기들을 포함할 수 있으나, 이에 한정되는 것은 아니다.

설계 전문가 시스템(200)은 네트워크를 통해 사용자 단말(100) 및 데이터베이스(300)와 연결되어, 사용자 단말(100)에 설계 및 전문가 시스템에 관한 서비스를 제공한다. 여기서, 설계 전문가 시스템(200)은 그 종류로서 웹서버, 클라우드 서버 및 파일 서버를 포함할 수 있다.

네트워크(400)는 유선 및 무선 네트워크, 예를 들어 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 셀룰러, 예를 들어 무선 전화 네트워크, LAN(local area network), WAN(wide area network), WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 이하 사용자 단말(100) 및 설계 전문가 시스템에 대해서 자세히 설명하기로 한다.

도 3은 도 2 (B)에서 사용자 단말에 해당하는 클라이언트의 블록도이다.

도 3을 참조하면, 사용자 단말(100)은, 네트워크(400)를 통해 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)과 연결된다. 그리고 설계 전문가 시스템(200)이 제공하는 서비스를 이용하기 위해 설계 애플리케이션 모듈(171)이 포함된 파일을 저장한다.

사용자 단말(100)은 인스톨되지 않은 상기 설계 애플리케이션 모듈(171)이 저장된 미디어를 읽고, 이를 사용자 단말(100) 내에 설치할 수 있다. 상기 미디어는 광학 저장 미디어, 예를 들어 CD-ROM 및 DVD-ROM을 포함한다. 또한, 설계 애플리케이션 모듈(171)은 서버(200)로부터 내려 받은(downloaded) 바이너리 파일 형태로 제공될 수도 있다. 사용자 단말(100)은 네트워크(400)를 통해서 설계 전문가 시스템(200)으로부터 각종 파일을 내려 받아 설계 애플리케이션 모듈(171)을 업데이트할 수 있다.

사용자 단말(100)은 그 구성 요소로서, 입력 디바이스(170), 디스플레이 디바이스(120), 출력 디바이스(130), 제어부(170), 저장 장치(140), 통신 장치(150) 및 전원 장치(160)를 포함한다.

입력 디바이스(110)는 컴퓨터 이용 공학(computer-aided engineering, CAE)에 필요한 데이터 및 사용자 작업 환경의 각종 파라미터 설정을 위한 정보 입력을 수행하는 키보드, 터치스크린, 마우스, 전자펜 및 음성 입력장치, 예를 들어 마이크로폰을 포함하되, 이에 한정되는 것은 아니다. 실질적으로 사용자 입력을 통해 입력 디바이스(110)는 문자 및 개체를 실험계획 또는 작업 중인 설계도 내에 입력한다.

디스플레이 디바이스(120)는 컴퓨터 이용 공학(computer-aided engineering, CAE)에 필요한 편집 화면의 프레임 출력을 수행하는 브라운관(cathode-ray tube, CRT), 액정 디스플레이(liquid crystal display, LCD), 플라즈마 디스플레이 패널(plasma display panel, PDP), 발광다이오드 (light emitting diode, LED) 디스플레이, 유기 발광다이오드(organic light emitting diode, OLED) 디스플레이를 포함하되, 이에 한정되는 것은 아니다.

출력 디바이스(130)는 프린터, 플로터, 빔프로젝터, 텍스트 음성 변환(text to sound, TTS) 장치와 스피커 및 이어폰을 포함하되, 이에 한정되는 것은 아니다.

저장 장치(140)는 사용자 단말(100)로부터 분리가 가능/불가능한 모든 형태로서, 자기테이프, 자기드럼, 플로피 디스크, ZIP 드라이브 및 하드 디스크 드라이브(hard disk drive, HDD)와 같은 자기 방식의 저장장치, SD 카드, USB 메모리 및 솔리드 스테이트 드라이브(solid state drive, SSD)와 같은 플래시 메모리를 이용하는 전기 방식의 저장장치 및 CD-ROM 드라이브, DVD-ROM 드라이브, 블루레이 디스크(blu-ray disc) 드라이브와 같은 광학 방식의 저장장치를 포함하되, 이에 한정되는 것은 아니다.

통신 장치(150)는 네트워크(400)의 각종 통신망에 대응하는 통신 모듈, 예를 들어 블루투스 모듈, WiFi 모듈, 이더넷 인터페이스 카드, USB 모듈, 셀룰러 무선통신 모듈, 모뎀 및 무선 공유기를 포함하되, 이에 한정되는 것은 아니다. 통신 장치(150)는 내부에 송신부(151) 및 수신부(152)를 포함한다.

전원 장치(160)는 AC를 DC로 변환하는 파워 서플라이, 어댑터, SMPS와 리튬이온 전지, 납축전지, 연료 전지 및 바이오에탄올 전지와 같은 2차 전지와 그 밖의 1차 전지를 포함하되, 이에 한정되는 것은 아니다.

제어부(170)는 프로세서 및 운영체제와 설계 애플리케이션 모듈(171)이 로드된 메모리 영역을 포함한다. 그리고 제어부(170)는 사용자 선택 또는 설정에 따라 설계 애플리케이션 모듈이 포함하는 명령어 셋을 실행한다.

본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 사용자 단말(100)에 설계 전문가 시스템의 설계 방법에 관한 서비스를 제공한다.

도 4는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 블록도이다.

도 4를 참조하면, 설계 전문가 시스템(200)은, 그 구성 요소로서, 예측모델 생성부(210), 데이터 생성부(220), 데이터 분석부(230), 설계 최적화부(240), 설명부(250), 데이터 전처리부(260), 머신 러닝 모델 생성부(270), 머신 러닝 학습부(280) 및 검색부(290)를 포함한다.

먼저, 설계 전문가 시스템(200)은 크게는 최적 설계(optimum design)와 머신 러닝(machine learning)에 의한 데이터 마이닝(data mining)에 이용될 수 있다. 구성 요소 210 내지 250은 최적 설계에, 구성 요소 250 내지 290은 데이터 마이닝에 관한 것이나 이에 반드시 한정되지는 않는다.

본 발명의 실시 일 실시 예에 따른 설계 전문가 시스템(200)은 엔지니어링 빅데이터(big data)를 기반으로 한다. 엔지니어링 빅데이터를 기반으로, 예측모델 생성, 데이터 생성, 데이터 분석의 절차를 거쳐서 최적 설계가 수행될 수 있다. 그런데 엔지니어링 빅데이터는 정성적인 지표보다는 정량적인 성능 지수의 예측에 활용되는 것으로서 정규화된 방법, 예를 들면 실험계획법 등을 통해 얻어진다.

엔지니어링 분야에서의 실험은 부품, 제품 혹은 시스템의 거동을 재현하기 위해 수행된다. 이러한 실험에 있어 가장 중요한 요구사항은 재현의 정확성으로 여러 번의 실험에서 큰 차이가 없는 결과가 나와야 한다는 점이다. 만일 단 한번의 실험으로 원하는 거동을 충분히 파악할 수 있다면 다행이겠지만, 많은 경우 설계인자에 따른 거동 추이를 충분히 파악하기 위해서는 수 차례의 실험이 요구된다.

설계인자에 따른 거동의 변화 추이를 파악하기 위해서는 각 설계인자를 변화시키면서 실험을 수행해야 한다. 그렇다면, 충분한 실험 회수와 각 실험에 있어 설계인자들의 값들을 어떻게 결정해야 하는가? 하는 의문이 생기게 될 것이다. 이러한 의문에 대한 해답을 제공하는 것이 바로 실험계획법(design of experiments)으로서, 흔히 DOE라는 약어로 통용되고 있다. 실험계획법은 주어진 설계인자의 개수에 대한 제품 거동의 변화 추이를 정확하게 파악하기 위해 필요한 최소한의 실험 회수와 각 실험에 대한 설계인자 값들을 체계적으로 결정하는 기법이다. 가장 대표적인 DOE로 직교배열표(orthogonal array)가 있으며, 이 표는 설계인자의 개수와 각 설계인자의 수준에 따른 실험회수와 각 실험을 위한 설계인자 수준들의 조합을 나타낸 표이다.

DOE는 입력 변수(요인)가 출력 변수(반응)에 미치는 영향을 동시에 조사하는데 도움이 됩니다. 이러한 실험은 특정 목적에 따라 입력 변수를 변경하는 일련의 런이나 검정으로 구성된다. 데이터는 각 런에서 수집된다. 실험계획법을 사용하여 품질에 영향을 미치는 공정 조건 및 제품 성분을 확인한 다음, 결과를 최적화하는 요인 설정을 구한다

예측모델 생성부(210)는 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성한다. 여기서, 실험데이터는 설계자가 변경 가능한 설계 변수(design variable)들의 조합에 의해 해석 또는 실험된 성능 결과값이다. 키워드는, 실험에 관한 정보, 예를 들어 실험에 사용된 설계 대상이 자동차인 경우, 자동차 생산 회사명, 자동차의 차종, 해석분야, 개발단계에서의 status, 자동차를 구성하는 부품의 명칭, 담당자의 소속 등을 포함할 수 있다.

설계 대상의 거동 또는 성능은 수많은 인자(factor)들의 영향을 받는다. 이러한 인자들 중에서 변할 수 있는 것들과 일정한 값으로 고정된 것이 있다. 여기서 가변 가능한 인자가 변수(variable)에 해당하고, 고정된 인자가 제약 조건에 해당한다.

변수들 중에서도 특별히 설계 대상의 성능에 지대한 영향을 미치는 변수들을 설계 변수(design variable)라고 부르고, 설계 대상의 설계는 이러한 설계변수들을 결정하는 작업에 해당한다. 참고로 동일한 설계 대상을 설계하는 경우에 있어서도 목표로 하는 성능이 달라지면 설계 변수도 달라질 수 있다.

주어진 조건하에서 설계 대상이 발휘할 수 있는 최고의 성능을 목표로 최적의 설계 변수들의 조합을 결정하는 것을 최적 설계(optimum design)라고 한다. 즉 목적하는 성능을 가장 잘 만족시키는 설계 대상을 설계하는 것을 최적 설계라고 하고, 가장 최적으로 만족시키고자 설계한 성능을 특별히 목적함수로 정의한다.

특정 설계 대상의 개발에는 많은 성능들이 고려되지만, 해당 설계업무 시 고려의 대상이 되는 성능만이 목적함수에 해당된다. 따라서 해당 설계 대상의 개발 목표에 따라 목적함수가 달라지게 되며, 각 목적함수 내에 포함되어 있는 세부 성능들의 상대적인 중요도도 달라질 수 있다.

하나 이상의 세부 성능들로 구성된 목적함수를 특별히 다목적 함수(multiobjective function)라고 부르며, 일반적으로 각 세부성능에 가중치(weighting factor)를 곱하여 대수적으로 합한 것으로 정의된다.

데이터 생성부(220)는 설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성한다. 여기서, 특성 데이터는 그 종류로서 설계민감도 분석, 상충관계 분석 및 최적화 분석에 사용되는 데이터를 포함한다.

데이터 분석부(230)는 생성된 특성 데이터를 분석한다. 구체적으로 데이터 분석부는, 그 구성 요소로서 설계민감도 분석부(231), 상충관계 분석부(232) 및 최적화 분석부(233)를 포함한다. 이하 각 분석부에 대해 설명한다.

설계민감도 분석부(231)는 설계 대상 설계 변수의 민감도를 분석한다. 즉, 설계 대상의 특정 성능에 영향을 미치는 설계 변수의 중요도 순서 및 개선 방향들이 분석된다.

어떤 요인의 변화에 따라 반응의 예민한 정도를 민감도(sensitivity)라고 부른다. 일반적으로 설계 대상의 성능은 다수의 변수에 의하여 지배를 받지만, 각각의 변수가 그 설계 대상의 성능에 미치는 영향력은 다르다. 이러한 경우, 각 변수의 변화에 따른 설계 대상의 성능 변화를 분석하는 것은 그 설계 대상의 설계에 있어 대단히 중요하다.

설계민감도 분석은 설계 대상의 성능을 극대화 시키기 위한 최적설계(optimum design)를 위해 매우 유용하게 사용된다. 왜냐하면, 설계 대상을 설계함에 있어 설계 대상의 성능에 미치는 각 변수의 민감도 정보를 바탕으로, 설계 대상을 성능을 극대화 시킬 수 있는 변수들의 최적 조합을 찾을 수 있기 때문이다.

상충관계 분석부(232)는 설계 대상에서 상충관계의 성능이 존재하는지 판별하고, 우선순위가 낮은 성능 인자를 희생해서 우선 순위가 높은 성능 인자의 개선을 극대화할 수 있게 도와 준다.

상충관계(trade-off)는 실업률과 물가와의 관계처럼 서로 모순되는 관계로 인해서 두 가지 조건을 모두 충족시키는 것이 불가능하거나 어려운 관계를 말한다. 보통 상충관계에서는 두 가지 조건을 고르게 만족시킬 수 있는 절충점을 찾는 것이 과제에 해당한다.

컴퓨터 이용 공학에서 상충관계는 복수의 설계 변수가 독립적이지 않아서, 다른 설계 변수에게 제약 조건이 되는 관계를 말한다. 본 발명의 일 실시 예에 따른 상충관계 분석부(232)는 빅데이터를 기반으로 생성된 예측모델을 이용하여, 다양한 설계 변수의 조합에 따른 성능의 변화를 이용하여 상충관계의 존재를 파악하고 상충관계를 분석한다.

최적화 분석부(233)는 설계 최적화부의 최적화 결과를 로직에 따라 분석한다. 여기서, 설계 최적화부(240)는, 분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행할 수 있다.

또한, 최적화 분석부(233)는 설계 최적화부(240)의 최적화를 통해 개선된 설계 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석할 수 있다.

설계 최적화부(240)는 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하고, 상기와 같이 최적화를 추가로 진행할 수 있다.

설명부(250)는 데이터 분석부(230)에 의한 분석 결과를 텍스트 레포트로 출력한다. 데이터 분석부(230)의 분석 결과는 원시적으로 수치 또는 연속된 수치가 표시된 각종 plot으로 발생할 수 있다. 설명부(250)는 자연어 처리가 가능한 데이터베이스를 이용하여, 원시적으로 발생된 수치 및 각종 plot을 설명 형태, 즉 텍스트 형태로 변환하여 출력한다.

머신 러닝 모델의 학습을 위해 실험데이터, 키워드 및 예측모델에 기반으로 생성된 각종 데이터, 테스트 레포트는 데이터베이스에 업로드 된다.

데이터 전처리부(260)는 설계 대상의 실험데이터 및 특성 데이터를 전처리한다. 데이터 전처리는, 확보된 실험데이터를 완전한 분석 대상으로 만들기 위한 데이터 가공 단계이다. 데이터 전처리 방법은, 데이터 정제(data cleaning), 데이터 통합(data integration), 데이터 정리(data reduction) 및, 데이터 변환(data transformation)을 포함한다.

머신 러닝 모델 생성부(270)는 머신 러닝 알고리즘을 이용하여 데이터를 분석하기 위한 머신 러닝 모델을 생성한다. 즉 머신 러닝 모델 생성부(270)는 빅데이터의 분석 방법, 즉 분류(classification), 군집(clustering), 연관성(association), 연속성(sequencing), 및 예측(forecasting)을 수행할 수 있는 머신 러닝 모델을 생성한다.

머신 러닝 학습부(280)는 데이터 항목과 키워드를 포함하는 훈련 데이터를 이용하여 머신 러닝 모델의 데이터 분석을 위한 학습을 수행한다.

머신 러닝 모델은, 학습부에 의해 수행된 학습 훈련에 따라 최적 설계를 위해 필요한 실험데이터를 포함하는 각종 데이터에 대해 데이터 분류를 수행한다.

신규 실험데이터가 추가될 경우, 머신 러닝 모델은 추가된 실험데이터를 분석한다. 즉, 머신 러닝 모델은, 새롭게 추가되는 실험데이터에 대해 분류(classification), 군집(clustering), 연관성(association), 연속성(sequencing), 및 예측(forecasting) 등을 수행할 수 있다.

검색부(290)는 데이터베이스 내의 데이터 검색, 즉 유사 데이터의 탐색, 데이터 간의 비교를 통해 과거 데이터들이 재활용될 수 있도록 한다.

도 4의 설계 전문가 시스템(200)의 구성 요소는 설명의 편의를 위해 기능적으로 구분한 구성으로, 하드웨어적으로는 하나의 프로세서에 의해 처리되는 논리적인 기능으로 구성될 수 있는 것으로, 제시된 구분에 의해 본 발명을 한정하는 것은 아니다.

또한, 각 구성 요소 간의 연결 관계가 일일이 표현되어 있지 않지만, 연결선이 도시되지 않은 구성 간에도 제어 또는 데이터 교환을 위한 통신, 전달이 발생될 수 있으며, 제시된 바에 의해서만 본 발명을 한정하는 것은 아니다.

본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 컴퓨팅 장치(500)에 해당될 수 있다. 이하 컴퓨팅 장치(500)에 해당하는 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 다른 실시 예를 통해 보다 구체적으로 설명될 수 있다.

본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 하나 이상의 CPU(central processing unit), 메모리, 대용량 저장소, 입력 인터페이스 장치, 출력 인터페이스 장치로 구성된 컴퓨팅 장치로 구현될 수 있다. 컴퓨팅 장치의 각 구성 요소들은 버스를 통해 서로 통신할 수 있다.

컴퓨팅 장치의 하드웨어 플랫폼은 개인용 컴퓨터, 핸드헬드 또는 랩톱 디바이스, 다중 프로세서 시스템, 마이크로프로세서 기반 시스템, 프로그램 가전제품, 및 이상의 시스템들 또는 디바이스들 중 임의의 것을 포함하는 분산 컴퓨팅 환경, 예컨대 클라우드 기반 컴퓨팅 시스템을 비롯한 많은 형태들로 구현될 수 있다.

도 5는 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)에 해당하는 컴퓨팅 장치의 블록도이다.

도 5를 참조하면, 컴퓨팅 장치(500)는 입력 인터페이스 장치(510), 출력 인터페이스 장치(520), 메모리(531), 저장장치(532), 전원 장치(540), 프로세서(550), 네트워크 인터페이스 장치(560), 무선통신 장치(570) 및 버스(580)를 포함한다.

입력 인터페이스 장치(510)는 사용자의 입력에 따라 문서작성에 필요한 문자 또는 개체를 입력한다. 입력 인터페이스 장치(510)는 키보드(keyboard), 터치스크린(touch screen), 마우스(mouse), 전자펜(stylus pen) 및 펜 태블릿(pen tablet)을 포함하되, 이에 한정되는 것은 아니다.

출력 인터페이스 장치(520)는 문서편집 애플리케이션 모듈 관련 사용자 인터페이스 등을 표시하는 디스플레이(display) 및 문서를 프린트 출력하는 프린터(printer)를 포함한다. 또한, 출력 인터페이스 장치(520)는 문서 내의 문자를 음성합성(text to speech, TTS) 엔진을 이용하여 음성으로 출력하는 스피커(speaker), 헤드폰(head-phone) 및 헤드셋(head-set)을 포함한다.

프로세서(550)는 메모리(531) 및/또는 저장 장치(532)에 저장된 본 발명의 일 실시 예에 따른 데이터 백업 방법에 관한 문서편집 애플리케이션/서버 모듈(174/274)이 포함하고 있는 컴퓨터 명령어 셋을 실행할 수 있다. 프로세서(550)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU) 또는 본 발명에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(531)와 저장 장치(532)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(531)는 읽기 전용 메모리(read only memory, ROM) 및/또는 랜덤 액세스 메모리(random access memory, RAM)로 구성될 수 있다.

무선통신 장치(570)는 근거리 무선통신, 무선 데이터 통신 및 무선 음성 통신을 위한 장치를 포함한다.

컴퓨팅 장치(500)에 포함된 각각의 구성 요소들은 버스(580)에 의해 연결되어 서로 통신을 수행한다.

이하 상기 설명한 도 2 (B)에 기반하는 클라이언트/서버 형태의 설계 전문가 시스템(200)이 수행하는, 설계 방법에 대해서 도 6 및 도 7을 참조하여 설명하기로 한다.

도 6은 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법의 흐름도이다.

도 6을 참조하면, 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법은(S100)은 S110 내지 S170 단계를 포함한다.

먼저, 입력 디바이스(110)를 이용하여 실험데이터와 키워드(keyword) 가 사용자 단말(100)을 통해 설계 전문가 시스템(200) 입력된다. 실험데이터는 설계자(사용자)가 변경 가능한 설계변수들의 조합에 의해서 해석 혹은 실험된 성능 결과값으로 구성된 데이터 테이블을 의미한다. 이 데이터 테이블은 실험계획법(design of experiment, DOE)을 통해서 생성된다. 실험데이터와 함께 실험데이터를 설명하는 키워드(keyword), 예를 들면, 설계 대상의 자동차 회사명, 자동차 차종명, 해석분야, 개발단계에서의 Status, 부품명, 담당자 소속 등이 입력되고, 유사한 그룹들끼리 Clustering 하는 데에 활용될 수 있다.

다음으로 예측모델 생성부(210)는 이미 해석 혹은 실험된 결과인 실험데이터로부터 예측모델을 생성한다(S110). 예측모델은 존재하는 데이터로부터 존재하지 않는 데이터의 값을 예측할 수 있으며, 예측 기법에 따라 예측 정확도가 달라질 수 있다. 예측모델은 실험데이터를 기반으로 생성된 설계 대상의 예측모델로서, 앞으로 예측모델을 이용한 데이터의 생성 및 분석을 통해 설계 대상의 설계를 최적화한다.

다음으로 데이터 생성부(220)는 시스템 특성 파악을 위한 예측 모델을 이용한 데이터를 생성한다(S120). 구체적으로 데이터 생성부(230)는 설계 민감도 분석, 상충관계 분석 및 최적화 분석을 위한 데이터를 생성 또는 수집한다.

설계민감도 분석은 특정 성능에 영향을 미치는 설계변수의 중요도 순서와 개선방향을 분석하는 기법이다. 상충관계 분석은 성능들 간의 Trade-off 관계가 존재하는지 여부를 판단하는 기법이다. 데이터 생성부(200)는 각종 데이터 분석에 필요한 데이터를 실험계획법 등의 샘플링 기법을 통해 생성하여 예측모델에 대입하여 데이터를 완성한다.

다음으로 데이터 분석부(230)는 생성된 데이터를 분석한다(S130). 데이터 분석부(230)는 그 구성 요소로서, 설계민감도 분석부(231), 상충관계 분석부(232) 및 최적화 분석부(233)를 포함한다.

데이터 분석부(230) 내의 각 분석부는 설계민감도 분석 또는 상충관계 분석을 수행하여(S131) 설계자에게 필요한 정보, 예를 들어 설계민감도 분석의 경우, 민감도 테이블, 민감도 Plot 등을, 그리고 상충관계 분석의 경우, 상충 관계의 성능 표시, 상충 관계 다이어그램 등을 재생산한다.

다음으로, 설계 최적화부(240)는 예측모델을 이용하여 설계 최적화를 수행한다(S140). 설계 최적화 과정은 설계자(사용자)가 제시한 성능 목표를 만족하도록 설계 변수의 최적의 조합을 찾는 과정이다. 설계 최적화부(240)는 최적설계 알고리즘을 이용하여 설계변수의 조합을 변경하면서 예측모델을 반복적으로 해석하여 성능 목표에 도달할 때까지 최적화 모델을 탐색한다.

다음으로 데이터 생성부(220) 또는 최적화 분석부(233)에 의해 최적화 결과가 분석된다(S150). 구체적으로 S150 단계는 최적화 결과 분석을 위한 데이터를 생성하는 단계(S151), 및 최적화 결과를 미리 설정된 로직에 따라 분석하는 단계(S152)를 포함한다.

구체적으로 데이터 생성부(220)는 최적화 결과 데이터 분석을 위한 예측모델을 이용한 데이터를 생성한다(S151). 즉, 데이터 생성부(220)는 최적화 결과의 객관적인 근거를 제시한 데이터를 생성한다. 설계변수의 개수나 최적화 결과의 패턴에 따라 미리 정의된 실험계획법, 파라미터 스터디 등의 기법이 조합되어 사용된다.

다음으로, 최적화 분석부(233)는 최적화 결과 데이터를 분석한다(S152). 최적화 분석부(233)는 설계변수 조합들을 반복적으로 예측모델에 대입하여 해석한 결과로부터 기여도 분석, 즉 최적설계 수행 전/후의 결과 차이의 원인을 설계변수의 영향도로 분해하여 분석하는 방법 등을 수행한다.

다음으로, 설계 최적화가 수행할 것인지에 대한 판단이 추가로 이루어진다(S160). S160의 판단 결과에 따라 데이터 분석 결과에 대한 레프트가 생성되거나(S170), 분석 결과를 토대로 설계 목표를 수정하여 최적화가 추가로 진행될 수 있다(S161).

S170 단계는 설명부(250)가 데이터 분석 결과를 텍스트 레포트(text report)로 변환하는 단계이다. 앞서 분석된 수치결과와 각종 Plot 등이 설명 형태의 텍스트 레포트로 출력된다. 텍스트 레포트 과정에서 자연어 처리가 가능한 데이터베이스가 이용될 수 있다.

이하는 실험데이터 및 각종 특성데이터를 생성, 분석 및 관리하는 방법에 관한 과정에 대해 설명한다.

데이터의 학습을 위해 입력된 실험데이터, 키워드(keyword)와 함께 예측모델, 텍스트 레포트 등은 데이터베이스에 업로드 되어 저장될 수 있다.

도 7은 본 발명의 일 실시 예에 따른 머신 러닝에 의한 데이터 분류 과정의 예시도이다.

도 7을 참조하면, 원시 데이터가 전처리, 학습 훈련 및 분석 과정을 통해, 학습 데이터로 이용되고, 훈련된 모델에 의해 학습되고, 분석 결과로 출력되는 과정이 나타나 있다.

먼저, 원시 데이터는 데이터 전처리부(260)에 의한 데이터 전처리 과정을 통해 완전한 데이터로 될 수 있다. 여기서, 데이터 전처리 과정은, 데이터 정제(data cleaning), 데이터 통합(data integration), 데이터 정리(data reduction) 및, 데이터 변환(data transformation)을 포함한다. 전처리된 각종 데이터는 학습 데이터로서 이용된다.

전처리된 데이터 중에서 데이터 항목과 키워드를 이용하여 머신 러닝 모델 생성부(260)에 의한 모델이 생성되고, 머신 러닝 학습부(280)에 의한 모델의 학습 훈련이 수행된다. 그리고 훈련된 모델은 앞으로 추가될 각종 데이터를 분석하여, 데이터를 분류, 군집, 연관성, 연속성, 예측의 데이터 마이닝을 수행한다. 예를 들어, 데이터의 재활용을 위해 실험데이터의 특성(설계 변수명, 성능 지수명), 키워드(keyword) 등의 정보를 토대로 유사한 데이터들은 머신 러닝의 한 기법인 Clustering을 이용하여 Grouping 될 수 있다.

추가적으로 분석 결과, 예를 들어 검색부(29)에 의해 Clustering 정보를 이용하여 기존 데이터와 유사 항목의 검색이 가능하다. 신규 실험데이터가 추가될 경우, 학습된 Cluster에 대입하여 유사한 Group의 기존 데이터를 탐색하고, 신규 실험데이터의 레포트와 비교하거나 기존 레포트의 정보를 재활용할 수 있다.

상기 도면을 통해 설명된 일 실시 예에 따른 설계 전문가 시스템의 설계 방법(S100)은, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행이 가능한 명령어 셋을 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

이와 같이 본 발명의 일 실시 예에 따르면, 최적설계 및 다차원 데이터 분석에서 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과를 얻을 수 있다.

또한, 머신 러닝의 학습 기능을 이용하여 설계 대상 시스템의 실험데이터의 데이터 마이닝을 통해 보다 나은 최적 설계가 가능하다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 사용자 단말
200: 설계 전문가 시스템
210: 예측모델 생성부
220: 데이터 생성부
230: 데이터 분석부
231: 설계민감도 분석부
232: 상충관계 분석부
233: 최적화 분석부
240: 설계 최적화부
250: 설명부
260: 데이터 전처리부
270: 머신 러닝 모델 생성부
280: 머신 러닝 학습부
290: 검색부

Claims (10)

1. 머신 러닝 결과를 엔지니어링 설계에 이용하는 컴퓨팅 장치인 설계 전문가 시스템에 있어서,
   설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 예측모델 생성부;
   상기 예측모델 생성부에서 생성된 예측 모델을 이용하여 특성 데이터를 생성하는 데이터 생성부;
   생성된 상기 특성 데이터를 분석하는 데이터 분석부; 및
   상기 데이터 분석부의 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 설계 최적화부를 포함하고,
   상기 데이터 분석부는,
   성능 인자에 영향을 미치는 설계 변수의 중요도 순서와 설계 변경되는 부분인 개선방향을 분석하는 설계민감도 분석부;
   상기 성능 인자 간의 상충관계(Trade-off) 존재 여부 및 성능 인자 간의 우선 순위를 분석하는 상충관계 분석부; 및
   상기 설계 최적화부의 최적화 결과를 로직에 따라 분석하고 상기 설계 최적화부의 최적화를 통해 개선된 설계 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 최적화 분석부를 더 포함하고-상기 기여도는 상기 설계 최적화부의 최적설계 수행 전/후의 결과 차이와 상기 최적설계 수행 전/후에 각각 입력된 상기 설계 변수의 차이의 관계를 나타내는 것임-,
   상기 설계 최적화부는 상기 최적화 분석부의 분석된 결과를 토대로 추가적인 설계 변경이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하되,
   상기 최적화의 추가 진행은 상기 수집된 실험데이터 및 실험데이터를 설명하는 키워드, 상기 생성된 특성 데이터, 상기 생성된 데이터 분석부의 분석 데이터, 상기 데이터 분석부의 데이터 분석 결과 및 설계 대상의 설계 최적화를 수행를 모두 포함하는 데이터를 훈련 데이터로 이용하여 머신 러닝 알고리즘에 따른 머신 러닝의 결과를 이용하여 수행되는 것을 특징으로 하는 설계 전문가 시스템.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 청구항 1에 있어서,
   상기 설계 전문가 시스템은,
   데이터 분석부에 의한 분석 결과를 텍스트 레포트로 출력하는 설명부를 더 포함하는 것을 특징으로 하는 설계 전문가 시스템.
   
7. 삭제
8. 삭제
9. 머신 러닝 결과를 엔지니어링 설계에 이용하는 컴퓨팅 장치인 설계 전문가 시스템에서 수행되는 상기 엔지니어링 설계를 수행하는 방법에 있어서,
   설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 단계;
   상기 생성된 예측 모델을 이용하여 특성 데이터를 생성하는 단계;
   상기 생성된 특성 데이터를 분석하는 단계; 및
   상기 특성 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 단계를 포함하고,
   상기 생성된 특성 데이터를 분석하는 단계는,
   성능 인자에 영향을 미치는 설계 변수의 중요도 순서와 설계 변경되는 부분인 개선방향을 분석하는 단게;
   상기 성능 인자 간의 상충관계(Trade-off) 존재 여부 및 성능 인자 간의 우선 순위를 분석하는 단계; 및
   상기 설계 대상의 설계 최적화 결과를 로직에 따라 분석하여 개선된 설계 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 단계를 더 수행하고-상기 기여도는 설계 최적화부의 최적설계 수행 전/후의 결과 차이와 상기 최적설계 수행 전/후에 각각 입력된 상기 설계 변수의 차이의 관계를 나타내는 것임-,
   상기 특성 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 단계는,
   상기 분석된 결과를 토대로 추가적인 설계 변경이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하는 단계를 수행하고,
   상기 최적화를 추가 진행하는 단계는 상기 수집된 실험데이터 및 실험데이터를 설명하는 키워드, 상기 생성된 특성 데이터, 상기 생성된 데이터 분석부의 분석 데이터, 상기 데이터 분석부의 데이터 분석 결과 및 설계 대상의 설계 최적화를 수행를 모두 포함하는 데이터를 훈련 데이터로 이용하여 머신 러닝 알고리즘에 따른 머신 러닝의 결과를 이용하여 수행되는 것을 특징으로 하는 설계 전문가 시스템의 엔지니어링 설계 수행 방법.
10. 삭제

Images