KR102142703B1 - 인공지능을 이용한 공정 제어 방법 - Google Patents

Abstract

본 발명의 일 관점에 따르면, 인공지능을 이용하여 n(n은 2 이상의 자연수)개의 단위공정이 시계열적으로 이루어지고 2회차 이상 반복 수행되는 제조공정의 제어방법이 제공된다. 본 발명의 일 실시예에 의하면, 상기 제어방법은 (a) 1 내지 n 번째 단위공정의 공정조건 중 k(n 이하의 자연수)번째 단위공정의 공정조건(Xk)을 제외한 나머지 단위공정의 공정조건(X1 내지 Xk-1, Xk+1 내지 Xn) 및 제품 특성의 목표치(Yt)를 독립변수로 하고, 상기 공정조건(Xk)을 종속변수로 하여 상기 공정조건(Xk)를 도출하는 단계; 및 (b) 상기 도출된 공정조건(Xk)을 k번째 단위공정의 새로운 작업조건으로 재설정하고 상기 k번째 단위공정을 수행하는 단계;를 포함한다.

Description

인공지능을 이용한 공정 제어 방법 {Process control method using artificial intelligence}

본 발명은 인공지능 알고리즘을 적용하여 각종 제조 공정을 제어하는 방법 및 시스템에 관한 것으로, 구체적으로는 인공지능이 빅데이터를 통해 공정 진행 중인 제품의 최종 품질을 예측할 뿐만 아니라, 최적 품질을 생산하기 위한 최적의 공정조건들을 실시간으로 작업자에게 추천하거나 인공지능이 직접 재설정하는 인공지능을 이용한 공정 제어 방법에 대한 것이다.

최근 변동하는 공정조건 센싱을 위한 다양한 센서 및 관련 장치 기술, IOT(Internet of Things) 통신 기술 등의 발전과 함께, 공정 감시 기술도 발전하였다. 그럼에도 불구하고, 계속해서 품질 편차는 존재하며, 나아가 심할 경우 품질 사고로까지 이어지고 있다. 또한, 상기의 센싱, 통신 기술을 이용하여 방대한 규모의 제조 현장의 빅데이터들이 수집됨에도 불구하고, 이 빅데이터를 인공지능을 이용하여 제조 산업의 공정제어에 어떻게 활용할지에 대한 방법이 현재까지도 없었다. 또한, 지금까지의 인공지능은 언어이해, 사물인식 (혹은 형상인식), 음성인식, 안면인식, 감정인식 등 몇몇 분야에서 비약적인 발전하였지만, 산업현장의 특성을 이해하고 해석, 제어하는 로직, 알고리즘의 부족으로 인해, 실제 산업현장에는 거의 적용하지 못하고 있는 실정이다.

(선행문헌 1) 일본공개공보 2011-076411

본 발명은 상기와 같은 문제점을 포함하여 여러 문제점들을 해결하기 위한 것으로서, 본 발명은 제조공정 중에 획득되는 공정조건에 대한 빅데이터를 분석하여 제조가 완료된 제품의 최종 품질에 대한 예측값을 제공하고, 더 나아가 최적 품질을 생산하기 위한 최적의 공정조건들을 실시간으로 작업자에게 추천하거나 인공지능이 직접 재설정하는 공정 제어 방법 및 시스템을 제공하고자 한다. 그러나 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.

본 발명의 일 관점에 따르면, 인공지능을 이용하여 n(n은 2 이상의 자연수)개의 단위공정이 시계열적으로 이루어지고 2회차 이상 반복 수행되는 제조공정의 제어방법이 제공된다.

본 발명의 일 실시예에 의하면, 상기 제어방법은 (a) 1 내지 n 번째 단위공정의 공정조건 중 k(n 이하의 자연수)번째 단위공정의 공정조건(Xk)을 제외한 나머지 단위공정의 공정조건(X1 내지 Xk-1, Xk+1 내지 Xn) 및 제품 특성의 목표치(Yt)를 독립변수로 하고, 상기 공정조건(Xk)을 종속변수로 하여 상기 공정조건(Xk)를 도출하는 단계; 및 (b) 상기 도출된 공정조건(Xk)을 k번째 단위공정의 새로운 작업조건으로 재설정하고 상기 k번째 단위공정을 수행하는 단계;를 포함한다.

본 발명의 일 실시예에 의하면, 상기 (a) 단계에서, 상기 독립변수로 설정된 공정조건 중 1 내지 k-1번째 단위공정의 공정조건(X1 내지 Xk-1)은 현재 진행 중인 제조공정 중에 수행된 실제로 적용된 공정조건이고, k+1번째 내지 n번째 단위공정의 공정조건(Xk+1 내지 Xn)은 현재 진행 중인 제조공정을 기준으로 직전 차수에 진행되었던 제조공정 중에 수행되었던 공정조건일 수 있다.

본 발명의 일 실시예에 의하면, 상기 (a) 단계 및 (b) 단계는, k번째 단위공정 내지 n번째 단위공정이 각각 수행될 때마다 반복하여 수행될 수 있다.

본 발명의 일 실시예에 의하면, 상기 (a) 단계는, 현재 진행 중인 제조공정 이전의 소정 기간 동안 획득되었던 1 내지 n 번째 단위공정의 공정조건을 독립변수로 하고, 제품 특성치를 종속변수로 하여 변수들 사이의 관계를 추정하는 회귀분석의 결과로 상기 공정조건(Xk)를 도출할 수 있다.

본 발명의 일 실시예에 의하면, 상기 (a) 단계는, 현재 진행 중인 제조공정 이전에 획득되었던 상기 k번째 단위공정의 공정조건 중 상기 목표치(Yt)에 최근접된 제품 특성치를 나타내었던 공정조건으로 상기 공정조건(Xk)을 도출할 수 있다.

본 발명의 일 실시예에 의하면, 상기 (a) 단계는, 현재 진행 중인 제조공정 이전의 소정 기간 동안 획득되었던 1 내지 n 번째 단위공정의 공정조건을 독립변수로 하고, 제품 특성치를 종속변수로 하여 변수들 사이의 관계를 추정하여 상기 공정조건을 도출하는 회귀분석에서 모든 독립변수 계수들의 유의 확률(P-) 값이 기준치를 초과하거나 혹은 상관관계 결정계수(R²) 값이 기준치 미만일 경우에 수행될 수 있다.

본 발명의 일 실시예에 의하면, (c) 상기 회귀분석을 이용하여 현재 진행 중인 제조공정이 완료될 시의 제품 특성 예측치(Yp)를 도출하는 단계를 더 포함한다. 여기서 상기 제품 특성 예측치(Yp)는,1 내지 k-1번째 단위공정의 공정조건(X1 내지 Xk-1)은 현재 진행 중인 제조공정 중에 수행된 실제로 적용된 공정조건 및 k번째 내지 n번째 단위공정의 공정변수(Xk 내지 Xn)는 현재 진행 중인 제조공정을 기준으로 직전 차수에 진행되었던 제조공정 중에 수행되었던 공정조건을 독립변수로 하는 회귀분석의 결과로 도출될 수 있다.

본 발명의 일 실시예에 의하면, (c) 현재 진행 중인 제조공정이 완료될 시의 제품 특성 예측치(Yp)를 도출하는 단계를 더 포함할 수 있다. 여기서 상기 제품 특성 예측치(Yp)는, 현재 진행 중인 제조공정 이전에 획득되었던 상기 k번째 단위공정의 공정조건 중 상기 (b) 단계 후 실제 k번째 단위공정에 실제로 적용된 공정조건과 최근접한 공정조건으로 진행되었을 때의 제품 특성의 실측치(Yr)일 수 있다.

본 발명의 일 실시예에 의하면, (d) 제품 특성의 목표치(Yt), 예측치(Yp) 및 실측치(Yr) 중 어느 하나 이상을 작업자에게 출력하는 단계를 더 포함할 수 있다.

본 발명의 다른 과점에 의하면, 인공지능을 이용하여 n(n은 2 이상의 자연수)개의 단위공정이 시계열적으로 이루어지고 2회차 이상 반복 수행되는 제조공정을 제어하는 방법으로서, 1 내지 n 번째 단위공정의 공정조건을 독립변수로 하여 상기 1 내지 n번째 단위공정이 완료되었을 경우의 제품 품질의 예측치(Yp)를 도출하는 단계를 포함하고, 상기 독립변수로 설정된 공정조건 중 1 내지 k-1번째 단위공정의 공정조건(X1 내지 Xk-1)은 현재 진행 중인 제조공정 중에 수행된 실제로 적용된 공정조건이고, k번째 내지 n번째 단위공정의 공정조건(Xk 내지 Xn)은 현재 진행 중인 제조공정을 기준으로 직전 차수에 진행되었던 제조공정 중에 수행되었던 공정조건인, 인공지능을 이용한 제조공정 제어방법이 제공된다.

상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 본 발명은 수많은 조업인자와 외부 요인들이 개별적으로 변동하고 있는 제조업 현장에서 인공지능을 이용하여 현재 작업 중인 제품의 예상되는 최종 품질을 실시간으로 예상하여 감시할 뿐만 아니라, 또한 최상의 품질이 생산하기 위한 진행 예정 공정에서의 최적 조건들을 미리 추천하여 공정조건을 재설정하게 함으로서 제품 품질의 향상에 기여 할 수 있다. 물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.

도 1은 저탄소강에서의 결정성장 열처리에서의 공정변수를 예시한 것이다.
도 2는 수많은 조업인자들이 변동하는 조업현장에서 정상 조업범위 내에 불량제품이 나타난 예를 도시한 것이다.
도 3은 본 발명의 일실시예에 따라 빅데이터를 활용하여 공정 중, 최종품질을 예측하고, 최상의 품질 (목표 품질)을 생산하기 위한 공정조건을 추천하는 인공지능 알고리즘 전체 구성을 나타낸다.
도 4는 본 발명의 일실시예에 따라 제조공정 진행 중인 상태에서, 최종 품질 Y를 예측하는 데이터 구성도를 나타낸다.
도 5 및 도 6은 본 발명의 일실시예에 따라 제조공정 진행 중인 상태에서, 제품 특성의 목표치(Yt)를 달성하기 위해 일부의 단위공정의 공정조건을 추천하는 구성도이다.
도 7은 본 발명의 일실시예 중 제 1 타입 방법에 따라 다중회귀분석을 통한 인공지능 품질예측 및 공정 제어 방법이다.
도 8은 본 발명의 일실시예 중 제 1 타입 방법에 따른 다중회귀분석 순서를 나타낸 것이다.
도 9는 본 발명의 일실시예 중 제 2 타입 방법에 따른 분석 순서 나타낸 것이다.
도 10은 본 발명의 일실시예 중 제 2 타입 방법이 적용되는 경우를 예시한 것이다.
도 11은 본 발명의 일실시예 중 세그먼트에서 공정조건(X) 추천 및 실시간 품질 (예측Y) 예측방법을 예시한 것이다.
도 12는 본 발명의 일실시에 따라 제 1 타입 방법 혹은 제 2 타입 방법이 동시 적용을 통한 인공지능 품질예측 및 공정 제어 방법을 나타낸 것이다.
도 13은 기존의 제어 시스템의 표시부(상)와 인공지능 알고리즘이 적용된 제어 시스템의 표시부 구성(하)을 예시한 것이다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있는 것으로, 이하의 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 또한 설명의 편의를 위하여 도면에서는 구성 요소들이 그 크기가 과장 또는 축소될 수 있다.

본 발명의 기술사상에 따른 공정 제어 방법은 일련의 단위공정이 시계열적으로 진행되며, 복수 회차로 반복하여 최종 제품을 생산하는 제조 산업이면 제품의 종류에 관계없이 모두 적용될 수 있다. 이에 이러한 적용 가능한 산업 중 예시적으로 금속의 열처리 산업을 선택하여 본 발명의 기술 사상을 기술하도록 한다.

금속의 열처리 공정으로는 침탄, 질화, 표면산화, 환원, 어닐링, 용체화열처리, 시효경화, 석출경화, Quenching-tempering (Q-T 열처리) 등 다양한 종류가 있으며, 상기 공정 단독으로 적용하기 보다는 주로 두 가지 이상을 연속으로 적용하여 금속의 강도, 표면경도, 잔류응력 제어, 결정성장, 석출물 분포, 크기 등 금속제품의 다양한 특성을 개선시킨다. 상기한 열처리 공정들의 공통적 특징은 모두 열적 활성화 반응으로써 각각의 반응이 개시되는 특정 온도가 있으며, 그 이상으로 승온하여 각 반응에 필요한 가스분위기에서 일정 시간동안 가열 유지 한 후, 냉각공정을 거친다는 것이다. 또한, 최근에는 하나의 특성만을 고려한 단순 열처리보다는 상기 여러 가지 공정을 연속으로 혹은 동시에 복합으로 실시하여 더욱 고부가가치화 제품을 생산하는 추세이다. 이와 같이 공정이 복잡해질수록, 이와 비례하여 더욱 많은 수의 공정 조건들과 공정조건 (혹은 공정변수)들 간의 교호작용, 잦은 돌발변수들이 제품의 품질에 영향을 미치므로, 기존의 작업자들에 의한 단위 공정조건 관리 기법으로는 품질제어가 불가능해진다. 실제 열처리 산업현장에서는 강종, 성분, 온도, 가스종류, 가스분압, 가스유량, 열처리시간 등 다수의 공정조건들에 의해 영향을 받으며, 추가로 외부 기온, 습도, 작업 돌발상황, 제품 세척정도, 원자재 제조사, 원자재 재고적재 기간 등 수십~수백개의 다양한 변수들이 실시간으로 변동하고 있는 상황에서 하나의 공정변수 변동에 의해 품질이 어떻게 변동하리라는 예측이 불가능 할 수 있다. 이에 다양한 형태의 예측 불가능의 품질 불량 사고가 발생되기도 한다.

다음은 저탄소강에서의 결정성장 열처리를 예를 들어, 정상 조업중에도 품질편차가 생기는 이유와 이를 반영한 인공지능의 알고리즘에 대해 설명하고자 한다. 예를 든 공정은 불순물 (C, Mn, Al, P, N, Cr, Cu 등)들이 최소한으로 포함된 저탄소강을 산세 (고온 황산 표면세정), 압연, 탈탄, 어닐링 공정들을 거친 후 결정성장을 최대화하는 고온 열처리 공정에 관한 것이다. 정상 조업상태에서 성분을 포함하여 각각의 단위 공정조건들은 평균과 ±편차 (±σ)에서 제어 혹은 관리되어지며, 통상 공정관리 기준인 상한치와 하한치를 설정하고 관리하여, 불량 발생을 미연에 방지한다. 그러나, 공정 이상 발생에 의해 상한, 하한치를 크게 벗어날 경우, 불량 발생의 확률이 생길수도 있다. 그러나, 수많은 조업조건들이 지속적으로 영향을 미치는 실제 현장에서는 모든 공정조건들이 정상 관리되는 경우에서도 불량이 발생할 수 있다. 도 1은 저탄소강에서의 결정성장 열처리에서의 공정변수를 요약한 것으로써, 산세공정에서 도합 13개의 관리해야 될 변수가 있으며, 압연공정에서 1개, 탈탄공정에서 23개, 어닐링공정에서 13개 등 총 50개의 공정변수가 있다. 또한, 상기의 12가지 성분 함유량 변수와 결합하면 더욱 품질 관리가 어려워지며, 특히 성분은 원자재인 합금을 구입하므로 허용기준 이내에 들어왔는지 확인, 입고 관리만 할뿐, 직접 제어가 불가능한 변수이다. 더욱이, 상기의 공정 및 성분은 중급품, 고급품, 신고급품 등 제품종류에 따라 달라지므로 관리해야 되는 공정변수의 개수는 더욱 늘어나게 된다. 그 외에도 고급품과 최근 개발된 신고급품에 대한 별도의 성분, 공정기준, 기후와 습도의 영향 등 제품의 품질에 영향을 미치는 기타의 인자들을 고려하면 품질 예측 관리가 불가능한 수준이 된다. 도 2는 모든 조업조건들이 상한치, 하한치 내에서 정상범위내에서 관리됨에도 불구하고, 대부분 정상제품이 생산되는 와중에 일부 제품에서 불량이 나타나는 예이다. 불량제품 나타나게 된 원인은 모든 성분들이 정상 범위내에서 다소 높은 영역에서 분포하였고, 추운 겨울 아침 열처리 노내에 투입된 제품들이 정상 온도범위 내에서 다소 낮은 영역에서 작업된 제품들이었다. 즉, 불순물 성분이 대체로 높지만 정상 성분범위 내이므로 전혀 문제가 되지 않았을 제품들이, 계절의 영향으로 차게 식은 제품이 장입됨으로써 정상 노내온도에서 작업되었음에도 불구하고 결정성장이 잘 되지 않아 불량으로 이어진 사례이다. 교호작용은 이와 같이 각각은 전혀 문제가 되지 않을 상기 2가지가 이벤트가 동시에 겹치므로 해서 예상치 못한 문제가 실제로 일어난 것이다. 상기 공정에서의 교호작용의 또 다른 예는, 탄소를 최대한 제거해야 되는 탈탄 공정에서 H₂O 농도가 허용범위 내이지만 다소 높은 경우, 산화층의 두께가 다소 두꺼웠고, 어닐링 공정에서 환원을 위한 H₂의 농도가 범위내에서 다소 낮았고, 큰 제품 2~3개가 연속으로 장입되면서 환원로인 어닐링 5번 zone의 온도가 2도 떨어진 경우, 결정립 성장이 잘 되지 않아 불량이 되었다. 즉, 평소 전혀 문제가 되지 않았던 각각의 경우가, 상기 3가지 추가적인 이벤트가 겹침으로써 결정립 성장을 억제하여 불량으로 이어진 경우이다. 이와 같이 산업현장에서는 예측 가능한 개개의 조건들조차도 다수가 동시에 일어날 때, 서로 교호작용을 하여 어떻게 품질로 나타날지, 어느 정도 영향을 미칠지 모르는 경우가 일반적이다.

본 발명의 일 실시예에 의하면 상기와 같이 수많은 조업인자와 외부 요인들이 개별적으로 변동하고 있는 열처리산업 조업현장에서 인공지능을 이용하여 현재 작업 중인 제품의 예상되는 최종품질(Y 인자)을 실시간으로 예상하여 감시할 뿐만 아니라, 또한 최상의 품질이 생산하기 위한 진행 예정 공정에서의 최적 조건들(X 인자)을 미리 추천하여 제어에 활용되게 할 수 있다.

도 3에는 본 발명의 일 실시예를 따르는 공정 제어 시스템의 개략도가 나타나 있다. 상기 시스템은 인공지능부와 제어부를 포함한다. 도 3을 참조하면, 공정 진행 계획에 따라 설정된 각 단위공정 단계에서 수행되는 공정조건은 각종 센서들에 의해 센싱된 후 제어부에 의해 네트워크를 통해 인공지능부의 빅데이터 모듈로 전송되어 저장된다. 빅데이터 모듈에 저장된 공정조건은 여러 종류의 데이터들이 혼재되어 있는 상태이므로 우선적으로 분류(classifaction) 및 군집화(clustering)를 수행하여야 한다.

상기 분류(classifaction)는 수신된 데이터 중 이산형 데이터(discrete data)를 기 설정한 항목별로 구분하여 저장하는 것이다. 열처리 산업에서 사용되는 이산형 데이터는 예를 들어 공정종류, 제품종류, 제품규격, 원자재 공급사별, 설비종류, 전 단계 공정유형, 이상 조업조건 등이 해당된다. 여기서, 설비종류는 동일 공정이더라도 다른 설비를 이용할 경우에 해당되며, 전 단계 공정유형은 이전 공장에서 다른 공정이나 설비로 작업했을 경우이며, 이상 조업조건은 조업정지, 수리, 사고, 이상 데이터 등이 발생한 경우이다. 인공지능은 빅데이터 모듈에서 다양한 가능한 인자들을 분류하여 향후, 유사 조건이 발생할 시, 공정예측에 사용할 수 있다.

상기 군집화(clustering)는 수신된 데이터 중 수치화가 가능한 연속형 데이터(continuous data)를 데이터의 크기별로 2 내지 10개 구간으로 구분하여 저장하는 것으로써, 인공지능이 자체적으로 군집화를 실시할 수 있다. 해당 데이터 유형들로는 기온, 습도, 소재성분, 이전 공정온도, 작업량 등이 있다. 작업량은 설비의 열화, 교체, 마모 등이 일어날 경우를 대비한 것이다.

그 외에도 품질과 무관한 것으로 보이는 수많은 공정인자, 원자재 인자들이 빅데이터에 포함되어 분류과 군집화가 될 수 있다.

분류 및 군집화가 완료된 데이터는 분석 모듈에 전송되며, 상기 분석 모듈에서 데이터의 속성에 따라 서로 다른 타입의 분석에 의해 최종제품의 품질 예측치(Yp)가 도출 될 수 있다.

본 발명의 일 실시예에 의하면, 열처리 공정은 열처리 설비에서 n(n은 2이상의 자연수)개의 단위공정이 시계열적으로 배열된 제조공정이 m(m은 2이상의 자연수)회 차수만큼 반복하여 수행되는 제조공정으로 상정된다. 각 제조공정을 이루는 단위공정은 각각 기 설정된 공정조건(X)으로 진행된다. 통상적으로 열처리공정이 완료된 제품의 품질(강도, 경도, 전기전도도 등)은 공정이 완료된 후에 실측하여 획득하게 된다.

본 발명의 일 실시예에 의하면, m번째 차수에 해당되는 제조공정이 진행되는 중에 해당 제조공정에 의해 제조되는 열처리 제품의 품질값을 예측할 수 있다. 이를 위해 인공지능부는 m회 차수에 해당되는 제조공정 중 이미 공정이 완료된 단위공정에서의 공정조건과 앞으로 진행될 단위공정의 공정조건을 독립변수인 X 인자로 하여 종속 변수(Y 인자)인 최종 제품의 품질에 대한 예측치(Yp)를 도출한다. 이때 앞으로 진행될 단위공정의 공정조건은 바로 직전에 진행된 m-1 번째 제조공정 진행 중에 사용되었던 단위공정의 공정조건을 X 인자로 사용하게 된다.

도 4에는 총 10개의 단위공정이 시계열적으로 진행되는 제조공정 단계가 도시되어 있으며 이를 참조하여 상술한 최종 제품의 품질 예측치(Yp)를 도출하는 방법을 설명한다.

도 4는 총 10개의 단위공정으로 이루어진 제조공정이 열처리설비 내에서 m-1 회 차수까지 완료된 후 m회 차수의 제조공정이 진행 중인 경우를 나타내는 데이터 구성도이다. 총 10개의 단위 공정으로 이루어진 제조공정은 1번 단위공정에서 시작하여 10번 단위 공정이 완료되면 1회 차의 제조공정이 완료되게 된다. 제조 공정이 완료되면, 다시 1번 단위공정부터 동일한 제조공정이 기 설정된 횟수만큼 반복적으로 수행되게 된다. 도 4의 (b)는 현재 제조 공정이 m회 차 진행되고 있음을 의미하며, 도 4의 (a)는 바로 직전에 진행된 m-1회 차 제조공정이 진행되었음을 의미한다. 도 4의 (b)를 참조하면, 현재 m회 차 제조공정 중 1 내지 4번 단위공정은 완료되고 5번 단위공정이 진행되고 있음을 알 수 있다.

도 4(b)의 X1 내지 X4는 현 제품이 수행된 단위공정들의 공정조건을 의미하며, X5 내지 X10은 앞으로 진행될 단위공정들의 공정조건을 의미한다. 즉, 공정이 계속 진행되면 진행된 공정조건 X 인자는 늘어나고 이와 반비례하여 남은 공정변수 X는 줄어들게 된다.

현재 5번 단위공정의 진행을 앞두고 있는 단계에서 최종 제품의 품질을 예측하기 위해서 이미 진행된 1 내지 4번째 단위공정의 공정조건인 X1 내지 X4, 및 바로 직전에 진행된 제조공정 중 5 내지 10번째 단위공정의 공정조건인 X5 내지 X10을 독립변수로 하여 상기 제품의 예측치(Yp)를 도출할 수 있다.

이때 제품의 예측치(Yp)를 도출하기 위해서 예를 들어, 상술한 단위공정의 공정변수 X1 내지 X10을 독립변수로 하는 회귀분석을 수행할 수 있다. 여기에 사용되는 회귀식은 m회 차수 제조공정이 진행되기 이전에 특정 기간 동안 수행되었던 제조공정 과정에서 획득하여 누적해두었던 공정조건을 독립변수로 하고 제품 특성의 실측치(Yr)를 종속변수하여 수행한 회귀분석을 통해 도출한 것일 수 있다.

만약 회귀분석이 불가능하거나 무의미하다고 판단될 경우에는 인공지능은 DB에 저장된 군집화된 데이터로부터 가장 유사한 공정조건으로 이루어진 X 인자들의 집합을 선정하고 상기 X 인자들로 제조공정이 진행되었을 때의 품질값을 예측치(Yp)로 제시할 수 있다.

이러한 과정을 통해 현재 제조 과정 중에 있는 제품에 대해서 최종 제품의 제조가 완료되었을 경우의 제품의 품질값(Y)을 예측할 수 있다.

본 발명의 다른 실시예에 의하면, 인공지능은 최종제품의 목표값(Y)를 달성하기 위한 제조공정이 단계별로 진행되고 있는 중에도 각 단위공정의 공정조건(X)을 실시간으로 추천할 수도 있다.

도 5를 참조하여, 현재 5번 단위공정의 진행을 앞둔 제품이 최상의 품질로 되게 하기 위한 공정조건(X5)을 실시간으로 추천하는 방법에 대해서 설명한다. 이는 빅데이터를 이용하여 지금까지 진행된 작업조건과 앞으로 진행될 작업조건을 전체 X인자로 하되, 단, 추천하고자 하는 5번 공정을 제외한 나머지 단위공정의 공정조건들(X1 내지 X4, X6 내지 X10)과 최종 제품의 품질 목표치(Yt)을 독립변수로 하고, 추천대상이 되는 5번째 단위공정의 공정조건(X5)을 종속변수로 하여 공정조건(X5)를 도출하게 된다.

다른 예로서, 도 6을 참조하면, 5번째 단위공정 작업 중일 때 해당 단위공정인 5번째 공정을 포함하여 앞으로 작업예정인 6 내 10번째 단위공정 중 어느 하나의 공정조건, 예를 들어 9번째 단위공정의 공정조건(X9)을 상술한 방법과 동일한 방법으로 도출할 수 있다.

공정조건 X의 추천값을 도출하는 방법으로 다중회귀분석을 이용하는 방법을 제 1 타입 방법으로 정의하고 세그먼트 내 데이터 세트를 탐색하는 방법을 후술할 제 2 타입 방법으로 정의한다.

인공지능부에 수신된 공정조건 X가 연속형 데이터일 경우에는 분석모듈에서 제 1 타입 방법으로 다중 회귀분석을 통해 임의의 단위공정 단계에서의 공정조건 Xk(k는 n보다 작은 자연수)를 추천할 수 있다. 다중회귀분석을 수행하기 위해서는 인공지능부에서 수신된 모든 공정조건(X)에 대해서 분류 및 군집화를 통해 회귀식에 사용할 데이터를 선별하여야 한다. 예를 들어, 연속형 데이터의 경우에는 회귀분석이 가능하다.

연속형 데이터를 이용하여 회귀분석을 수행하더라도 도출된 회귀분석식을 채택하기 위해는 통계적인 검증절차를 거쳐야 한다. 예를 들어, 다중회귀분석에 이용되는 단위공정의 공정변수(X)들로 회귀식을 구성하는 경우, 공정변수(X)에 할당되는 계수들의 P-값이 0.05 이하 일 때는(즉, 귀무가설을 기각) 통계적으로 유효하다는 의미이므로 해당 공정변수를 회귀식에 포함하지만, 0.05 초과 일 때는(즉, 대립가설을 기각) 통계적으로 유의하지 않으므로 회귀식에 포함하지 않는다. 이 경우 회귀식에서 제외된 공정변수들은 일정한 크기의 구간별로 군집화한다.

이를 통해 구성된 회귀식을 채택하는 기준으로 R²값을 사용할 수 있다. R²값은 상관관계 결정계수 (Determination coefficient)로서, 0.4라고 가정하면 40%가 통계로 구한 본 회귀식으로 해석되며, 나머지 60%는 회귀식에 없는 다른 인자들의 영향을 받는다는 의미이다.

도 7에는 제 1 타입 방법으로 임의의 단위공정의 공정조건 Xk를 추천하는 방법에 대한 순서도가 도시되어 있다.

도 3 및 도 7을 참조하여 회귀분석에 이용될 회귀식을 도출하는 방법을 설명한다. 인공지능부는 연산 주기(1일, 1주, 1달, 1년 등)를 정하여 공장 설비로부터 실제 진행된 공정조건(X)들 및 이에 따른 제품 품질의 실측치(Yp)를 수신하여 이를 빅데이터 모듈의 DB에 저장한다. 인공지능은 빅데이터 모듈에 저장된 빅데이터 중 이산형 데이터는 세부 클래스(class)로 분류하고, 각 클래스에서 연속형 데이터들에 대해 회귀분석을 실시하여 모든 공정항에 대해 P값이 기준치 이하 예를 들어, 0.05 이하의 조건을 만족하는 지 판단한다. 이때 0.05를 초과인 항목이 있을 경우, 그 중 가장 높은 P-값을 가진 공정조건(X)부터 군집화(Clustering)을 실시하여 분류하며, 상기 군집화된 공정조건(X)를 제외하고 다시 회귀분석을 실시한다. 이 과정을 반복하면, 통계적으로 유의하지 않은 공정변수, 즉 P-값이 0.05 초과인 항목들은 모두 회귀식에서 제거된다. 그 결과, 도 8에서와 같이 통계적으로 유의한 P 0.05 이하인 4개의 항목들(X1, X2, X3, X4)만 구성된다.

도 8에는 예시적으로 상기 4개의 항목으로 탈탄 공정온도(X1), 어닐링 공정온도(X2), 탈탄 공정 습도(X3), 탈탄 NH₃ 유량(X4)이 나타나 있다. 회귀식 채택 기준이 R²값이 0.4보다 큰 경우이고, 도 8에 예시된 회귀식의 R²값이 0.55이라면 도 8의 회귀식은 채택된다.

도 7을 참조하면, 이렇게 도출된 회귀식을 이용하여 제 1 타입 방법으로 최적의 공정조건을 추천하는 단계를 수행한다. 도 7에서, X(추천)은 해당 클래스(class) 및 해당 단위공정에 있어 제품의 품질값(Y)를 목표치(Yt)에 최근접시킬 공정변수(X)의 계산치이며, Y(예측)은 품질값의 예측치이며, Yt는 품질의 목표치이다. 예시적으로 도 5를 참조하며 5번 공정의 공정조건(X5)를 추천하는 방법을 설명한다.

우선 제어부는 제품 목표치(Yt)를 설정하고 기 설정된 공정변수대로 제조공정이 진행되고 있는 설비로부터 각 단위공정별로 공정조건(X)을 받아들인다.

다음, 공정조건 데이터를 분류 및 군집화하여 해당 세그먼트를 선정한다. 상기 세그먼트는 세부 클래스 및 세부 군집별, 해당 공정변수에 해당되는 값을 포함하는 데이터 세트로 정의된다.

다음 미리 설정된 회귀식을 이용하여 공정조건(X5)를 추천하는 단계를 수행한다. 이때 독립변수로는 현재 진행중인 제조공정 중에서 이미 수행된 단위공정들의 공정변수 즉, X1 내지 X4, 앞으로 진행될 단위공정들의 공정조건인 X6 내지 X10 및 목표치(Yt)로 하고, 추천받고자 하는 공정조건 X5는 종속변수로 하여 회귀분석을 수행한다. 상기 X6 내지 X10는 현재 진행 중인 제조공정의 바로 직전 제조공정에서 수행된 공정의 공정조건 X6 내지 X10을 활용한다.

회귀분석을 수행하여 5번 공정의 추천 공정조건(X5)을 도출하고, 이를 새로운 5번째 단위공정의 공정조건으로 재설정한 후 공정을 진행한다. 이 경우 제품의 예측치(Yp)는 회귀식에 공정변수 X1 내지 X4는 현재 진행 중인 제조공정에서 실제 수행된 단위공정의 공정변수값을 대입하고 공정변수 X5 내지 X10은 바로 직전 차수에서 진행된 제조공정의 5번째 내지 10번째 단위공정의 공정변수로 대입함으로써 예측치(Yp)를 구할 수 있다.

이와 같이 과정은 5번째 단위공정이 완료된 후 다음 단위공정인 6번째 단위공정이 수행될 때도 동일하게 적용될 수 있다. 같은 방식으로 반복하여 최종 10번째 단위공정이 진행될 때까지 수행함으로써 가능한 최종 제품의 품질값이 목표치(Yt)에 가깝게 되도록 공정을 제어할 수 있다.

이렇게 도출된 예측치(Yp)값은 사용자가 확인할 수 있도록 출력부, 예를 들어 화면을 통해 표시될 수 있다. 또한 기 설정했던 목표치(Yt)와 예측치(Yp)의 차이를 예상 오차로서 화면에 표시하여 사용자에게 알릴 수 있다. 추가적으로 최종 제품의 실측치(Yr)와 예측치(Yp)의 차이를 실제오차로서 화면에 표시하여 사용자에게 알릴 수 있다. 한편 제조공정이 진행되는 과정에 획득된 각 단위공정의 실제 진행된 공정변수 및 최종 제품의 실측치(Yr)는 다시 인공지능부의 빅데이터모듈로 전송되어 저장된다.

실제 열처리산업은 더욱 복잡한 공정변수와 편차, 외부요인, 공정이상, 교호작용 등이 최종 품질에 영향을 미치게 된다. 즉, R²값이 0.4 이하로 그 해석율이 40%을 밑도는 경우가 흔히 있으며, 동일한 작업조건에서도 품질이 다른 경우도 종종 있다. 즉, 다양한 외부요인과 미확인 원인들에 의해 품질이 영향을 받으므로 회귀식으로 해석할 수가 없다.

이 경우를 본 발명에서는 제 2 타입으로 간주하고, 인공지능을 이용하여 공정변수의 추천하고 이에 따라 제품의 품질을 예측하는 방법을 제시 한다. 이하 위에서 이미 설명한 부분들에 대해서는 중복을 피하기 위하여 설명을 생략한다.

도 9를 참조하면, R²값이 0.4 미만인 제 2 타입에서는 모든 공정조건 X를 차례로 군집화하여 크기 순서대로 데이터를 세분화한다. 즉, 빅데이터에 존재하는 모든 공정변수(X) 항목이 인공지능에 의해 수십 개 내지 수천 개의 세그먼트로로 쪼개어지며 각 세그먼트에서 평균 최종품질이 계산되어 진다. 하나의 공정변수(X)가 센싱되었을 때 그 값이 포함되는 클래스 및 군집군, 즉 해당 세그먼트에서 최적의 품질로서 목표치(Yt)에 제일 가까운 품질값인 최인접 Y(nearest Y)를 찾아내고, 상기 최인접 Y가 속한 세그먼트 내에서 앞으로 작업 예정인 공정조건(X(추천))을 찾아서 제어에 이용하는 원리이다.

도 10은 제 2 타입 방법이 적용되는 예로서, 원자재에서의 Al의 함량(%)와 어닐링 장비의 7번 존(zone)의 온도가 제품의 품질인 전기저항값에 미치는 영향을 나타낸다. 품질값(Y)는 전기저항으로써 결정립크기에 반비례하는 값이다. 결정립크기는 실시간 측정이 어려운 관계로 전기저항으로 실시간 측정하며, 결정립크기가 클수록 즉, 품질이 우수할수록 전기저항이 작아진다. 첨가된 Al 함량의 경우 전기저항과의 관계인 R²값이 0.0688이므로, Al 함량이 전기저항에 미치는 영향이 약 7%이며, 동일한 방식으로 어닐링 장비의 7번 존의 온도는 약 4.5% 정도로 전기저항에 미미한 영향을 미친다. 즉, 각각을 인자로 해서는 전기저항을 예측할 수 없으므로이 공정변수로 다중회귀분석하였다. 그 결과, 서로의 교호작용은 없었고, 2차식 항목(x²)도 P값이 0.05 초과이므로 무의미하였고, 동시에 영향을 미치는 정도가 10.4%로써, R²값 0.4이하에 해당된다. 즉, 본 경우는 제 2 타입 방법이 적용되게 된다.

이에 본 발명의 제 2 타입 방법의 적용을 위해 도 11에서와 같이 회귀식이 필요 없는 세그먼트를 표로 나타내었다. 구체적으로 도 11의 표는 특정한 기간 동안 어닐링 장비 7번 존에서 진행되었던 작업들의 조건들을 요약하여 정리한 자료로서, 입고되는 원료 내 Al 함량(%) 및 어닐링 장비 7번 존에서의 온도에 따른 실제 제품의 전기저항값을 나타낸 것이다. 괄호 안의 수는 해당 세그먼트내에서의 생산된 제품 개수이다. 한편, 어닐링된 제품의 전기저항값 목표치는 1.150이라 가정한다.

만약 어닐링 장비 7번 존으로 입고된 원료 내 Al 함량이 0.028%일 경우에, 인공지능은 도 11의 표 내에서 해당 Al 함량에 해당되는 클래스를 탐색하고, 상기 클래스 내에서 가장 목표치와 유사한 값을 나타내는 전기저항값을 탐색한 후, 그 값에 해당되는 온도를 공정조건으로 추천하게 된다. 도 11에 의하면 Al 함량이 0.028%인 클래스에서 목표치에 가장 유사한 전기저항은 1.155이며, 그때 온도는 1183℃이므로 인공지능은 1183℃를 공정온도로 추천한다.

만약 추천과는 달리 실제 공정이 1186℃로 작업될 경우(정상작업 공정편차 이내임), 인공지능은 전기저항값의 예측치(Yp)로 실제 진행된 공정온도와 최근접 공정값인 1187℃에 해당되는 1.156으로 표시하게 된다. 즉, 예측치(Yp)은 작업이 진행됨에 따라 최종 품질에 가깝게 실시간으로 변동, 표시하는 것이다.

상기의 제 1 타입과 제 2 타입은 단위 공정별도 적용할 수도 있으며, 보다 큰 단위인 공장 규모, 나아가 몇 개의 공장으로 이루어진 대기업 규모에도 적용 가능하다. 소규모에서는 제 1 타입 방법과 제 2 타입 방법중 선택하여 적용할 수 있지만, 대규모로 갈수록 두 가지를 동시에 적용하여 인공지능은 데이터의 속성을 평가한 후 제 1 타입 방법 혹은 제 2 타입 방법 중에서 선택하여 적용할 수도 있다. 이 경우, 도 12와 같은 인공지능 알고리즘으로 품질예측 및 공정조건 제어를 실시간으로 수행하게 된다.

도 13은 본 발명의 인공지능에 의한 공정 제어 시스템에서 공정변수를 표시하는 표시부의 구성을 예시적으로 나타낸 것이다. 도 13에는 공정변수로서 공정온도가 예시되고 있다. 도 13의 상부에 있는 표시부는 종래의 표시부이며, 하부는 본 발명의 제어 시스템에서의 표시부이다.

도 13을 참조하면, 종래는 설정된 공정온도와 실제 진행되고 있는 공정온도만을 나타내었다. 이에 비해 본 발명의 제어 시스템에서의 표시부는 인공지능이 제안하는 추천온도가 추가로 표시된다. 또한 추천한 공정온도로 진행했을 경우의 품질값으로서 예측저항도 같이 표시되며 공정진행과 함께 인공지능이 공정이 최종 품질에 가깝게 실시간 수정하는 값이다. 또한 목표 저항과 함께 예상되는 목표저항 대비 편차(%)도 같이 표시한다. 이에 따라 작업자는 인공지능이 추천한 공정온도 및 이에 따른 예측저항, 목표치 대비 편차까지 모두 확인한 후 이에 맞춰 현재 설정된 공정온도를 추천 공정온도로 재설정할 수 있다. 이에 따라 제품의 특성이 가능한 목표치에 가깝게 되도록 공정을 제어할 수 있게 된다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims (9)

1. 인공지능을 이용하여 n(n은 2 이상의 자연수)개의 단위공정이 시계열적으로 이루어지고 2회차 이상 반복 수행되는 제조공정을 제어하는 방법으로서,
   (a) 1 내지 n 번째 단위공정의 공정조건 중 k(n 이하의 자연수)번째 단위공정의 공정조건(Xk)을 제외한 나머지 단위공정의 공정조건(X1 내지 Xk-1, Xk+1 내지 Xn) 및 제품 특성의 목표치(Yt)를 독립변수로 하고, 상기 공정조건(Xk)을 종속변수로 하여 상기 공정조건(Xk)를 도출하는 단계; 및
   (b) 상기 도출된 공정조건(Xk)을 k번째 단위공정의 새로운 작업조건으로 재설정하고 상기 k번째 단위공정을 수행하는 단계;를 포함하고,
   상기 (a) 단계에서,
   상기 독립변수로 설정된 공정조건 중 1 내지 k-1번째 단위공정의 공정조건(X1 내지 Xk-1)은 현재 진행 중인 제조공정 중에 수행된 실제로 적용된 공정조건이고, k+1번째 내지 n번째 단위공정의 공정조건(Xk+1 내지 Xn)은 현재 진행 중인 제조공정을 기준으로 직전 차수에 진행되었던 제조공정 중에 수행되었던 공정조건인,
   인공지능을 이용한 제조공정 제어방법.
2. 제 1 항에 있어서,
   상기 (a) 단계 및 (b) 단계는,
   k번째 단위공정 내지 n번째 단위공정이 각각 수행될 때마다 반복하여 수행되는,
   인공지능을 이용한 제조공정 제어방법.
3. 제 1 항에 있어서,
   상기 (a) 단계는,
   현재 진행 중인 제조공정 이전의 소정 기간 동안 획득되었던 1 내지 n 번째 단위공정의 공정조건을 독립변수로 하고, 제품 특성치를 종속변수로 하여 변수들 사이의 관계를 추정하는 회귀분석의 결과로 상기 공정조건(Xk)를 도출하는,
   인공지능을 이용한 제조공정 제어방법.
4. 제 1 항에 있어서,
   상기 (a) 단계는,
   현재 진행 중인 제조공정 이전에 획득되었던 상기 k번째 단위공정의 공정조건 중 상기 목표치(Yt)에 최근접된 제품 특성치를 나타내었던 공정조건으로 상기 공정조건(Xk)을 도출하는,
   인공지능을 이용한 제조공정 제어방법.
5. 제 4 항에 있어서,
   상기 (a) 단계는,
   현재 진행 중인 제조공정 이전의 소정 기간 동안 획득되었던 1 내지 n 번째 단위공정의 공정조건을 독립변수로 하고, 제품 특성치를 종속변수로 하여 변수들 사이의 관계를 추정하여 상기 공정조건을 도출하는 회귀분석에서 모든 독립변수 계수들의 유의 확률(P-) 값이 기준치를 초과하거나 혹은 상관관계 결정계수(R²) 값이 기준치 미만일 경우에 수행되는,
   인공지능을 이용한 제조공정 제어방법.
6. 제 3 항에 있어서,
   (c) 상기 회귀분석을 이용하여 현재 진행 중인 제조공정이 완료될 시의 제품 특성 예측치(Yp)를 도출하는 단계를 더 포함하고,
   상기 제품 특성 예측치(Yp)는,
   1 내지 k-1번째 단위공정의 공정조건(X1 내지 Xk-1)은 현재 진행 중인 제조공정 중에 수행된 실제로 적용된 공정조건 및 k번째 내지 n번째 단위공정의 공정변수(Xk 내지 Xn)는 현재 진행 중인 제조공정을 기준으로 직전 차수에 진행되었던 제조공정 중에 수행되었던 공정조건을 독립변수로 하는 회귀분석의 결과로 도출되는,
   인공지능을 이용한 제조공정 제어방법.
7. 제 4 항에 있어서,
   (c) 현재 진행 중인 제조공정이 완료될 시의 제품 특성 예측치(Yp)를 도출하는 단계를 더 포함하고,
   상기 제품 특성 예측치(Yp)는,
   현재 진행 중인 제조공정 이전에 획득되었던 상기 k번째 단위공정의 공정조건 중 상기 (b) 단계 후 실제 k번째 단위공정에 실제로 적용된 공정조건과 최근접한 공정조건으로 진행되었을 때의 제품 특성의 실측치(Yr)인,
   인공지능을 이용한 제조공정 제어방법.
8. 제 1 항 내지 7 항 중 어느 하나의 항에 있어서,
   (d) 제품 특성의 목표치(Yt), 예측치(Yp) 및 실측치(Yr) 중 어느 하나 이상을 작업자에게 출력하는 단계를 더 포함하는,
   인공지능을 이용한 제조공정 제어방법.
9. 삭제

Images