KR102151733B1 - 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법 - Google Patents
하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법 Download PDFInfo
- Publication number
- KR102151733B1 KR102151733B1 KR1020190131664A KR20190131664A KR102151733B1 KR 102151733 B1 KR102151733 B1 KR 102151733B1 KR 1020190131664 A KR1020190131664 A KR 1020190131664A KR 20190131664 A KR20190131664 A KR 20190131664A KR 102151733 B1 KR102151733 B1 KR 102151733B1
- Authority
- KR
- South Korea
- Prior art keywords
- template
- safety management
- process safety
- change point
- drawings
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 165
- 230000008569 process Effects 0.000 title claims abstract description 119
- 238000004519 manufacturing process Methods 0.000 title claims description 40
- 230000008859 change Effects 0.000 claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 78
- 238000010586 diagram Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 11
- 238000011960 computer-aided design Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 239000000126 substance Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- -1 petrochemical Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/42—Recording and playback systems, i.e. in which the programme is recorded from a cycle of operations, e.g. the cycle of operations being manually controlled, after which this record is played back on the same machine
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법은 공정안전관리 도면들에 대하여 딥러닝 알고리즘에 따라 미리 학습되어 생성된 분석모델을 이용하여 도면들로부터 속성정보 별 특징을 추출하는 단계, 추출된 특징에 대하여 심층신경망(Deep Neural Network, DNN)을 이용한 분류결과에 따라 도면의 패턴 별 템플릿(template)을 생성하는 단계 및 공정안전관리 도면과 템플릿 간 맵핑(mapping)에 기초하여, 복수개의 클러스터들을 생성하기 위한 군집화를 수행하는 단계를 포함할 수 있다.
Description
본 발명은 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법에 관한 것이다. 보다 상세하게는 하이테크제조업을 운영함에 있어서, 설비 이설 등과 같은 변경점이 발생하는 경우 이를 실시간으로 반영하기 위해서, 딥러닝에 기초하여 도면들로부터 속성정보 별 특징을 추출하고, 추출된 특징에 대하여 신경망에 따라 분류하여 템플릿을 생성함으로써 데이터베이스를 구축하며, 변경점 발생 시 기존의 패턴과 비교한 결과에 따라 도면에 반영이 가능한, 공정안전관리 도면의 자동화 방법에 관한 것이다.
정보통신기술(ICT)의 발달에 따라, 일반적인 제조업 분야에도 디지털 기술이 혁신적인 가치 사슬을 창출하고 모든 경제적 영역의 생산에 적용이 가능한 추진 동력이 됨에 따라 반도체, 디스플레이, 태양광, 첨단 의약품 산업 영역에는 하이테크제조업의 산업형태가 점차 늘어나고 있다. 하이테크제조업은 일반제조(자동차, 타이어, 시멘트 등) 및 장치(철강, 석유화학, 정유) 산업과는 달리 제조와 장치업의 특성이 모두 합쳐져 있는 산업 형태이다. 생산을 위한 장비가 고가이고, 해당 장비를 가동하기 위해 다양한 Utility가 사용되며 공급에서부터 처리까지 전 과정에 걸쳐 Hook up을 하게 된다.
반도체 및 디스플레이 산업은 Utility 공급, 제조(생산), 처리공정이 복잡할 뿐만 아니라, 그에 수반되는 장치가 복잡하며 제품생산에 필요한 화학물질을 취급하고 각 공정별 유기적인 연계성에 의해 여러 공정이 복합적으로 구성되어 하나의 제조공장이 이뤄진다. 이로 인해 소량이지만 150여종 이상의 다양한 화학물질을 취급한다. 현장 변경점 역시 주기적인 신제품 출시, 생산성 및 품질향상 등으로 공정 및 장치의 변경점이 많다. 이에 반해 태양광 산업은 반도체 및 디스플레이 산업의 제조공정과 유사하나 비교적 공정이 단순하고 제품군이 다양하지 않다. 제품생산에 필요한 화학물질을 사용하나 30여종에 제한된다. 현장 변경점 역시 반도체 및 디스플레이 산업에 비해 많지는 않다. 첨단 의약품 산업의 경우 신약개발에 따른 화학물질의 종류가 많으며 위험도가 매우 높은 특성을 가진 산업이다. 그리고 신약개발에 따른 공정변경 및 물질 변경점 등이 다수 발생한다
하이테크제조업은 산업군에 따라 다소 차이는 있으나 장치, 공정, 물질, 배관 등 여러 변경점이 발생되며 제품생산을 위해 다양한 화학물질을 사용함에 따라 위험도가 높은 산업이다. 결국 이러한 변경점은 공정안전관리 도면의 필수적 항목으로 반영되는 사항이다.
하이테크제조업에서 운영하는 공정안전관리 도면의 종류는 평면도, 계통도, 배치도, 공정배관계장도, 공정흐름도 등이 있으며 각 종류에 따라 시설물(건축물) 위치, Utility 공급 및 사용, 생산 및 Utility 설비 위치, 안전설비의 위치 등 도면의 형태는 다양하다. 이러한 도면은 제조공장 Set up의 대규모 프로젝트 진행 시 도면이 입수, 등록 관리되며 앞에서 언급한 생산설비 및 현장 변경점 발생에 따라 도면 반영, 도면 조회 및 활용되고 있다. 프로젝트 종료 후 대량의 도면을 사전 정의된 분류체계에 의해 사용자가 직접 파일형태로 등록하는 경우 사용자의 판단 오류(Human Error)로 인해, 예상된 분류체계에 도면이 없어 조회, 활용의 어려움이 발생할 수 있으며 생산설비의 대부분은 기업비밀 누출우려로 도면이 제공되지 않아 Office S/W를 활용하여 공정 엔지니어가 직접 수작업으로 작성하는 등 작성시간이 많이 소요되며 변경점 대응이 어렵다. 또한 공정안전관리 도면은 정부기관(노동부, 환경부 등)의 사업장 안전검점 시 도면과 현장 간 일치성 여부와 Risk 관리에 잘 운영되고 있는지를 필수적 요소로 확인함에 따라 도면 관리에 많은 어려움과 애로사항을 겪고 있는 현실이다.
기존에 운영되고 있는 도면 운영 기술에 대하여 보다 상세히 살펴보면, 데이터 관리와 데이터를 도면의 형태로 표현하는 CAD Solution의 적용기술 및 활용방식에 따라 상이하며 다음과 같이 분류할 수 있다.
첫째, 도 1에 도시된 바와 같이 대부분 도면 작도 방식은 사람이 직접 도면에 필요한 다양한 데이터(위치, 공정, 공정장치, 동력기계, 배관, 공정제어 및 계기, 장치 간 공정연관성, 운전조건, 운전변수, 물질 및 에너지 수지, 제어 설비 및 연동장치 등)를 수집, 저장, 분류하고 분류된 데이터의 유형을 분석, 정리 후 CAD Solution을 활용하여 도면을 작도하는 방식이다. 데이터 관리와 CAD Solution 활용방식에서 모두 사람이 개입하게 된다.
둘째, 도 2에 도시된 바와 같이 도면 데이터의 수집 및 저장, 분류, 분석된 데이터의 포맷을 표준화한 Template 기반의 데이터와 CAD Solution 간 연계를 통한 데이터를 도면에 반영하는 방식이다. 이러한 방식은 장비 배관속성, 전기계통 等 도면의 일부 속성을 자동화하는 기술이다. CAD Solution 기능의 일부 자동화 구현은 가능하지만 패턴을 표준화하고 도면 자동화하기 위한 프로그래밍 작업이 수반되어야 하며 사람이 그 역할은 하게 된다.
셋째, 도 3에 도시된 바와 같이 도면에 반영된 배관 및 배관 부속품류, 계기, Insulation, 각종 센서 등의 특정개체 별 설계물량인 BOM(Bill of Material)을 도면상에서 직접 추출하여 Report화하여 원가관리 등에 활용하는 기술이다. 이 또한 전제 조건은 사람이 개입되어 BOM 산출을 위한 자재등급, 자재명, 단위, 수량 등의 추출 항목과 BOM 집계 종류 등을 사전에 사람이 정의하고 선택적 선별을 통해 추출할 수 있도록 프로그래밍을 해야 한다.
즉, 기존의 도면운영 기술을 이용하는 경우에는 지속적이고 변칙적으로 발생이 가능한 변경점에 대하여 사용자의 판단에 따라 업데이트 여부가 결정되는 등 도면의 자동화에는 아직 문제점이 많은 실정이다.
본 발명은 전술한 바와 같은 문제점을 해결하기 위한 것으로써, 사용자의 판단은 배제하고 인공지능 알고리즘을 이용한 판단 결과에 따라 변경점 발생 시 실시간으로 업데이트가 가능한 공정안전관리 도면의 자동화 방법을 제공하고자 함에 그 목적이 있다.
또한, 도면 자동화에 따라 사업장의 위험 관리는 물론이고 안전하게 사업장을 운영할 수 있도록 하기 위한 기반이 되는 도면의 자동화 방법을 제공하고자 함에 그 목적이 있다.
또한, 사용자에 의한 데이터 분석, 분류 및 도면 작도 등에 따라 발생할 수 있는 판단 오류를 감소시킬 수 있음은 물론, 변경점을 반영하는 작업시간을 최소화할 수 있는 공정안전관리도면의 자동화 방법을 제공하고자 함에 그 목적이 있다.
또한, 도면 전문가가 아니더라도 도면의 기본적인 해석이 가능한 수준의 사용자에 대하여도 도면의 자동화에 따른 설비운영이 가능하고, 도면과 데이터가 통합된 형태로 효율적인 도면 관리가 가능하고자 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 프로세서와 메모리를 포함하는 장치에서 실행되는 프로그램의 작동에 따라, 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법은 공정안전관리 도면들에 대하여 딥러닝 알고리즘에 따라 미리 학습되어 생성된 분석모델을 이용하여 도면들로부터 속성정보 별 특징을 추출하는 단계, 추출된 특징에 대하여 심층신경망(Deep Neural Network, DNN)을 이용한 분류결과에 따라 도면의 패턴 별 템플릿(template)을 생성하는 단계, 공정안전관리 도면과 템플릿 간 맵핑(mapping)에 기초하여, 복수개의 클러스터들을 생성하기 위한 군집화를 수행하는 단계, 사용자 단말로부터 변경점데이터를 수신하는 단계, 변경점데이터에 기초하여 상기 생성된 도면의 패턴 별 템플릿과의 일치 정도를 판별하기 위한 변경지수를 산출하는 단계 및 변경지수에 따라 변경점데이터를 반영하여 상기 공정안전관리 도면을 수정하거나 신규 템플릿을 생성하는 단계를 포함하고, 상기 변경지수를 산출하는 단계에서 상기 변경지수는 수학식 1에 기초하여 산출되고, 상기 수학식 1에 기초하여 산출된 변경지수에 대하여 수학식 2에 따른 가중치가 곱해지며, 상기 가중치가 곱해진 변경지수가 상기 패턴 별 템플릿마다 미리 마련된 복수개의 템플릿 범위(
, i=1, 2, 3, ??, i는 템플릿 마다 부여된 번호)에 속하는지 여부에 따라 템플릿과 일치 정도를 판별하며, 상기 공정안전관리 도면을 수정하거나 신규 템플릿을 생성하는 단계는, 상기 가중치가 곱해진 변경지수가 상기 패턴 별 템플릿마다 마련된 상기 템플릿범위에 속한다면 상기 패턴 별 템플릿 중 상기 템플릿범위에 속하는 템플릿을 이용하여 상기 공정안전관리 도면을 수정하고, 상기 가중치가 곱해진 변경지수가 상기 패턴 별 템플릿마다 마련된 상기 템플릿범위에 속하지 않는다면 상기 신규 템플릿을 생성할 수 있으며, 수학식 1 및 2에서 
는 변경점데이터 벡터이고, 
는 템플릿 벡터이며, w는 가중치이고, kp는 속성정보 별 상이하게 설정된 계수일 수 있다.
[수학식 1]
[수학식 2]
본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 속성정보는 도각속성, 배치속성, 라인속성, 기자재속성 및 기타속성을 포함할 수 있다.
[수학식 1]
[수학식 2]
본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 속성정보는 도각속성, 배치속성, 라인속성, 기자재속성 및 기타속성을 포함할 수 있다.
삭제
삭제
본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 공정안전관리 도면은 평면도, 계통도, 배치도, 공정배관계장도 및 공정흐름도를 포함할 수 있다.
삭제
본 발명의 공정안전관리 도면의 자동화 방법에 의하면, 사용자의 판단은 배제하고 인공지능 알고리즘을 이용한 판단 결과에 따라 변경점 발생 시 실시간으로 업데이트가 가능한 효과가 있다.
또한, 도면 자동화에 따라 사업장의 위험 관리는 물론이고 안전하게 사업장을 운영할 수 있도록 하기 위한 기반이 되는 효과가 있다.
또한, 사용자에 의한 데이터 분석, 분류 및 도면 작도 등에 따라 발생할 수 있는 판단 오류를 감소시킬 수 있음은 물론, 변경점을 반영하는 작업시간을 최소화할 수 있는 효과가 있다.
또한, 도면 전문가가 아니더라도 도면의 기본적인 해석이 가능한 수준의 사용자에 대하여도 도면의 자동화에 따른 설비운영이 가능하고, 도면과 데이터가 분리된 통합된 형태로 효율적인 도면 관리가 가능한 효과가 있다.
도 1은 데이터 분석 및 도면 작도가 모두 수작업으로 이루어지는 기존의 도면운영기술을 나타내기 위한 예시도이다.
도 2는 도면 작도에 대한 일부 자동화가 가능한 기존의 도면운영기술을 나타내기 위한 예시도이다.
도 3은 도면에 반영된 특정 정보들을 추출하여 보고서 형태로 활용이 가능한 기존의 도면운영기술을 나타내기 위한 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법을 나타내기 위한 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 속성정보 별 특징이 추출되는 과정을 나타낸 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 템플릿이 생성되어 군집화가 되는 과정을 나타내기 위한 예시도이다.
도 7 및 도 8은 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 수신한 변경점데이터를 반영하거나 새로운 템플릿이 생성되는 과정을 나타내기 위한 예시도이다.
도 2는 도면 작도에 대한 일부 자동화가 가능한 기존의 도면운영기술을 나타내기 위한 예시도이다.
도 3은 도면에 반영된 특정 정보들을 추출하여 보고서 형태로 활용이 가능한 기존의 도면운영기술을 나타내기 위한 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법을 나타내기 위한 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 속성정보 별 특징이 추출되는 과정을 나타낸 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 템플릿이 생성되어 군집화가 되는 과정을 나타내기 위한 예시도이다.
도 7 및 도 8은 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서, 수신한 변경점데이터를 반영하거나 새로운 템플릿이 생성되는 과정을 나타내기 위한 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
도 4는 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법을 나타내기 위한 순서도이고, 도 5는 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법에 있어서, 속성정보 별 특징이 추출되는 과정을 나타낸 예시도이며, 도 6은 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법에 있어서, 템플릿이 생성되어 군집화가 되는 과정을 나타내기 위한 예시도이고, 도 7 및 도 8은 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법에 있어서, 수신한 변경점데이터를 반영하거나 새로운 템플릿이 생성되는 과정을 나타내기 위한 예시도이다. 이하에서는 상기에서 설명한 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 프로세서와 메모리를 포함하는 장치에서 실행되는 프로그램의 작동에 따라, 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법이 제공될 수 있다. 즉, 본 발명의 공정안전관리 도면의 자동화 방법은 후술하는 공정안전관리 도면을 자동화하기 위한 장치에 의해서 구현될 수 있다. 또한, 본 발명의 공정안전관리 도면의 자동화 방법은 제조업과 장치산업의 특성이 합쳐져 있는 하이테크제조업의 운영을 위해 적용될 수 있다. 상기 하이테크제조업에는 반도체, 디스플레이, 태양광, 첨단 의약품 산업 등이 포함될 수 있다. 이와는 달리, 상기 하이테크제조업 이외에도 제조업이나 장치산업과 같은 일반적인 산업분야에도 적용될 수도 있다.
또한, 본 발명의 공정안전관리 도면의 자동화 방법은, 컴퓨터를 이용하여 설계하는 것을 의미하는 컴퓨터 보조 설계 기술(Computer Aided Design, CAD)의 일종일 수 있다.
도 4는 본 발명의 공정안전관리 도면의 자동화 방법을 나타내는 순서를 개략적으로 나타낸 것인데, 도 4를 참조하면 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법은 공정안전관리 도면들에 대하여 딥러닝 알고리즘에 따라 미리 학습되어 생성된 분석모델을 이용하여 도면들로부터 속성정보 별 특징을 추출하는 단계(S100), 추출된 특징에 대하여 심층신경망(Deep Neural Network, DNN)을 이용한 분류결과에 따라 도면의 패턴 별 템플릿(template)을 생성하는 단계(S200) 및 공정안전관리 도면과 템플릿 간 맵핑(mapping)에 기초하여, 복수개의 클러스터들을 생성하기 위한 군집화를 수행하는 단계(S300)를 포함할 수 있다.
이하에서는, 본 발명의 일 실시 예에 따른 공정안전관리 도면의 자동화 방법에 있어서, 상기 S100 - S300의 과정을 보다 상세하게 설명한다.
먼저, 도 4 및 도 5를 참조하면, 공정안전관리 도면들에 대하여 딥러닝 알고리즘에 따라 미리 학습되어 생성된 분석모델을 이용하여 상기 도면들로부터 속성정보 별 특징이 추출(S100)될 수 있다.
공정안전관리 도면은 평면도, 계통도, 배치도, 공정배관계장도 및 공정흐름도를 포함할 수 있다. 다만, 이는 예시적인 것에 불과하여 상기 예시들에 제한되는 것은 아니고 공정안전관리에 적용되는 도면이면 무엇이든 상기 도면에 포함될 수 있다. 예를 들면, 상기 공정안전관리 도면에는 단면도, 전개도, 평면 분할도, 계측평면도, 복공평면도, 시공순서도, 3D 도면 등 다양한 도면들이 포함될 수 있다. 상기 공정안전관리 도면은 전술한 하이테크제조업에서의 제조 등의 공정이 수행되는 공장 혹은 사업장의 도면으로서, 상기 공정안전관리를 위해 필요한 선(line), 다각형(polygon), 사각형(rectangle), 아크(arc), 원(circle) 등으로 표현될 수 있다.
속성정보는 도각속성, 배치속성, 라인속성, 기자재속성 및 기타속성을 포함할 수 있다. 도각속성은 도면의 적용범위, 도면부호 등의 서지정보들이 포함된 속성에 관한 정보일 수 있고, 배치속성은 도면 내에 설치된 장비의 위치, 형태 등 장비의 속성에 관한 정보일 수 있으며, 라인속성은 장비 간 연결을 위한 라인( Ex. 배관 등 )의 속성에 관한 정보일 수 있으며, 기자재속성은 밸브(valve)나 플랜지(flange) 등의 기자재의 속성에 관한 정보일 수 있으며, 기타속성은 운전조건, 운전변수, 공정제어 등 제어와 관련된 속성에 관한 정보일 수 있다.
분석모델(미도시)은 딥러닝 알고리즘에 따라 미리 학습된 결과에 따라 생성된 것으로, 상기 딥러닝 알고리즘에는 CNN(Convolutional Neural Network)이 포함될 수 있다. 뿐만 아니라, 상기 인식모델은 상기 CNN 외에도 RNN(Recurrent Neural Network)와 결합되어 학습된 결과에 따라 생성될 수도 있다. 이하에서는 CNN 기반 학습 결과에 따라 형성된 분석모델을 기준으로 설명한다. 먼저, CNN에 대하여 간략히 설명하면 CNN은 입력데이터(주로, 시각적 이미지)를 분석하기 위해 사용되는 인공신경망의 한 종류일 수 있고 특징추출계층에서 입력데이터로부터의 특징이 추출되고, 분류계층에서 추출된 특징에 기초하여 입력데이터가 어떤 클래스에 해당되는지 분류될 수 있다. 상기 특징추출계층에는 적어도 하나 이상의 콘볼루션 레이어(convolutional layer) 및 풀링 레이어(pooling layer)가 포함될 수 있고, 상기 분류계층은 하나의 히든 레이어(hidden layer)가 포함된 풀리 커넥티드 레이어(fully connected layer)일 수 있다. 콘볼루션 레이어는 콘볼루션(convolution) 연산을 통해 객체의 특징을 나타내는 특징 맵을 생성하는 필터에 해당될 수 있다. 풀링 레이어에서는 콘볼루션 레이어의 출력 데이터의 크기를 줄이거나 특정 데이터를 강조하는 풀링연산이 수행될 수 있다. 상기 풀링 레이어에는 맥스풀링 레이어(max pooling layer) 및 평균풀링 레이어(average pooling layer)가 포함될 수 있다. 풀리 커넥티드 레이어(fully connected layer)는 추출된 특징정보에 기초하여 입력데이터의 분류를 위한 분류기(classfier)에 해당될 수 있다.
즉, 공정안전관리 도면으로부터 속성정보의 특징을 구체적으로 추출하기 위하여 딥러닝 기반의 분석모델을 이용할 수 있고, 상기 분석모델의 분석 결과에 따라 속성정보가 보다 정확하게 판별될 수 있다.
또한, 분석모델은, 바람직하게는 입력된 데이터로부터 제 1 피쳐(feature)를 추출하기 위한 제 1 CNN, 입력데이터로부터 제 2 피쳐(feature)를 추출하기 위한 제 2 CNN, 추출된 제 1 피쳐 및 제 2 피쳐에 기초하여 속성정보의 추출을 위한 분류층 및 제 1 CNN 및 제 2 CNN의 출력이 융합되어 분류층으로 입력되도록 형성된 융합층이 더 포함될 수 있다.
상기 제 1 CNN은 단일의 콘볼루션 층이 포함된 콘볼루션 신경망(CNN: Convolutional Neural Network) 기반으로 형성된 신경망에 해당될 수 있다. 즉, 상기 제 1 CNN은 제 1 콘볼루션 층 및 제 1 풀링층만이 구비되어 얕은(shallow) 구조로 형성되어 입력된 이미지로부터 제 1 피쳐이 추출될 수 있다.
이와는 달리, 제 2 CNN은 복수개의 콘볼루션층들이 포함된 콘볼루션 신경망 기반으로 형성된 신경망에 해당될 수 있다. 즉, 상기 제 2 CNN은 제 2 내지 제 4 콘볼루션층들 및 제 2 풀링층이 구비되어 깊은(deep) 구조로 형성되어 입력된 이미지데이터로부터 제 2 피쳐가 추출될 수 있다.
상기 콘볼루션층이 하나만 포함되어 있는 신경망은 전술한 바와 같이 얕은 구조의 신경망에 해당되고, 상기 콘볼루션층이 복수개 포함된 신경망은 깊은 구조의 신경망에 해당될 수 있다. 이에 따라, 상기 얕은 구조인 제 1 CNN으로부터 추출된 제 1 피쳐는 얕은 특징일 수 있고, 깊은 구조인 제 2 CNN으로부터 추출된 제 2 피쳐는 깊은 특징일 수 있다.
상기 융합층은 제 1 CNN과 제 2 CNN의 출력을 융합하여 상기 분류층의 입력이 되도록 연결하는 층일 수 있다. 상기 융합층은 풀링층으로 구성될 수 있다.
상기 분류층은 전술한 완전연결층(fully connected layer)으로써, 상기 분류층에는 적어도 하나 이상의 히든층(hidden layer) 및 출력층(output layer)는 물론, 차원 변경을 위한 플래튼층(flatten layer)가 추가적으로 포함될 수 있다. 상기 출력층에는 Softmax 활성화 기능이 사용됨으로써 용접에 따른 결함 발생 정도가 판별될 수 있다.
더욱 상세하게는 제 1 CNN은 단일의 제 1 콘볼루션층과 제 1 풀링층이 함께 형성되어 얕은 구조의 콘볼루션 신경망이 형성될 수 있다. 이와는 달리 제 2 CNN에는 제 2 콘볼루션층, 제 3 콘볼루션층, 제 4 콘볼루션층에 해당되는 3개의 콘볼루션층들과 제 2 풀링층이 연결되어 깊은 구조의 콘볼루션 신경망이 형성될 수 있다. 상기 제 1 내지 제 4 콘볼루션층의 필터 수 및 필터 크기는 모두 동일하거나 각각 상이하게 설정될 수 있다.
분석모델의 구조가 전술한 바와 같이 얕은 구조 및 깊은 구조의 신경망으로부터 각각 추출된 특징에 기초하여 입력된 데이터를 분류하는 경우에는 일반적인 구조의 콘볼루션 신경망에 따른 판별결과에 비하여 더욱 정확한 결과를 얻을 수 있다. 즉, 입력데이터로부터의 특징 추출을 두 가지 콘볼루션 신경망을 통해 별도로 진행한 이후에 이를 융합층에서 융합한 결과에 따라 보다 정확하게 속성정보가 추출되도록 하였다.
상기와 같이 학습되어 생성된 분석모델을 이용하면, 상기 공정안전관리 도면으로부터 속성정보 별 특징이 추출될 수 있다.
더욱 상세하게는, 아래 표 1에 기재된 바와 같은 속성정보 각각에 대한 추출 항목들이 상기 분석모델로부터 추출될 수 있다. 즉, 상기 속성정보는 공정안전관리 도면에서, 상기 하이테크제조업에서의 소정의 공정의 특성 또는 속성에 관한 정보를 포함할 수 있다.
| 구분 | 추출항목 |
| 도각 속성 | ① 적용범위 정보 - Location : Site(지역), Floor(층), Zone(구역) 等 - Building Name - Process Group / Name - Equipment Maker / Model / Code ② 도면번호 ③ 관리부서, 관련 담당자 정보(작성자, 확인자, 승인자) ④ 작성일, 개정일 ⑤ 기타 도각에 포함된 모든 정보 |
| 배치속성 | ① Equipment 정보 : Utility, 제조(생산), 처리(대기/수질), 각종 부속 설비 等 ② Equipment 위치 : 도면에 반영된 설비의 특정 좌표 ③ Equipment 형태 : 설비 특성別 심벌의 형태 ④ 기타 설비 배치와 관련된 모든 정보 |
| 라인속성 | ① Size 및 단위 : inch or mm 정보② Utility : 배관 내 유체 정보 ③ Sequence No : 동일 Line 속성의 순번 ④ Material : 배관의 재질 ⑤ Line Type : 배관의 형태 (단일배관 or 이중배관) ⑥ Insulation : 배관 보온재의 형태 또는 적용여부 ⑦ Line 수량, 위치, 색상, 선 굵기 等 Line 속성과 관련된 정보 |
| 기자재속성 | ① 각종 Valve (Clean, Ball, Gate 等) 및 Flange 等② 압력 : Regulator, Pressure Gauge, Pressure Sensor ③ 온도 : Temperature Sensor ④ 유량 : Level Gauge, Level Meter ⑤ 기타 기자재와 관련된 모든 정보 |
| 기타속성 | ① 운전조건, 운전변수, 물질/에너지 수지, 공정제어 等② 제어 및 연동관계 |
다음으로, 도 4 및 도 6을 참조하면, 분석모델을 이용하여 추출된 특징에 대하여 심층신경망(Deep Neural Network, DNN)을 이용한 분류결과에 따라 도면의 패턴 별 템플릿이 생성(S200)될 수 있다.
즉, S100에서 공정안전관리 도면으로부터 추출된 속성정보가 도면에 따라 분류될 수 있다. 또한, 상기 분류 결과에 기초하여 도면의 패턴 별 템플릿이 생성될 수 있다.
상기 패턴이란 상기 속성정보들로부터 추출된 특징이 상기 속성정보마다 가지는 소정의 정형화된 형태일 수 있고, 상기 템플릿이란 컴퓨터 보조 설계(CAD) 등에서, 정형화된 패턴에 속성정보가 포함된 블록일 수 있다. 즉, 상기 추출된 속성정보 별 특징은 심층신경망을 이용한 분류 결과에 따라 소정의 패턴을 가지는 정보들로 템플릿을 통해 구조화될 수 있다. 다시 말하면, 속성정보 별 특징은 템플릿을 통해 유사한 패턴 간 구조화될 수 있다.
다음으로, 도 4 및 도 6을 참조하면, 공정안전관리 도면과 템플릿 간 맵핑(mapping)에 기초하여, 복수개의 클러스터들을 생성하기 위한 군집화(S300)가 수행될 수 있다.
상기 클러스터는 공정안전관리 도면과 추출된 특징으로 구조화된 템플릿을 세트로 군집한 것으로, 소정의 패턴마다 각각 클러스터로써 도면과 템플릿이 포함될 수 있다.
S300에서의 군집화는 군집 내(Intraclass)의 유사도는 최대화하고, 군집 간(Interclass) 유사도는 최소화되도록 도면과 템플릿에 대하여 군집화가 수행될 수 있고, 대표 타입은 그룹핑(grouping)될 수 있다.
S100 - S300 과정에 따라 군집화되어 생성된 복수개의 클러스터들은 일종의 기준 데이터가 될 수 있다. 이하에서는 상기 S100 - S300 과정에 따라 기준 데이터인 군집화된 정보들을 이용하여 변경점에 관련된 정보가 입력되는 경우 도면에 반영되는 과정을 살펴본다.
도 4, 도 7 및 도 8을 참조하면, 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법에 있어서, 사용자 단말로부터 변경점데이터를 수신하는 단계(S400), 변경점데이터에 기초하여 생성된 패턴 별 템플릿과의 일치 정도를 판별하기 위한 변경지수를 산출하는 단계(S500) 및 변경지수에 따라, 군집화된 클러스터의 템플릿을 이용하여 템플릿과 대응되는 공정안전관리 도면에 대하여 변경점데이터를 반영하거나 신규 템플릿을 생성하는 단계(S600)를 더 포함할 수 있다.
이하에서는, 본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면의 자동화 방법에 있어서, S400 - S600 과정에 대하여 보다 상세하게 설명한다.
먼저, 사용자 단말로부터 변경점데이터를 수신(S400)할 수 있다.
사용자 단말은 휴대성과 이동성이 보장되는 휴대용 이동식 단말일 수 있다. 상기 단말에는, 개인용 통신 장치(Personal Communication System, PCS), 이동통신 글로벌 시스템(Global System for Mobile communications, GSM), 디지털 셀룰러 통신장비(Personal Digital Cellular, PDC), 개인 통신 전화(Personal Handyphone System, PHS), 개인 정보 단말기(Personal Digital Assisatnt, PDA), 와이브로(Wireless Broadband Internet, WiBro) 단말, 스마트폰(Smartphone), 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치가 포함될 수 있다. 특히, 본 발명에 있어서, 사용자 단말은 휴대용 디바이스에 인터넷 통신과 정보 검색 등 컴퓨터 지원 기능을 추가한 지능형 디바이스로서, 사용자가 원하는 복수의 어플리케이션들을 설치하여 실행할 수 있는 스마트폰일 수 있다. 또한, 사용자 단말은 데스크탑, 랩탑 등의 범용 컴퓨터로 구현될 수 있을 뿐만 아니라, 변경점데이터의 송수신을 위한 전용 단말의 형태로 구현될 수도 있다.
변경점데이터는 하이테크제조업의 공정 내에서 소정의 변화에 관한 정보일 수 있다. 예를 들면, 상기 변경점데이터에는 공장 혹은 사업장 내에서 설비가 이동하거나, 공정이 변경되거나, 동일한 제조공장 내에서 이설, 철거하거나, 유틸리티(utility)의 라인이 변경되는 등의 경우를 모두 포함하며, 변경의 정도 혹은 변경 형태에는 제한이 없다. 즉, 설비 등이 이동되는 변경점이 발생하는 경우 이를 즉시 도면에 반영하여야 공정에 착오가 없이 안정적으로 하이테크제조업의 운영이 가능하므로, 본 발명에서는 S100 - S300 과정에서 군집화 과정을 통해 구축된 복수개의 클러스터들에 기초하여 변경점데이터가 반영되어 신규 템플릿이 생성되거나 기존의 템플릿을 이용할 수 있다.
상기 변경점데이터는 전술한 바와 같이 사용자 단말에 의해서 수신할 수 있는데, 이와는 달리 공장 내에 미리 설치된 이미지센서 혹은 환경센서( Ex. 초음파센서, 라이다 센서 등 )의 감지 결과에 따라 생성되어 본 발명에 이용될 수도 있다. 다만, 일반적으로 설비의 변경 등은 사용자에 의해서 의도적으로 행해지는 경우가 많으므로 본 발명에서는 사용자 단말을 통해 변경점데이터가 수신될 수 있다.
변경점데이터는 사용자가 사용자 단말을 통해 입력한 변경점에 관한 정보로, 설비가 이동된 경우에는 이동된 설비정보, 이동된 위치 등이 포함된 정보일 수 있다. 마찬가지로, 공정이 변경된 경우에는 공정의 순서에 관한 정보 등이 포함된 정보일 수 있다. 또한, 상기 변경점데이터는 사용자 단말에 의하여 다양한 형태( Ex. 자연어 등 )로 입력될 수 있는데, 입력된 형태가 분석됨에 따라 상기 변경점데이터가 도출될 수 있다. 즉, 변경점데이터가 자연어로 입력된 경우에는 소정의 자연어 처리 기법이 적용될 수 있다.
다음으로, S400에서 수신한 변경점데이터에 기초하여, S100 - S300 과정에서 생성된 패턴 별 템플릿과 상기 수신한 변경점데이터가 일치하는지 여부를 판별하기 위한 변경지수가 산출(S500)될 수 있다.
변경지수는 하기 수학식 1에 기초하여 산출될 수 있다.
[수학식 1]
상기 수학식 1에서, 
는 변경점데이터 벡터이고, 
는 템플릿 벡터일 수 있다.
상기 수학식 1을 이용하여 산출된 변경지수는 변경점데이터가 패턴 별 템플릿과 일치하는지 여부를 판별하기 위한 것으로, 이를 위하여 변경점데이터 및 템플릿 데이터는 상기와 같이 벡터화될 수 있다.
다음으로, 상기와 같이 산출된 변경지수에 하기의 수학식 2에 기초하여 산출된 가중치(w)가 곱해질 수 있다.
[수학식 2]
수학식 2에서, 상기 w는 가중치이고, kp는 속성정보에 따른 계수로, 총 5개의 속성정보( 도각속성(p=1), 배치속성(p=2), 라인속성(p=3), 기자재속성(p=4), 기타속성(p=5) ) 마다 상이하게 설정될 수 있다. 예를 들면, 도각속성의 계수인 k1은 0.25, 배치속성의 계수인 k2는 0.39, 라인속성의 계수인 k3는 0.41, 기자재속성의 계수인 k4는 0.09, 기타속성의 계수인 k5는 0.12일 수 있다.
상기 수학식 2에 따라 산출된 가중치(w)가 곱해진 변경지수가 패턴 별 템플릿마다 미리 마련된 복수개의 템플릿범위(
, i= 1, 2, 3 .. , 'i' 는 템플릿 마다 부여된 번호)에 속하는 경우 해당 템플릿과 일치하는 것으로 볼 수 있다. 즉, 템플릿마다 최소범위를 결정하는 ti1과 최대범위를 결정하는 ti2는 상이하게 설정될 수 있다. 예를 들면, 1번 템플릿의 최소범위 값인 t11과 2번 템플릿의 최소범위 값인 t21은 상이하고, 3번 템플릿의 최대범위 값인 t32와 4번 템플릿의 최대범위 값인 t42는 상이하다.
즉, S500 과정 이후에는 상기 가중치가 곱해진 변경지수에 따라, 군집화된 클러스터의 템플릿을 이용하여 템플릿과 대응되는 공정안전관리 도면에 대하여 변경점데이터를 반영하거나, 신규 템플릿이 생성(S600)될 수 있다.
상기 가중치가 곱해진 변경지수가 복수개의 템플릿들마다 마련된 상기 템플릿범위에 속한다면 해당 템플릿과 일치하는 것으로 보아, 상기 일치하는 템플릿을 이용하여 도면의 수정이 가능하다.
이와는 달리, 가중치가 곱해진 변경지수가 어느 템플릿범위에도 속하지 않는다면 신규 템플릿이 생성될 수 있다. 즉, 이 경우에는 변경점이 기존 도면들로부터 추출된 특징에 따라 마련된 템플릿들과 유사하지 않은 것으로 새로운 템플릿이 생성될 수 있다.
또한, 사용자 단말에 의해서 변경점데이터를 수신할 경우 본 발명의 공정안전관리 도면의 자동화하기 위한 장치는 사용자 단말과 하기의 인증 과정을 진행할 수 있다. 즉, 수학식 3에 기초한 인증절차가 완료된 사용자 단말만이 본 발명의 자동화하는 장치로 변경점데이터를 송신할 수 있다. 변경점데이터이 해킹 등을 통해 잘못된 정보로 전달된 경우에는 하이테크제조업 운영에 있어서 공장이 중단되는 등 매우 치명적일 수 있으므로, 하기 수학식 3에 따른 인증절차가 추가적으로 요구될 수 있다.
보다 상세하게는, 사용자 단말 및 자동화하는 장치에서는 보안서버(미도시)로부터 하기 수학식 3에 의하여 생성된 보안상수(u0, u1)를 전달받을 수 있다. 보안서버에서는 상기 송수신에 있어서, 비공개정보 및 공개정보를 미리 설정할 수 있다.
[수학식 3]
여기서, p: 이산로그문제를 만족시키는 소수, b:p-1을 나눌 수 있는 소수, 
:제너레이터(generator), h:비공개정보, 
:공개정보, f0,f1 :난수일 수 있다.
사용자 단말에서는 보안서버로부터 생성된 인증메시지(
)를 전달받을 수 있으며, 인증메시지의 신뢰도가 검증된 경우, 사용자 단말로부터 변경점데이터가 송수신될 수 있다. 인증메시지는 보안서버에서 소정의 난수 생성 알고리즘에 따라 생성된 난수에 기초하여 생성될 수 있다.
본 발명의 일 실시 예로써, 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면을 자동화하기 위한 장치가 제공될 수 있다. 본 발명의 공정안전관리 도면을 자동화하기 위한 장치는 전술한 도면의 자동화 방법에 관한 내용과 동일한 내용이 적용될 수 있으며, 이에 관하여는 생략한다.
본 발명의 일 실시 예에 따른 변경점 발생 시 공정안전관리 도면을 자동화하기 위한 장치는 공정안전관리 도면들이 저장된 데이터베이스, 사용자 단말과 통신하는 통신부, 하나 이상의 프로그램을 저장하는 메모리 및 메모리에 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고, 프로세서는 공정안전관리 도면들에 대하여 딥러닝 알고리즘에 따라 미리 학습되어 생성된 분석모델을 이용하여 도면들로부터 속성정보 별 특징을 추출하고, 추출된 특징에 대하여 심층신경망(Deep Neural Network, DNN)을 이용한 분류결과에 따라 도면의 패턴 별 템플릿(template)을 생성하며, 공전안전관리 도면과 템플릿 간 맵핑(mapping)에 기초하여 복수개의 클러스터들을 생성하기 위한 군집화를 수행할 수 있다.
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 실시예들은 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.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다. 즉, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
S100: 공정안전관리도면들에 대하여 딥러닝 알고리즘에 따라 미리 학습되어 생성된 분석모델을 이용하여 도면들로부터 속성정보 별 특징을 추출
S200: 추출된 특징에 대하여 심층신경망을 이용한 분류 결과에 따라 도면의 패턴 별 템플릿을 생성
S300: 공정안전관리 도면과 템플릿 간 맵핑에 기초하여 복수개의 클러스터들을 생성하기 위한 군집화
S400: 사용자 단말로부터 변경점데이터를 수신
S500: 변경점데이터에 기초하여, 상기 과정에서 생성된 패턴 별 템플릿과의 일치 정도를 판별하기 위한 변경지수를 산출
S600: 변경지수에 따라 군집화된 클러스터의 템플릿을 이용하여 템플릿과 대응되는 공정안전관리 도면에 대하여 변경점데이터를 반영하거나 신규 템플릿을 생성
S200: 추출된 특징에 대하여 심층신경망을 이용한 분류 결과에 따라 도면의 패턴 별 템플릿을 생성
S300: 공정안전관리 도면과 템플릿 간 맵핑에 기초하여 복수개의 클러스터들을 생성하기 위한 군집화
S400: 사용자 단말로부터 변경점데이터를 수신
S500: 변경점데이터에 기초하여, 상기 과정에서 생성된 패턴 별 템플릿과의 일치 정도를 판별하기 위한 변경지수를 산출
S600: 변경지수에 따라 군집화된 클러스터의 템플릿을 이용하여 템플릿과 대응되는 공정안전관리 도면에 대하여 변경점데이터를 반영하거나 신규 템플릿을 생성
Claims (5)
- 프로세서와 메모리를 포함하는 장치에서 실행되는 프로그램의 작동에 따라, 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법에 있어서,
공정안전관리 도면들에 대하여 딥러닝 알고리즘에 따라 미리 학습되어 생성된 분석모델을 이용하여 상기 도면들로부터 속성정보 별 특징을 추출하는 단계;
상기 추출된 특징에 대하여 심층신경망(Deep Neural Network, DNN)을 이용한 분류결과에 따라 도면의 패턴 별 템플릿(template)을 생성하는 단계;
공정안전관리 도면과 상기 템플릿 간 맵핑(mapping)에 기초하여, 복수개의 클러스터들을 생성하기 위한 군집화를 수행하는 단계;
사용자 단말로부터 변경점데이터를 수신하는 단계;
상기 변경점데이터에 기초하여 상기 생성된 도면의 패턴 별 템플릿과의 일치 정도를 판별하기 위한 변경지수를 산출하는 단계; 및
상기 변경지수에 따라 상기 변경점데이터를 반영하여 상기 공정안전관리 도면을 수정하거나 신규 템플릿을 생성하는 단계;를 포함하고,
상기 변경지수를 산출하는 단계에서 상기 변경지수는 수학식 1에 기초하여 산출되고, 상기 수학식 1에 기초하여 산출된 변경지수에 대하여 수학식 2에 따른 가중치가 곱해지며, 상기 가중치가 곱해진 변경지수가 상기 패턴 별 템플릿마다 미리 마련된 복수개의 템플릿 범위(, i=1, 2, 3, ??, i는 템플릿 마다 부여된 번호)에 속하는지 여부에 따라 템플릿과 일치 정도를 판별하며,
상기 공정안전관리 도면을 수정하거나 신규 템플릿을 생성하는 단계는, 상기 가중치가 곱해진 변경지수가 상기 패턴 별 템플릿마다 마련된 상기 템플릿범위에 속한다면 상기 패턴 별 템플릿 중 상기 템플릿범위에 속하는 템플릿을 이용하여 상기 공정안전관리 도면을 수정하고, 상기 가중치가 곱해진 변경지수가 상기 패턴 별 템플릿마다 마련된 상기 템플릿범위에 속하지 않는다면 상기 신규 템플릿을 생성하는 것인,
변경 점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법.
[수학식 1]
[수학식 2]
: 변경점데이터 벡터
: 템플릿 벡터
w: 가중치
kp: 속성정보 별 상이하게 설정된 계수
- 삭제
- 제 1 항에 있어서,
상기 속성정보는 도각속성, 배치속성, 라인속성, 기자재속성 및 기타속성을 포함하는 것인, 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법. - 제 1 항에 있어서,
상기 공정안전관리 도면은 평면도, 계통도, 배치도, 공정배관계장도 및 공정흐름도를 포함하는 것인, 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190131664A KR102151733B1 (ko) | 2019-10-22 | 2019-10-22 | 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190131664A KR102151733B1 (ko) | 2019-10-22 | 2019-10-22 | 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102151733B1 true KR102151733B1 (ko) | 2020-09-03 |
Family
ID=72469538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190131664A KR102151733B1 (ko) | 2019-10-22 | 2019-10-22 | 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102151733B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102375880B1 (ko) * | 2021-08-24 | 2022-03-17 | 이지훈 | 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템 |
| KR20220082264A (ko) * | 2020-12-10 | 2022-06-17 | 주식회사 지엠에스하이테크 | 인공지능 기반의 자동 견적 산출 방법 및 시스템 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07234937A (ja) * | 1994-02-23 | 1995-09-05 | Nippon Telegr & Teleph Corp <Ntt> | 図面認識方法及び図面認識システム |
| US20030187624A1 (en) * | 2002-03-27 | 2003-10-02 | Joze Balic | CNC control unit with learning ability for machining centers |
| KR20040053002A (ko) | 2004-05-27 | 2004-06-23 | (주)해피인터내셔널 | 인터넷을 통해 전송망에 관한 속성정보와 도면정보를관리/변경하기 위한 시스템 및 방법 |
| JP2019101514A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社東芝 | 図面機械学習支援システム、図面機械学習システム、図面構造化システム、図面機械学習支援方法、及び図面機械学習支援プログラム |
-
2019
- 2019-10-22 KR KR1020190131664A patent/KR102151733B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07234937A (ja) * | 1994-02-23 | 1995-09-05 | Nippon Telegr & Teleph Corp <Ntt> | 図面認識方法及び図面認識システム |
| US20030187624A1 (en) * | 2002-03-27 | 2003-10-02 | Joze Balic | CNC control unit with learning ability for machining centers |
| KR20040053002A (ko) | 2004-05-27 | 2004-06-23 | (주)해피인터내셔널 | 인터넷을 통해 전송망에 관한 속성정보와 도면정보를관리/변경하기 위한 시스템 및 방법 |
| JP2019101514A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社東芝 | 図面機械学習支援システム、図面機械学習システム、図面構造化システム、図面機械学習支援方法、及び図面機械学習支援プログラム |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220082264A (ko) * | 2020-12-10 | 2022-06-17 | 주식회사 지엠에스하이테크 | 인공지능 기반의 자동 견적 산출 방법 및 시스템 |
| KR102521892B1 (ko) * | 2020-12-10 | 2023-04-14 | 주식회사 지엠에스하이테크 | 인공지능 기반의 자동 견적 산출 방법 및 시스템 |
| KR102375880B1 (ko) * | 2021-08-24 | 2022-03-17 | 이지훈 | 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Integrating BIM with building performance analysis in project life-cycle | |
| Pan et al. | Integrating BIM and AI for smart construction management: Current status and future directions | |
| EP3928168B1 (en) | Automatic extraction of assets data from engineering data sources | |
| Wang et al. | Vision-assisted BIM reconstruction from 3D LiDAR point clouds for MEP scenes | |
| Kim et al. | Deep-learning-based retrieval of piping component catalogs for plant 3D CAD model reconstruction | |
| KR102151733B1 (ko) | 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법 | |
| Agapaki et al. | Prioritizing object types for modelling existing industrial facilities | |
| JP2011198365A (ja) | プロセス制御タグ間の関係を基にしたデータ駆動型インターフェースの方法と装置 | |
| US10970434B2 (en) | Variable equivalency on connection in a process simulation | |
| CN103310058A (zh) | 基于三维模型的尺寸链校核方法 | |
| Agapaki et al. | State-of-practice on as-is modelling of industrial facilities | |
| Agapaki et al. | CLOI: an automated benchmark framework for generating geometric digital twins of industrial facilities | |
| Xu et al. | Machining feature recognition from in-process model of NC simulation | |
| Hua | A case-based design with 3D mesh models of architecture | |
| Rahul et al. | Integrating virtual twin and deep neural networks for efficient and energy-aware robotic deburring in industry 4.0 | |
| CN112699507A (zh) | 基于规则驱动的三维模型数据质量检查方法和装置 | |
| Barari et al. | Search-guided sampling to reduce uncertainty of minimum deviation zone estimation | |
| Steuben et al. | Robust optimization of mixed-integer problems using NURBs-based metamodels | |
| KR102354181B1 (ko) | 비쥬얼라이징 구현 가능한 건설 사업 정보 관리 시스템 및 이의 제어 방법 | |
| Wittekind et al. | Searching for the inscrutable: A search for clarity in digital manufacturing definitions, terminologies, and technologies | |
| KR102657373B1 (ko) | 산업용 제조 설비의 구동을 위한 회로 설계 자동화 및 이에 의한 제어 방법, 장치 및 시스템 | |
| Nguyen et al. | Geospatial preprocessing for situational assessment through hydraulic simulations | |
| Richter et al. | Algorithms for Overcoming Geometric and Semantic Errors in the Generation of EnergyPlus Input Files based on IFC Space Boundaries | |
| Chen et al. | Automated LiDAR Scan Planning of 3D Indoor Space Based on BIM and an Improved GA | |
| Xue et al. | Demystifying BIM & Innovation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |