KR102171807B1 - 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 - Google Patents
공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 Download PDFInfo
- Publication number
- KR102171807B1 KR102171807B1 KR1020180155781A KR20180155781A KR102171807B1 KR 102171807 B1 KR102171807 B1 KR 102171807B1 KR 1020180155781 A KR1020180155781 A KR 1020180155781A KR 20180155781 A KR20180155781 A KR 20180155781A KR 102171807 B1 KR102171807 B1 KR 102171807B1
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- product
- defect
- probability
- learning model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 183
- 230000007547 defect Effects 0.000 claims abstract description 135
- 238000005259 measurement Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000004886 process control Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000000306 recurrent effect Effects 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 239000011148 porous material Substances 0.000 claims abstract description 4
- 239000002893 slag Substances 0.000 claims abstract description 4
- 230000002950 deficient Effects 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 22
- 238000007726 management method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
공정 중 생산품 불량예측시스템 및 학습모델 생성방법을 개시한다. 실시예에 따른 공정 중 생산품 불량예측 시스템은 전압, 전류, 누적가스량을 포함하는 공정 별 메타데이터인 계측정보를 생산 수집하는 데이터 수집모듈; 수집된 공정 별 계측정보를 누적 저장하여, MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 딥러닝 알고리즘을 통해 패턴학습을 이용한 불량예측학습모델을 생성하는 학습엔진; 생산품의 균열, 기공, 슬래그혼입, 융합상태를 포함하는 품질 세부정보를 파악하고, 불량예측학습모델을 이용하여 상기 생산품의 공정 별 불량확률, 불량확률의 오차범위 및 오차율을 산출하는 확률산출모듈; 및 산출된 불량확률이 기준수치를 초과하는 경우, 후속공정진입중지, 관리자 알림을 포함하는 공정제어명령을 생성하고, 불량확률이 기준수치 이상인 생산품을 잠정불량판정모델로 설정하고, 잠정불량판정모델의 모델명, 공정과정을 포함하는 세부정보를 파악하는 공정제어모듈; 을 포함한다.
Description
본 개시는 불량 예측 시스템 및 불량예측을 위한 학습모델 생성방법에 관한 것으로 구체적으로, 상품의 생산 공정 중 생산품의 불량확률과 공정진행 임계값을 패턴학습에 의해 산출하고, 불량으로 판정된 생산품의 계측정보를 기존 학습모델에 부가하여 학습모델을 업데이트하여 불량확률을 보다 정확히 산출하도록 진화시키는 불량 예측 시스템 및 학습모델 생성방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
생산공정관리(Production Process Management)는 생산관리의 한 분야로, 앞선 생산계획에 따라 제품을 만들고 가공하는 공정과 발생하는 문제들을 통제하여 생산의 수율(Yield)과 생산성(Productivity) 향상을 목적으로 한다. 생산관리(Production management)는 생산계획(Production planning)과 생산공정관리(Production process management)의 분야로 구성된다.
수율은 정상품질의 제품비율을 뜻하며(불량률의 반대 개념), 생산성은 단위시간 동안 만들어내는 제품 수를 의미한다. 생산 공정 관리는 공장 또는 작업 현장에서 작업과 설비, 물류장비, 작업인력 등의 자원 관리를 최적으로 운영되도록 한다. 즉, 생산성을 높이기 위해 공장 내의 작업 흐름이 적체 현상이 없이 빠르게 진행되도록 하며, 수율 향상을 위해 자원이 최적으로 배치되고 정상적으로 작동되어 결품이 발생하지 않도록 한다.
종래의 생산 공정 관리에서는 생산과정이 종결된 완제품에 대한 불량률을 파악하고, 불량생산품을 분석하여 불량품이 생산된 원인을 파악해 왔다. 하지만 종래 생산공정관리에서는 완제품의 불량 여부를 파악하기 때문에 특정 공정과정에서 오류가 발생하여 불량제품으로 잠정확정인 생산품도 끝까지 남은 공정을 진행한다. 이로 인해 종래 생산공정에서는 잠정적 불량제품에도 자원이 남은 공정과정에서 투입되어 수율 향상에 쓰여야 할 자원이 낭비된다.
또한, 종래 공정과정은 불량확률을 예측하여 공정 진행 임계수치를 초과하는 생산품을 필터링하고 이들을 따로 모아 분석하는 방식이 아니라 완제품에 대한 불량여부를 점검하고 불량품의 분석을 수행하기 때문에, 불량이 발생한 공정과정과 원인을 정확하게 파악하기 어려운 문제가 있다.
공정 과정 중 생산품의 불량확률을 산출하고, 생산품의 공정을 진행 또는 중지시키는 불량확률의 임계값 및 불량확률의 오차범위와 오차 임계값을 딥러닝을 통해 산출하는 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법을 제공한다.
또한, 실시예는 공정설비 내부 및 외부의 품질 결정요소 데이터를 실시간 수집, 분석하여 기존 불량패턴데이터를 업데이트하고, 불량확률산출을 위한 학습데이터를 생성하여, 생산품 각각의 잠재적인 불량 확률을 예측할 수 있도록 한다.
또한 수집된 계측정보를 이용하여 실시간 품질 분석 결과를 제공하고, 포아송분포, 파레토도, 정규분포 등 생산품의 정량적 인자에 대한 통계자료를 제공한다.
또한, 실시간으로 수집된 계측정보를 학습모델에 반영하고 학습모델이 변경된 만큼 인공신경망의 강도를 변화시키는 과정을 반복하여 학습모델을 진화시킴으로써, 불량확률산출 및 불량원인 분석을 보다 정확하게 수행할 수 있도록 한다.
실시예에 따른 공정 중 생산품 불량예측시스템은 전압, 전류, 누적가스량을 포함하는 공정 별 메타데이터인 계측정보를 생산 수집하는 데이터 수집모듈; 수집된 공정 별 계측정보를 누적 저장하여, MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 딥러닝 알고리즘을 통해 패턴학습을 이용한 불량예측학습모델을 생성하는 학습엔진; 생산품의 균열, 기공, 슬래그혼입, 융합상태를 포함하는 품질 세부정보를 파악하고, 상기 불량예측학습모델을 이용하여 상기 생산품의 공정 별 불량확률, 상기 불량확률의 오차범위 및 오차율을 산출하는 확률산출모듈; 및 산출된 불량확률이 기준수치를 초과하는 경우, 후속공정진입중지, 관리자 알림을 포함하는 공정제어명령을 생성하고, 불량확률이 기준수치 이상인 생산품을 잠정불량판정모델로 설정하고, 잠정불량판정모델의 모델명, 공정과정을 포함하는 세부정보를 파악하는 공정제어모듈; 을 포함한다.
다른 실시예에 따른 공정 중 생산품의 불량예측을 위한 딥러닝 학습모델 생성방법은 (A) 순간전압, 순간전류 및 누적 가스량을 포함하는 불량 판정된 생산품의 공정 중 입출력된 계측정보와 공정 별 생산품 상태정보를 수집하는 단계; (B) 수집된 계측정보와 공정 별 생산품 상태정보에 따라 계측정보 각각에 대한 신경망 연결강도를 변경시키는 단계; (C) 변경된 신경망 연결강도에 따라 생산품의 불량패턴을 학습하여 학습모델을 생성하는 단계; (D) 생성된 학습모델과 수집된 계측정보를 이용하여 불량확률의 오차 범위 및 불량확률의 오차 임계값을 산출하는 단계; (E) 생성된 학습모델을 기반으로 공정 중 생산품의 불량확률을 산출하고, 불량확률, 상기 불량확률의 오차 및 오차 임계값을 모두 고려하여 생산품을 불량품으로 잠정 판단하는 단계; 및 (F) 생산품이 불량품으로 잠정 판단되는 경우, 불량품으로 판단된 생산품의 세부정보를, 불량패턴정보로 설정하는 단계; 를 포함한다.
실시예에 따른 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법을 통해 실시간으로 계측된 정보를 활용하여 공정 중 생산품의 품질 분석을 자동화 하고 공정 중 신속한 품질 의사결정을 가능하게 한다.
공정 도중 불량확률이 임계치를 초과하는 생산품에 대해서는 더 이상 추가 공정을 진행하지 않도록 하여 잠정불량상품에 투입되는 자재, 공정 및 인력 등의 자원을 절약할 수 있다.
생산 공정 중 실시간 분석을 통한 불량 예측으로 생산 불량을 사전에 예방한다.
완제품에 대한 정상제품 수율을 대폭 향상시킬 수 있고, 계측정보의 실시간 수집과 진화된 학습모델의 패턴분석으로 생산품의 통계적 분석에 소요되는 시간을 단축시킬 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 종래 공정관리 시스템과 실시예에 따른 공정 중 생산품 불량 예측시스템을 비교설명하기 위한 도면
도 2는 실시예에 따른 공정 중 생산품 불량 예측시스템의 기능 설명을 위한 도면
도 3은 실시예에 따른 공정 중 생산품 불량예측 시스템의 데이터 처리블록을 나타낸 도면
도 4는 실시예에 따른 공정 중 생산품 불량예측 시스템의 데이터 처리 흐름을 나타낸 도면
도 5는 불량확률 산출 예 및 실시예에 따른 불량예측 시스템에 의해 생성된 생산품과 공정기기에 대한 통계자료 예시를 나타낸 도면
도 6은 실시예에 따른 불량예측학습모델 생성과정을 나타낸 도면
도 7은 불량예측학습모델을 통해 산출된 불량확률과 불량확률 임계값, 불량확률의 오차 및 오차 임계값 예를 나타낸 도면
도 8은 실시예에 따른 불량판정 이후의 데이터 처리과정을 나타낸 도면
도 2는 실시예에 따른 공정 중 생산품 불량 예측시스템의 기능 설명을 위한 도면
도 3은 실시예에 따른 공정 중 생산품 불량예측 시스템의 데이터 처리블록을 나타낸 도면
도 4는 실시예에 따른 공정 중 생산품 불량예측 시스템의 데이터 처리 흐름을 나타낸 도면
도 5는 불량확률 산출 예 및 실시예에 따른 불량예측 시스템에 의해 생성된 생산품과 공정기기에 대한 통계자료 예시를 나타낸 도면
도 6은 실시예에 따른 불량예측학습모델 생성과정을 나타낸 도면
도 7은 불량예측학습모델을 통해 산출된 불량확률과 불량확률 임계값, 불량확률의 오차 및 오차 임계값 예를 나타낸 도면
도 8은 실시예에 따른 불량판정 이후의 데이터 처리과정을 나타낸 도면
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 종래 공정관리 시스템과 실시예에 따른 공정 중 생산품 불량 예측시스템을 비교설명하기 위한 도면이다.
도 1의 (a)는 종래 공정관리 시스템을 대략적으로 나타낸 도면이고, 도 1의 (b)는 실시예에 따른 공정 중 생산품 불량 예측 시스템을 대략적으로 나타낸 도면이다.
도 1(a)에 도시된 바와 같이, 종래 공정관리 시스템에서는 프레스, 용접, 조립 등 공정과정 각각에서 생산기기의 가동상태, 구동 계획에 대한 실제 구동 수율인 실적정보, 제품정보를 서버에 수집하여 공정관리에 이용한다. 종래 공정관리 시스템에서는 공정의 정상 여부나 특정 공정에서 불량품이 발생할 확률을 예측하는 것이 아니라, 구동 중이거나 구동 완료된 공정기기의 상태정보를 취합하여 관리자에게 제공해 왔다. 따라서 관리자는 공정기기의 가동여부, 계획대비 실적율에 대한 정보만을 획득할 수 있다.
실시예에 따른 공정 중 생산품 불량 예측 시스템은 도 1의 (b)에 도시된 바와 같이, 각 공정과정에서 순간전압, 순간전류, 누적가스 사용량 등 공정기기의 세부적인 계측정보를 파악하고 이를 수집한다. 이후 수집된 계측정보를 분석하고 각 계측정보가 반영된 공정과정에서 생산된 생산품의 세부정보를 분석하여 불량예측학습모델을 산출한다. 실시예에서는 산출된 불량예측학습모델을 통해 공정 중 생산품의 불량확률을 산출하도록 하고, 실시간 수집되는 계측정보와 생산품 세부정보로 불량예측학습모델을 업데이트하고 불량확률의 오차범위와 오차의 임계값 및 공정진행여부를 판단하는 불량확률과 불량확률오차의 임계값을 산출하도록 한다. 실시예에서는 산출된 불량확률이 임계값을 초과하고 불량확률의 오차가 일정수준 미만인 경우, 관리자에게 알리거나 공정을 중지하도록 하여, 불량제품으로 잠정 확정된 생산품에 자원, 시간, 노동력이 더 이상 투입되지 않도록 한다.
또한, 실시예에 따른 공정 중 불량 예측 시스템은 수집된 계측정보를 이용하여 실시간 품질 분석 결과를 제공하고, 포아송분포, 파레토도, 정규분포 등 생산품의 정량적 인자에 대한 통계자료를 제공한다. 또한 실시예에서는 실시간으로 수집된 계측정보를 학습모델에 반영하고 학습모델이 변경된 만큼 인공신경망의 강도를 변화시키는 과정을 반복하여 학습모델을 진화시킴으로써, 불량확률산출 및 불량원인 분석을 보다 정확하게 수행할 수 있도록 한다.
도 2는 실시예에 따른 공정 중 생산품 불량 예측시스템의 기능 설명을 위한 도면이다.
도 2를 참조하면 실시예에 따른 공정 중 생산품 불량 예측시스템은 PLC(Programmable Logic Controller), 센서, 로봇, HMI(Human Machine Interface) 및 각종 공정기기를 포함하는 공정에 사용되는 시스템 각각으로부터 입출력 계측 데이터를 수집한다. 실시예에 따른 입출력 계측데이터에는 각 공정에서 입출력 되는 전압, 전류, 가스 데이터가 포함될 수 있다. 실시예에 따른 학습엔진에서는 수집된 계측데이터 및 각 공정에서 생산된 생산품의 세부정보를 분석하여 불량예측학습모델을 생성한다. 실시예에서는 딥러닝 알고리즘을 통해 계측정보 종류별 인공신경망 강도를 조정하여 학습모델을 생성하고 새롭게 수집된 계측정보를 학습모델에 부가하여 학습모델을 업데이트 할 수 있다.
또한 학습엔진은 불량예측학습모델을 통해, 생산품 불량확률에 대한 오차범위, 불량확률의 오차 임계값 및 공정진행여부를 판단하는 불량확률의 임계값과 불량확률의 오차 임계값을 산출한다. 이를 통해 학습엔진은 산출된 불량확률을 임계값과 비교하여 다음 생산 공정 진입여부를 결정할 수 있도록 한다. 또한, 생산품의 불량확률과 임계값뿐만 아니라 공정작업기기의 상태 정보에 대한 임계값도 산출 가능하다. 실시예에서 학습엔진은 중심선, 상한선, 하한선을 포함하는 불량확률 및 공정작업 기기 상태정보를 파레토도, 포아송분포 및 정규분포 등의 통계 분석자료로 생성할 수 있다.
이를 통해 실시예에 따른 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법은 실시간으로 계측된 정보를 활용하여 공정 중 생산품의 품질 분석을 자동화 하고 공정 중 신속한 품질 의사결정을 가능하게 한다.
공정 도중 불량확률이 임계치를 초과하는 생산품에 대해서는 더 이상 추가 공정을 진행하지 않도록 하여 잠정불량상품에 투입되는 자재, 공정 및 인력 등의 자원을 절약할 수 있다. 또한, 생산 공정 중 실시간 분석을 통한 불량 예측으로 생산 불량을 사전에 예방한다. 완제품에 대한 정상제품 수율을 대폭 향상시킬 수 있고, 계측정보의 실시간 수집과 진화된 학습모델의 패턴분석으로 생산품의 통계적 분석에 소요되는 시간을 단축시킬 수 있다.
도 3은 실시예에 따른 공정 중 생산품 불량예측 시스템의 데이터 처리블록을 나타낸 도면이다.
도 3을 참조하면, 실시예에 따른 공정 중 생산품 불량예측 시스템은 수집모듈(110), 학습엔진(130), 확률산출모듈(150) 및 공정제어모듈(170)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
수집모듈(110)은 전압, 전류, 누적가스량을 포함하는 계측정보를 생산 공정 별로 수집하고, 이미 발생한 불량 생산품의 세부정보와 공정과정정보를 수집하여 누적저장 한다. 학습엔진(130)은 누적된 공정 계측정보와 불량 생산품의 세부정보, 공정과정정보를 이용하여 MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 인공신경망 딥러닝 알고리즘을 통해 패턴학습을 수행하여 불량예측학습모델을 생성한다. 인공신경망은 사람 또는 동물 두뇌의 신경망에 착안하여 구현된 컴퓨팅 시스템으로서, 기계 학습(machine learning)의 세부 방법론 중 하나로, 신경 세포인 뉴런(neuron)이 여러 개 연결된 망의 형태이다. 구조 및 기능에 따라 여러 종류로 구분되며, 가장 일반적인 인공 신경망은 한 개의 입력층과 출력층 사이에 다수의 은닉층(hidden layer)이 있는 다층 퍼셉트론(multilayer perceptron)이다. 인공 신경망은 하드웨어로 구현될 수도 있으나, 주로 컴퓨터 소프트웨어로 구현된다. 인공 신경망은 기초 컴퓨팅 단위인 뉴런 여러 개가 가중된 링크(weighted link)로 연결된 형태이다. 가중된 링크(weighted link)는 주어진 환경에 적응할 수 있도록 가중치를 조정할 수 있다. 인공 신경망은 자기 조직화 지도(SOM: Self-Organizing Map), 순환 신경망(RNN: Recurrent Neural Network), 콘볼루션 신경망(CNN: Convolutional Neural Network)과 같은 다양한 모델에 대한 총칭으로, 그 종류는 수십 가지에 이른다.
확률산출모듈(150)은 생산품의 균열, 기공, 슬래그 혼입, 융합상태를 포함하는 품질정보를 파악하고, 불량예측학습모델을 이용하여 생산품의 불량확률을 산출한다.
또한 실시예에서 확률산출모듈(150)은 생산품의 품질정보에 따라 생산품의 불량확률을 산출하고, 생산품 별 불량모델잠정판정 임계값을 산출할 수 있다. 실시예에서 불량모델잠정판정 임계값은 산출된 불량확률의 오차임계값 및 불량확률 임계값을 포함할 수 있다. 실시예에서 확률산출모듈(150)은 불량예측학습모델을 통해 산출된 불량확률의 오차범위를 먼저 산출하고, 생산품 별 불량확률의 임계값을 산출할 수 있다.
확률산출모듈(150)은 불량예측학습모델을 이용하여 시간, 전압, 전류, 가스를 포함하는 계측정보 각각의 가중치인 신경망 연결강도를 산출하고, 수학식 1을 통해 생산품의 불량확률을 산출할 수 있다.
수학식 1
불량확률=
(가중치: 신경망 연결강도, 파라미터: 시간, 전압, 전류, 가스 각각의 계측수치)
공정제어모듈(170)은 산출된 불량확률이 기준수치를 초과하는 경우, 공정중지, 관리자 알림을 포함하는 공정제어 명령을 생성하고, 불량확률이 기준수치 이상인 생산품을 잠정불량판정모델로 설정하고, 잠정불량판정모델의 모델명, 공정과정을 포함하는 세부정보를 파악한다.
실시예에서 학습엔진(130)은 불량예측학습모델 생성에 필요한 초기데이터가 기준량까지 누적되는 동안에는 MLP 알고리즘을 이용하여 패턴학습을 통해 불량예측학습모델을 생성하고, 초기데이터 기준량 이상이 되는 경우, RNN 알고리즘을 이용하여 패턴학습을 통해 불량예측학습모델을 생성한다. 실시예에서 학습엔진(130)은 생산품의 종류와 공정특성 및 데이터 입력 조건에 따라 초기데이터 기준량과 딥러닝 알고리즘을 설정할 수 있다.
또한, 학습엔진(130)은 잠정불량판정모델의 공정 별 전압, 전류, 가스량을 포함하는 계측정보를 파악하고, 계측정보에 판정결과정보를 부가하여 불량예측학습을 수행한다. 이후 수행된 학습 결과에 따라 불량예측학습모델을 변경하고, 학습모델의 변경 폭만큼 딥러닝 알고리즘의 신경망 연결강도를 변경시키는 반복적인 불량예측학습을 수행한다. 실시예에서는 불량예측 학습을 반복하여 불량예측학습모델의 패턴학습을 강화시킴으로써 공정 중 생산품의 불량확률 산출에 이용되는 학습모델의 정확도를 높이도록 한다.
실시예에서 학습엔진(130)은 학습모델의 변경 폭만큼 딥러닝 알고리즘의 신경망 연결강도 변경을 수행하여 반복적인 불량예측 학습을 수행하고, 학습 결과로 신경망 연결강도인 불량패턴이 산출되면, 산출된 불량패턴을 데이터 수집모듈(110)에 반영한다. 실시예에서 신경망 연결강도는 계측 정보 각각이 생산품 별 불량확률에 영향을 미치는 가중치가 될 수 있다.
실시예에서 공정제어모듈(170)은 잠정불량판정모델의 세부정보를 학습엔진으로 전달하고, 잠정불량판정모델의 불량확률이 포함된 범위 각각에 설정된 공정제어를 수행한다. 예컨대, 불량확률이 85% 에서 100% 범위에 존재하고 불량확률의 오차가 10% 미만인 경우, 관리자에게 이를 알리고 불량확률이 산출된 생산품의 공정진행을 중단시킬 수 있다.
도 4는 실시예에 따른 공정 중 생산품 불량예측 시스템의 데이터 처리 흐름을 나타낸 도면이고, 도 5는 불량확률 산출 예 및 실시예에 따른 불량예측 시스템에 의해 생성된 생산품과 공정기기에 대한 통계자료 예시를 나타낸 도면이다.
도 4를 참조하면, S210 단계에서는 수집모듈에서 생산품 품질평가에 이용되는 전류, 전압, 가스량 등 공정 기기의 계측데이터를 수집한다.
S230 단계에서는 학습엔진에서 수집된 데이터의 패턴을 분석한다. S250 단계에서는 생산품의 공정 별 불량확률 및 불량확률 오차 임계값을 산출한다. 실시예에서 S250 단계에서는 도 5에 도시된 불량확률계산 수학식을 통해 생산품별 불량확률을 산출할 수 있다. 구체적으로, 계측 값의 시간, 전압, 전류, 가스가 각각 20,22,110,18로 계측되고, 신경망 연결강도에서 시간, 전압, 전류, 가스의 강도 값(가중치)가 각각 1.1,1.5, -0.1,1.9로 산출된 경우, 불량확률은 20*1.1 +22*1.5 +110*(-0.1) +18*1.9의 연산식에 의해 78%로 산출될 수 있다.
S255 단계에서는 계측정보와 산출된 불량확률 및 오차임계값을 통계자료로 생성한다. 도 5에 도시된 바와 같이, 실시예에 따른 공정 중 생산품 불량예측 시스템은 포아송분포, 파레토도 등의 통계자료를 생성하여 관리자가 공정기기 별 상태 및 불량확률을 파악할 수 있도록 한다. 특히, 실시예에서는 개별 생산품(BALL JOINT BEARING)이 특정 공정(BEARING 사출)에서의 불량확률(48%)과 불량확률의 오차율 임계값(60%)을 산출하여 제공하고, 공정과정에 따른 불량확률변화 그래프도 함께 생성하여 제공함으로써 공정관리자가 공정 과정에 따른 불량확률 변화를 파악할 수 있도록 한다.
S270 단계에서는 불량확률이 불량확률 오차 임계값을 초과하는지 파악한다. 불량확률이 임계값을 초과하는 경우, S280 단계에서 공정제어모듈은 생산품의 불량판정을 승인하고, 생산품의 불량확률과 세부정보 및 공정 별 계측정보를 수집모듈(110)로 전달하여 새롭게 파악된 불량모델에 대한 패턴 학습이 수행되도록 한다. 불량확률이 임계값 미만인 경우에는 S290 단계로 진입하여 생산품의 후속공정을 수행한다.
도 6은 실시예에 따른 불량예측학습모델 생성과정을 나타낸 도면이고, 도 7은 불량예측학습모델을 통해 산출된 불량확률과 불량확률 임계값, 불량확률의 오차 및 오차 임계값 예를 나타낸 도면이다.
도 6을 참조하면 S233 단계에서는 순간전압, 순간전류 및 누적 가스량을 포함하는 불량 판정된 생산품의 공정 중 입력된 계측정보를 수집한다.
S236 단계에서는 수집된 계측정보가 학습모델을 변경시킨 정도만큼 신경망 연결 강도를 변경시킨다. 실시예에서 S236 단계에서는 불량률산출을 위한 학습모델 생성에 필요한 초기데이터가 기준량까지 누적되는 동안에는 MLP 알고리즘을 이용하여 학습모델을 생성하고, 초기데이터 기준량 이상이 되는 경우, RNN 알고리즘을 이용하여 학습모델을 생성할 수 있다. 실시예에서 신경망 연결 강도는 시간, 전압, 전류, 가스를 포함하는 계측 값 각각이 불량확률에 영향을 미치는 정도를 나타내는 계측정보 별 가중치가 될 수 있다.
S239 단계에서는 변경된 신경망 연결강도에 따라 생산품의 불량패턴을 학습하여 학습모델을 업데이트한다. 실시예에서는 수집된 계측 정보 및 불량품 세부정보에 따라 학습모델을 업데이트하고 신경망 연결강도를 수정하는 과정을 반복함으로써, 학습모델을 진화시킴으로써 생산품의 불량확률 정확도를 점진적으로 향상시키도록 한다.
S239 단계에서는 오차 허용범위를 산출한다. 실시예에서 오차 허용범위는 산출된 불량확률의 오차 범위로서, 실시예에서는 불량예측 학습모델을 이용하여 오차 허용범위 산출 후 불량확률의 임계값을 산출할 수 있다. 도 7을 참조하면, 실시예에 따른 공정 중 생산품 불량예측 시스템은 시간, 전압, 전류, 가스에 대한 신경망 연결강도가 각각 0.2,1.9,0.5,1이고 불량확률이 96.4%이고 불량확률에 대한 오차가 3.6% 이고 상기 오차가 임계값 미만인 경우, 생산품을 불량품으로 잠정 판단할 수 있다.
도 8은 실시예에 따른 불량판정 이후의 데이터 처리과정을 나타낸 도면이다.
S281 단계에서는 불량판정 이후 생산품의 세부정보와 공정 별 계측정보 및 공정 별 불량확률 변동 정보를 관리자에게 제공하고, 불량판정 이벤트 메시지를 관리의 스마트 단말 또는 PC로 전송한다.
S282 단계에서는 관리자로부터 생산품의 후속공정진행 여부를 파악한다. 관리자의 스마트 단말로부터 후속공정 중지 명령이 입력되거나 불량확률이 기준값 이상이고 불량확률의 오차범위 임계값 미만인 조건을 만족하는 경우 공정 중지 제어 명령을 공정관리 시스템으로 전송한다.
S282 단계에서 관리자의 스마트 단말로부터 후속공정 진행명령이 입력되거나 불량확률이 일정수치 미만이고 및 오차범위가 임계값을 초과하는 조건을 만족하는 경우 S290 단계로 진입하여 생산품의 후속공정을 진행시킨다.
실시예에 따른 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법을 통해 실시간으로 계측된 정보를 활용하여 공정 중 생산품의 품질 분석을 자동화 하고 공정 중 신속한 품질 의사결정을 가능하게 한다. 또한, 공정 도중 불량확률이 임계치를 초과하는 생산품에 대해서는 더 이상 추가 공정을 진행하지 않도록 하여 잠정불량상품에 투입되는 자재, 공정 및 인력 등의 자원을 절약할 수 있다. 실시예를 통해 생산 공정 중 실시간 분석을 통한 불량 예측으로 생산 불량을 사전에 예방할 수 있고, 완제품에 대한 정상제품 수율을 대폭 향상시킬 수 있다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
Claims (12)
- 공정 중 생산품 불량예측시스템에 있어서,
전압, 전류, 누적 가스량, 순간전압, 순간전류를 포함하는 공정 별 메타데이터인 계측정보를 생산 수집하는 데이터 수집모듈;
상기 수집된 공정 별 계측정보를 누적 저장하여, MLP(Multilayer Perceptron), RNN(Recurrent Neural Network), DNN(Deep Neural Network), ANN(Artificial Neural Network)을 포함하는 딥러닝 알고리즘을 통해 패턴학습을 이용한 불량예측학습모델을 생성하는 학습엔진;
생산품의 균열, 기공, 슬래그혼입, 융합상태를 포함하는 품질 세부정보를 파악하고, 상기 불량예측학습모델을 이용하여 상기 생산품의 공정 별 불량확률, 상기 불량확률의 오차범위 및 오차율을 산출하는 확률산출모듈; 및
상기 산출된 불량확률이 기준수치를 초과하는 경우, 후속공정진입중지, 관리자 알림을 포함하는 공정제어명령을 생성하고, 상기 불량확률이 기준수치 이상인 생산품을 잠정불량판정모델로 설정하고, 상기 잠정불량판정모델의 모델명, 공정과정을 포함하는 세부정보를 파악하는 공정제어모듈; 을 포함하고
상기 학습엔진은
상기 불량예측학습모델 생성에 필요한 초기데이터가 기준량까지 누적되는 동안에는 MLP 알고리즘을 이용한 패턴학습을 통해 학습모델을 생성하고, 상기 초기데이터 기준량 이상이 되는 경우, RNN 알고리즘을 이용한 패턴학습을 통해 학습모델을 생성하고
상기 학습모델의 변경 폭만큼 딥러닝 알고리즘의 신경망 연결강도 변경을 수행하여 반복적인 불량예측 학습을 수행하고, 상기 학습 결과로 신경망 연결강도인 불량패턴이 산출되면, 상기 산출된 불량패턴을 불량예측학습모델에 반영하여 불량예측학습모델을 업데이트하고, 산출된 불량패턴과 업데이트된 불량예측학습모델을 수집모듈로 전달하고
공정작업기기의 상태 정보에 대한 임계값을 산출하고, 중심선, 상한선, 하한선을 포함하는 불량확률 및 공정작업 기기 상태정보를 통계 분석자료로 생성하고, 공정 도중 불량확률이 임계치를 초과하는 생산품은 추가 공정을 진행하지 않도록 하고
상기 학습엔진은
잠정불량판정모델의 공정 별 전압, 전류, 가스량을 포함하는 계측정보를 파악하고, 계측정보에 판정결과정보를 부가하여 불량예측학습을 수행하고, 수행된 학습 결과에 따라 불량예측학습모델을 변경하고, 학습모델의 변경 폭만큼 딥러닝 알고리즘의 신경망 연결강도를 변경시키는 반복적인 불량예측학습을 수행하고
상기 확률산출모듈은
생산품의 품질정보에 따라 생산품의 불량확률을 산출하고, 생산품 별 공정과정에 따라 불량확률의 오차범위 및 불량확률의 오차 임계값을 산출하고
상기 불량예측학습모델을 이용하여 시간, 전압, 전류, 가스를 포함하는 계측정보 각각이 불량확률에 영향을 미치는 가중치인 신경망 연결강도를 산출하고,
상기 확률산출모듈은
수학식 1: 불량확률=에 따라 생산품의 불량확률을 산출하고
상기 수학식 1에서 가중치는 신경망 연결강도이고, 파라미터는 시간, 전압, 전류, 가스의 계측수치이고
상기 생산품 불량예측 시스템은
PLC(Programmable Logic Controller), 센서, 로봇, HMI(Human Machine Interface) 및 각종 공정기기를 포함하는 공정에 사용되는 시스템 각각으로부터 입출력 계측 데이터를 수집하여 실시간 품질 분석 결과를 제공하고, 포아송분포, 파레토도, 정규분포를 포함하는 생산품의 정량적 인자에 대한 통계자료를 제공하고, 실시간으로 수집된 계측정보를 학습모델에 반영하고 학습모델이 변경된 만큼 인공신경망의 강도를 변화시키는 과정을 반복하여 학습모델을 진화시키는 것을 특징으로 하는 생산품 불량 예측시스템.
- 삭제
- 제 1항에 있어서, 상기 공정제어모듈은
상기 잠정불량판정모델의 모델명, 공정 별 계측정보, 상태정보를 포함하는 세부정보를 상기 학습엔진으로 전달하고, 상기 잠정불량판정모델의 불량확률과 상기 불량확률의 오차범위를 고려하여 상기 잠정불량판정모델에 대한 공정제어를 수행하는 것을 특징으로 하는 생산품 불량예측시스템.
- 제 1항에 있어서, 상기 학습엔진은
잠정불량판정모델의 공정 별 전압, 전류, 가스량을 포함하는 계측정보를 파악하고, 계측정보에 판정결과정보를 부가하여 불량예측학습을 수행하고, 수행된 학습 결과에 따라 불량예측학습모델을 변경하고, 상기 불량예측학습모델의 변경 폭만큼 딥러닝(deep learning) 알고리즘의 신경망 연결강도를 변경시키는 과정을 반복하여 생산품의 불량예측학습을 수행하는 것을 특징으로 하는 생산품 불량예측시스템.
- 삭제
- 삭제
- 제 1항에 있어서, 상기 학습엔진은
생산품의 공정과정에 따라 상기 불량예측학습모델 생성에 필요한 초기데이터의 기준량을 설정하고, 상기 설정된 기준량과 공정과정에 따라 불량예측학습모델을 생성하는 적어도 하나의 학습 알고리즘을 선택하는 것을 특징으로 하는 생산품 불량예측 시스템.
- 삭제
- 공정 중 생산품의 불량예측을 위한 딥러닝 학습모델 생성방법에 있어서,
(A) 순간전압, 순간전류 및 누적 가스량을 포함하는 불량 판정된 생산품의 공정 중 입출력된 전압, 전류, 누적 가스량, 순간전압, 순간전류를 포함하는 공정 별 메타데이터인 계측정보와 공정 별 생산품 상태정보를 수집하는 단계;
(B) 상기 수집된 계측정보와 공정 별 생산품 상태정보에 따라 계측정보 각각에 대한 신경망 연결강도를 변경시키는 단계;
(C) 변경된 신경망 연결강도에 따라 생산품의 불량패턴을 학습하여 학습모델을 생성하는 단계;
(D) 상기 생성된 학습모델과 수집된 계측정보를 이용하여 불량확률의 오차 범위 및 불량확률의 오차 임계값을 산출하는 단계;
(E) 상기 생성된 학습모델을 기반으로 공정 중 생산품의 불량확률을 산출하고, 불량확률, 상기 불량확률의 오차 및 오차 임계값을 모두 고려하여 생산품을 불량품으로 잠정 판단하는 단계;
(F) 상기 생산품이 불량품으로 잠정 판단되는 경우, 불량품으로 판단된 생산품의 세부정보를, 불량패턴정보로 설정하는 단계; 및
(G) 상기 설정된 불량패턴정보로 신경망 연결강도를 변경시키고, 머신러닝에 의해 생성된 학습모델을 업데이트 하는 단계; 를 포함하고
상기 (B)의 단계;는
공정 중 생산품별 불량확률산출을 위한 학습모델 생성에 필요한 초기데이터가 기준량까지 누적되는 동안에는 MLP 알고리즘을 이용하여 학습모델을 생성하는 단계; 및
상기 초기데이터 기준량 이상이 되는 경우, RNN 알고리즘을 이용하여 학습모델을 생성하는 단계; 를 포함하고
상기 신경망 연결 강도는 시간, 전압, 전류, 가스를 포함하는 계측 값 각각이 불량확률에 영향을 미치는 가중치이고,
상기 (E)의 단계;는
수학식 1: 불량확률=에 따라 생산품의 불량확률을 산출하고, 상기 수학식 1에서 가중치는 신경망 연결강도이고, 파라미터는 시간, 전압, 전류, 가스의 계측수치이고
상기(C)의 단계;는
공정작업기기의 상태 정보에 대한 임계값을 산출하고, 중심선, 상한선, 하한선을 포함하는 불량확률 및 공정작업 기기 상태정보를 통계 분석자료로 생성하고, 공정 도중 불량확률이 임계치를 초과하는 생산품은 추가 공정을 진행하지 않도록 하고
잠정불량판정모델의 공정 별 전압, 전류, 가스 량을 포함하는 계측정보를 파악하고, 계측정보에 판정결과정보를 부가하여 불량예측학습을 수행하고, 수행된 학습 결과에 따라 불량예측학습모델을 변경하고, 학습모델의 변경 폭만큼 딥러닝 알고리즘의 신경망 연결강도를 변경시키는 반복적인 불량예측학습을 수행하고
PLC(Programmable Logic Controller), 센서, 로봇, HMI(Human Machine Interface) 및 각종 공정기기를 포함하는 공정에 사용되는 시스템 각각으로부터 입출력 계측 데이터를 수집하여 실시간 품질 분석 결과를 제공하고, 포아송분포, 파레토도, 정규분포를 포함하는 생산품의 정량적 인자에 대한 통계자료를 제공하고, 실시간으로 수집된 계측정보를 학습모델에 반영하고 학습모델이 변경된 만큼 인공신경망의 강도를 변화시키는 과정을 반복하여 학습모델을 진화시키는 것을 특징으로 하는 학습모델 생성방법. - 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180155781A KR102171807B1 (ko) | 2018-12-06 | 2018-12-06 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180155781A KR102171807B1 (ko) | 2018-12-06 | 2018-12-06 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200071876A KR20200071876A (ko) | 2020-06-22 |
| KR102171807B1 true KR102171807B1 (ko) | 2020-10-29 |
Family
ID=71142285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180155781A KR102171807B1 (ko) | 2018-12-06 | 2018-12-06 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102171807B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023008732A1 (ko) * | 2021-07-30 | 2023-02-02 | 삼성전자 주식회사 | 제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치 |
| KR102525954B1 (ko) | 2022-12-09 | 2023-04-27 | 주식회사 루트시스템 | 생산 설비의 결함파라미터 및 결함범위 도출 장치 및 방법 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102219526B1 (ko) * | 2020-10-26 | 2021-02-24 | (주) 슬랙앤소프트 | 인공신경망 기반 제조 품질 불량 예측 시스템 |
| 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 |
| KR102437917B1 (ko) * | 2021-05-28 | 2022-08-29 | 사단법인 한국금형산업진흥회 | 장비 운영 시스템 |
| WO2022255518A1 (ko) * | 2021-06-03 | 2022-12-08 | 주식회사 솔루션에이 | 딥러닝 신경망 모델을 이용한 검사대상 패널의 결함 판정장치 |
| WO2024034891A1 (ko) * | 2022-08-12 | 2024-02-15 | 삼성전자주식회사 | 공정 운영 방법 및 상기 방법을 수행하는 전자 장치 |
| KR102579974B1 (ko) * | 2022-09-27 | 2023-09-19 | 주식회사 알세미 | 뉴럴 컴팩트 모델링 방법 및 컴퓨팅 장치 |
| KR102631562B1 (ko) | 2023-08-21 | 2024-01-31 | 주식회사 위즈팩토리 | 품질 결산 관리시스템 |
| CN117891223A (zh) * | 2024-03-14 | 2024-04-16 | 成都秦川物联网科技股份有限公司 | 一种基于工业物联网的设备管理方法、系统、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100984843B1 (ko) | 2008-07-31 | 2010-10-04 | 재단법인서울대학교산학협력재단 | Ｒｆｉｄ 및 ｍｅｓ를 이용한 공정관리 시스템 및 방법 |
| KR101508641B1 (ko) * | 2013-08-08 | 2015-04-08 | 국립대학법인 울산과학기술대학교 산학협력단 | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 |
| KR101674101B1 (ko) | 2014-12-05 | 2016-11-09 | 삼성물산 주식회사 | Ｉｃｔ 기반의 공정관리 시스템 |
-
2018
- 2018-12-06 KR KR1020180155781A patent/KR102171807B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023008732A1 (ko) * | 2021-07-30 | 2023-02-02 | 삼성전자 주식회사 | 제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치 |
| KR102525954B1 (ko) | 2022-12-09 | 2023-04-27 | 주식회사 루트시스템 | 생산 설비의 결함파라미터 및 결함범위 도출 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200071876A (ko) | 2020-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102171807B1 (ko) | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 | |
| Ghaleb et al. | Real-time integrated production-scheduling and maintenance-planning in a flexible job shop with machine deterioration and condition-based maintenance | |
| JP4601492B2 (ja) | 生産工程の品質予測システムおよびその方法 | |
| JP5157359B2 (ja) | 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体 | |
| CN113469241B (zh) | 基于工艺网络模型与机器学习算法的产品质量控制方法 | |
| CN107992971A (zh) | 一种水泥厂设备备件寿命的预测方法及系统 | |
| WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN110427712A (zh) | 一种基于故障影响分析的预防性维修方法及车间制造系统 | |
| CN111898867B (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 | |
| CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
| CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
| US11514344B2 (en) | Systems and methods for modeling a manufacturing assembly line | |
| Duan et al. | A real-time quality control system based on manufacturing process data | |
| CN117314389A (zh) | 一种基于物联网的市政管养维护系统 | |
| CN109740766B (zh) | 一种工业设备维护服务规划方法 | |
| CN115577934B (zh) | 一种基于多智能体强化学习的应急方案更新方法及装置 | |
| Han et al. | Remaining useful life prediction of manufacturing system based on fuzzy quality state task network | |
| CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
| CN110837959A (zh) | 一种基于焊接物量和作业方式衡定焊接派工工时的方法 | |
| Ling et al. | Information gain-based inspection scheduling for fatigued aircraft components | |
| CN115826636A (zh) | 一种cvd设备的压力控制方法及系统 | |
| KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
| CN117494472B (zh) | 一种基于仿真验证的离散工艺优化方法及装置 | |
| CN116579133A (zh) | 一种基于数字孪生的工业机器人寿命预测系统及其运维方法 | |
| Jonak | Use of artificial intelligence in automation of rock cutting by mining machines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |