KR102197907B1 - 자동화 장비의 컨트롤 패널의 설계 및 제조 방법 - Google Patents
자동화 장비의 컨트롤 패널의 설계 및 제조 방법 Download PDFInfo
- Publication number
- KR102197907B1 KR102197907B1 KR1020200064519A KR20200064519A KR102197907B1 KR 102197907 B1 KR102197907 B1 KR 102197907B1 KR 1020200064519 A KR1020200064519 A KR 1020200064519A KR 20200064519 A KR20200064519 A KR 20200064519A KR 102197907 B1 KR102197907 B1 KR 102197907B1
- Authority
- KR
- South Korea
- Prior art keywords
- design
- training
- neural network
- artificial neural
- control panel
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 333
- 238000010586 diagram Methods 0.000 claims abstract description 76
- 230000020169 heat generation Effects 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000009429 electrical wiring Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 189
- 238000012549 training Methods 0.000 claims description 133
- 239000013598 vector Substances 0.000 claims description 104
- 206010014357 Electric shock Diseases 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/409—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using manual data input [MDI] or by using control panel, e.g. controlling functions with the panel; characterised by control panel details or by setting parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/23—Pc programming
- G05B2219/23043—Remote and local control panel, programming unit, switch
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/23—Pc programming
- G05B2219/23052—Matrix, plugboard like control panel with modules for display, switches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
자동화 장비의 컨트롤 패널의 설계 및 제조 방법이 개시된다. 자동화 장비의 컨트롤 패널을 설계 및 제조하는 방법에 있어서, 대상 컨트롤 패널의 디자인 정보-디자인 정보는 대상 컨트롤 패널이 설치될 위치, 면적, 필요한 버튼(Button)의 수, 요구 기능 및 심미 요구도를 포함함-를 획득하고, 디자인 정보에 기초하여, 파츠(Parts) 정보를 조회 및 획득하고, 파츠 정보에 기초하여, 컨트롤 패널의 외함 설계를 획득하고, 파츠 정보 및 외함 설계에 기초하여, 파츠를 배치한 파츠 배치도를 생성하고, 파츠 배치도에 기초하여, 파츠를 이동시키기 위한 장비들의 동선 데이터를 획득하고, 동선 데이터에 기초하여, 장비 구동도를 획득하고, 파츠 배치도에 기초하여, 전기 회로도를 생성하고, 전기 회로도에 기초하여, 가상 테스트를 진행하고, 가상 테스트의 결과에 기초하여, 열발생이 높은 파츠들의 분산 배치도를 획득하고, 분산 배치도에 기초하여, 파츠, 전기 배선 및 버튼을 배치하고, 대상 컨트롤 패널의 구동 테스트를 진행하고, 구동 테스트의 결과에 기초하여, 대상 컨트롤 패널을 출하 등록할 수 있다.
Description
아래 실시예들은 자동화 장비의 컨트롤 패널을 설계 및 제조하는 기술에 관한 것이다.
자동화 장비의 컨트롤 패널은 그 기술집약적 특징에 따라 많은 전자 파츠들을 포함하며, 각 파츠들을 연결하는 배선으로 구성된다. 따라서 자동화 장비의 컨트롤 패널을 설계 및 제조하는 과정에 있어, 각 파츠를 결정하고, 각 파츠를 효율적으로 연결하고, 구동을 확인하는 것이 가장 중요하다고 할 수 있다. 다만, 현재 컨트롤 패널을 제조하는 공정은 고정된 설계에 따라 파츠를 배치하고, 이를 연결하는 데에 그치고 있다. 따라서 각 자동화 장비의 특성을 인지하여 파츠를 결정하고, 각 파츠를 연결하는 배선들의 감전 위험을 방지하고, 열 발생을 줄임으로써, 효율성을 극대화할 수 있는 컨트롤 패널의 설계 및 제조 방법에 대한 연구가 요구된다.
실시예들은 자동화 장비의 컨트롤 패널 설계에 적합한 설계도 및 파츠들을 획득하고자 한다.
실시예들은 컨트롤 패널 설계에 있어 공정 장비들의 구동을 효율화하고자 한다.
실시예들은 컨트롤 패널 내 전기 배선의 감전 위험을 감소하기 위해 전기 배선의 선택과 배치, 관계를 고려한 설계를 하고자 한다.
실시예들은 컨트롤 패널 내부의 열발생을 최소화하고자 한다.
일실시예에 따른 자동화 장비의 컨트롤 패널을 설계 및 제조하는 방법에 있어서, 대상 컨트롤 패널의 디자인 정보-상기 디자인 정보는 상기 대상 컨트롤 패널이 설치될 위치, 면적, 필요한 버튼(Button)의 수, 요구 기능 및 심미 요구도를 포함함-를 획득하는 단계; 상기 디자인 정보에 기초하여, 파츠(Parts) 정보를 조회 및 획득하는 단계; 상기 파츠 정보에 기초하여, 컨트롤 패널의 외함 설계를 획득하는 단계; 상기 파츠 정보 및 상기 외함 설계에 기초하여, 파츠를 배치한 파츠 배치도를 생성하는 단계; 상기 파츠 배치도에 기초하여, 상기 파츠를 이동시키기 위한 장비들의 동선 데이터를 획득하는 단계; 상기 동선 데이터에 기초하여, 장비 구동도를 획득하는 단계; 상기 파츠 배치도에 기초하여, 전기 회로도를 생성하는 단계; 상기 전기 회로도에 기초하여, 가상 테스트를 진행하는 단계; 상기 가상 테스트의 결과에 기초하여, 열발생이 높은 파츠들의 분산 배치도를 획득하는 단계; 상기 분산 배치도에 기초하여, 상기 파츠, 전기 배선 및 버튼을 배치하는 단계; 상기 대상 컨트롤 패널의 구동 테스트를 진행하는 단계; 및 상기 구동 테스트의 결과에 기초하여, 상기 대상 컨트롤 패널을 출하 등록하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 파츠 정보를 조회 및 획득하는 단계는 데이터베이스화된 컨트롤 패널 설계도들 중 상기 디자인 정보와 제1 유사도를 만족하는 컨트롤 패널 설계도들을 획득하는 단계; 상기 획득한 컨트롤 패널 설계도들 중 상기 디자인 정보와 제2 유사도를 만족하는 컨트롤 패널 설계도들을 선별하는 단계; 상기 선별한 컨트롤 패널 설계도들의 파츠 정보들을 획득하는 단계; 및 상기 파츠 정보들에 기초하여, 비용이 낮은 파츠 정보부터 오름차순 정리된 순서에 따라 파츠 정보들을 제공하는 단계를 포함하고, 상기 장비 구동도를 획득하는 단계는 상기 동선 데이터에 기초하여, 상기 장비들의 동선이 겹치지 않도록 하는 순서도를 생성하는 단계; 상기 순서도의 효율성 검사를 진행하는 단계; 및 상기 효율성 검사의 결과에 기초하여, 상기 장비들의 동선 데이터를 수정한 상기 장비 구동도를 획득하는 단계를 포함하고, 상기 동선 데이터는 시작점과 끝점을 포함하고, 상기 동선 데이터의 시작점 및 끝점은 상기 장비들의 대기 위치와 일치하고, 상기 동선 데이터는 시작점과 끝점을 연결하는 직선 및 곡선으로 표현되고, 상기 동선 데이터 상에 상기 장비들의 이동 속도 및 시간이 수치화된 값으로 표현될 수 있다.
일실시예에 따르면, 상기 전기 회로도를 생성하는 단계는 상기 파츠들을 연결하는 전기 배선을 배치하는 단계; 상기 전기 배선의 감전 위험 부위를 판별하는 단계; 상기 감전 위험 부위에 기초하여, 상기 전기 배선을 수정하는 단계; 상기 수정된 전기 배선에 기초하여, 전기 배선 간의 색이 겹치지 않도록 배선 색상을 선정하는 단계; 상기 수정된 전기 배선에 기초하여, 두 개 이상의 배선이 중첩되는 지점의 깊이를 달리 부여하는 배선 깊이를 결정하는 단계; 상기 수정된 전기 배선에 기초하여, 표준 길이 이상의 범위가 겹치는 두 개 이상의 배선을 하나의 절연관으로 감싸는 배선 결합을 결정하는 단계; 및 상기 배선 색상, 상기 배선 깊이 및 상기 배선 결합에 기초하여, 상기 전기 회로도를 생성하는 단계를 포함하고, 상기 분산 배치도를 획득하는 단계는 상기 가상 테스트의 결과에 기초하여, 열발생이 높은 파츠들을 판별하는 단계; 상기 열발생이 높은 파츠들의 열발생도-상기 열발생도는 상기 열발생이 높은 파츠들의 열이 일으키는 온도 변화의 범위를 의미하는 것으로, 온도에 따라 진하기를 달리하는 구형의 면적 범위로 표현됨-를 생성하는 단계; 및 상기 열발생도에 기초하여, 상기 열발생이 높은 파츠들의 상기 열발생도 면적의 교집합이 최소가 되도록 상기 열발생이 높은 파츠들을 재배치한 상기 분산 배치도를 획득하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 순서도의 생성은 상기 동선 데이터에 기초하여, 제1 구동 벡터를 생성하는 단계; 상기 제1 구동 벡터를 제1 구동 인공 신경망에 적용하여 제1 구동 출력을 획득하는 단계; 및 상기 제1 구동 출력에 기초하여, 상기 순서도를 생성하는 단계를 포함하고, 상기 제1 구동 인공 신경망은 상기 장비들의 4000 내지 10000개의 이동 가능 경로들의 조합을 포함하는 동선 데이터들에 기초하여 생성된 제1 트레이닝 구동 벡터들; 및 상기 제1 트레이닝 구동 벡터들에 대응하도록 미리 기록된 제1 트레이닝 구동 레이블들에 기초하여, 상기 제1 트레이닝 구동 벡터들을 상기 제1 구동 인공 신경망에 적용하여 획득한 제1 트레이닝 구동 출력들과 상기 제1 트레이닝 구동 레이블들의 차이를 통해 역전파 방식으로 학습하고, 상기 순서도의 상기 효율성 검사는 상기 순서도에 기초하여, 제2 구동 벡터를 생성하는 단계; 상기 제2 구동 벡터를 제2 구동 인공 신경망에 적용하여 제2 구동 출력을 획득하는 단계; 및 상기 제2 구동 출력에 기초하여, 상기 효율성 검사의 결과를 획득하는 단계를 포함하고, 상기 제2 구동 인공 신경망은 상기 제1 트레이닝 구동 벡터들로부터 생성된 순서도들에 기초하여 생성된 제2 트레이닝 구동 벡터들; 및 상기 제2 트레이닝 구동 벡터들에 대응하도록 미리 기록된 제2 트레이닝 구동 레이블들에 기초하여, 상기 제2 트레이닝 구동 벡터들을 상기 제2 구동 인공 신경망에 적용하여 획득한 제2 트레이닝 구동 출력들과 상기 제2 트레이닝 구동 레이블들의 차이를 통해 역전파 방식으로 학습할 수 있다.
일실시예에 따르면, 상기 감전 위험 부위를 판별하는 단계는 상기 전기 배선에 기초하여, 제1 설계 벡터를 생성하는 단계; 상기 제1 설계 벡터를 제1 설계 인공 신경망에 적용하여 제1 설계 출력을 획득하는 단계; 및 상기 제1 설계 출력에 기초하여, 상기 감전 위험 부위를 획득하는 단계를 포함하고, 상기 제1 설계 인공 신경망은 임의로 생성된 100000개의 전기 배선들에 기초하여 생성된 제1 트레이닝 설계 벡터들; 및 상기 제1 트레이닝 설계 벡터들에 대응하도록 전기 회로 설계자들에 의해 미리 작성된 제1 트레이닝 설계 레이블들에 기초하여, 상기 제1 트레이닝 설계 벡터들을 상기 제1 설계 인공 신경망에 적용하여 획득한 제1 트레이닝 설계 출력들과 상기 제1 트레이닝 설계 레이블들의 차이를 통해 역전파 방식으로 학습하고, 상기 배선 색상, 상기 배선 깊이 및 상기 배선 결합을 획득하는 단계는 상기 수정된 전기 배선에 기초하여, 제2 설계 벡터를 생성하는 단계; 상기 제2 설계 벡터를 제2 설계 인공 신경망에 적용하여 제2 설계 출력을 획득하는 단계; 및 상기 제2 설계 출력의 상위 10개의 출력층 노드, 중간 10개의 출력층 노드 및 하위 10개의 출력층 노드를 각각 제3 설계 인공 신경망, 제4 설계 인공 신경망 및 제5 설계 인공 신경망에 입력하는 단계; 상기 제3 설계 인공 신경망의 출력인 제3 설계 출력에 기초하여, 상기 배선 색상을 획득하는 단계; 상기 제4 설계 인공 신경망의 출력인 제4 설계 출력에 기초하여, 상기 배선 깊이를 획득하는 단계; 및 상기 제5 설계 인공 신경망의 출력인 제5 설계 출력에 기초하여, 상기 배선 결합을 획득하는 단계를 포함하고, 상기 제2 설계 인공 신경망은 상기 제1 트레이닝 설계 벡터들을 생성하기 위해 임의로 생성된 100000개의 전기 배선들에 기초하여 생성된 제2 트레이닝 설계 벡터들; 및 상기 제2 트레이닝 설계 벡터들에 대응하도록 전기 회로 설계자들에 의해 미리 작성된 제2 트레이닝 설계 레이블들에 기초하여, 상기 제2 트레이닝 설계 벡터들을 상기 제2 설계 인공 신경망에 적용하여 획득한 제2 트레이닝 설계 출력들과 상기 제2 트레이닝 설계 레이블들의 차이를 통해 역전파 방식으로 학습하고, 상기 제3 설계 인공 신경망, 상기 제4 설계 인공 신경망 및 상기 제5 설계 인공 신경망은 상기 제2 트레이닝 설계 출력들에 기초하여 생성된 제3 트레이닝 설계 벡터들, 제4 트레이닝 설계 벡터들 및 제5 트레이닝 설계 벡터들; 및 상기 제3 트레이닝 설계 벡터들, 상기 제4 트레이닝 설계 벡터들 및 상기 제5 트레이닝 설계 벡터들에 각각 대응하도록 전기 회로 설계자들에 의해 미리 작성된 제3 트레이닝 설계 레이블들, 제4 트레이닝 설계 레이블들 및 제5 트레이닝 설계 레이블들에 기초하여, 상기 제3 트레이닝 설계 벡터들, 상기 제4 트레이닝 설계 벡터들 및 상기 제5 트레이닝 설계 벡터들을 각각 상기 제3 설계 인공 신경망, 상기 제4 설계 인공 신경망 및 상기 제5 설계 인공 신경망에 적용하여 각각 획득한 제3 트레이닝 설계 출력들, 제4 트레이닝 설계 출력들 및 제5 트레이닝 설계 출력들과 상기 제3 트레이닝 설계 레이블들, 상기 제4 트레이닝 설계 레이블들 및 상기 제5 트레이닝 설계 레이블들 각각의 차이를 통해 역전파 방식으로 학습할 수 있다.
실시예들은 자동화 장비의 컨트롤 패널 설계에 적합한 설계도 및 파츠들을 획득할 수 있다.
실시예들은 컨트롤 패널 설계에 있어 공정 장비들의 구동을 효율화할 수 있다.
실시예들은 컨트롤 패널 내 전기 배선의 감전 위험을 감소하기 위해 전기 배선의 선택과 배치, 관계를 고려한 설계를 할 수 있다.
실시예들은 컨트롤 패널 내부의 열발생을 최소화할 수 있다.
도 1은 일실시예에 따른 자동화 장비의 컨트롤 패널 설계 및 제조 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 장비 구동도를 획득하는 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 전기 회로도를 생성하는 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 분산 배치도를 획득하는 방법을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 순서도의 획득 및 해당 순서도의 효율성 검사를 진행하는 데 사용되는 인공 신경망을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 배선 색상, 배선 깊이 및 배선 결합을 획득하기 위해 사용되는 인공 신경망을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 장비 구동도를 획득하는 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 전기 회로도를 생성하는 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 분산 배치도를 획득하는 방법을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 순서도의 획득 및 해당 순서도의 효율성 검사를 진행하는 데 사용되는 인공 신경망을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 배선 색상, 배선 깊이 및 배선 결합을 획득하기 위해 사용되는 인공 신경망을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 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 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 자동화 장비의 컨트롤 패널 설계 및 제조 방법을 설명하기 위한 순서도이다.
일실시예에 따르면, 자동화 장비의 컨트롤 패널의 설계 및 제조를 위한 제어 장치(이하, 제어 장치)는 대상 컨트롤 패널의 디자인 정보를 획득할 수 있다(101).
일실시예에 따른 제어 장치는 서버 및 사용자 단말을 포함할 수 있다. 서버 및 사용자 단말은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다. 제어 장치는 자동화 장비 컨트롤 패널의 설계사 및 제조사가 고객에게 의뢰받은 컨트롤 패널의 설계 및 제조를 모색하는데 사용될 수 있다.
서버는 서버를 이용하여 서비스를 제공하는 자 또는 단체가 보유한 자체 서버일 수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 서버는 사용자 단말과 유무선으로 통신하도록 구성될 수 있다.
서버는 사용자 단말과 통신하며, 고객이 의뢰한 대상 컨트롤 패널의 디자인 정보에 맞는 컨트롤 패널 설계를 찾기 위한 동작들을 수행할 수 있다. 따라서, 서버를 통해 제공되는 서비스는 컨트롤 패널 설계사 및 제조사 등 자동화 장비의 컨트롤 패널 설계 및 제조를 전문적으로 수행하는 자 또는 단체에게 적합할 수 있다.
사용자 단말은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 사용자 단말은 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자 단말은 서버와 유무선으로 통신하도록 구성될 수 있다.
사용자 단말은 서버와 연동된 어플리케이션이 설치되거나, 서버와 연동된 웹페이지에 연결될 수 있다. 사용자 단말은 웹페이지 또는 어플리케이션을 통해, 서버로 대상 컨트롤 패널에 대한 디자인 정보를 전송할 수 있으며, 서버가 연산·생성한 대상 컨트롤 패널의 설계 및 제조 방법을 획득할 수 있다. 이를 통해, 사용자 단말의 사용자는 고객에게 대상 컨트롤 패널의 설계를 제시할 수 있다. 사용자 단말의 사용자는 주로 컨트롤 패널 설계사 및 제조사 등의 인원이 될 수 있으나, 사용자의 직업에 특별한 제약은 없다. 서버의 처리 용량이 허용하는 한, 사용자 단말들의 수는 특별한 제한이 없다.
이하에서, 서버의 동작을 중심으로 실시예가 기술되나, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다.
일실시예에 따르면, 제어 장치의 서버는 사용자 단말로부터 대상 컨트롤 패널의 디자인 정보를 획득할 수 있다. 디자인 정보는 대상 컨트롤 패널이 설치될 위치, 면적, 필요한 버튼(Button)의 수, 요구 기능 및 심미 요구도를 포함할 수 있다. 대상 컨트롤 패널의 위치는 대상 컨트롤 패널이 설치될 자동화 장비 내의 위치를 포함할 수 있으며, 면적은 해당 위치에서 대상 컨트롤 패널의 외형이 차지하게 되는 전체 면적을 의미할 수 있으며, 일반적으로 cm2으로 표현될 수 있다. 필요한 버튼의 수는 고객이 필요로 하는 컨트롤 패널 내의 버튼의 수를 의미할 수 있으며, 각각의 버튼들은 이에 따른 기능들을 포함할 수 있다. 요구 기능은 버튼들에 적용될 기능들을 의미할 수 있으며, 자동화 장비에 명령을 내릴 수 있도록 하는 신호 생성 장치를 포함할 수 있다. 요구 기능의 종류는 대상 컨트롤 패널이 설치될 자동화 장비의 종류에 따라 다를 수 있다. 심미 요구도는 대상 컨트롤 패널의 전체적인 외형을 결정하거나, 버튼의 모양, 디스플레이의 존재 유무 및 색상 등에 대한 정보들을 포함할 수 있다. 위치, 면적, 필요한 버튼의 수, 요구 기능 및 심미 요구도는 고객이 제공하는 정보들에 따라 달라질 수 있다.
일실시예에 따르면, 사용자 단말의 사용자는 대상 컨트롤 패널의 설계사 및 제조사의 인원일 수 있으며, 대상 컨트롤 패널에 대해 의뢰한 고객을 위해, 대상 컨트롤 패널의 설계 및 제조 방법을 기획할 수 있다. 이 과정에서, 사용자 단말은 고객의 단말(PC, 노트북, 스마트폰 등)을 통해, 또는 사용자의 입력을 통해, 대상 컨트롤 패널의 디자인 정보를 획득할 수 있다.
일실시예에 따르면, 제어 장치는 디자인 정보에 기초하여, 파츠(Parts) 정보를 조회 및 획득할 수 있다(102).
일실시예에 따르면, 제어 장치는 디자인 정보에 기초하여, 데이터베이스화된 컨트롤 패널 설계도들을 조회할 수 있다. 데이터베이스화된 컨트롤 패널 설계도들은 대응하는 미리 설계가 완료된 디자인 정보를 포함하는 객체일 수 있다. 데이터베이스화된 컨트롤 패널 설계도들의 디자인 정보는 미리 설계된 컨트롤 패널 설계도들이 포함하는 컨트롤 패널들의 설치 위치, 면적, 버튼의 수, 기능 및 심미성 등의 정보를 포함할 수 있다. 제어 장치는 각각의 디자인 정보에 대응하는 컨트롤 패널 설계도들을 미리 데이터베이스화하여 저장해 둘 수 있다.
일실시예에 따르면, 제1 유사도는 각각의 데이터베이스화된 컨트롤 패널 설계도의 제1 비교값을 판별하는 기준일 수 있다. 제1 비교값은 데이터베이스화된 컨트롤 패널이 포함하는 컨트롤 패널의 설치 위치 및 면적의 차이를 비교한 값일 수 있다.
일실시예에 따르면, 제어 장치는 각각의 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보와, 대상 컨트롤 패널의 디자인 정보를 기초로, 각각의 데이터베이스화된 컨트롤 패널 설계도의 제1 비교값을 생성할 수 있다. 이어서, 제어 장치는 각각의 데이터베이스화된 컨트롤 패널 설계도의 제1 비교값이 제1 유사도를 만족하는지 판별할 수 있다. 이어서, 제어 장치는 제1 유사도를 만족하는 데이터베이스화된 컨트롤 패널 설계도들을 획득할 수 있다.
일실시예에 따르면, 제어 장치는 제1 비교값이, 가령, 100보다 작으면, 제1 유사도를 만족한다고 판별할 수 있다. 제1 비교값 생성을 위해, 제어 장치는 대상 컨트롤 패널의 설치 위치와 비교하여, 각각의 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 설치 위치가 몇 퍼센트(%) 차이가 나는지 연산할 수 있고; 대상 컨트롤 패널의 가로 길이와 비교하여, 각각의 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 가로 길이가 몇 퍼센트(%) 차이가 나는지 연산할 수 있고; 대상 컨트롤 패널의 세로 길이와 비교하여, 각각의 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 세로 길이가 몇 퍼센트(%) 차이가 나는지 연산할 수 있다. 컨트롤 패널의 설치 위치는 x축, y축 및 z축 좌표의 값으로 표현될 수 있으며, 전체 자동화 장비 크기를 각 축에 따라 100으로 환산했을 때를 기준으로 상대적인 좌표값을 결정할 수 있다. 제어 장치는 설치 위치의 퍼센트(%) 차이; 가로 길이의 퍼센트(%) 차이; 세로 길이의 퍼센트(%) 차이를 합산하는 방식으로, 제1 비교값을 생성할 수 있다.
일실시예에 따르면, 예를 들어 제어 장치가 대상 컨트롤 패널의 설치 위치인 (10, 20, 10)과 비교하여, 제1 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 설치 위치 (10, 10, 40)으로, 40 퍼센트(%) 차이가 나는 것을 연산할 수 있고; 대상 컨트롤 패널의 가로 길이 10cm와 비교하여, 제1 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 가로 길이가 11cm로, 10 퍼센트(%) 차이가 나는 것을 연산할 수 있고; 대상 컨트롤 패널의 세로 길이 15cm와 비교하여, 제1 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 세로 길이가 12cm로, 20 퍼센트(%) 차이가 나는 것을 연산할 수 있다. 제어 장치는 설치 위치의 퍼센트(%) 차이인 40; 가로 길이의 퍼센트(%) 차이인 10; 세로 길이의 퍼센트(%) 차이인 20을 합산하는 방식으로, 제1 비교값인 70을 생성할 수 있다.
일실시예에 따르면, 예를 들어 제어 장치가 제1 데이터베이스화된 컨트롤 패널 설계도의 제1 비교값인 70이 100 이하의 값이므로, 제1 데이터베이스화된 컨트롤 패널 설계도가 제1 유사도를 만족한다고 판별하고, 제1 데이터베이스화된 컨트롤 패널 설계도를 획득할 수 있다.
일실시예에 따르면, 제어 장치는 나머지 데이터베이스화된 컨트롤 패널 설계도들에 대해서도, 위에서 설명한 방식을 이용하여, 제n 데이터베이스화된 컨트롤 패널 설계도가 제1 유사도를 만족하는지 판별할 수 있고, 제1 유사도를 만족하는 각각의 데이터베이스화된 컨트롤 패널 설계도를 획득할 수 있다.
일실시예에 따르면, 제어 장치는 획득된 컨트롤 패널 설계도들 중에서, 획득된 컨트롤 패널 설계도에 대해 미리 작성된 디자인 정보의 버튼의 수, 기능 및 심미성이 대상 컨트롤 패널의 디자인 정보의 필요한 버튼의 수, 요구 기능 및 심미 요구도와 제2 유사도를 만족하는 획득된 컨트롤 패널 설계도들을 선별할 수 있다.
일실시예에 따르면, 각각의 데이터베이스화된 컨트롤 패널 설계도의 심미성은 대응하는 컨트롤 패널 설계도에 대한 심미성 평가 점수를 기준으로 생성될 수 있다. 심미성 평가 점수는 심미성에 대한 무작위 표본의 평가 결과를 포함한 점수일 수 있다. 심미성 평가 점수는 컨트롤 패널 설계도에 대해 무작위 표본이 평가한 별점을 통하거나, 작성된 리뷰로부터 심미적이라는 언급이 많이 포함될수록, 증가할 수 있다. 무작위 표본의 평가 결과는 1000내지 10000개의 별점 및 리뷰를 포함할 수 있다. 작성된 리뷰는 키워드 추출 방식, 해시태그 추출 방식, 텍스트 마이닝(text minig) 방식 등으로 수집될 수 있다.
일실시예에 따른 제2 유사도는 각각의 획득된 컨트롤 패널 설계도의 제2 비교값을 판별하는 기준일 수 있다. 제어 장치는 제2 비교값이, 가령, 100보다 작으면, 제2 유사도를 만족한다고 판별할 수 있다. 제2 비교값 생성을 위해, 제어 장치는 대상 컨트롤 패널의 필요한 버튼의 수와 비교하여, 각각의 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 버튼의 수가 몇 퍼센트(%) 차이가 나는지 연산할 수 있고; 대상 컨트롤 패널의 요구 기능과 비교하여, 각각의 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 기능이 몇 퍼센트(%) 차이가 나는지 연산할 수 있고; 대상 컨트롤 패널의 심미 요구도와 비교하여, 각각의 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 심미성이 몇 퍼센트(%) 차이가 나는지 연산할 수 있다. 컨트롤 패널의 요구 기능은 요구 기능의 수 및 요구 기능의 종류에 따라 결정될 수 있다. 요구 기능은 미리 정의된 바에 따라 1종, 2종 및 3종으로 분류될 수 있다. 제어 장치는 버튼의 수의 퍼센트(%) 차이; 기능의 퍼센트(%) 차이; 심미성의 퍼센트(%) 차이를 합산하는 방식으로, 제2 비교값을 생성할 수 있다. 버튼의 수는 최대를 10으로 하여 퍼센트를 계산하고, 기능은 각 종 별 기능의 수 10개씩을 포함하는 30개를 기준으로 계산하고, 심미성은 최대 100점을 기준으로 계산할 수 있다.
일실시예에 따르면, 예를 들어 제어 장치가 대상 컨트롤 패널의 필요한 버튼의 수인 5와 비교하여, 제1 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 버튼의 수가 4로, 10 퍼센트(%) 차이가 나는 것을 연산할 수 있고; 대상 컨트롤 패널의 요구 기능의 수 3, 1종과 비교하여, 제1 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 기능의 수 3, 2종으로, 33 퍼센트(%) 차이가 나는 것을 연산할 수 있고; 대상 컨트롤 패널의 심미 요구도 80과 비교하여, 제1 데이터베이스화된 컨트롤 패널 설계도의 디자인 정보의 심미성이 70으로, 10 퍼센트(%) 차이가 나는 것을 연산할 수 있다. 제어 장치는 버튼의 수의 퍼센트(%) 차이인 10; 기능의 퍼센트(%) 차이인 33; 심미성의 퍼센트(%) 차이인 10을 합산하는 방식으로, 제2 비교값인 53을 생성할 수 있다.
일실시예에 따르면, 예를 들어 제어 장치가 제1 데이터베이스화된 컨트롤 패널 설계도의 제2 비교값인 53이 100 이하의 값이므로, 제1 데이터베이스화된 컨트롤 패널 설계도가 제2 유사도를 만족한다고 판별하고, 제1 데이터베이스화된 컨트롤 패널 설계도를 획득할 수 있다.
일실시예에 따르면, 제어 장치는 나머지 데이터베이스화된 컨트롤 패널 설계도들에 대해서도, 위에서 설명한 방식을 이용하여, 제n 데이터베이스화된 컨트롤 패널 설계도가 제1 유사도를 만족하는지 판별할 수 있고, 제2 유사도를 만족하는 각각의 데이터베이스화된 컨트롤 패널 설계도를 획득할 수 있다.
일실시예에 따르면, 제어 장치는 선별한 컨트롤 패널 설계도들 각각에 대응하는 파츠 정보들을 획득할 수 있다. 파츠 정보들은 각각의 컨트롤 패널 설계도들에 실제로 포함된 파츠 정보들뿐만 아니라, 대체 가능한 유사 파츠 정보들을 포함할 수 있다. 파츠 정보들은 각 자동화 장치의 기능에 따라 다양한 종류가 들어갈 수 있으며, 크기, 종류, 수 및 형태에 관한 정보를 포함할 수 있다.
일실시예에 따른 제어 장치는 자동화 장비의 컨트롤 패널 설계에 적합한 설계도 및 파츠들을 획득할 수 있다.
일실시예에 따르면, 제어 장치는 획득한 파츠 정보들에 기초하여, 비용이 낮은 파츠 정보부터 오름차순 정리된 순서에 따라서 파츠 정보들을 제공할 수 있다. 각각의 파츠 정보들은 오름차순 정리에 따라 조합을 형성해 각 조합이 가장 적은 비용이 되도록 하는 조합을 기준으로 먼저 제공될 수 있다.
일실시예에 따르면, 제어 장치는 파츠 정보에 기초하여, 컨트롤 패널의 외함 설계를 획득할 수 있다(103). 제어 장치는 데이터베이스에서 제1 유사도 및 제2 유사도를 만족한 컨트롤 패널 설계도 및 해당 컨트롤 패널 설계도의 파츠 정보에 기초하여, 컨트롤 패널의 전체적인 외형을 나타내는 외함 설계를 획득할 수 있다. 해당 외함 설계는 데이터베이스로부터 획득한 컨트롤 패널 설계도 및 파츠 정보를 대상 컨트롤 패널의 설치 위치, 면적을 만족하도록 수정하는 방식으로 획득될 수 있다. 사용자는 생성된 파츠 정보 및 외함 설계에 대하여 수동으로 수정을 가할 수 있다.
일실시예에 따르면, 제어 장치는 파츠 정보 및 외함 설계에 기초하여, 파츠를 배치한 파츠 배치도를 생성할 수 있다(104). 제어 장치는 외함 설계가 완료되면, 외함의 내부에 파츠들을 자동으로 배치하는 파츠 배치로를 생성할 수 있다. 파츠 배치도는 기존의 데이터베이스로부터 획득한 컨트롤 패널 설계도에서의 파츠들의 위치에 따라 배치될 수 있으나, 해당 컨트롤 패널 설계도가 수정되어 외함 설계에 반영되기 때문에, 파츠들의 위치도 수정될 수 있다. 파츠들의 위치의 수정 과정은 제어 장치를 통해 자동으로 진행될 수 있으며, 해당 컨트롤 패널 설계도의 기존의 파츠들의 위치로부터 10 내지 20%의 변동 범위 내에 파츠들을 배치하도록 할 수 있다.
일실시예에 따르면, 제어 장치는 파츠 배치도에 기초하여, 파츠를 이동시키기 위한 장비들의 동선 데이터를 획득할 수 있다(105). 제어 장치는 파츠들을 배치한 파츠 배치도가 완성되면, 해당 파츠들을 설치하기 위한 장비들의 동선 데이터를 자동으로 획득할 수 있다. 장비들의 동선 데이터는 각각의 장비 특성을 고려하여 자동으로 생성될 수 있는데, 장비들 각각의 최적화된 경로만을 추출하는 것을 목표로 할 수 있다. 장비들의 동선 데이터는 기존에 저장된 정보를 검색함으로써 자동으로 생성될 수 있다.
일실시예에 따르면, 제어 장치는 동선 데이터에 기초하여, 장비 구동도를 획득할 수 있다(106). 제어 장치는 동선 데이터로부터 장비 구동도를 획득할 수 있는데, 이 과정에서 제어 장치는 각 장비들의 동선 데이터를 동시에 대입해 이동 속도 및 시간에 대한 분석으로부터 각 장비들의 움직임에 대한 순서도를 획득할 수 있다. 제어 장치는 생성된 순서도에 대한 효율성 검사를 실시할 수 있다. 순서도의 생성 및 효율성 검사는 인공지능(인공 신경망)을 통해 계산될 수 있으며, 이에 대한 자세한 설명은 도 5를 참조하여 후술한다. 제어 장치는 효율성 검사의 결과에 기초하여, 장비들의 동선 데이터를 수정한 장비 구동도를 획득할 수 있다. 장비 구동도를 획득하는 방법에 대한 자세한 설명은 도 2를 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 파츠 배치도에 기초하여, 전기 회로도를 생성할 수 있다(107). 제어 장치는 파츠 배치도에 기초하여, 각 파츠들을 연결하는 전기 배선들을 위치시키는 전기 회로도를 생성할 수 있다. 전기 회로도는 각 파츠들의 연결을 고려한 3차원의 평면도 상에 표현될 수 있다. 각 파츠들을 연결하는 전기 배선의 설치는 배선 색상, 배선 깊이 및 배선 결합의 조합을 포함하여 결정될 수 있는데, 이에 대한 자세한 설명은 도 3을 참조하여 후술한다. 배선 색상, 배선 깊이 및 배선 결합의 조합은 인공지능(인공 신경망)을 통해 획득될 수 있다.
일실시예에 따르면, 제어 장치는 전기 회로도에 기초하여, 가상 테스트를 진행할 수 있다(108). 제어 장치는 제어 장치 내의 프로그램을 이용하여 전기 회로도 상의 장비들을 가상으로 구동하는 가상 테스트를 진행할 수 있다. 가상 테스트는 컨트롤 패널의 동작에 문제가 없는지 여부를 판단하는 기본적인 검사로서, 이외에도 전기 회로도의 동작에 따른 파츠들의 열발생 여부 및 정도를 포함할 수 있다.
일실시예에 따르면, 제어 장치는 가상 테스트의 결과에 기초하여, 열발생이 높은 파츠들의 분산 배치도를 획득할 수 있다(109). 제어 장치는 가상 테스트의 결과로부터 획득한 각 파츠들의 열발생 정도에 따라 각 파츠들의 열발생도를 생성할 수 있다. 열발생도는 열발생이 높은 파츠들의 열이 일으키는 온도 변화의 범위를 의미하는 것으로, 온도에 따라 진하기를 달리하는 구형의 면적 범위로 표현될 수 있다. 제어 장치는 열발생도에 따라, 열발생도의 겹치는 교집합이 최소가 되도록 파츠들을 재배치할 수 있다. 제어 장치는 파츠들의 재배치 과정에서 전기 회로도 및 장비 구동도를 갱신할 수 있다. 제어 장치는 파츠들을 재배치한 결과로부터 분산 배치도를 획득할 수 있다.
일실시예에 따르면, 제어 장치는 분산 배치도에 기초하여, 파츠, 전기 배선 및 버튼을 배치할 수 있다(110). 제어 장치는 분산 배치도에 따라 파츠, 전기 배선 및 버튼을 미리 설계된 외함의 생성이 완성됨과 동시에 외함 내부에 위치시킬 수 있다. 파츠, 전기 배선 및 버튼은 장비 구동도에 따라 최적화된 장비 이동을 통해 위치될 수 있고, 전기 배선은 전기 회로도에 따라 선택된 전기 배선을 이용하여 설치될 수 있다.
일실시예에 따르면, 제어 장치는 대상 컨트롤 패널의 구동 테스트를 진행할 수 있다(111). 제어 장치는 대상 컨트롤 패널이 완성되면 구동 테스트를 진행하여, 실제 컨트롤 패널의 구동 여부를 판단할 수 있다. 제어 장치는 구동 테스트를 통해 설계된 컨트롤 패널이 모두 기능을 수행하는지 여부 및 열 발생의 정도를 판단할 수 있다. 제어 장치는 구동 테스트를 거쳐 문제가 없다고 판단된 컨트롤 패널을 완성품으로 분류할 수 있다.
일실시예에 따르면, 제어 장치는 구동 테스트의 결과에 기초하여, 대상 컨트롤 패널을 출하 등록할 수 있다(112). 제어 장치는 구동 테스트를 거쳐 완성품으로 분류된 컨트롤 패널을 고객에게 전달하기 위한 출하 등록을 할 수 있다. 제어 장치는 출하 등록의 과정에서 완성품에 대한 정보, 가격 및 고객의 주소 등을 등록할 수 있으며, 출하 등록이 완료된 완성품을 적재함에 보관할 수 있다.
도 2는 일실시예에 따른 장비 구동도를 획득하는 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 제어 장치는 장비들의 이동에 대한 동선 데이터(201)로부터 각각의 장비들의 동선이 겹치지 않도록 시간적 순서를 구분한 순서도(202)를 생성할 수 있다. 동선 데이터(201)는 컨트롤 패널의 설계가 파츠 배치도 내에 구현될 수 있으며, 파츠 배치도는 평면도의 형태일 수 있다. 파츠 배치도는 미리 배치된 파츠들의 위치를 표현할 수 있으며, 각각의 장비들의 대기 위치에 대한 정보를 포함할 수 있다. 파츠 배치도의 파일의 종류, 크기, 형식 등에는 제한이 없다. 가령, 파츠 배치도는 CAD 파일이거나; 벡터(SVR) 파일이거나; 일러스트(AI) 파일이거나; TIF 파일일 수 있다.
일실시예에 따른 동선 데이터(201)는 시작점과 끝점을 포함하며, 동선 데이터(201)의 시작점과 끝점은 장비들의 대기 위치와 일치하고, 동선 데이터(201)는 시작점과 끝점을 연결하는 직선 및 곡선으로 표현되고, 동선 데이터(201) 상에 장비들 이동 속도 및 시간이 수치화된 값을 표현될 수 있다. 동선 데이터(201)는 장비들의 구동 동선을 표현하기만 한다면, 파일의 종류, 크기, 형식 등에는 제한이 없다. 가령, 동선 데이터(201)는 CAD 파일이거나; 벡터(SVR) 파일이거나; 일러스트(AI) 파일이거나; TIF 파일일 수 있다.
일실시예에 따르면, 제어 장치는 파츠 배치도 및 동선 데이터(201)의 확장자 형식을 통일하고; 축적을 일치시키고; 해상도를 통일하고; 색상 정보에서 필요한 최소의 색상만을 남기는 등의 전처리를 수행할 수 있다. 제어 장치는 각 장비 별로 파츠 배치도에 동선 데이터(201)를 결합할 수 있으며, 각 장비 별로 획득한 동선 데이터(201)를 하나로 합칠 수 있다. 제어 장치는 하나로 합쳐진 동선 데이터(201)로부터 각 장비들의 구간 별, 동작 별 구동 순서를 포함하는 순서도(202)를 생성할 수 있다. 순서도(202)를 생성하는 구체적인 방법은 도 5를 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 순서도(202)에 기초하여 효율성 검사(203)를 수행할 수 있다. 제어 장치는 순서도(202)에 포함된 각 장비들의 동선 및 구동 순서들을 적합한 형태로 전처리함으로써, 효율성 검사(203)를 위한 인공 지능(인공 신경망)의 동작을 통해 효율성 검사(203)를 수행할 수 있다. 효율성 검사(203)는 각 장비들의 동선 데이터(201) 및 순서도(202)로부터 장비들의 동작을 종합하여 전반의 효율성 여부를 판단하는 검사일 수 있다. 효율성 검사(203)를 수행하는 자세한 방법은 도 5를 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 효율성 검사(203)의 결과에 기초하여, 장비들의 동선 데이터(201)를 수정한 장비 구동도(204)를 획득할 수 있다. 장비 구동도(204)는 기존의 동선 데이터(201)들이 포함하는 장비들의 구동 동선을 수정하여 표현되도록 할 수 있으며, 순서도(202)에 포함됐던 장비들의 구동 순서까지 수정하여 포함할 수 있다. 장비 구동도(204)는 컨트롤 패널의 대량 생산을 위한 효율성을 높이기 위해 생성되는 것으로, 미리 생성된 장비 구동도(204)가 있을지라도 최종적인 컨트롤 패널 설계가 완성되기까지 계속적으로 수정될 수 있다.
일실시예에 따른 제어 장치는 컨트롤 패널 설계에 있어 공정 장비들의 구동을 효율화할 수 있다.
도 3은 일실시예에 따른 전기 회로도를 생성하는 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 제어 장치는 파츠 배치도에 기초하여, 전기 회로도(307)를 생성할 수 있다. 제어 장치는 파츠 배치도로부터 각 파츠들을 연결하는 전기 배선(301)을 배치할 수 있다. 전기 배선(301)은 연결이 필수적인 각 파츠들을 이어주는 자리에 위치할 수 있다. 전기 배선(301)의 종류는 각 파츠들의 기능 및 특성에 따라 정의될 수 있으며, 해당하는 정보는 제어 장치가 컨트롤 패널의 설계도 및 파츠 정보를 획득하는 시점에 함께 획득될 수 있다.
일실시예에 따르면, 제어 장치는 전기 배선(301)이 배치되면, 이로부터 각 전기 배선(301)의 감전 위험 부위(302)를 판별할 수 있다. 감전 위험 부위(302)는 전기 배선(301)이 만나는 위치일 수 있는데, 각 전기 배선(301)의 노출 여부에 따른 감전뿐만 아니라 전자기 작용에 따른 감전 위험 부위(302)까지도 포함할 수 있다. 감전 위험 부위(302)의 판별은 인공 지능(인공 신경망)을 통해 이뤄질 수 있으며, 자세한 설명은 도 6을 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 판별된 감전 위험 부위(302)에 기초하여, 전기 배선(301)을 수정할 수 있다. 제어 장치는 미리 배치된 전기 배선(301)을 판별된 감전 위험 부위(302)에 따라 위치를 조정하거나, 경로를 변경하거나, 연결 관계를 변경하는 방식으로 전기 배선(301)을 수정할 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 제어 장치는 수정된 전기 배선(303)에 기초하여, 근접한 전기 배선(301) 간의 색이 겹치지 않도록 배선 색상(304)을 선정하고, 두 개 이상의 배선이 중첩되는 지점의 깊이를 달리 부여하는 배선 깊이(305)를 결정하고, 표준 길이 이상의 범위가 겹치는 두 개 이상의 배선을 하나의 절연관으로 감싸는 배선 결합(306)을 결정할 수 있다. 표준 길이는 일반적으로 4cm를 기준으로 할 수 있으나, 이에 국한하지 않는다. 배선 색상(304), 배선 깊이(305) 및 배선 결합(306)을 결정하는 자세한 방법은 도 6을 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 배선 색상(304), 배선 깊이(305) 및 배선 결합(306)에 기초하여, 전기 회로도(307)를 생성할 수 있다. 전기 회로도(307)는 배선 색상(304), 배선 깊이(305) 및 배선 결합(306)이 결정된 후 이를 기준으로 배선 재료의 종류, 배선 결합(306)을 위한 절연관의 종류, 배선 색상(304)의 종류를 결정할 수 있다.
일실시예에 따른 제어 장치는 컨트롤 패널 내 전기 배선의 감전 위험을 감소하기 위해 전기 배선의 선택과 배치, 관계를 고려한 설계를 할 수 있다.
도 4는 일실시예에 따른 분산 배치도를 획득하는 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 제어 장치는 가상 테스트의 결과에 기초하여, 파츠들 중 열발생이 높은 파츠들을 판별할 수 있다. 제어 장치는 완성된 전기 회로도에 대해 전기를 흐르게 하여 컨트롤 패널의 동작을 확인하기 위한 가상 테스트를 진행할 수 있다. 제어 장치는 가상 테스트에 기초하여, 각 파츠들 별로 발생하는 열 정보를 획득할 수 있다. 제어 장치는 파츠들 별로 발생하는 열 정보로부터 열발생이 높은 파츠들을 판별할 수 있다.
일실시예에 따르면, 파츠들은 면적으로 표현되는 열발생도(401)를 가질 수 있다. 열발생도(401)는 열발생이 높은 파츠들의 열이 일으키는 온도 변화의 범위를 의미하는 것으로, 온도에 따라 진하기를 달리하는 구형의 면적 범위로 표현될 수 있다. 열발생이 높은 파츠들일 수록 컨트롤 패널에 대한 열 손상의 확률이 높아질 수 있다. 그러므로, 컨트롤 패널에 고른 열밀도를 가지도록 하기 위해, 열발생이 높은 파츠들은 넓은 면적의 열발생도(401)를 가지도록 할 수 있고, 열발생이 적은 파츠들은 적은 면적의 열발생도(401)를 가지도록 하여 이를 조절할 수 있다.
이를 위하여, 제어 장치는 i) 전시 중인 파츠들이 컨트롤 패널의 전체 면적에서 차지하는 열발생의 정도를 측정할 수 있는 측정 수단을 통해 미리 정해진 온도 또는 미리 정해진 발열량만큼 측정한 측정 면적 및 측정 면적 내의 열발생 정도를 획득하고; ii) 단위 온도 또는 단위 시간당 측정 면적 내의 발열량을 파츠들의 열밀도로 정하고; iii) 파츠들의 열밀도와 미리 정해진 기준 열밀도가 미리 정해진 오차범위 내인지 판별하여; iv) 파츠들의 열밀도와 기준 열밀도가 오차범위를 벗어나는 경우, 측정 수단이 측정하는 열발생의 면적을 조정한 후, i) 내지 iii)의 단계를 반복하고; v) 파츠들의 열밀도와 기준 열밀도가 오차범위 내인 경우, 측정 면적을 파츠들의 열발생도(401)로 정할 수 있다.
일실시예에 따르면, 파츠들의 열발생도(401)를 정하는 장치는 파츠들의 위치를 정하는 장치와 동일한 장치일 수도 있고, 별개의 장치일 수도 있다. 장치는 측정 수단(미도시)과 연동될 수 있다. 측정 수단은 일반 카메라; 열화상 카메라; 압력 내지 무게 센서 등일 수 있으며, 이들 중 적어도 하나 이상을 포함하는 조합일 수도 있다. 측정 수단은 파츠들이 컨트롤 패널의 면적 및 컨트롤 패널 면적 내의 열발생 정도를 측정할 수만 있다면, 그 종류 및 특성에는 제한이 없다. 측정 수단은 미리 정해진 횟수 또는 미리 정해진 시간 동안 파츠들이 발생시키는 열분포의 면적을 측정하도록 고정될 수 있다. 미리 정해진 횟수는 파츠들이 5초당 한 회 측정하는 것일 수 있다. 미리 정해진 시간은 컨트롤 패널의 면적 및 컨트롤 패널 면적 내의 열발생 정도를 연속적으로 측정하는 것일 수 있다. 미리 정해진 횟수 및 미리 정해진 시간은 이에 제한되는 것은 아니며, 필요와 목적에 따라 얼마든지 다르게 설정될 수 있다. 다음으로, 장치는 단위 횟수 또는 단위 시간당 측정 면적 내의 열발생 정도를 파츠들의 열밀도로 정할 수 있다. 파츠들의 열밀도의 단위는 온도를 기준으로 할 경우 [℃/cm2], 발열량을 기준으로 할 경우 [J/cm2]나 [cal/cm2]일 수 있다.
일실시예에 따르면, 제어 장치는 파츠들의 위치를 정할 수 있다. 이를 위하여, 제어 장치는 컨트롤 패널의 전기 회로도를 획득한 후; 전기 회로도 및 각각의 파츠들의 열발생도(401)를 통해 파츠들들의 위치를 정할 수 있다.
일실시예에 따르면, 제어 장치는 파츠들의 면적으로 표현되는 열발생도(401)가 서로 중복되는 교집합 면적의 총합이 최소화되는 파츠들의 위치를 결정할 수 있다. 열발생도(401)가 서로 중복되는 면적은 열밀도가 높으므로, 파츠들의 열발생도(401)가 서로 중복되는 면적이 최소화될수록 컨트롤 패널에 대한 열손상을 줄일 수 있다. 즉, 제어 장치는 열발생도(401)를 통해 통해 열발생이 높은 파츠들을 재배치한 분산 배치도(402)를 획득할 수 있다.
또한, 제어 장치는 분산 배치도(402)의 획득에 있어서, 미리 설정된 분류에 따라 열발생도(401)가 높다고 분류된 파츠들이 일정한 간격으로 위치하도록 파츠들의 위치를 재배치한 결과를 획득할 수 있다. 이때, 미리 설정된 분류는, 열발생도(401)가 특정 면적 이상이면, 예를 들어 4cm2 이상이면, 열발생도(401)가 높다고 분류하는 기준일 수 있다. 열발생도(401)가 높은 파츠들은 높은 열손상 확률을 가지므로, 파츠들의 열발생도(401)가 높다고 분류되는 파츠들이 일정한 간격으로 위치될수록, 컨트롤 패널 전체의 열손상 확률을 감소시킬 수 있다. 이를 통해 제어 장치는 컨트롤 패널 내부의 열발생을 최소화할 수 있다.
도 5는 일실시예에 따른 순서도의 획득 및 해당 순서도의 효율성 검사를 진행하는 데 사용되는 인공 신경망을 설명하기 위한 도면이다.
인공 신경망은 제어 장치에 포함되는 구성일 수 있으며, 제어 장치 또는 별도의 학습 장치를 통해서 학습될 수 있다.
제1 구동 인공 신경망(503)은 미리 획득된 장비들의 동선 데이터(501)에 기초하여, 장비들의 순서도(505)를 출력할 수 있다. 각각의 동선 데이터(501)는 제1 구동 벡터(502)로 가공 생성될 수 있는데, 제1 구동 벡터(502)는 제1 구동 인공 신경망(503)의 입력층 노드에 대응하는 벡터일 수 있다. 제1 구동 인공 신경망(503)은 제1 구동 출력(504)을 출력으로 하며, 제1 구동 출력(504)은 제1 구동 인공 신경망(503)의 출력층 노드에 대응하는 벡터일 수 있다. 제1 구동 출력(504)에 기초하여 제어 장치는 장비들의 순서도(505)를 생성할 수 있다.
제2 구동 인공 신경망(507)은 장비들의 순서도(505)에 기초하여, 해당 컨트롤 패널 설계에 대한 장비들 동작의 효율성 검사를 진행할 수 있다. 순서도(505)는 제2 구동 벡터(506)로 가공 생성될 수 있는데, 제2 구동 벡터(506)는 제2 구동 인공 신경망(507)의 입력층 노드에 대응하는 벡터일 수 있다. 제2 구동 인공 신경망(507)은 제2 구동 출력(508)을 출력으로 하며, 제2 구동 출력(508)은 제2 구동 인공 신경망(507)의 출력층 노드에 대응하는 벡터일 수 있다. 제2 구동 출력(508)에 기초하여 제어 장치는 장비들의 동작에 대한 효율성 검사 결과를 획득할 수 있다.
이하에서는 학습 장치를 통해 인공 신경망이 학습되는 과정을 설명한다.
우선, 학습 장치는 트레이닝 데이터(training data)와 레이블(label)을 획득할 수 있다.
제1 구동 인공 신경망(503) 학습을 위해, 학습 장치는 장비들의 4000 내지 10000개의 이동 가능 경로들의 조합을 포함하는 동선 데이터(501)들을 각각의 트레이닝 데이터로 획득할 수 있다. 레이블들은 이러한 동선 데이터(501)로부터 컨트롤 패널 설계 전문가에 의해 작성된 순서도(505)들로부터 추론된 결과들을 포함할 수 있다.
제2 구동 인공 신경망(507) 학습을 위해, 학습 장치는 제1 트레이닝 구동 벡터들로부터 생성된 순서도(505)들에 기초하여 트레이닝 데이터를 획득할 수 있다. 레이블들은 인공 신경망의 설계자 및 컨트롤 패널 설계 전문가에 의해 효율성 여부를 평가한 결과들을 포함할 수 있다.
이제, 학습 장치는 트레이닝 데이터로부터 인공 신경망의 입력을 생성할 수 있다.
학습 장치는 트레이닝 데이터를 인공 신경망의 입력으로 그대로 사용하거나, 각각의 트레이닝 데이터에서 불필요한 정보를 제거하는 기 알려진 프로세스를 거친 후, 인공 신경망의 입력을 생성할 수 있다. 각각의 인공 신경망에 대응하는 입력은 제n 트레이닝 구동 벡터들로 명명할 수 있다. 학습을 위한 제1 구동 인공 신경망(503)의 입력은 제1 트레이닝 구동 벡터들이 될 수 있고, 제2 구동 인공 신경망(507)의 입력은 제2 트레이닝 구동 벡터들이 될 수 있다.
다음으로, 학습 장치는 입력을 인공 신경망에 적용할 수 있다.
서버에 포함된 인공 신경망은 지도 학습(supervised learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 지도 학습을 통해 학습시키기에 적합한 컨볼루션 신경망(convolutional neural network, CNN) 또는 리커런트 신경망(recurrent neural network, RNN) 구조일 수 있다.
이어서, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다.
제1 구동 인공 신경망(503)의 출력은, 장비들의 동선 데이터(501)들로부터 추론되는 장비들의 순서도(505)들을 포함할 수 있다. 구체적으로, 인공 신경망은 각각의 장비들의 동선 데이터(501)들로부터 각 장비들의 동선 데이터(501)들을 취합하여, 구동의 순서나 겹치는 구간에서의 동작 순서를 정한 순서도(505)들을 생성해 출력할 수 있다. 제1 구동 인공 신경망(503)의 출력은 제1 트레이닝 구동 출력들일 수 있다.
제2 구동 인공 신경망(507)의 출력은, 순서도(505)로부터 추론한 효율성 검사의 결과값일 수 있다. 구체적으로, 인공 신경망은 순서도(505)로부터 시간의 효율성, 동선의 효율성, 장비의 충돌 방지 등을 고려하여 순서도(505)에 대한 전반적인 효율성 평가 결과를 제시할 수 있다. 제2 구동 인공 신경망(507)의 출력은 제2 트레이닝 구동 출력들일 수 있다.
이후, 학습 장치는 출력과 레이블을 비교할 수 있다. 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 비교하는 과정은 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다. 제1 구동 인공 신경망(503)은 제1 트레이닝 구동 출력과 제1 트레이닝 구동 레이블들의 차이에 기초하고, 제2 구동 인공 신경망(507)은 제2 트레이닝 구동 출력과 제2 트레이닝 구동 레이블들의 차이에 기초할 수 있다.
다음으로, 학습 장치는 비교값을 기초로 인공 신경망을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
학습 장치는 이와 같은 과정을 반복함으로써 인공 신경망을 학습시킬 수 있다.
이를 통해, 학습 장치는 장비들의 동선 데이터(501)를 기초로; 장비들의 순서도(505)를 출력하는 제1 구동 인공 신경망(503)을 학습시킬 수 있다.
또한, 학습 장치는 장비들의 순서도(505)를 기초로; 해당 컨트롤 패널 순서도(505)의 효율성 검사 결과를 출력하는 제2 구동 인공 신경망(507)을 학습시킬 수 있다.
도 6은 일실시예에 따른 배선 색상, 배선 깊이 및 배선 결합을 획득하기 위해 사용되는 인공 신경망을 설명하기 위한 도면이다.
인공 신경망은 제어 장치에 포함되는 구성일 수 있으며, 제어 장치 또는 별도의 학습 장치를 통해서 학습될 수 있다.
제1 설계 인공 신경망(603)은 대상 컨트롤 패널의 장비들을 연결하는 전기 배선(601)에 기초하여, 해당 전기 배선(601) 상의 감전 위험 부위(605)를 출력할 수 있다. 대상 컨트롤 패널의 전기 배선(601)은 제1 설계 벡터(602)로 가공 생성될 수 있는데, 제1 설계 벡터(602)는 제1 설계 인공 신경망(603)의 입력층 노드에 대응하는 벡터일 수 있다. 제1 설계 인공 신경망(603)은 제1 설계 출력(604)을 출력으로 하며, 제1 설계 출력(604)은 제1 설계 인공 신경망(603)의 출력층 노드에 대응하는 벡터일 수 있다. 제1 설계 출력(604)에 기초하여 제어 장치는 전기 배선(601) 상의 감전 위험 부위(605)의 위치 및 정도 등을 포함하는 정보를 생성할 수 있다.
제2 설꼐 인공 신경망(608)은 감전 위험 부위(605)에 대한 판단으로부터 수정된 전기 배선(606)에 기초하여, 제3 설계 인공 신경망(610), 제4 설계 인공 신경망(611) 및 제5 설계 인공 신경망(612)의 입력 값을 출력할 수 있다. 수정된 전기 배선(606)은 제2 설꼐 벡터(607)로 가공 생성될 수 있는데, 제2 설꼐 벡터(607)는 제2 설꼐 인공 신경망(608)의 입력층 노드에 대응하는 벡터일 수 있다. 제2 설꼐 인공 신경망(608)은 제2 설계 출력(609)을 출력으로 할 수 있으며, 제2 설계 출력(609)은 제2 설꼐 인공 신경망(608)의 출력층 노드에 대응하는 벡터일 수 있다. 제2 설계 출력(609)에 기초하여 제어 장치는 제3 설계 인공 신경망(610), 제4 설계 인공 신경망(611) 및 제5 설계 인공 신경망(612)의 입력 값을 생성할 수 있다.
일실시예에 따르면, 제2 설꼐 인공 신경망(608)의 출력 값인 제2 설계 출력(609)은 총 30개의 출력층 노드로 구성될 수 있으며, 그 중 상위 10개의 출력층 노드에 대응하는 값을 제3 설계 인공 신경망(610)의 입력으로, 중간 10개의 출력층 노드에 대응하는 값을 제4 설계 인공 신경망(611)의 입력으로, 하위 10개의 출력층 노드에 대응하는 값을 제5 설계 인공 신경망(612)의 입력으로 사용될 수 있다.
제3 설계 인공 신경망(610), 제4 설계 인공 신경망(611) 및 제5 설계 인공 신경망(612)은 제2 설꼐 인공 신경망(608)의 출력 값을 각각 배분하여 입력으로 받아, 각각 배선 색상(616), 배선 깊이(617) 및 배선 결합(618)을 출력할 수 있다. 제2 설꼐 인공 신경망(608)의 출력은 각각 제3 설계 벡터, 제4 설계 벡터 및 제5 설계 벡터로 가공 생성될 수 있는데, 제3 설계 벡터는 제3 설계 인공 신경망(610)의 입력층 노드에, 제4 설계 벡터는 제4 설계 인공 신경망(611)의 입력층 노드에, 제4 설계 벡터는 제4 설계 인공 신경망(611)의 입력층 노드에 대응하는 벡터일 수 있다. 제3 설계 인공 신경망(610)은 제3 설계 출력(613)을 출력으로 하며, 제3 설계 출력(613)은 제3 설계 인공 신경망(610)의 출력층 노드에 대응하는 벡터일 수 있다. 제4 설계 인공 신경망(611)은 제4 설계 출력(614)을 출력으로 하며, 제4 설계 출력(614)은 제4 설계 인공 신경망(611)의 출력층 노드에 대응하는 벡터일 수 있다. 제5 설계 인공 신경망(612)은 제5 설계 출력(615)을 출력으로 하며, 제5 설계 출력(615)은 제5 설계 인공 신경망(612)의 출력층 노드에 대응하는 벡터일 수 있다. 제어 장치는 제3 설계 출력(613)에 기초하여 전기 배선(601)에 대한 배선 색상(616)을 획득할 수 있고, 제4 설계 출력(614)에 기초하여 전기 배선(601)에 대한 배선 깊이(617)를 획득할 수 있고, 제5 설계 출력(615)에 기초하여 전기 배선(601)에 대한 배선 결합(618)을 획득할 수 있다.
이하에서는 학습 장치를 통해 인공 신경망이 학습되는 과정을 설명한다.
우선, 학습 장치는 트레이닝 데이터(training data)와 레이블(label)을 획득할 수 있다.
제1 설계 인공 신경망(603) 학습을 위해, 학습 장치는 임의로 생성된 100000개의 전기 배선(601)들을 각각의 트레이닝 데이터로 획득할 수 있다. 레이블들은 인공 신경망의 설계자, 전기 회로 설계자들에 의해 작성된 감전 위험 부위(605)에 대한 판별 결과들을 포함할 수 있다.
제2 설꼐 인공 신경망(608) 학습을 위해, 학습 장치는 제1 트레이닝 설계 벡터들을 생성하기 위해 임의로 생성된 100000개의 전기 배선(601)들을 트레이닝 데이터로 획득할 수 있다. 레이블들은 인공 신경망의 설계자, 전기 회로 설계자들에 의해 작성된 결과들을 포함할 수 있다. 각각의 결과들은 색상 선정, 깊이 선정 및 결합 선정을 위한 정보들을 포함할 수 있다.
제3 설계 인공 신경망(610), 제4 설계 인공 신경망(611) 및 제5 설계 인공 신경망(612) 학습을 위해, 학습 장치는 제2 트레이닝 설계 출력들을 각각의 트레이닝 데이터로 획득할 수 있다. 레이블들은 인공 신경망의 설계자, 전기 회로 전문가들에 의해 작성된 배선 색상(616)들, 배선 깊이(617)들 및 배선 결합(618)들에 대한 결과들을 포함할 수 있다.
이제, 학습 장치는 트레이닝 데이터로부터 인공 신경망의 입력을 생성할 수 있다.
학습 장치는 트레이닝 데이터를 인공 신경망의 입력으로 그대로 사용하거나, 각각의 트레이닝 데이터에서 불필요한 정보를 제거하는 기 알려진 프로세스를 거친 후, 인공 신경망의 입력을 생성할 수 있다. 각각의 인공 신경망에 대응하는 입력은 제n 트레이닝 요구 벡터들, 제n 트레이닝 주관 벡터들, 제n 트레이닝 설문 벡터들로 명명할 수 있다. 이에 따라, 제1 트레이닝 설계 벡터들, 제2 트레이닝 설계 벡터들, 제3 트레이닝 설계 벡터들, 제4 트레이닝 설계 벡터들 및 제5 트레이닝 설계 벡터들이 각각에 대응하는 인공 신경망의 입력으로 사용될 수 있다.
다음으로, 학습 장치는 입력을 인공 신경망에 적용할 수 있다.
서버에 포함된 인공 신경망은 지도 학습(supervised learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 지도 학습을 통해 학습시키기에 적합한 컨볼루션 신경망(convolutional neural network, CNN) 또는 리커런트 신경망(recurrent neural network, RNN) 구조일 수 있다.
이어서, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다.
제1 설계 인공 신경망(603)의 출력은, 배선들이 겹치는 구간들로부터 획득되는 감전 위험 부위(605)들에 대한 추론일 수 있다. 구체적으로 전기 배선(601)의 겹치는 구간이 많아질 수록 감전 위험 부위(605)들의 수도 많아질 수 있다. 제1 설계 인공 신경망(603)의 출력은 제1 트레이닝 설계 출력들일 수 있다.
제2 설꼐 인공 신경망(608)의 출력은, 수정된 전기 배선(606)에 대하여 배선 색상(616), 배선 깊이(617) 및 배선 결합(618)을 결정할 수 있도록 하는 정보들을 포함한 값일 수 있다. 구체적으로, 인공 신경망은 총 30개의 출력층 노드를 10개씩 구분하여, 제3 설계 인공 신경망(610), 제4 설계 인공 신경망(611) 및 제5 설계 인공 신경망(612)의 입력값이 되도록 출력할 수 있다. 제2 설꼐 인공 신경망(608)의 출력은 제2 트레이닝 설계 출력들일 수 있다.
제3 설계 인공 신경망(610)의 출력, 제4 설계 인공 신경망(611)의 출력 및 제5 설계 인공 신경망(612)의 출력은, 각각 수정된 전기 배선(606)으로부터 획득된 배선 색상(616), 배선 깊이(617) 및 배선 결합(618)일 수 있다. 구체적으로 배선 색상(616)은 인접한 전기 배선(601) 간의 색이 겹치지 않도록 색상을 선정하는 것이고, 배선 깊이(617)는 두 개 이상의 배선이 중첩되는 지점의 깊이를 달리 부여하는 것이고, 배선 결합(618)은 표준 길이 이상의 범위가 겹치는 두 개 이상의 배선을 하나의 절연관으로 감싸는 것일 수 있다. 제3 설계 인공 신경망(610), 제4 설계 인공 신경망(611) 및 제5 설계 인공 신경망(612)의 출력은 각각 제3 트레이닝 설계 출력들, 제4 트레이닝 설계 출력들 및 제5 트레이닝 설계 출력들일 수 있다.
이후, 학습 장치는 출력과 레이블을 비교할 수 있다. 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 비교하는 과정은 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 인공 신경망을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다. 학습 장치는 이와 같은 과정을 반복함으로써 인공 신경망을 학습시킬 수 있다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 프로세서(702)는 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(701)는 서버(100), 사용자 단말(110), 또는 인공 신경망 학습 장치 등일 수 있다. 장치(701)를 이용하는 자 또는 단체는 도 1 내지 도 6을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(701)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(701)와 학습된 인공 신경망을 이용하는 장치(701)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (5)
- 자동화 장비의 컨트롤 패널을 설계 및 제조하는 방법에 있어서,
제어 장치가
대상 컨트롤 패널의 디자인 정보-상기 디자인 정보는 상기 대상 컨트롤 패널이 설치될 위치, 면적, 필요한 버튼(Button)의 수, 요구 기능 및 심미 요구도를 포함함-를 획득하는 단계;
상기 디자인 정보에 기초하여, 파츠(Parts) 정보를 조회 및 획득하는 단계;
상기 파츠 정보에 기초하여, 상기 대상 컨트롤 패널의 외함 설계를 획득하는 단계;
상기 파츠 정보 및 상기 외함 설계에 기초하여, 파츠를 배치한 파츠 배치도를 생성하는 단계;
상기 파츠 배치도에 기초하여, 상기 파츠를 이동시키기 위한 장비들의 동선 데이터를 획득하는 단계;
상기 동선 데이터에 기초하여, 장비 구동도를 획득하는 단계;
상기 파츠 배치도에 기초하여, 전기 회로도를 생성하는 단계;
상기 전기 회로도에 기초하여, 가상 테스트를 진행하는 단계;
상기 가상 테스트의 결과에 기초하여, 열발생이 높은 파츠들의 분산 배치도를 획득하는 단계;
상기 분산 배치도에 기초하여, 상기 파츠, 전기 배선 및 버튼을 배치하는 단계;
상기 대상 컨트롤 패널의 구동 테스트를 진행하는 단계; 및
상기 구동 테스트의 결과에 기초하여, 상기 대상 컨트롤 패널을 출하 등록하는 단계
를 포함하고,
상기 파츠 정보를 조회 및 획득하는 단계는
상기 제어 장치가
데이터베이스화된 컨트롤 패널 설계도들 중 상기 디자인 정보와 제1 유사도를 만족하는 컨트롤 패널 설계도들을 획득하는 단계;
상기 획득한 컨트롤 패널 설계도들 중 상기 디자인 정보와 제2 유사도를 만족하는 컨트롤 패널 설계도들을 선별하는 단계;
상기 선별한 컨트롤 패널 설계도들의 파츠 정보들을 획득하는 단계; 및
상기 파츠 정보들에 기초하여, 비용이 낮은 파츠 정보부터 오름차순 정리된 순서에 따라 파츠 정보들을 제공하는 단계
를 포함하고,
상기 장비 구동도를 획득하는 단계는
상기 제어 장치가
상기 동선 데이터에 기초하여, 상기 장비들의 동선이 겹치지 않도록 하는 순서도를 생성하는 단계;
상기 순서도의 효율성 검사를 진행하는 단계; 및
상기 효율성 검사의 결과에 기초하여, 상기 장비들의 동선 데이터를 수정한 상기 장비 구동도를 획득하는 단계
를 포함하고,
상기 동선 데이터는 시작점과 끝점을 포함하고,
상기 동선 데이터의 시작점 및 끝점은 상기 장비들의 대기 위치와 일치하고,
상기 동선 데이터는 시작점과 끝점을 연결하는 직선 및 곡선으로 표현되고,
상기 동선 데이터 상에 상기 장비들의 이동 속도 및 시간이 수치화된 값으로 표현되고,
상기 순서도의 생성은
상기 제어 장치가
상기 동선 데이터에 기초하여, 제1 구동 벡터를 생성하는 단계;
상기 제1 구동 벡터를 제1 구동 인공 신경망에 적용하여 제1 구동 출력을 획득하는 단계; 및
상기 제1 구동 출력에 기초하여, 상기 순서도를 생성하는 단계
를 포함하고,
상기 제1 구동 인공 신경망은
상기 장비들의 4000 내지 10000개의 이동 가능 경로들의 조합을 포함하는 동선 데이터들에 기초하여 생성된 제1 트레이닝 구동 벡터들; 및
상기 제1 트레이닝 구동 벡터들에 대응하도록 미리 기록된 제1 트레이닝 구동 레이블들에 기초하여,
상기 제1 트레이닝 구동 벡터들을 상기 제1 구동 인공 신경망에 적용하여 획득한 제1 트레이닝 구동 출력들과 상기 제1 트레이닝 구동 레이블들의 차이를 통해 역전파 방식으로 학습하고,
상기 순서도의 상기 효율성 검사는
상기 제어 장치가
상기 순서도에 기초하여, 제2 구동 벡터를 생성하는 단계;
상기 제2 구동 벡터를 제2 구동 인공 신경망에 적용하여 제2 구동 출력을 획득하는 단계; 및
상기 제2 구동 출력에 기초하여, 상기 효율성 검사의 결과를 획득하는 단계
를 포함하고,
상기 제2 구동 인공 신경망은
상기 제1 트레이닝 구동 벡터들로부터 생성된 순서도들에 기초하여 생성된 제2 트레이닝 구동 벡터들; 및
상기 제2 트레이닝 구동 벡터들에 대응하도록 미리 기록된 제2 트레이닝 구동 레이블들에 기초하여,
상기 제2 트레이닝 구동 벡터들을 상기 제2 구동 인공 신경망에 적용하여 획득한 제2 트레이닝 구동 출력들과 상기 제2 트레이닝 구동 레이블들의 차이를 통해 역전파 방식으로 학습하는
자동화 장비의 컨트롤 패널의 설계 및 제조 방법.
- 삭제
- 제1 항에 있어서,
상기 전기 회로도를 생성하는 단계는
상기 제어 장치가
상기 파츠들을 연결하는 전기 배선을 배치하는 단계;
상기 전기 배선의 감전 위험 부위를 판별하는 단계;
상기 감전 위험 부위에 기초하여, 상기 전기 배선을 수정하는 단계;
상기 수정된 전기 배선에 기초하여, 전기 배선 간의 색이 겹치지 않도록 배선 색상을 선정하는 단계;
상기 수정된 전기 배선에 기초하여, 두 개 이상의 배선이 중첩되는 지점의 깊이를 달리 부여하는 배선 깊이를 결정하는 단계;
상기 수정된 전기 배선에 기초하여, 표준 길이 이상의 범위가 겹치는 두 개 이상의 배선을 하나의 절연관으로 감싸는 배선 결합을 결정하는 단계; 및
상기 배선 색상, 상기 배선 깊이 및 상기 배선 결합에 기초하여, 상기 전기 회로도를 생성하는 단계
를 포함하고,
상기 분산 배치도를 획득하는 단계는
상기 제어 장치가
상기 가상 테스트의 결과에 기초하여, 열발생이 높은 파츠들을 판별하는 단계;
상기 열발생이 높은 파츠들의 열발생도-상기 열발생도는 상기 열발생이 높은 파츠들의 열이 일으키는 온도 변화의 범위를 의미하는 것으로, 온도에 따라 진하기를 달리하는 구형의 면적 범위로 표현됨-를 생성하는 단계; 및
상기 열발생도에 기초하여, 상기 열발생이 높은 파츠들의 상기 열발생도 면적의 교집합이 최소가 되도록 상기 열발생이 높은 파츠들을 재배치한 상기 분산 배치도를 획득하는 단계
를 포함하고,
상기 감전 위험 부위를 판별하는 단계는
상기 제어 장치가
상기 전기 배선에 기초하여, 제1 설계 벡터를 생성하는 단계;
상기 제1 설계 벡터를 제1 설계 인공 신경망에 적용하여 제1 설계 출력을 획득하는 단계; 및
상기 제1 설계 출력에 기초하여, 상기 감전 위험 부위를 획득하는 단계
를 포함하고,
상기 제1 설계 인공 신경망은
임의로 생성된 100000개의 전기 배선들에 기초하여 생성된 제1 트레이닝 설계 벡터들; 및
상기 제1 트레이닝 설계 벡터들에 대응하도록 전기 회로 설계자들에 의해 미리 작성된 제1 트레이닝 설계 레이블들에 기초하여,
상기 제1 트레이닝 설계 벡터들을 상기 제1 설계 인공 신경망에 적용하여 획득한 제1 트레이닝 설계 출력들과 상기 제1 트레이닝 설계 레이블들의 차이를 통해 역전파 방식으로 학습하고,
상기 배선 색상, 상기 배선 깊이 및 상기 배선 결합을 획득하는 단계는
상기 제어 장치가
상기 수정된 전기 배선에 기초하여, 제2 설계 벡터를 생성하는 단계;
상기 제2 설계 벡터를 제2 설계 인공 신경망에 적용하여 제2 설계 출력을 획득하는 단계; 및
상기 제2 설계 출력의 상위 10개의 출력층 노드, 중간 10개의 출력층 노드 및 하위 10개의 출력층 노드를 각각 제3 설계 인공 신경망, 제4 설계 인공 신경망 및 제5 설계 인공 신경망에 입력하는 단계;
상기 제3 설계 인공 신경망의 출력인 제3 설계 출력에 기초하여, 상기 배선 색상을 획득하는 단계;
상기 제4 설계 인공 신경망의 출력인 제4 설계 출력에 기초하여, 상기 배선 깊이를 획득하는 단계; 및
상기 제5 설계 인공 신경망의 출력인 제5 설계 출력에 기초하여, 상기 배선 결합을 획득하는 단계
를 포함하고,
상기 제2 설계 인공 신경망은
상기 제1 트레이닝 설계 벡터들을 생성하기 위해 임의로 생성된 100000개의 전기 배선들에 기초하여 생성된 제2 트레이닝 설계 벡터들; 및
상기 제2 트레이닝 설계 벡터들에 대응하도록 전기 회로 설계자들에 의해 미리 작성된 제2 트레이닝 설계 레이블들에 기초하여,
상기 제2 트레이닝 설계 벡터들을 상기 제2 설계 인공 신경망에 적용하여 획득한 제2 트레이닝 설계 출력들과 상기 제2 트레이닝 설계 레이블들의 차이를 통해 역전파 방식으로 학습하고,
상기 제3 설계 인공 신경망, 상기 제4 설계 인공 신경망 및 상기 제5 설계 인공 신경망은
상기 제2 트레이닝 설계 출력들에 기초하여 생성된 제3 트레이닝 설계 벡터들, 제4 트레이닝 설계 벡터들 및 제5 트레이닝 설계 벡터들; 및
상기 제3 트레이닝 설계 벡터들, 상기 제4 트레이닝 설계 벡터들 및 상기 제5 트레이닝 설계 벡터들에 각각 대응하도록 전기 회로 설계자들에 의해 미리 작성된 제3 트레이닝 설계 레이블들, 제4 트레이닝 설계 레이블들 및 제5 트레이닝 설계 레이블들에 기초하여,
상기 제3 트레이닝 설계 벡터들, 상기 제4 트레이닝 설계 벡터들 및 상기 제5 트레이닝 설계 벡터들을 각각 상기 제3 설계 인공 신경망, 상기 제4 설계 인공 신경망 및 상기 제5 설계 인공 신경망에 적용하여 각각 획득한 제3 트레이닝 설계 출력들, 제4 트레이닝 설계 출력들 및 제5 트레이닝 설계 출력들과 상기 제3 트레이닝 설계 레이블들, 상기 제4 트레이닝 설계 레이블들 및 상기 제5 트레이닝 설계 레이블들 각각의 차이를 통해 역전파 방식으로 학습하는
자동화 장비의 컨트롤 패널의 설계 및 제조 방법.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200064519A KR102197907B1 (ko) | 2020-05-28 | 2020-05-28 | 자동화 장비의 컨트롤 패널의 설계 및 제조 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200064519A KR102197907B1 (ko) | 2020-05-28 | 2020-05-28 | 자동화 장비의 컨트롤 패널의 설계 및 제조 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102197907B1 true KR102197907B1 (ko) | 2021-01-04 |
Family
ID=74127406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200064519A KR102197907B1 (ko) | 2020-05-28 | 2020-05-28 | 자동화 장비의 컨트롤 패널의 설계 및 제조 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102197907B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102340834B1 (ko) * | 2021-07-15 | 2021-12-20 | 주식회사 빛가람시스템 | 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위한 구조 설계 방법, 장치 및 시스템 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05216631A (ja) * | 1991-06-25 | 1993-08-27 | Hughes Aircraft Co | コントロールパネル設計システム |
| JPH09171056A (ja) * | 1995-12-20 | 1997-06-30 | Hitachi Ltd | テスト設計方法とその装置、並びにテスト方法とその装置 |
| JP2003044115A (ja) * | 2001-07-27 | 2003-02-14 | Toshiba Corp | 製造ライン設計方法及びその装置並びに工程設計方法 |
| JP2006154983A (ja) * | 2004-11-26 | 2006-06-15 | Shindengen Electric Mfg Co Ltd | プリント回路基板の熱設計シミュレーション方法及びプリント回路基板の熱設計シミュレーション支援プログラム |
| KR101420880B1 (ko) | 2007-12-17 | 2014-07-17 | 엘지전자 주식회사 | 컨트롤패널 및 그의 제조방법 |
| KR101886008B1 (ko) | 2017-12-22 | 2018-09-10 | 박정열 | 자동화 설비의 제조 및 설치 방법 |
| KR102069030B1 (ko) | 2018-02-07 | 2020-01-22 | 콘티넨탈 오토모티브 일렉트로닉스 유한회사 | 컨트롤 패널 장치 및 그 조립방법 |
| KR102111043B1 (ko) | 2019-10-08 | 2020-05-14 | 전제항 | 전자 장비 및 기계 장비의 제조를 위한 제어 방법 |
-
2020
- 2020-05-28 KR KR1020200064519A patent/KR102197907B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05216631A (ja) * | 1991-06-25 | 1993-08-27 | Hughes Aircraft Co | コントロールパネル設計システム |
| JPH09171056A (ja) * | 1995-12-20 | 1997-06-30 | Hitachi Ltd | テスト設計方法とその装置、並びにテスト方法とその装置 |
| JP2003044115A (ja) * | 2001-07-27 | 2003-02-14 | Toshiba Corp | 製造ライン設計方法及びその装置並びに工程設計方法 |
| JP2006154983A (ja) * | 2004-11-26 | 2006-06-15 | Shindengen Electric Mfg Co Ltd | プリント回路基板の熱設計シミュレーション方法及びプリント回路基板の熱設計シミュレーション支援プログラム |
| KR101420880B1 (ko) | 2007-12-17 | 2014-07-17 | 엘지전자 주식회사 | 컨트롤패널 및 그의 제조방법 |
| KR101886008B1 (ko) | 2017-12-22 | 2018-09-10 | 박정열 | 자동화 설비의 제조 및 설치 방법 |
| KR102069030B1 (ko) | 2018-02-07 | 2020-01-22 | 콘티넨탈 오토모티브 일렉트로닉스 유한회사 | 컨트롤 패널 장치 및 그 조립방법 |
| KR102111043B1 (ko) | 2019-10-08 | 2020-05-14 | 전제항 | 전자 장비 및 기계 장비의 제조를 위한 제어 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102340834B1 (ko) * | 2021-07-15 | 2021-12-20 | 주식회사 빛가람시스템 | 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위한 구조 설계 방법, 장치 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7413580B2 (ja) | ニューラルネットワークを使用した集積回路フロアプランの生成 | |
| US8117138B2 (en) | Method and apparatus for location evaluation and site selection | |
| KR20200131549A (ko) | 인공지능 모델을 이용한 상품 판매량 예측 방법, 장치 및 시스템 | |
| Lee | Real-time manufacturing modeling and simulation framework using augmented reality and stochastic network analysis | |
| KR102197907B1 (ko) | 자동화 장비의 컨트롤 패널의 설계 및 제조 방법 | |
| KR102445457B1 (ko) | 물품 구매 요청에 대한 판매 제안 방식을 기반으로 한 구매자 및 판매자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102613367B1 (ko) | 딥러닝 모델 서빙 최적화를 위한 모델 자동 경량화 방법 및 장치, 이를 이용한 클라우드 추론 서비스 제공 방법 | |
| US20230128318A1 (en) | Automated Parameterized Modeling And Scoring Intelligence System | |
| KR102340834B1 (ko) | 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위한 구조 설계 방법, 장치 및 시스템 | |
| CN116911246B (zh) | 芯片设计的布线规划方法及相关设备 | |
| CN113111578B (zh) | 电力负荷预测方法、装置、计算机设备及存储介质 | |
| Du et al. | Complex System Optimization Using Biogeography‐Based Optimization | |
| CN116151179B (zh) | 芯片设计的布局规划方法及相关设备 | |
| WO2021025075A1 (ja) | 訓練装置、推定装置、訓練方法、推定方法、プログラム及びコンピュータ読み取り可能な非一時的記憶媒体 | |
| US7480874B2 (en) | Reliability analysis of integrated circuits | |
| US20220222049A1 (en) | Visual Programming for Deep Learning | |
| US11675951B2 (en) | Methods and systems for congestion prediction in logic synthesis using graph neural networks | |
| KR102420626B1 (ko) | 인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템 | |
| JP2018073087A (ja) | デバイス設計受付システム | |
| KR102075507B1 (ko) | 모바일 단말을 이용한 실내 조명 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
| CN109978306A (zh) | 数据处理方法及装置 | |
| CN112434872A (zh) | 酒店产量预测方法、系统、设备及存储介质 | |
| KR102561799B1 (ko) | 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템 | |
| KR20230034608A (ko) | 판매데이터를 기반으로 인공지능을 활용한 상품 판매량 예측 및 상품 추천 정보 생성 방법, 장치 및 시스템 | |
| KR20200048641A (ko) | 부품 관리 장치 및 이의 동작 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |