KR102229859B1 - 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 - Google Patents

기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102229859B1
KR102229859B1 KR1020190009460A KR20190009460A KR102229859B1 KR 102229859 B1 KR102229859 B1 KR 102229859B1 KR 1020190009460 A KR1020190009460 A KR 1020190009460A KR 20190009460 A KR20190009460 A KR 20190009460A KR 102229859 B1 KR102229859 B1 KR 102229859B1
Authority
KR
South Korea
Prior art keywords
prediction model
condition
facility
data
process condition
Prior art date
Application number
KR1020190009460A
Other languages
English (en)
Other versions
KR20200068534A (ko
Inventor
신승준
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Publication of KR20200068534A publication Critical patent/KR20200068534A/ko
Application granted granted Critical
Publication of KR102229859B1 publication Critical patent/KR102229859B1/ko

Links

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
    • G05B19/418—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], 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], 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
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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—Systems or methods specially adapted for 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

Abstract

기계 학습을 위한 훈련 데이터 셋이 충분하지 않은 상황에서, 전이 학습을 통해 예측 모델을 생성하여 공정을 관리할 수 있는 방법, 장치 및 시스템이 개시된다. 개시된 전이 학습을 이용한 공정 관리 방법은 레퍼런스 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델로부터, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성하는 단계; 상기 제2예측 모델을 이용하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 단계; 및 상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 타겟 공정 조건에 따라 공정을 수행할 설비 장치를 결정하는 단계를 포함한다.

Description

기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템{OPERATION MANAGEMENT METHOD, APPARATUS AND SYSTEM USING MACHINE LEARNING AND TRANSFER LEARNING}
본 발명은 공정 관리 방법, 장치 및 시스템에 관한 것으로서, 보다 상세하게는 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템에 관한 것이다.
최근, 스마트 공장이 제조업 핵심전략으로 자리매김함에 따라, 사이버-물리 생산 시스템에 대한 관심이 고조되고 있다. 사이버 사이버-물리 생산 시스템(Cyber-Physical Production Systems)은 물리적 그리고 가상적 개체간의 상호작용 및 동기화를 지향하는 사이버-물리 시스템을 제조분야에 특화한 개념이며 “공정, 설비, 생산 및 공급 사슬망을 아우르는 모든 생산단계에 걸쳐 상황인지 기반의 자율적이고 협업적인 요소들과 그들의 하위 시스템들로 구성되는 시스템"이라고 정의할 수 있다.
이러한 사이버-물리 생산 시스템은 스마트 공장의 고도화 수준으로 인지되고 있으며, 이는 생산에서의 지능성, 연결성 및 반응성을 실현 가능하게 해주기 때문이다. 해외 선도 연구기관에서는 관련분야의 기술 선점과 표준화를 위하여 사이버-물리 생산 시스템의 구현까지 고려한 참조모델(reference model)을 공개하고 있다. 그러나, 국내에서는 아직 참조모델이 부재하며, 개발이 시급한 상황이다.
사이버-물리 생산시스템에서 확보되어야 하는 핵심기능은 자가학습화(self-learning)와 자가최적화(self-optimizing) 기능이다. 자가학습은 설비기계가 학습적인 방법에 의하여 스스로 예측을 가능하게 하도록 관련 예측모델들을 생성하고 이들을 활용함으로써, 제조관련 의사결정 정확성과 강건성을 향상시키는 기능을 의미한다. 그리고, 자가최적화는 자가학습을 통하여 생성된 예측 모델들을 이용하여 설비기계들간 자율적이고 협업적인 결정에 의해 기계들간에 스스로 문제를 해결하고 핵심성과지표에 대한 최적화를 도모하는 기능이다.
보편적으로, 설비기계의 예측적 자가학습은 기계 학습(machine-learning)을 활용하여 예측모델을 생성하고 활용하는 방식을 취한다. 기계학습은 과거의 유사한 문제를 해결할 때 습득된 정보를 활용하여 주어진 문제에 대한 실행가능한 예측 솔루션을 생성하는 방식으로써, 기계의 자동화된 지식 습득을 가능하게 한다. 여기서, 전통적인 기계학습은 과거의 데이터(historical data)가 존재한다는 가정에서 시작하며, 그 데이터의 속성들간 인과관계를 수학적으로 규명하여 입력 속성값에 따른 출력 속성값을 산출하게 된다.
그러나, 제조현장에는 항상 과거 데이터가 존재하는 것은 아니다. 이는 제조현장에서의 데이터 수집 어려움, 데이터 손실, 해당 작업 미실시 등에서 기인한다 . 따라서, 이러한 데이터 존재의 상황에만 국한하지 국한하지 않고 데이터 부재의 상황에도 자가학습을 가능하게 가능하게 하는 방법이 필요하다.
관련 선행문헌으로 특허 문헌인 대한민국 등록특허 제10-1846793호, 비특허 문헌인 "신승준, 우정엽, 서원철, Journal of the Korean Institute of Industrial Engineers Vol. 43, No. 6, pp. 451-463, December 2017, 사이버-물리 제조시스템의 지능적 의사결정을 위한 데이터 및 모델 연계 홀로닉 구조 개발"이 있다.
본 발명은 기계 학습을 이용하는 공정 관리 방법, 장치 및 시스템을 제공하기 위한 것이다.
특히 본 발명은 기계 학습을 위한 훈련 데이터 셋이 충분하지 않은 상황에서, 전이 학습을 통해 예측 모델을 생성하여 공정을 관리할 수 있는 방법, 장치 및 시스템을 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 레퍼런스 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델로부터, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성하는 단계; 상기 제2예측 모델을 이용하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 단계; 및 상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 타겟 공정 조건에 따라 공정을 수행할 설비 장치를 결정하는 단계를 포함하는 전이 학습을 이용한 공정 관리 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 제1공정 조건을 포함하는 공정 작업을 요청하는 제품 에이전트; 기계 학습 기반의 제1예측 모델을 이용하여, 상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 설비 에이전트; 상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 제1공정 조건에 따라 공정을 수행할 설비 장치를 선택하는 주문 에이전트를 포함하는 기계 학습을 이용하는 공정 관리 장치가 제공된다.
본 발명에 따르면 예측 모델 생성을 위한 훈련 데이터 셋이 충분하지 않은 경우에도, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측할 수 있는 예측 모델을 생성할 수 있다.
도 1은 본 발명의 일실시예에 따른 자가 학습형 공장을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 전이 학습을 이용한 공정 관리 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일실시예에 따른 전이 학습 기반의 예측 모델 생성 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 기계 학습을 이용하는 공정 관리 장치를 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 자가 학습형 공장(Self-learning factory)을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명에 따른 자가 학습형 공장은 사이버 공장(120) 및 물리적 공장(110)을 포함한다. 이러한 자가 학습형 공장은 공작 기계 제조 공장, 반도체 공장, 자동차 조립 공장 등 다양한 제조 공장에 적용될 수 있다.
물리적 공장(110)은 물리적으로 공정을 수행하는 공장으로서, 공정 진행에 필요한 다양한 설비 장치(111)를 포함한다. 설비 장치(111)들은 미리 설정된 공정 조건에 따라서 공정을 수행하며, 공정 수행 결과에 따른 공정 데이터는 공정 데이터 저장부(140)에 저장될 수 있다. 이 때, 설비 장치들은 사이버 공장(120)에서 결정된 공정 계획 및 공정 변수에 따라서 공정을 수행한다.
예컨대, 물리적 공장(110)에서 절삭 공정이 수행되어야 하는 경우, 가공 소재, 가공 형상, 가공 공정 및 가공 전략이라는 공정 조건에 따라서, 설비 장치(111)가 절삭 공정을 수행할 수 있는데, 이 때 절삭 공정을 수행할 설비 장치(111)는 사이버 공장(120)에서 결정된 공정 계획에 따라서 선택될 수 있으며, 선택된 설비 장치(111)는 사이버 공장(120)에서 결정된 공정 변수에 따라서 절삭 공정을 수행할 수 있는 것이다.
사이버 공장(120)은 물리적으로 수행되는 공정을 계획하고, 공정 변수를 결정하며, 컴퓨팅 장치내에 구현되는 물리적 공장을 모사한 공장으로서, 공정 관리 장치(121) 및 예측 모델 저장부(130)를 포함한다. 공정 관리 장치(121)는 공정 계획 및 공정 변수를 결정하기 위해 기계 학습을 이용하며, 설비 장치(111)의 공정 수행 결과에 따른 공정 데이터를 공정 데이터 저장부(140)로부터 제공받아 학습을 수행한다. 다양한 공정 계획 중에서, 공정 관리 장치(121)는 일예로서, 설비 장치(111)의 성과 지표를 예측하여 최대 성과를 나타내는 설비 장치(111)에 의해 공정이 수행되도록 공정 계획을 결정할 수 있다.
공정 데이터는 공정 조건별 공정 변수에 따라서 설비 장치가 공정을 수행한 결과 얻어지는 성과 지표에 대한 데이터로서, 공정 조건, 공정 조건별 공정 변수, 성과 지표에 대한 데이터를 포함한다. 공정 관리 장치(121)는 공정 데이터를 이용하여 공정 조건별 공정 변수에 대해 설비 장치별 성과 지표를 학습함으로써, 예측 모델을 생성할 수 있다. 일실시예로서, 다양한 기계 학습 알고리즘이 적용될 수 있으며, 예측 모델은 인공 신경망일 수 있다.
따라서, 공정 관리 장치(121)는 예측 모델을 이용하여 입력된 타겟 공정 조건별 공정 변수에 따른 설비 장치별 성과 지표를 예측할 수 있으며, 예측된 성과 지표가 가장 우수한 설비 장치에 의해 타겟 공정 조건에 따른 공정이 수행되도록 공정 계획을 수립할 수 있다. 성과 지표는 공정 계획을 수립하기 위해 이용되는 지표로서, 일실시예로서, 설비 장치의 에너지 소비량, 공정 수행 시간, 공정 수행 비용 또는 생산 품질일 수 있다. 에너지 소비량, 공정 수행 시간 및 공정 수행 비용이 적을수록, 그리고 생산 품질이 우수할수록 성과 지표가 우수한 것으로 평가될 수 있다.
생성된 예측 모델은 예측 모델 저장부(130)에 저장되며, 공정 관리 장치(121)는 입력된 타겟 공정 조건에 대한 공정 데이터로부터 학습된 예측 모델을, 예측 모델 저장부(130)로부터 제공받아, 타겟 공정 조건에 대한 설비 장치별 성과 지표를 예측할 수 있다.
한편, 타겟 공정 조건에 대한 공정 데이터가 존재하지 않거나 적으면 기계 학습에 필요한 훈련 데이터 셋이 존재하지 않거나 부족한 것이므로, 이러한 상황에서 공정 관리 장치(121)는 기계 학습 방법의 하나인 전이 학습(transfer learning)에 기반하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 예측 모델을 생성할 수 있다. 즉, 공정 관리 장치(121)는 타겟 공정 조건과 유사한 공정 조건에 대한 공정 데이터로부터 학습된 예측 모델을 이용하여, 타겟 공정 조건에 대한 예측 모델을 생성하는 것이다.
전이 학습을 이용하여 예측 모델을 생성하는 방법은 도 2 및 도 3에서 보다 자세히 설명하기로 한다.
공정 변수는 설비 장치에 대한 파리미터로서, 예컨대 절삭 공정에서 설비 장치의 공정 변수로 가공 속도, 주축회전수 및 절삭 깊이가 있을 수 있다. 이러한 공정 변수는 설비 장치의 특성에 따라서 결정되거나 또는 설비 장치가 수행할 수 있는 공정 변수 범위내에서 작업자의 경험 및 지식에 의존하여 결정될 수 있다.
도 2는 본 발명의 일실시예에 따른 전이 학습을 이용한 공정 관리 방법을 설명하기 위한 흐름도이다.
본 발명에 따른 공정 관리 방법은, 입력된 타겟 공정 조건에 따라서 공정을 수행할 설비 장치를 결정하는 방법에 관한 것으로서, 최대 성과 지표를 나타낸는 설비 장치를 공정을 수행할 설비로 결정할 수 있다. 또한 설비 장치의 결정은 기계 학습을 통해 생성된 예측 모델을 통해 이루어질 수 있는데, 타겟 공정 조건에 대한 예측 모델이 존재하지 않으며 타겟 공정 조건에 대한 예측 모델을 생성할만큼 훈련 데이터 셋이 충분하지 않은 경우, 본 발명에 따른 공정 관리 방법은, 전이 학습에 기반하여 미리 생성된 레퍼런스 공정 조건에 대한 예측 모델로부터 타겟 공정 조건에 대한 예측 모델을 생성할 수 있다.
본 발명에 따른 공정 관리 방법은, 전술된 공정 관리 장치와 같은 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 이하에서는 공정 관리 장치에서 수행되는 공정 관리 방법이 일실시예로서 설명된다.
본 발명에 따른 공정 관리 장치는 레퍼런스 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델로부터, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성(S210)한다. 공정 조건은 절삭 공정, 반도체 공정 또는 자동차 조립 공정, 철강 제조 공정 또는 사출 금형 공정 등 다양한 공정에 대한 공정 조건일 수 있으며, 공정 조건은 가공 소재, 가공 형상, 가공 공정 및 가공 전략 중 적어도 하나를 포함할 수 있다.
단계 S210에서, 제1예측 모델은 공정 관리 장치가 제1공정 데이터를 훈련 데이터 셋으로 이용하여, 생성한 예측 모델이다. 제1공정 데이터는 레퍼런스 공정 조건별 공정 변수에 따른 설비 장치의 성과 지표에 대한 데이터로서, 레퍼런스 공정 조건에 대한 공정 데이터라고 할 수 있다.
레퍼런스 공정 조건은 예측 모델을 생성할 수 있을만큼 충분한 훈련 데이터 셋이 존재하는 공정 조건으로서, 공정 관리 장치는 제1공정 데이터를 이용하여 제1예측 모델을 미리 생성하여 저장할 수 있다. 즉, 설비 장치들이 레퍼런스 공정 조건별 공정 변수에 따라서 공정을 다수 수행한 경우, 많은 훈련 데이터 셋이 생성되므로, 공정 관리 장치는 제1공정 데이터를 이용하여 제1예측 모델을 생성할 수 있다.
그리고 공정 관리 장치는 제2공정 데이터량이 임계량 이하이며, 특히 제2공정 데이터가 존재하지 않는 경우, 제1예측 모델과 같이 제2공정 데이터를 훈련 데이터 셋으로 이용하여 제2예측 모델을 생성할 수 없으므로, 제1예측 모델을 이용하여 제2예측 모델을 생성한다. 여기서, 제2공정 데이터는 타겟 공정 조건별 공정 변수에 따른 설비 장치의 성과 지표에 대한 데이터로서, 타겟 공정 조건에 대한 공정 데이터라고 할 수 있다.
예컨대, 본 발명에 따른 공정 관리 방법이, 절삭 공정에 적용될 경우, [표 1]과 같이, 공정 조건이 주어질 수 있는데, 입력된 타겟 공정 조건이 레퍼런스 공정 조건과 다르면, 공정 관리 장치는 제2예측 모델을 생성하여 설비 장치를 결정해야 한다. 하지만, 제2공정 데이터가 존재하지 않으면, 제2공정 데이터를 이용하여 제2예측 모델을 생성할 수 없으므로, 공정 관리 장치는 제1예측 모델로부터 제2예측 모델을 생성하는 것이다.
레퍼런스 공정 조건 타겟 공정 조건
Figure 112019008879567-pat00001
Figure 112019008879567-pat00002
본 발명에 따른 공정 관리 장치는 제2예측 모델을 이용하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측(S220)하고, 예측된 성과 지표에 따라서, 타겟 공정 조건에 따라 공정을 수행할 설비 장치를 결정(S230)한다.단계 S230에서 공정 관리 장치는 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여 설비 장치를 결정할 수 있으며, 여기서, 미리 주어진 성과 지표는 미리 주어진 성과 지표 조건은, 최대 성과 지표에 대응될 수 있다. 즉, 최대 성과 지표를 나타내는 설비 장치가, 타겟 공정 조건에 따라 공정을 수행할 설비 장치로 결정될 수 있으며, 일실시예로서 공정 관리 장치는 에너지 소비량이 최소가 되는 설비 장치를 결정할 수 있다.
결국, 본 발명에 따르면 예측 모델 생성을 위한 훈련 데이터 셋이 충분하지 않은 경우에도, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측할 수 있는 예측 모델을 생성할 수 있다.
도 3은 본 발명의 일실시예에 따른 전이 학습 기반의 예측 모델 생성 방법을 설명하기 위한 도면이다.
단계 S210에서 공정 관리 장치는 제2예측 모델을 생성하기 위해, 공정 조건의 유사도를 이용한다. 즉, 공정 관리 장치는 다양한 레퍼런스 공정 조건 중에서, 타겟 공정 조건과 가장 유사한 레퍼런스 공정 조건에 대한 공정 데이터로부터 얻어진 제1예측 모델을 이용하여 제2예측 모델을 생성한다.
이 때, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건이 하나인지 아니면 복수개인지에 따라서, 예측 모델을 생성하는 방법이 달라질 수 있다. 이하, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건이 하나인 경우 예측 모델을 생성하는 방법을 복제 방법, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건이 복수개인 경우 예측 모델을 생성하는 방법을 경합 방법으로 칭하기로 한다.
<복제 방법>
공정 관리 장치는 레퍼런스 공정 조건과, 타겟 공정 조건의 유사도를 판단하고, 최대 유사도를 나타내는 레퍼런스 공정 조건의 제1예측 모델을 제2예측 모델로 결정한다. 도 3(a)에 도시된 바와 같이, 제1예측 모델이 복제(cloning)되어 제2예측 모델이 되며, 다시 말해 제1예측 모델이 그대로 제2예측 모델이 된다.
일실시예로서 다양한 공정 조건에 따라서 유사도가 미리 결정된 테이블에 기반하여, 레퍼런스 공정 조건과, 타겟 공정 조건의 유사도가 판단될 수 있다.
예컨대, [표 2]와 같이, 가공 전략(Strategy)이라는 공정 조건 사이의 유사도가 미리 결정될 수 있으며, [표 2]에서 High는 유사도가 높음을 Low는 유사도가 낮음을 나타낸다.
Figure 112019008879567-pat00003
제1레퍼런스 공정 조건 중 가공 전략이 Spiral이고, 제2레퍼런스 공정 조건 중 가공 전략이 Contour이고, 타겟 공정 조건 중 가공 전략이 Unidirectional Y-axis라면, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건은 제1레퍼런스 공정 조건이다.
따라서, 공정 관리 장치는 제1레퍼런스 공정 조건에 대한 공정 데이터로부터 얻어진 제1예측 모델을 제2예측 모델로 결정할 수 있다.
<경합 방법>
공정 관리 장치는 레퍼런스 공정 조건과, 타겟 공정 조건의 유사도를 판단하고, 최대 유사도를 나타내는 레퍼런스 공정 조건이 복수개인 경우, 미리 설정된 규칙에 따라서 하나의 레퍼런스 공정 조건을 선택한다. 그리고 선택된 레퍼런스 공정 조건의 제1예측 모델을 제2예측 모델로 결정한다. 즉, 도 3(b)에 도시된 바와 같이, 복수의 제1예측 모델 사이의 경합(competing)을 통해 하나의 제1예측 모델이 선택되며, 경합을 통해 선택된 제1예측 모델이 그대로 제2예측 모델이 된다.
여기서, 미리 설정된 규칙은 기본값(default), 설비 장치의 작업자의 선호도(preference) 또는 상대적 유사도(likeness)일 수 있다.
예컨대, [표 2]를 참조하여, 제1레퍼런스 공정 조건 중 가공 전략이 Spiral이고, 제2레퍼런스 공정 조건 중 가공 전략이 Contour이고, 타겟 공정 조건 중 가공 전략이 Bidirectional X-axis라면, 제1 및 제2레퍼런스 공정 조건 모두 타겟 공정 조건과 최대 유사도를 나타낸다. 이 때, 공정 관리 장치는 기본값, 설비 장치의 작업자의 선호도, 또는 상대적 유사도에 따라서 제1 및 제2레퍼런스 공정 조건 중 하나를 선택할 수 있다.
또는 공정 관리 장치는 공정 조건에 할당된 가중치에 따라서 레퍼런스 공정 조건을 선택할 수도 있다. 예컨대, [표 1]과 같이 4개의 공정 조건이 이용되는 상황에서 공정 조건 각각에 대해 서로 다른 가중치가 할당될 수 있다. 따라서, 보다 높은 가중치가 할당된 공정 조건의 유사도가 높을수록, 타겟 공정 조건과 가장 유사한 레퍼런스 공정 조건으로 선택될 가능성도 높아질 수 있다.
도 4는 본 발명의 일실시예에 따른 기계 학습을 이용하는 공정 관리 장치를 설명하기 위한 도면이다.
도 4를 참조하면 본 발명에 따른 공정 관리 시스템은 공정 관리 장치(121), 예측 모델 저장부(130) 및 공정 데이터 저장부(140)를 포함한다. 그리고 공정 관리 장치(121)는 제품 에이전트(410), 설비 에이전트(420), 주문 에이전트(430)를 포함하며, 실시예에 따라서, 데이터 브로커 에이전트(441) 및 모델 브로커 에이전트(442)를 포함하는 지원 에이전트(440)를 더 포함할 수 있다.
제품 에이전트(410)는 생산되어야 할 제품의 정보를 각 제품별로 표현하기 위한 에이전트로서, 작업 요청 및 작업 진행 감시, 작업 제안(bidding) 결과 수령의 기능 등을 수행한다.
주문 에이전트(430)는 상위 시스템으로부터 하달된 주문을 표현하기 위한 에이전트로서, 생산되어야 할 제품과 생산할 설비 장치를 연결시켜주는 역할을 수행하며, 작업 공시, 작업제안 평가 및 선별, 작업 할당, 작업 진행감시 및 보고 기능 등을 수행한다.
설비 에이전트(420)는 물리적 공장의 각 설비 장치를 표현하기 위한 에이전트로서, 예측 모델 생성, 공시작업 가용성 점검, 예측모델 요청 및 수령, 예측기반 작업제안서 생성 및 전달, 작업 수령 및 실행 기능 등을 수행한다.
데이터 브로커 에이전트(441)는 제품, 주문, 설비 에이전트들(410, 420, 430)과 공정 데이터 저장부(140)간의 중개자로서, 제품, 주문, 설비 에이전트들(410, 420, 430)이 훈련 데이터 셋을 취득하는 것을 지원한다. 또한 제품, 주문, 설비 에이전트들(410, 420, 430)이 필요로하는 공정데이터를 취득하는 것을 지원한다.
제품, 주문, 설비 에이전트들(410, 420, 430)은 요청할 공정 데이터의 메타데이터를 생성하여 데이터 브로커 에이전트(441)에 넘겨준다. 데이터 브로커 에이전트(441)는 메타데이터 기반 탐색 방식을 통하여 해당 공정 데이터를 요청했던 제품, 주문, 설비 에이전트들(410, 420, 430)에게 전달한다. 예를 들어, 예측 모델의 메타데이터는 [표 2]와 같은 형태일 수 있다.
모델 브로커 에이전트(442)는 제품, 주문, 설비 에이전트들(410, 420, 430)과 예측 모델 저장부(130)간의 중개자 역할을 한다. 제품, 주문, 설비 에이전트들(410, 420, 430)이 취득한 공정 데이터를 이용하여 예측 모델을 생성하면, 모델 브로커 에이전트(442)를 통하여 모델 저장소에 예측 모델이 저장된다. 또한, 제품, 주문, 설비 에이전트들(410, 420, 430)이 예측 모델의 사용을 필요로하면, 예측 모델 저장부(130)에서 해당 모델을 검색하여 전달한다. 마찬가지로, 예측 모델의 메타데이터를 이용하여 예측 모델의 요청, 검색 및 전달을 수행한다.
이러한 공정 관리 시스템을 본 발명의 일실시예인 예측 모델 생성 및 설비 장치 선택 방법의 측면에서 설명하면 다음과 같다.
제품 에이전트(410)는 제1공정 조건을 포함하는 공정 작업(task)을 요청하며, 설비 에이전트(420)는 공정 작업 요청에 따라서, 기계 학습 기반의 제1예측 모델을 이용하여, 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측한다. 주문 에이전트(430)는 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 제1공정 조건에 따라 공정을 수행할 설비 장치를 선택한다.
예측 모델 저장부(130)는 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 예측 모델을 저장하며, 공정 데이터 저장부(140)는 공정 조건별 공정 변수에 따른 설비 장치의 성과 지표에 대한 데이터인 공정 데이터를 저장한다.
모델 브로커 에이전트(442)는 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제1예측 모델을 예측 모델 저장부(130)에서 설비 에이전트(420)로 전달한다.
데이터 브로커 에이전트(441)는 제1공정 데이터를 공정 데이터 저장부(140)에서 설비 에이전트(420)로 전달한다.
설비 에이전트(420)는 제1공정 데이터에 기반하여, 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델을 생성할 수 있으며, 모델 브로커 에이전트(442)는 제1예측 모델을 예측 모델 저장부(130)로 전달할 수 있다.
또한 설비 에이전트(420)는 제2공정 데이터량이 임계량 이하인 경우, 예컨대, 제2공정 데이터량이 매우 부족하거나 존재하지 않는 경우, 제1예측 모델을 이용하여 제2공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성할 수 있다.
여기서, 제1공정 조건은, 복수의 공정 조건 중, 제2공정 조건과 최대 유사도를 나타내는 공정 조건에 대응된다. 다시 말해, 설비 에이전트(420)는 제2공정 조건과 최대 유사도를 나타내는 공정 조건의 제1예측 모델로부터 제2예측 모델을 생성한다.
앞서 설명한 기술적 내용들은 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 실시예들을 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. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (13)

  1. 레퍼런스 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델로부터, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성하는 단계;
    상기 제2예측 모델을 이용하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 단계; 및
    상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 타겟 공정 조건에 따라 공정을 수행할 설비 장치를 결정하는 단계
    를 포함하는 전이 학습을 이용한 공정 관리 방법.
  2. 제 1항에 있어서,
    상기 제2예측 모델을 생성하는 단계는
    상기 레퍼런스 공정 조건과, 상기 타겟 공정 조건의 유사도를 판단하는 단계; 및
    최대 유사도를 나타내는 레퍼런스 공정 조건의 제1예측 모델을 상기 제2예측 모델로 결정하는 단계
    를 포함하는 전이 학습을 이용한 공정 관리 방법.
  3. 제 1항에 있어서,
    상기 제2예측 모델을 생성하는 단계는
    상기 레퍼런스 공정 조건과, 상기 타겟 공정 조건의 유사도를 판단하는 단계;
    최대 유사도를 나타내는 레퍼런스 공정 조건이 복수개인 경우, 미리 설정된 규칙에 따라서 하나의 레퍼런스 공정 조건을 선택하는 단계; 및
    상기 선택된 레퍼런스 공정 조건의 제1예측 모델을 상기 제2예측 모델로 결정하는 단계
    를 포함하는 전이 학습을 이용한 공정 관리 방법.
  4. 제3항에 있어서,
    상기 레퍼런스 공정 조건을 선택하는 단계는
    상기 설비 장치의 작업자의 선호도 또는 상기 공정 조건에 할당된 가중치에 따라서, 상기 레퍼런스 공정 조건을 선택하는
    전이 학습을 이용한 공정 관리 방법.
  5. 제 1항에 있어서,
    제1공정 데이터를 이용하여, 상기 제1예측 모델을 생성하는 단계를 더 포함하며,
    상기 제2예측 모델을 생성하는 단계는
    제2공정 데이터량이 임계량 이하인 경우, 상기 제1예측 모델을 이용하여 상기 제2예측 모델을 생성하며,
    상기 제1공정 데이터는 상기 레퍼런스 공정 조건별 공정 변수에 따른 상기 설비 장치의 성과 지표에 대한 데이터이며,
    상기 제2공정 데이터는 상기 타겟 공정 조건별 공정 변수에 따른 상기 설비 장치의 성과 지표에 대한 데이터인
    전이 학습을 이용한 공정 관리 방법.
  6. 제 1항에 있어서,
    상기 성과 지표는
    상기 설비 장치의 에너지 소비량, 공정 수행 시간, 공정 수행 비용 또는 생산 품질인
    전이 학습을 이용한 공정 관리 방법.
  7. 제 1항에 있어서,
    상기 공정 조건은
    절삭 공정, 반도체 공정, 자동차 조립 공정, 철강 제조 공정 또는 사출금형 공정에 대한 공정 조건인
    전이 학습을 이용한 공정 관리 방법.
  8. 제 7항에 있어서,
    상기 절삭 공정의 공정 조건은
    가공 소재, 가공 형상, 가공 공정 및 가공 전략 중 적어도 하나를 포함하는
    전이 학습을 이용한 공정 관리 방법.
  9. 제1공정 조건을 포함하는 공정 작업을 요청하는 제품 에이전트;
    기계 학습 기반의 제1예측 모델을 이용하여, 상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 설비 에이전트;
    상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 제1공정 조건에 따라 공정을 수행할 설비 장치를 선택하는 주문 에이전트
    를 포함하는 기계 학습을 이용하는 공정 관리 장치.
  10. 제 9항에 있어서,
    상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 상기 제1예측 모델을 예측 모델 저장부에서 상기 설비 에이전트로 전달하는 모델 브로커 에이전트; 및
    제1공정 데이터를 공정 데이터 저장부에서 상기 설비 에이전트로 전달하는 데이터 브로커 에이전트를 더 포함하며,
    상기 제1공정 데이터는 상기 제1공정 조건별 공정 변수에 따른 상기 설비 장치의 성과 지표에 대한 데이터인
    기계 학습을 이용하는 공정 관리 장치.
  11. 제 10항에 있어서,
    상기 설비 에이전트는
    상기 제1공정 데이터에 기반하여, 상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 상기 제1예측 모델을 생성하며,
    상기 모델 브로커 에이전트는
    상기 제1예측 모델을 상기 예측 모델 저장부로 전달하는
    기계 학습을 이용하는 공정 관리 장치.
  12. 제 10항에 있어서,
    상기 설비 에이전트는
    제2공정 데이터량이 임계량 이하인 경우, 상기 제1예측 모델을 이용하여 제2공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성하며,
    상기 제2공정 데이터는 상기 제2공정 조건별 공정 변수에 따른 상기 설비 장치의 성과 지표에 대한 데이터인
    기계 학습을 이용하는 공정 관리 장치.
  13. 제 12항에 있어서,
    상기 제1공정 조건은
    복수의 공정 조건 중, 상기 제2공정 조건과 최대 유사도를 나타내는 공정 조건인
    기계 학습을 이용하는 공정 관리 장치.
KR1020190009460A 2018-11-28 2019-01-24 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 KR102229859B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180149144 2018-11-28
KR1020180149144 2018-11-28

Publications (2)

Publication Number Publication Date
KR20200068534A KR20200068534A (ko) 2020-06-15
KR102229859B1 true KR102229859B1 (ko) 2021-03-19

Family

ID=71081824

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190009460A KR102229859B1 (ko) 2018-11-28 2019-01-24 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102229859B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102292703B1 (ko) * 2020-07-02 2021-08-23 주식회사 마키나락스 피처 셋 정보에 기초한 전이 학습 방법
KR102381925B1 (ko) * 2020-07-31 2022-03-31 경희대학교 산학협력단 개인화된 감정 인식을 위한 강인한 화자 적응 모델링 방법 및 그 장치
KR102321440B1 (ko) 2020-09-10 2021-11-02 연세대학교 산학협력단 이질적 다변량 시변 데이터를 이용한 이상 감지 장치 및 방법
KR102527718B1 (ko) * 2020-11-06 2023-05-03 삼성전기주식회사 렌즈모듈 조립 최적화 방법
KR20220148029A (ko) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 기계학습 기반 공작기계 이상진단 모델 업데이트 시스템 및 방법
US11791184B2 (en) 2021-07-26 2023-10-17 Samsung Electronics Co., Ltd. Semiconductor fabrication process and method of optimizing the same

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101846793B1 (ko) 2017-10-17 2018-04-06 부경대학교 산학협력단 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102049049B1 (ko) * 2016-09-07 2019-11-26 한국전자통신연구원 사물 인터넷 환경에서의 미래 예측 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101846793B1 (ko) 2017-10-17 2018-04-06 부경대학교 산학협력단 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템

Also Published As

Publication number Publication date
KR20200068534A (ko) 2020-06-15

Similar Documents

Publication Publication Date Title
KR102229859B1 (ko) 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
Dong et al. Task scheduling based on deep reinforcement learning in a cloud manufacturing environment
EP3462268B1 (en) Classification modeling for monitoring, diagnostics optimization and control
JP7047625B2 (ja) プロキシコンピュータを選択するためのシステムおよび方法
Adjoul et al. Algorithmic strategy for optimizing product design considering the production costs
CN114064932A (zh) 曲面类零件铣削工艺系统数据集成和挖掘方法及装置
US10698380B2 (en) Numerical controller
CN114185761A (zh) 日志采集方法、装置及设备
CN113762514B (zh) 数据处理方法、装置、设备及计算机可读存储介质
CN104081298A (zh) 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法
Woo et al. Developing a big data analytics platform for increasing sustainability performance in machining operations
CN112668223B (zh) 基于数字孪生轻量化模型的机电装备仿真方法及系统
CN114581220A (zh) 数据处理方法、设备及分布式计算系统
Jiang et al. Improved heuristic algorithm for modern industrial production scheduling
Zhong et al. Sequencing problem for a hull mixed-model assembly line considering manufacturing complexity
KR102392359B1 (ko) 인공지능 기반의 하이퍼오토메이션 솔루션 시스템
KR102425731B1 (ko) 인공지능 기반의 하이퍼오토메이션 솔루션을 위한 프로세스 실행 요청 에이전트 시스템
CN114615144B (zh) 网络优化方法及系统
Drobintsev et al. Approach to adaptive control of technological manufacturing processes of IoT metalworking workshop
CN113657844B (zh) 任务处理流程的确定方法及装置
CN114254764B (zh) 基于反馈的机器学习模型搜索方法、系统、设备及介质
CN116643547B (zh) 生产系统的调控方法、生产系统、电子设备及存储介质
CN116882104B (zh) 机床薄弱环节的识别方法、装置、电子设备及存储介质
CN116400905B (zh) 一种用于调控多设备的代码自动生成方法及相关设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant