KR102265235B1 - Machine Learning System using Big Data - Google Patents

Machine Learning System using Big Data Download PDF

Info

Publication number
KR102265235B1
KR102265235B1 KR1020190012401A KR20190012401A KR102265235B1 KR 102265235 B1 KR102265235 B1 KR 102265235B1 KR 1020190012401 A KR1020190012401 A KR 1020190012401A KR 20190012401 A KR20190012401 A KR 20190012401A KR 102265235 B1 KR102265235 B1 KR 102265235B1
Authority
KR
South Korea
Prior art keywords
unit
data
process conditions
manufacturing facility
driving record
Prior art date
Application number
KR1020190012401A
Other languages
Korean (ko)
Other versions
KR20200101520A (en
Inventor
김진
차애리
강동주
김지항
이혜민
이정철
Original Assignee
상명대학교 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 상명대학교 산학협력단 filed Critical 상명대학교 산학협력단
Priority to KR1020190012401A priority Critical patent/KR102265235B1/en
Publication of KR20200101520A publication Critical patent/KR20200101520A/en
Priority to KR1020210072076A priority patent/KR102448974B1/en
Application granted granted Critical
Publication of KR102265235B1 publication Critical patent/KR102265235B1/en

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

제조설비(200)에 의해 수집되는 운행기록 데이터를 이용하여 제조 공정 상태와 예기치 장애를 연산하고, 제조설비(200)를 제어함으로써 공정 조건을 적응적으로 관제하되, 상기 기계학습 시스템(100)은 상기 제조설비(200)에 의해 수집된 운행기록 데이터를 요청하고 수신하는 데이터송수신부(110); 와 상기 데이터송수신부(110)로부터 수신한 운행기록 데이터를 저장하는 데이터베이스(120); 와 상기 데이터베이스(120)에 저장 된 운행기록 데이터를 정제하고, 정제된 데이터를 기준으로 통계 데이터를 산출하는 분석부(130);와 상기 분석부(130);를 통해 수집된 통계 데이터를 기반으로 공정 결과 변화량에 영향을 미치는 공정조건을 적응적으로 관제하는 학습부(140);를 포함함으로써 효율적인 공정 조건을 도출하여 스마트 공장을 구현할 수 있으며, 또한 제조 설비 부하 및 설비고장 등의 장애를 예측하고 방지함으로써 수율 향상 및 품질 관리를 통한 생산성을 향상할 수 있는 빅 데이터를 활용한 기계학습 시스템에 관한 것이다.The manufacturing process state and unexpected failure are calculated using the driving record data collected by the manufacturing facility 200, and process conditions are adaptively controlled by controlling the manufacturing facility 200, but the machine learning system 100 is a data transmission/reception unit 110 for requesting and receiving the driving record data collected by the manufacturing facility 200; And a database 120 for storing the driving record data received from the data transmission and reception unit (110); and an analysis unit 130 that refines the driving record data stored in the database 120 and calculates statistical data based on the refined data; and the analysis unit 130; based on the statistical data collected through By including a learning unit 140 that adaptively controls process conditions affecting the amount of change in process results, it is possible to implement a smart factory by deriving efficient process conditions, and also predict failures such as manufacturing equipment load and equipment failure, and It relates to a machine learning system using big data that can improve productivity through yield improvement and quality control by preventing it.

Description

빅 데이터를 활용한 기계학습 시스템.{Machine Learning System using Big Data}{Machine Learning System using Big Data}

본 발명은 빅 데이터를 활용한 기계학습 시스템에 관한 것으로서, 더욱 상세하게는 제조설비에서 실시간으로 수집되는 운행기록 데이터를 통해 제조 공정 조건을 적응적으로 관제할 수 있는 확률기반의 기계학습 시스템에 관한 것이다.The present invention relates to a machine learning system using big data, and more particularly, to a probability-based machine learning system that can adaptively control manufacturing process conditions through operation record data collected in real time from manufacturing facilities. will be.

스마트 공장을 구현하는데 필요한 핵심 4대 기술은 "빅데이터, 클라우드, 인공지능, 로봇"이며, 또한 스마트 공장을 구현하는 주요한 특징은 연결성, 유연성, 지능성이라고 할 수 있다.The four core technologies required to implement a smart factory are “big data, cloud, artificial intelligence, and robot”, and the main characteristics of implementing a smart factory are connectivity, flexibility, and intelligence.

상기에서 연결성은 제조와 관련된 모든 과정을 실시간으로 연결하여 관리함을 의미하고, 또한 상기 유연성은 제조 환경 변동성에 유연한 대응을 위한 데이터 기반 의사 결정을 의미한다. In the above connection, all manufacturing-related processes are connected and managed in real time, and the flexibility refers to data-based decision making for flexible responses to variability in the manufacturing environment.

그리고 상기 지능성은 검증되지 않은 인적 개입을 최소화하여 품질의 균일성과 운영의 최적화를 완성함에 그 의미를 두고 있다.And the intelligence has its meaning in completing uniformity of quality and optimization of operation by minimizing unverified human intervention.

근래에는 상기와 같은 스마트 공장을 구현하기 위해서 제조 현장에서 발생하는 기존의 제조운영 관리 데이터를 수집/관리/분석 하고 그 결과를 통합하여 데이터 분석하되, 분석된 결과를 기반으로 기계학습 모형 구축한다.In recent years, in order to implement the smart factory as described above, the existing manufacturing operation management data generated at the manufacturing site is collected/managed/analyzed, and the results are integrated and data analysis is performed, but a machine learning model is built based on the analyzed results.

종래 스마트공장의 가치를 달성하기 위한 일 예로 국내 특허 제 10-2016-0171549호를 참조하면, 공정 장치를 모듈화 함으로써 모듈 단위의 조합을 가능하도록 하는 표준 블록 장치를 제공한다.Referring to Korean Patent No. 10-2016-0171549 as an example for achieving the value of a conventional smart factory, a standard block device that enables module unit combination by modularizing the process device is provided.

그러나 중소규모의 제조업에서는 이러한 스마트공장의 가치를 달성하기 위하여 기존의 설비에 추가적인 모듈을 설치하거나, 새로운 설비로 교체함에 따라 비용적, 시스템적 위험요소가 발생하게 된다.However, in small and medium-sized manufacturing industries, cost and systemic risk factors arise as additional modules are installed in existing facilities or replaced with new facilities in order to achieve the value of such a smart factory.

따라서 기존의 설비와 기존 시스템을 교체하지 않고 스마트 공장의 가치를 달성하기 위해서는 상기 기존의 설비 및 시스템으로부터 획득되는 데이터를 이용한 확률기반의 기계학습 시스템의 개발이 요구되고 있는 실정이다.Therefore, in order to achieve the value of a smart factory without replacing existing facilities and systems, the development of a probability-based machine learning system using data obtained from the existing facilities and systems is required.

본 발명은 상술한 문제점을 해결하기 위한 것으로서, 기존의 제조설비에 추가적인 모듈을 장착하지 않고도 제조설비에서 실시간으로 수집되는 운행기록 데이터를 수집/관리/분석하고 제조공정 상태와 예기치 장애를 예측하되, 제조 공정 조건을 적응적으로 관제할 수 있는 빅 데이터를 활용한 기계학습 시스템을 제공하고자 하는데 그 목적이 있다.The present invention is to solve the above problems, and collects / manages / analyzes the driving record data collected in real time at the manufacturing facility without installing an additional module in the existing manufacturing facility, and predicts the manufacturing process state and unexpected failure, The purpose is to provide a machine learning system using big data that can adaptively control manufacturing process conditions.

그러나 본 발명의 목적은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.However, the object of the present invention is not limited to the above-mentioned object, and another object not mentioned will be clearly understood by those skilled in the art from the following description.

상기 목적을 달성하기 위하여, 본 발명은 제조설비(200)에 의해 수집되는 운행기록 데이터를 이용하여 제조 공정 상태와 예기치 장애를 연산하고, 제조설비(200)를 제어함으로써 공정 조건을 적응적으로 관제한다.In order to achieve the above object, the present invention calculates the manufacturing process state and unexpected failure by using the driving record data collected by the manufacturing facility 200 , and adaptively controls the process conditions by controlling the manufacturing facility 200 . do.

또한 상기 제조설비(200)는 강철 및 원료를 공급하는 공급부(210);와 상기 공급부(210)를 통해 공급되는 강철 및 원료를 융용시키는 융용부(220);와 상기 강철 및 원료의 상태를 지속적으로 확인하여 운행기록 데이터를 수집하는 센서부(230);를 포함한다.In addition, the manufacturing facility 200 includes a supply unit 210 for supplying steel and raw materials; and a melting unit 220 for melting the steel and raw materials supplied through the supply unit 210; and continuously maintaining the state of the steel and raw materials. and a sensor unit 230 that collects driving record data by confirming it as .

또한 상기 기계학습 시스템(100)은 상기 제조설비(200)에 의해 수집된 운행기록 데이터를 요청하고 수신하는 데이터송수신부(110); 와 상기 데이터송수신부(110)로부터 수신한 운행기록 데이터를 저장하는 데이터베이스(120); 와 상기 데이터베이스(120)에 저장 된 운행기록 데이터를 정제하고, 정제된 데이터를 기준으로 통계 데이터를 산출하는 분석부(130);를 포함한다.In addition, the machine learning system 100 includes a data transmission and reception unit 110 for requesting and receiving the driving record data collected by the manufacturing facility 200; And a database 120 for storing the driving record data received from the data transmission and reception unit (110); and an analysis unit 130 that refines the driving record data stored in the database 120 and calculates statistical data based on the refined data.

그리고 상기 데이터 송수신부는 일정 시간마다 실시간으로 상기 제조설비(200)에 상기 운행기록 데이터를 요청하고 수신하되, 상기 운행기록데이터;는 상기 공급부(210)를 통해 공급되는 강철 및 원료의 종류 및 불순물 함유량과 상기 융용부(220)에서 수집되는 외부환경 정보를 포함하는 공정요인데이터; 및 공정결과 데이터;를 포함한다.In addition, the data transmitting and receiving unit requests and receives the driving record data from the manufacturing facility 200 in real time every predetermined time, and the driving record data; is the type and impurity content of steel and raw materials supplied through the supply unit 210 . and process factor data including external environment information collected by the melting unit 220; and process result data.

또한 상기 분석부(130);를 통해 수집된 통계 데이터를 기반으로 공정 결과 변화량에 영향을 미치는 공정조건을 적응적으로 관제하는 학습부(140);를 더 포함하되In addition, the analysis unit 130; based on the statistical data collected through the learning unit 140 for adaptively controlling the process conditions affecting the amount of change in the process result;

상기 학습부(140);는 상기 통계 데이터를 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정 결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 연산부(141);와 상기 중요 공정 조건에 기초하여 제조설비(200)를 제어하는 제어부(142);를 포함한다.The learning unit 140; and the calculating unit 141 deriving important process conditions affecting the change amount of the process result by analyzing the correlation between the major process factors and the change amount of the process result through the statistical data; and the important process condition and a control unit 142 for controlling the manufacturing facility 200 based on the .

그리고 상기 연산부(141);는 바로 이전 시점(t-1)의 통계데이터와 현재(t)의 통계데이터로부터 변형량을 연산하며 자체 변형량이 발생하는 경우, 변화된 공정 요인을 중요 공정 조건으로 판단하고 상기 제어부(142)에 중요 공정 조건을 송신하되, 상기 제어부(142)는 중요 공정 조건을 조정하며 공정 시뮬레이션을 수행한다.And the calculation unit 141; calculates the amount of deformation from the statistical data of the immediately previous time point (t-1) and the current (t), and when the amount of deformation itself occurs, the changed process factor is determined as an important process condition, and the An important process condition is transmitted to the control unit 142, and the control unit 142 adjusts the important process condition and performs a process simulation.

또한 상기 연산부(141);는 제어부(142)에 의해 조정된 중요 공정 조건의 통계데이터와 조정 전 공정 조건의 통계데이터를 비교하여 공정결과 평균 변형량을 연산하고, 임계값보다 작은 공정결과 평균 변화량에 따른 공정조건을 중요공정조건에서 삭제함으로써 가장 효율적인 자원 활용 공정 조건을 도출한다.In addition, the calculating unit 141; compares the statistical data of the important process conditions adjusted by the control unit 142 with the statistical data of the process conditions before the adjustment to calculate the average amount of deformation of the process result, and to the average amount of change of the process result smaller than the threshold value The most efficient resource utilization process conditions are derived by deleting the process conditions from the important process conditions.

그리고 상기 연산부(141);는 공정에 관해서 상기 제조설비의 부하 및 장애로 인한 이벤트가 발생할 경우, 상기 통계데이터로부터 이벤트가 발생한 시점(Tx)과 이벤트가 발생하기 이전 최초의 시점(Tx-1)의 간의 시간편차를 연산하고 상기 복수의 시간편차 간의 평균값을 도출함으로써 이벤트가 발생하는 시점을 예측한다.And when an event occurs due to the load and failure of the manufacturing facility with respect to the process, the operation unit 141; the time point at which the event occurs (Tx) and the first time point before the event occurs (Tx-1) from the statistical data The timing at which an event occurs is predicted by calculating the time deviation between the two and deriving an average value between the plurality of time deviations.

또한 상기 연산부(141);는 상기 시간편차를 적용하여 상기 이벤트에 영향을 미치는 공정조건을 일정 시간 간격으로 조정하여 제어부(142)에 송신함으로써 공정에 관한 이벤트에 대응할 수 있도록 한다.In addition, the operation unit 141; by applying the time deviation adjusts the process conditions affecting the event at regular time intervals and transmits the adjustment to the control unit 142 to respond to the event related to the process.

본 발명의 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다.The features and advantages of the present invention will become more apparent from the following detailed description taken in conjunction with the accompanying drawings.

이에 앞서 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야 한다.Prior to this, the terms or words used in the present specification and claims should not be construed in a conventional and dictionary meaning, and the inventor may properly define the concept of the term to describe his invention in the best way. Based on the principle that there is, it should be interpreted as meaning and concept consistent with the technical idea of the present invention.

이상에서 살펴본 바와 같이 본 발명에 따르면, 기존의 제조설비에서 수집되는 운행기록데이터를 분석 및 학습하여 가장 효율적인 자원 활용 공정 조건을 도출할 수 있으며 또한 제조 설비 부하 및 설비고장 등의 장애를 예측하고 방지함으로써 수율 향상 및 품질 관리를 통한 생산성을 향상할 수 있는 효과가 있다.As described above, according to the present invention, it is possible to derive the most efficient resource utilization process conditions by analyzing and learning operation record data collected from existing manufacturing facilities, and also to predict and prevent failures such as manufacturing facility loads and facility failures. This has the effect of improving productivity through yield improvement and quality control.

도 1은 본 발명의 기계학습 시스템의 개략적인 구성을 도시한 것이다.
도 2는 본 발명의 기계학습 시스템의 개략적인 흐름을 도시한 흐름도이다.
도 3은 본 발명의 공정결과 평균 변형량 그래프를 도시한 것이다.1 shows a schematic configuration of a machine learning system of the present invention.
2 is a flowchart showing a schematic flow of the machine learning system of the present invention.
3 is a graph showing the average deformation amount of the process result of the present invention.

이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings. In this process, the thickness of the lines or the size of the components shown in the drawings may be exaggerated for clarity and convenience of explanation.

또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 하여 내려져야 할 것이다.In addition, the terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of the user or operator. Therefore, definitions of these terms should be made based on the content throughout this specification.

아울러, 아래의 실시예는 본 발명의 권리범위를 한정하는 것이 아니라 본 발명의 청구범위에 제시된 구성요소의 예시적인 사항에 불과하며, 본 발명의 명세서 전반에 걸친 기술사상에 포함되고 청구범위의 구성요소에서 균등물로서 치환 가능한 구성요소를 포함하는 실시예는 본 발명의 권리범위에 포함될 수 있다.In addition, the following embodiments do not limit the scope of the present invention, but are merely exemplary of the elements presented in the claims of the present invention, and are included in the technical spirit throughout the specification of the present invention and constitute the scope of the claims Embodiments including substitutable elements as equivalents in elements may be included in the scope of the present invention.

첨부된 도 1은 본 발명의 기계학습 시스템의 개략적인 구성을 도시한 것이다.1 is a schematic diagram showing the machine learning system of the present invention.

도 1을 참조하면, 본 발명은 제조설비(200)에 의해 수집되는 운행기록 데이터를 이용하여 제조 공정 상태와 예기치 장애를 연산하고, 제조설비(200)를 제어함으로써 공정 조건을 적응적으로 관제하되, 상기에서 제조설비(200)는 강철 및 원료를 공급하는 공급부(210);와 상기 공급부(210)를 통해 공급되는 강철 및 원료를 융용시키는 융용부(220);와 상기 강철 및 원료의 상태를 지속적으로 확인하여 운행기록 데이터를 수집하는 센서부(230);를 포함한다.Referring to FIG. 1 , the present invention calculates the manufacturing process state and unexpected failure by using the driving record data collected by the manufacturing facility 200 , and adaptively controls the process conditions by controlling the manufacturing facility 200 . , wherein the manufacturing facility 200 includes a supply unit 210 for supplying steel and raw materials; and a melting unit 220 for melting the steel and raw materials supplied through the supply unit 210; and the state of the steel and raw materials. and a sensor unit 230 that continuously checks and collects driving record data.

또한 상기 기계학습 시스템(100)은 상기 제조설비(200)에 의해 수집된 운행기록 데이터를 요청하고 수신하는 데이터송수신부(110); 와 상기 데이터송수신부(110)로부터 수신한 운행기록 데이터를 저장하는 데이터베이스(120); 와 상기 데이터베이스(120)에 저장 된 운행기록 데이터를 정제하고, 정제된 데이터를 기준으로 통계 데이터를 산출하는 분석부(130);와 상기 분석부(130);를 통해 수집된 통계 데이터를 기반으로 공정 결과 변화량에 영향을 미치는 공정조건을 적응적으로 관제하는 학습부(140);를 더 포함한다.In addition, the machine learning system 100 includes a data transmission and reception unit 110 for requesting and receiving the driving record data collected by the manufacturing facility 200; And a database 120 for storing the driving record data received from the data transmission and reception unit (110); and an analysis unit 130 that refines the driving record data stored in the database 120 and calculates statistical data based on the refined data; and the analysis unit 130; based on the statistical data collected through It further includes; the learning unit 140 for adaptively controlling the process conditions affecting the change amount of the process result.

또한 상기 학습부(140);는 상기 통계 데이터를 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정 결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 연산부(141);와 상기 중요 공정 조건에 기초하여 제조설비(200)를 제어하는 제어부(142);를 포함한다.In addition, the learning unit 140; a calculation unit 141 for deriving important process conditions affecting the change amount of the process result by analyzing the correlation between the major process factors and the change amount of the process result through the statistical data; and the important process and a control unit 142 for controlling the manufacturing facility 200 based on the conditions.

첨부된 도 2는 본 발명의 기계학습 시스템의 개략적인 흐름을 도시한 흐름도이다.2 is a flowchart showing a schematic flow of the machine learning system of the present invention.

도 2를 참조하면, 상기 데이터 송수신부는 상기 제조설비(200)에 상기 운행기록 데이터를 요청하고 수신하고, 상기 데이터 송수신부로부터 수신된 운행기록 데이터를 데이터베이스에 저장하되, 상기 분석부는 상기 데이터베이스에 저장 된 데이터를 정제하고 통계데이터를 산출한다.Referring to FIG. 2 , the data transceiver requests and receives the driving record data from the manufacturing facility 200 , and stores the driving record data received from the data transceiver in a database, and the analysis unit stores it in the database The collected data is purified and statistical data are calculated.

상기 데이터 송수신부는 일정 시간마다 실시간으로 상기 제조설비에 운행기록 데이터를 요청함으로써 설비 운영 상황을 정밀하게 관제할 수 있는 것을 특징으로 한다.The data transceiver is characterized in that it is possible to precisely control the operation status of the facility by requesting the operation record data from the manufacturing facility in real time every predetermined time.

또한 상기에서 운행기록데이터;는 상기 공급부(210)를 통해 공급되는 강철 및 원료의 종류 및 불순물 함유량과 상기 융용부(220)에서 수집되는 외부환경 정보를 포함하는 공정요인데이터; 및 공정결과 데이터;를 포함한다.In addition, the operation record data in the above; process factor data including the type and impurity content of the steel and raw material supplied through the supply unit 210, and external environment information collected by the melting unit 220; and process result data.

그리고 상기 연산부(141);는 상기 분석부를통해 산출 된 통계데이터를 이용하여 바로 이전 시점(t-1)의 통계데이터와 현재(t)의 통계데이터로부터 변형량을 연산하되, 이때 자체 변형량이 발생하는 경우, 변화된 공정 요인을 중요 공정 조건으로 판단하고 상기 제어부(142)에 중요 공정 조건을 송신한다.And the calculation unit 141; but using the statistical data calculated through the analysis unit to calculate the amount of deformation from the statistical data of the immediately previous time (t-1) and the current (t), at this time, the amount of self-deformation occurs In this case, the changed process factor is determined as an important process condition and the important process condition is transmitted to the control unit 142 .

그리고 상기 연산부로부터 중요 공정 조건을 수신한 제어부(142)는 중요 공정 조건을 조정하며 공정 시뮬레이션을 수행한다.In addition, the control unit 142 receiving the important process condition from the operation unit adjusts the important process condition and performs a process simulation.

그리고 상기 연산부(141);는 공정에 관해서 상기 제조설비의 부하 및 장애로 인한 이벤트가 발생할 경우, 상기 통계데이터로부터 이벤트가 발생한 시점(Tx)과 이벤트가 발생하기 이전 최초의 시점(Tx-1)의 간의 시간편차를 연산하고 상기 복수의 시간편차 간의 평균값을 도출함으로써 이벤트가 발생하는 시점을 예측하고, 제조설비의 부하 및 비정상 상태를 대응할 수 있으며 인과 관계 분석이 용이한 효과를 가진다.And when an event occurs due to the load and failure of the manufacturing facility with respect to the process, the operation unit 141; the time point at which the event occurs (Tx) and the first time point before the event occurs (Tx-1) from the statistical data By calculating the time deviation between the two and deriving the average value between the plurality of time deviations, it is possible to predict when an event occurs, to cope with the load and abnormal state of the manufacturing facility, and to easily analyze the causal relationship.

또한 상기에서 연산부(141);는 상기 시간편차를 적용하여 상기 이벤트에 영향을 미치는 공정조건을 일정 시간 간격으로 조정하여 제어부(142)에 송신함으로써 공정에 관한 이벤트에 대응할 수 있도록 한다.In addition, the operation unit 141; applies the time deviation to adjust the process conditions affecting the event at regular time intervals and transmits the adjustment to the control unit 142 to respond to the event related to the process.

첨부된 도 3은 본 발명의 공정결과 평균 변형량 그래프를 도시한 것이다.3 is a graph showing the average deformation amount of the process result of the present invention.

도 3을 참조하면 상기 연산부(141);는 제어부(142)에 의해 조정된 중요 공정 조건의 통계데이터와 조정 전 공정 조건의 통계데이터를 비교하여 공정결과 평균 변형량을 연산하고, 임계값보다 작은 공정결과 평균 변화량에 따른 공정조건을 중요공정조건에서 삭제함으로써 가장 효율적인 자원 활용 공정 조건을 도출한다.Referring to FIG. 3 , the calculating unit 141 compares the statistical data of the important process conditions adjusted by the control unit 142 with the statistical data of the process conditions before the adjustment to calculate the average amount of deformation of the process result, and a process smaller than the threshold value. Result The most efficient resource utilization process conditions are derived by deleting the process conditions according to the average change amount from the important process conditions.

이상 본 발명을 구체적인 실시예를 통하여 상세히 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함이 명백하다.Although the present invention has been described in detail through specific examples, this is intended to describe the present invention in detail, and the present invention is not limited thereto, and by those of ordinary skill in the art within the technical spirit of the present invention. It is clear that the modification or improvement is possible.

본 발명의 단순한 변형 내지 변경은 모두 본 발명의 범주에 속하는 것으로 본 발명의 구체적인 보호 범위는 첨부된 특허청구범위에 의해 명확해질 것이다.All simple modifications and variations of the present invention fall within the scope of the present invention, and the specific protection scope of the present invention will be clarified by the appended claims.

100 기계학습 시스템
110 데이터 송수신부
120 데이터베이스
130 분석부
140 학습부
141 연산부
142 제어부
200 제조설비
210 공급부
220 융용부
230 센서부100 machine learning systems
110 data transceiver
120 database
130 analysis unit
140 study
141 arithmetic
142 control
200 manufacturing facilities
210 supply
220 fusion
230 sensor unit

Claims (4)

제조설비(200)에 의해 수집되는 운행기록 데이터를 이용하여 제조 공정 상태와 예기치 장애를 연산하고, 제조설비(200)를 제어함으로써 공정 조건을 적응적으로 관제하며,
상기 제조설비(200)는 강철 및 원료를 공급하는 공급부(210);와
상기 공급부(210)를 통해 공급되는 강철 및 원료를 융용시키는 융용부(220);와
상기 강철 및 원료의 상태를 지속적으로 확인하여 운행기록 데이터를 수집하는 센서부(230);를 포함하며,
또한, 기계학습 시스템(100)은 상기 제조설비(200)에 의해 수집된 운행기록 데이터를 요청하고 수신하는 데이터송수신부(110); 와 상기 데이터송수신부(110)로부터 수신한 운행기록 데이터를 저장하는 데이터베이스(120); 와 상기 데이터베이스(120)에 저장 된 운행기록 데이터를 정제하고, 정제된 데이터를 기준으로 통계 데이터를 산출하는 분석부(130);를 포함하며,
상기 데이터송수신부(110)는 일정 시간마다 실시간으로 상기 제조설비(200)에 상기 운행기록 데이터를 요청하고 수신하되, 상기 운행기록데이터;는 상기 공급부(210)를 통해 공급되는 강철 및 원료의 종류 및 불순물 함유량과 상기 융용부(220)에서 수집되는 외부환경 정보를 포함하는 공정요인데이터; 및 공정결과 데이터;를 포함하며,
또한 상기 분석부(130);를 통해 수집된 통계 데이터를 기반으로 공정 결과 변화량에 영향을 미치는 공정조건을 적응적으로 관제하는 학습부(140);를 더 포함하되
상기 학습부(140);는 상기 통계 데이터를 통해 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정 결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 연산부(141);와 상기 중요 공정 조건에 기초하여 제조설비(200)를 제어하는 제어부(142);를 포함하며,
그리고 상기 연산부(141);는 바로 이전 시점(t-1)의 통계데이터와 현재(t)의 통계데이터로부터 변형량을 연산하며 자체 변형량이 발생하는 경우, 변화된 공정 요인을 중요 공정 조건으로 판단하고 상기 제어부(142)에 중요 공정 조건을 송신하되, 상기 제어부(142)는 중요 공정 조건을 조정하며 공정 시뮬레이션을 수행하고,
또한 상기 연산부(141);는 제어부(142)에 의해 조정된 중요 공정 조건의 통계데이터와 조정 전 공정 조건의 통계데이터를 비교하여 공정결과 평균 변형량을 연산하고, 임계값보다 작은 공정결과 평균 변화량에 따른 공정조건을 중요공정조건에서 삭제함으로써 가장 효율적인 자원 활용 공정 조건을 도출하며,
그리고 상기 연산부(141);는 공정에 관해서 상기 제조설비의 부하 및 장애로 인한 이벤트가 발생할 경우, 상기 통계데이터로부터 이벤트가 발생한 시점(Tx)과 이벤트가 발생하기 이전 최초의 시점(Tx-1)의 간의 시간편차를 연산하고 복수의 시간편차 간의 평균값을 도출함으로써 이벤트가 발생하는 시점을 예측하며,
또한 상기 연산부(141);는 상기 시간편차를 적용하여 상기 이벤트에 영향을 미치는 공정조건을 일정 시간 간격으로 조정하여 제어부(142)에 송신함으로써 공정에 관한 이벤트에 대응할 수 있도록 하는 것을 특징으로 하는 빅 데이터를 활용한 기계학습 시스템.By using the operation record data collected by the manufacturing facility 200 to calculate the manufacturing process state and unexpected failure, and to control the manufacturing facility 200 , the process conditions are adaptively controlled,
The manufacturing facility 200 includes a supply unit 210 for supplying steel and raw materials; and
A melting unit 220 for melting the steel and raw materials supplied through the supply unit 210; and
and a sensor unit 230 that continuously checks the state of the steel and raw materials to collect driving record data;
In addition, the machine learning system 100 includes a data transmission and reception unit 110 for requesting and receiving the driving record data collected by the manufacturing facility 200; And a database 120 for storing the driving record data received from the data transmission and reception unit (110); and an analysis unit 130 that refines the driving record data stored in the database 120 and calculates statistical data based on the refined data;
The data transmission/reception unit 110 requests and receives the driving record data from the manufacturing facility 200 in real time every predetermined time, and the driving record data; is the type of steel and raw materials supplied through the supply unit 210 . and process factor data including impurity content and external environment information collected by the melting unit 220; and process result data;
In addition, the analysis unit 130; based on the statistical data collected through the learning unit 140 for adaptively controlling the process conditions affecting the amount of change in the process result;
The learning unit 140; and the calculation unit 141 for deriving important process conditions affecting the process result change amount by analyzing the correlation between the major process factors and the process result change amount through the statistical data; and the important process condition A control unit 142 for controlling the manufacturing facility 200 based on;
And the calculation unit 141; calculates the amount of deformation from the statistical data of the immediately previous time point (t-1) and the current (t), and when the amount of self-deformation occurs, the changed process factor is determined as an important process condition, and the Transmits important process conditions to the control unit 142, wherein the control unit 142 adjusts the important process conditions and performs process simulation,
In addition, the calculating unit 141; compares the statistical data of the important process conditions adjusted by the control unit 142 with the statistical data of the process conditions before the adjustment to calculate the average amount of deformation of the process results, and to the average amount of change of the process results smaller than the threshold value The most efficient resource utilization process conditions are derived by deleting the process conditions from the important process conditions.
And when an event occurs due to the load and failure of the manufacturing facility with respect to the process, the operation unit 141; the time point at which the event occurs (Tx) and the first time point before the event occurs (Tx-1) from the statistical data Predict the time when an event occurs by calculating the time deviation between
In addition, the operation unit 141; applies the time deviation to adjust the process conditions affecting the event at regular time intervals, and transmits it to the control unit 142 to respond to the event related to the process. A machine learning system using data. 삭제delete 삭제delete 삭제delete
KR1020190012401A 2019-01-31 2019-01-31 Machine Learning System using Big Data KR102265235B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190012401A KR102265235B1 (en) 2019-01-31 2019-01-31 Machine Learning System using Big Data
KR1020210072076A KR102448974B1 (en) 2019-01-31 2021-06-03 Machine Learning System using Big Data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190012401A KR102265235B1 (en) 2019-01-31 2019-01-31 Machine Learning System using Big Data

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210072076A Division KR102448974B1 (en) 2019-01-31 2021-06-03 Machine Learning System using Big Data

Publications (2)

Publication Number Publication Date
KR20200101520A KR20200101520A (en) 2020-08-28
KR102265235B1 true KR102265235B1 (en) 2021-06-14

Family

ID=72265988

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190012401A KR102265235B1 (en) 2019-01-31 2019-01-31 Machine Learning System using Big Data
KR1020210072076A KR102448974B1 (en) 2019-01-31 2021-06-03 Machine Learning System using Big Data

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210072076A KR102448974B1 (en) 2019-01-31 2021-06-03 Machine Learning System using Big Data

Country Status (1)

Country Link
KR (2) KR102265235B1 (en)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102523892B1 (en) * 2020-11-30 2023-04-21 한국세라믹기술원 Remote experimental method for thermo-fluidic materials processing using high spped simulation based on machine learning technique
KR102480315B1 (en) 2021-07-08 2022-12-21 이희환 Sealed container using environment-friendly pulp material and manufacturing method thereof
KR20230102070A (en) 2021-12-30 2023-07-07 엘에스통신 주식회사 One-stop service platform apparatus usable in smart factory based on robot machine control

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101530848B1 (en) * 2012-09-20 2015-06-24 국립대학법인 울산과학기술대학교 산학협력단 Apparatus and method for quality control using datamining in manufacturing process
KR102089818B1 (en) * 2015-12-31 2020-03-17 주식회사 포스코아이씨티 System for processing big data in a realtime

Also Published As

Publication number Publication date
KR20210068378A (en) 2021-06-09
KR20200101520A (en) 2020-08-28
KR102448974B1 (en) 2022-09-28

Similar Documents

Publication Publication Date Title
KR102448974B1 (en) Machine Learning System using Big Data
CN107003644B (en) Method for controlling a process plant using redundant local supervisory controllers
US7558638B2 (en) Applying real-time control to a production system
US10274970B2 (en) Method, and device for controlling the output of the air volume and memory medium
CN101196740B (en) Analytical server integrated in a process control network
US20160048119A1 (en) Model predictive control using wireless process signals
US7206721B1 (en) Methods and systems of offline measurement for process tool monitoring
CN111795488B (en) Intelligent temperature regulation and control system and method for distributed machine room
EP3162030B1 (en) Resilient control design for distributed cyber-physical systems
CN111353690B (en) Block chain enabled production scheduling edge calculation method
US20170185068A1 (en) Manufacturing data processing system having a plurality of manufacturing apparatuses
US20170052532A1 (en) System for controlling, monitoring and regulating processes in industrial plants and a method for operating such a system
CN108900363B (en) Method, device and system for adjusting working state of local area network
US20220326667A1 (en) Aluminum oxide production operation optimization system and method based on cloud-edge collaboration
WO2020099661A1 (en) Cloud and edge manufacturing data processing system
CN111277458B (en) Fault monitoring method and device of network equipment, computer equipment and storage medium
KR102382047B1 (en) Automatic learning tuning system of motor controller using PSO
EP3508927B1 (en) Systems and methods for automatic feedback control in a distributed control system
US10570507B2 (en) Apparatus and method for controlling operation of machine
KR102117960B1 (en) Highly Available Intelligent Control System for using Spare Gateway and Control method of the Same
US10289078B2 (en) Rate-based multivariable control with stability assurance
CN113986678B (en) Equipment state monitoring system based on data training
CN103023346A (en) Software current-sharing control method of rectifier module
Abbas et al. Deep residual policy reinforcement learning as a corrective term in process control for alarm reduction: A preliminary report
US20230004139A1 (en) Monitoring support device and monitoring support method

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant