KR102265461B1 - 제조 공정 비정상 데이터 탐지 시스템 - Google Patents

Abstract

본 발명은 제조 공정 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 공장의 개별 설비에 장착되는 제조 공정 비정상 데이터 탐지 시스템에 있어서, 해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 전처리부; 상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 데이터 변환부; 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 판정부; 상기 데이터변환부와 판정부를 주기적으로 호출하는 스케줄러부; 상기 판정부의 판정 결과 정보를 대시보드로 통지하는 판정 결과 통지부; 및 상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 대시보드부;를 포함하는 것을 특징으로 한다.

Description

제조 공정 비정상 데이터 탐지 시스템{Abnormal Data Detection System in Manufacturing Process}

본 발명은 제조 공정 시 공장 설비의 이상 여부를 자동으로 탐지하는 제조 공정 비정상 데이터 탐지 시스템에 관한 것이다.

일반적으로 양산 체제를 구축한 공장에서는 제품 양산 효율성을 높이기 위해 제조 공정이 여러 단계의 공정으로 분업화 되어 있고, 상기 여러 단계의 공정 별로 해당 공정에 적합한 자동화 설비를 가동하여 운영하고 있다. 하지만, 상기 자동화 설비의 경우 동일한 공정을 반복적으로 수행하는 과정에서 설비 자체의 오류나 주변 환경의 영향에 의해 비정상적으로 공정을 수행하는 상황이 예기치 못한 순간에 발생할 수 있으며, 각각의 공정이 연속적이고 유기적으로 연계된 제조 공정 시스템에서 일부 공정의 설비에 이상이 발생하면 전체 공정 및 생산품의 불량을 초래하기 때문에 각 공정 별로 가동되는 공장 설비에 대해 이상 여부를 주기적으로 탐지하는 작업은 공장 양산 체제의 유지 관리 차원에서 매우 중요하다고 볼 수 있다.

공장 설비의 이상 여부에 대한 탐지는 숙련된 작업자가 해당 설비의 가동 상황을 진동, 전력 등의 공정 데이터를 통해 수시로 육안으로 체크하는 것으로 이루어지는 것이 일반적인데, 아무리 숙련된 작업자로도 사람인 이상 판독 시 실수로 인해 이상 데이터를 놓치는 상황이 종종 발생하며, 실시간으로 쏟아지는 방대한 공정 데이터에 대해 사람이 육안으로 정확하게 이상 데이터를 탐지하는 데는 한계가 있고, 이상 데이터 탐지 과정에 많은 시간이 소요되는 문제가 있다.

본 발명은 상기와 같은 문제점을 해결하기 위해 도출 된 것으로, 공장 설비의 이상 여부를 매번 사람이 직접 육안으로 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속하고 정확하게 실시간으로 이상 여부를 탐지할 수 있는 제조 공정 비정상 데이터 탐지 시스템을 제공하는 것을 그 목적으로 한다.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적과제들은 하기의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 과제를 해결하기 위한 본 발명은 제조 공정 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 공장의 개별 설비에 장착되는 제조 공정 비정상 데이터 탐지 시스템에 있어서, 해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 전처리부; 상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 데이터 변환부; 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 판정부; 상기 데이터변환부와 판정부를 주기적으로 호출하는 스케줄러부; 상기 판정부의 판정 결과 정보를 대시보드로 통지하는 판정 결과 통지부; 및 상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 대시보드부;를 포함하는 것을 특징으로 한다.

본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템에 의하면, 공정 데이터의 전처리 가공을 통해 보다 정확하고 신뢰도 높게 공정 데이터의 이상 여부를 판정할 수 있으며, 해당 설비의 공정 데이터를 CNN 모델을 통해 자동으로 인식한 후 스스로 반복 학습을 하고, 학습된 모델을 기반으로 공정 데이터의 이상 여부를 자동으로 판정하기 때문에 사람이 매번 직접 육안으로 공정 데이터의 이상 여부를 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속ㅇ정확하게 이상 여부를 탐지할 수 있는 효과가 있다.

도 1은 본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템의 일예를 도식적으로 도시한 것이다.
도 2는 본 발명에 따른 전처리부에서 공정 데이터의 노이즈를 필터링을 통해 제거하는 예를 나타낸 것이다.
도 3은 본 발명에 따른 전처리부에서 노이즈가 제거된 공정 데이터에 대해 특정 생산 수량 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리한 것을 나타낸 것이다.
도 4는 본 발명에 따른 데이터변환부에서 전처리부를 통해 가공 처리된 1차원 공정 데이터를 CNN(Convolutional Neural Networks) 모델으로 판별 가능하도록 이미지 파일로 변환한 예시를 나타낸 것이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하에서는 본 발명에 대해 상세히 설명하되, 필요한 경우 발명의 이해를 돕기 위해 도면을 참고하여 설명하도록 한다. 하기 도면 및 도면에 관한 설명은 본 발명의 이해를 돕기 위한 일예에 지나지 않으며, 이에 의해 본 발명의 범위가 제한되는 것은 아니다.

도 1에 도시된 본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템에 의하면, 본 발명은 제조 공정 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 공장의 개별 설비에 장착되는 제조 공정 비정상 데이터 탐지 시스템에 있어서, 해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 전처리부; 상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 데이터 변환부; 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 판정부; 상기 데이터변환부와 판정부를 주기적으로 호출하는 스케줄러부; 상기 판정부의 판정 결과 정보를 대시보드로 통지하는 판정 결과 통지부; 및 상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 대시보드부;를 포함하는 것을 특징으로 한다.

본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템은 공장의 개별 설비에 장착되는 것으로서, 실시간으로 수집되는 해당 공장 설비의 공정과 관련된 데이터를 기반으로 CNN(Convolutional Neural Networks) 모델을 학습시키고, 학습된 CNN(Convolutional Neural Networks) 모델을 이용하여 해당 공장 설비로부터 실시간으로 수집되는 제조 공정 데이터의 이상 여부를 판정하고, 이를 통해 해당 공장 설비의 결함 여부를 사용자가 편리하게 확인할 수 있도록 하는 장치에 관한 것이다.

본 발명에서 상기 전처리부는 해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 역할을 수행하는 것으로서, 본 발명에서 상기 공정 데이터는 공정 수행 과정 중에 해당 공장 설비 자체로부터 수집되는 설비 데이터 뿐만 아니라 해당 공장 설비 주변의 센서로부터 수집되는 센서 데이터를 포함하는 것이 바람직하다. 상기 센서는 해당 공장 설비의 상태를 직·간접적으로 나타내는 센서라면 어떠한 것이라도 가능하며, 가령 온도 센서, 속도 센서, 진동센서, 압력 센서 등이 될 수 있다. 본 발명은 설비의 이상 여부 판정의 신뢰도를 높이기 위해 하나의 설비에 단일 센서를 설치하기 보다는 다양한 종류의 센서로 구성된 복합 센서를 설치하여 하나의 설비로부터 온도, 속도, 진동, 압력 등 다양한 종류의 센서 데이터를 수집하는 것이 바람직하다.

본 발명은 설비 데이터와 센서 데이터를 포함하는 공정 데이터를 분석 대상으로 함으로써, 해당 설비의 이상 여부 판정의 정확도를 높일 수 있다.

상기 공정 데이터에 대한 노이즈 제거는 도 2에 나타난 바와 같이 저역통과필터(Lowpass filter)를 사용하여 필터링을 통해 이루어진다. 본 발명은 상기 전처리부에서 공정 데이터의 노이즈를 제거해 줌으로써, 보다 정확하고 신뢰도 높게 공정 데이터의 이상 여부를 판정할 수 있게 된다.

상기 특정 기준의 구간은 특정 시간을 기준으로 구간을 정할 수도 있고, 도 3에 도시된 바와 같이 특정 생산 수량을 기준으로 구간을 정할 수도 있는 등 작업의 종류에 따라 달라질 수 있으며 특별히 제한적인 것은 아니다. 도 3에서는 노이즈가 제거된 공정 데이터에 대해 특정 생산 수량 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리한 것을 예시로 나타낸 것이다.

본 발명에서 상기 데이터 변환부는 상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 역할을 수행하는 것으로서, 상기 데이터 변환부를 통해 1차원의 시계열 공정 데이터를 2차원의 이미지 데이터로 변환하여 저장하게 된다. 도 4는 상기 전처리부에서 가공 처리된 1차원 공정 데이터를 CNN(Convolutional Neural Networks) 모델로 판별 가능하도록 이미지 파일로 변환한 예시를 나타낸 것이다.

상기 데이터 변환부에서는 이미지 파일로 변환한 공정 데이터와 이에 매칭 되는 라벨링 데이터를 함께 저장한다. 상기 라벨링 데이터는 공장 설비의 상태를 분류한 데이터로서, 예를 들면 '정상', '이상' 등으로 표시되는 데이터이다. 상기 라벨링 데이터의 생성은 모든 공정 데이터에 대해 기계를 통해 자동으로 생성하는 것보다는 초기의 공정 데이터에 대해서는 사람이 직접 라벨링 데이터를 생성하고, 이를 기반으로 이후의 공정 데이터에 대해서는 기계를 통해 자동으로 라벨링 데이터를 생성하는 것이 훨씬 적은 양의 공정 데이터 모집단으로도 효율적으로 라벨링 데이터 생성이 가능하고, 설비 운용에 대한 경험을 보유한 사람이 초기에 공장 위치, 계절 등 외부 환경적 요인 및 현재 설비 운영의 경험을 고려하여 라벨링 데이터를 생성하기 때문에 라벨링 데이터의 신뢰도를 높일 수 있어 바람직하다.

본 발명에서 상기 판정부는 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 역할을 수행하는 것으로서, 상기 CNN(Convolutional Neural Networks) 모델은 딥러닝 모델의 일종으로서, 주로 이미지, 비디오, 텍스트, 사운드, 얼굴인식 등 다양한 영역에서 특징 추출 또는 분류를 위해 사용되고 있다. 상기 CNN 모델은 인식 대상의 패턴을 직접 찾고 특징을 분류하고 스스로 학습하기 때문에 수동 작업이 필요하지 않고 높은 수준의 인식 결과를 얻을 수 있는 장점이 있다. 따라서, 본 발명의 판정부는 해당 설비의 공정 데이터를 CNN 모델을 통해 자동으로 인식한 후 스스로 반복 학습을 하고, 학습된 모델을 기반으로 공정 데이터의 이상 여부를 자동으로 판정하기 때문에 사람이 직접 공정 데이터를 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속ㅇ정확하게 확인할 수 있는 이점이 있다.

상기 CNN 모델의 학습은 먼저 상기 데이터 변환부로부터 이미지화된 공정 데이터와 라벨링 데이터를 읽어 들이고, 상기 읽어 들인 이미지화된 공정 데이터와 라벨링 데이터를 임의로 섞은 후 7 : 3의 비율로 트레인 셋(Train set)과 테스트 셋(Test set)으로 분리하고, 상기 트레인 셋(Train set)을 대상으로 CNN 모델의 학습을 실행하고, 학습된 CNN 모델에 대해 상기 테스트 셋(Test set)으로 정확도 및 정밀도를 확인하는 것으로 이루어진다.

본 발명에서 상기 스케줄러부는 상기 데이터변환부와 판정부를 주기적으로 호출하는 역할을 수행하는 것으로서, 상기 스케줄러부를 통해 주기적으로 1차원 공정 데이터의 2차원 이미지로의 변환 및 공정 데이터의 이상 여부 판정을 수행할 수 있도록 한다.

본 발명에서 상기 대시보드부는 상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 것으로서, 작업자가 용이하게 해당 설비의 이상 여부 판정 결과를 확인할 수 있도록 다양한 방식으로 화면을 구성할 수 있다.

본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템의 작동 과정을 도 1을 통해 설명하면 다음과 같다. 먼저, 전처리부에서 공장 설비로부터 실시간으로 수집되는 공정 데이터에 대해 노이즈를 제거하고, 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하는 가공 처리를 수행하고, 다음으로 데이터 변환부에서 상기 전처리부에서 가공 처리된 공정 데이터를 이미지 파일로 변환 및 저장하며, 판정부에서 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN 모델을 기반으로 분석하여 이상 데이터 여부를 판정하고, 상기 판정부에서 판정한 결과를 판정 결과 통지부에서 대시보드로 전송하여 통지하게 되며, 작업자는 상기 대시보드에 표시되는 판정 결과를 통해 해당 설비의 이상 여부를 확인할 수 있게 된다.

본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템에 의하면, 공정 데이터의 전처리 가공을 통해 보다 정확하고 신뢰도 높게 공정 데이터의 이상 여부를 판정할 수 있다.

또한, 본 발명은 해당 설비의 공정 데이터를 CNN 모델을 통해 자동으로 인식한 후 스스로 반복 학습을 하고, 학습된 모델을 기반으로 공정 데이터의 이상 여부를 자동으로 판정하기 때문에 사람이 직접 공정 데이터를 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속ㅇ정확하게 확인할 수 있는 이점이 있다.

이상에 설명한 바와 같이, 본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 본 발명의 범위는 상기의 상세한 설명보다는 후술할 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (3)

1. 공장의 개별 설비에 장착되는 제조 공정 비정상 데이터 탐지 시스템에 있어서,
   해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 전처리부;
   상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 데이터 변환부;
   상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 판정부;
   상기 데이터변환부와 판정부를 주기적으로 호출하는 스케줄러부;
   상기 판정부의 판정 결과 정보를 대시보드로 통지하는 판정 결과 통지부; 및
   상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 대시보드부;를 포함하되,
   상기 공정 데이터는 해당 공장 설비 자체로부터 수집되는 설비 데이터와 해당 공장 설비 주변의 센서로부터 수집되는 센서 데이터를 포함하고,
   상기 센서는 온도 센서, 속도 센서, 진동 센서, 압력 센서 중 둘 이상의 센서로 구성된 복합 센서인 제조 공정 비정상 데이터 탐지 시스템.
2. 삭제
3. 삭제

Images