KR102285374B1

KR102285374B1 - 인공지능 기반 작업 전력패턴 자동 인식 방법과 이를 위한 시스템

Info

Publication number: KR102285374B1
Application number: KR1020200088412A
Authority: KR
Inventors: 박용철; 안성훈; 김대현; 이재원
Original assignee: 호전실업 주식회사; 서울대학교 산학협력단
Priority date: 2020-07-16
Filing date: 2020-07-16
Publication date: 2021-08-04

Abstract

인공지능 기반 작업 전력패턴 자동 인식 방법과 이를 위한 시스템이 개시된다. 학습데이터 생성부는, 컴퓨터 장치로 하여금, 전동장치가 소정 작업을 소정 기간 동안에 걸쳐 수행하는 과정에서 모니터링된 소비한 전력데이터로부터 그 전동장치가 소정 작업을 1회 수행하는 데 소비한 전력 데이터인 작업 전력패턴을 추출하고, 작업 레이블을 추가하는 방식으로 인공지능 기반 학습 데이터를 자동으로 생성한다. 작업 전력패턴 판별부는, 컴퓨터 장치로 하여금, 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 작업 소비전력패턴 자동 판별 모델을 구축하고, 그 모델을 이용하여, 실시간 또는 준-실시간으로 획득되는 전동장치의 소비전력 데이터로부터 작업 전력패턴을 자동으로 분류하여 그 소정 작업의 수행 회수를 자동 산출할 수 있다.

Description

인공지능 기반 작업 전력패턴 자동 인식 방법과 이를 위한 시스템 {Method of automatically recognizing power pattern consumed for work based on artificial intelligence and system for the same}

본 발명은 자동인식 기술 분야에 관한 것으로, 보다 상세하게는 작업 시 소비되는 전력 프로파일로부터 작업을 인식할 수 있는 기술에 관한 것이다.

의류 제조업은 전통적인 노동 집약적 산업으로, 작업자들의 노동력에 의해 대부분의 작업이 이루어지고 있다. 의류공장의 경우도, 생산성 향상과 작업환경의 안정성 제고를 위해서는 근로자들의 노동집약적 근무환경을 IoT 기반의 스마트 팩토리 시스템으로 전환할 필요가 있다. 의류공장에서 수행되는 다양한 작업들은 전동 재봉틀, 전동 원단 재단기, 원단 패턴 스탬핑 장치, 전동 원단 검사기 등과 같은 전동 장치들을 이용하여 수행되는 경우가 대부분이다. 작업자들은 그러한 전동 장치들을 이용하여 필요한 작업을 수행한다.

의류 생산을 위해 수행하는 작업들의 효율성과 생산성을 높이고, 안전사고의 예방 등을 위해서는 근로자들이 다루는 의류 생산용 전동장치들의 작업 상황 그리고 공장 내의 작업환경 등을 면밀히 모니터링할 필요가 있다. 이를 위해, 작업자들이 수행하는 작업을 실시간으로 모니터링할 수 있는 센서 장치를 제시한 바 있다. 그 대표적인 예로는 대한민국 특허공개 제10-2020-0003670 (2020.01.10. 공개, 발명의 명칭: "모듈화 스마트 센서-플러그 플랫폼 장치 및 이를 이용한 모듈화 스마트 센서-플러그 시스템")에 개시된 모듈화 스마트 센서-플러그 플랫폼 장치를 들 수 있다. 또 다른 예로는 대한민국 특허공개번호 제10-2018-0000538호(2018.01.03. 공개, 발명의 명칭: 스마트 플러그)에서 개시된 스마트 플러그 장치를 들 수 있다. 이 장치들은 어떤 전기기계에서 소비되는 전류량 즉, 전력량을 측정할 수 있는 전류 센서를 갖추고 있다.

작업자들이 사용하는 전동 장치에서 소비되는 전력량은 작업자가 수행하는 작업과 깊이 관련된 경우가 대부분이다. 작업자가 전동장치를 이용하여 어떤 작업을 연속해서 반복적으로 수행하는 경우, 그 전동장치가 시간에 따라 소비하는 전력량 정보는 그 작업의 수행에 직접 소비된 전력량과 그 작업을 반복적으로 수행할 때 작업 수행 간에 소비되는 전력량 정보, 그 밖에 노이즈 정보 등을 포함할 수 있다. 그러므로 작업자가 전동장치를 이용하여 어떤 단위 작업을 수행할 때 소비되는 전력의 패턴을 알 수 있다면, 그 소비 전력패턴을 기준 데이터(즉, 단위 작업을 1회 수행하는 데 소비되는 전력 데이터)로 삼아서 그 전동장치의 소비전력 모니터링 데이터를 분석하여 그 전동장치가 해당 단위 작업을 몇 번 수행하였는지 판단할 수 있을 것이다.

그런데 종래에는 그 기준 데이터를 자동으로 찾아내는 방법이 부재하였다. 기존에 사용한 방법에 의하면, 작업자가 어떤 단위 작업을 수행할 때, 비디오로 그 작업자의 작업 모양을 촬영함과 동시에, 전력 센서를 이용하여 그 작업 수행 동안의 소비 전력 데이터도 측정한다. 그리고 사용자가 그 비디오 데이터로부터 작업이 수행되는 시간구간을 파악하고, 소비전력 측정 데이터 중에서 그 시간구간의 소비전력 데이터를 기준 데이터로서 추출하였다. 기존의 방법은 사용자가 일일이 수동 방식으로 판단하므로, 많은 종류의 작업들에 관한 기준 데이터를 이와 같은 방식으로 확보하는 것은 매우 비효율적이고 비생산적이다.

한국공개특허 제10-2019-0008515호 (2019. 01. 24. 공개, 발명의 명칭: 개선된 SAX 기법 및 RTC 기법을 이용한 공정 모니터링 장치 및 방법) 한국등록특허 제10-1917157호 (2018. 11. 05. 공개, 발명의 명칭: 의류생산 공장 스마트 모니터링 방법 및 시스템) 대한민국 특허공개 제10-2020-0003670 (2020.01.10. 공개, 발명의 명칭: 모듈화 스마트 센서-플러그 플랫폼 장치 및 이를 이용한 모듈화 스마트 센서-플러그 시스템) 대한민국 특허공개번호 제10-2018-0000538호 (2018.01.03. 공개, 발명의 명칭: 스마트 플러그)

본 발명의 일 목적은 의류생산용 전동장치의 소비전력 데이터를 인공지능 기반으로 분석하여 어떤 작업의 1회 수행에 소비되는 전력 패턴을 자동으로 추출할 수 있는 방법과 이를 위한 시스템을 제공하는 것이다.

본 발명의 다른 목적은 추출된 1회 작업의 소비전력 패턴을 이용하여 전동장치들의 축적된 소비전력 데이터로부터 인공지능 학습을 위한 최초 데이터를 자동으로 추출하여 라벨링할 수 있는 방법과 이를 위한 시스템을 제공하는 것이다.

본 발명의 다른 목적은 자동 추출된 작업별 소비전력패턴을 기준 데이터로 삼아, 모니터링된 전동장치의 소비전력 데이터로부터 해당 작업의 생산량, 작업시간 등을 포함하는 다양한 생산 정보를 자동으로 산출하는 방법과 이를 위한 시스템을 제공하는 것이다.

본 발명의 또 다른 목적은 자동 추출된 작업별 소비전력패턴을 기준 데이터로 삼아, 개별 작업자 및 라인의 실시간 생산성 분석, 전체 전동장치들의 실시간 가동상태 파악, 단위 생산시간의 산출 등을 포함한 여러 가지 생산관련 정보를 알아낼 수 있는 방법과 이를 위한 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제는 상술한 과제들에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.

상기 본 발명의 목적들을 실현하기 위한 실시예들에 따른 인공지능 기반 작업 전력패턴 자동 인식 방법은, 컴퓨터 장치에서 컴퓨터 프로그램을 실행하여 수행되는 방법으로서, 상기 컴퓨터 장치에서, 전동장치가 소정 작업을 소정 기간 동안에 걸쳐 수행하는 과정에서 모니터링된 소비한 전력데이터로부터 상기 전동장치가 상기 소정 작업을 1회 수행하는 데 소비한 전력 데이터인 작업 전력패턴을 추출하고, 작업 레이블을 추가하는 방식으로 인공지능 기반 학습 데이터를 자동으로 생성하는 단계; 및 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 구축된 작업 소비전력패턴 자동 판별 모델을 이용하여, 실시간 또는 준-실시간으로 획득되는 상기 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 자동으로 분류하여 상기 소정 작업의 수행 회수를 산출하는 단계를 포함한다.

예시적인 실시예들에 있어서, 상기 '인공지능 기반 학습 데이터를 자동으로 생성하는 단계'는, 상기 컴퓨터 장치의 연산처리장치가 데이터 저장소로부터 소정 기간 동안 수집 저장된 상기 전동장치의 소비전력 데이터를 읽어들이는 단계; 읽어들인 상기 소비전력 데이터를 소정 시간 간격마다 소정 크기의 작업시간 창 단위로 분할하는 단계; 분할된 작업시간 창 전체에 대하여, 인접 작업시간 창들의 소비전력 데이터 간의 유사도가 가장 낮은 지점을 상기 전동장치의 작업 시작지점을 나타내는 '작업 전력패턴의 시작점'으로 추출하고, 그 추출된 '작업 전력패턴의 시작점'과 상기 작업시간 창의 사이즈에 기초하여 인공지능 기반 학습 데이터로 생성하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 작업시간 창의 사이즈는 분석 대상 작업을 1회 수행하는 데 걸리는 평균적인 작업시간 길이와 실질적으로 동일하게 정해질 수 있다.

예시적인 실시예들에 있어서, 상기 분석 대상 작업이 재봉틀을 이용하는 봉제작업인 경우, 상기 작업시간 창의 사이즈는 60초 - 100초의 범위에서 정해질 수 있다.

예시적인 실시예들에 있어서, 상기 '인공지능 기반 학습 데이터로 생성하는 단계'는, 분할된 작업시간 창 단위의 소비전력 데이터를 인공지능 신경망 기반 학습데이터 생성부의 입력 데이터로 제공하는 단계; 상기 학습데이터 생성부에서, 오토 엔코더(Auto-Encoder)를 이용하여 상기 작업시간 창 단위의 소비전력 데이터를 학습하면서 각 작업시간 창의 소비전력 데이터의 차원을 줄이는 단계; 상기 오토 엔코더에 의해 차원 감소된 인접 작업시간 창들의 출력 데이터 간의 유사도를 구하여 서로 비교하는 작업을 상기 분할된 작업시간 창 전체에 대하여 수행하는 단계; 및 상기 유사도 비교 결과, 인접 작업시간 창들의 오토엔코더 출력 데이터 간에 유사도가 가장 낮게 나타나는 지점을 상기 전동장치의 작업 시작지점을 나타내는 '작업 전력패턴의 시작점'으로 간주하여 추출하는 단계; 및 추출된 '작업 전력패턴의 시작점'과 상기 작업시간 창의 사이즈에 기초하여 상기 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 추출하여 인공지능 기반 학습 데이터를 생성하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 '인공지능 기반 학습 데이터로 생성하는 단계'는, 상기 인접 작업시간 창들의 출력 데이터 간의 유사도를 구할 때, 소비전력 피크 지점의 최소 개수를 설정하여, 그 설정된 최소 개수를 초과하는 소비전력 피크 지점은 작업 전력패턴의 종료지점에서의 유사도 차이 피크로 간주하여 무시하는 후처리를 하는 단계를 더 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 '인공지능 기반 학습 데이터로 생성하는 단계'는, 추출된 각각의 작업 전력패턴 시작점에서 시작하는 제1 작업시간 창과 그 제1 작업시간 창의 바로 앞의 제2 작업시간 창과 바로 뒤의 제3 작업시간 창을 포함하여, 총 3개의 작업시간 창(에 대해 작업 레이블을 할당하고, 그 외의 작업시간 창에 대해서는 비작업 레이블을 할당하는 단계; 및 분할된 전체 작업시간 창들 각각의 본래의 소비전력 데이터에 상기 할당하는 단계에서 할당된 상기 작업 레이블 또는 비작업 레이블을 추가하여 데이터 저장소에 저장하는 단계를 더 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 '소정 작업의 수행 횟수를 산출하는 단계'는, 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 작업 소비전력패턴 자동 판별 모델을 구축하는 단계; 가동 중인 전동장치의 소비전력 데이터를 실시간 또는 준-실시간으로 전달받아 학습된 상기 작업 전력패턴 자동 판별 모델에 입력하는 단계; 상기 작업 전력패턴 자동 판별 모델에 입력된 소비전력 데이터 대하여, 소정 사이즈의 분류 창을 시간 경과 방향으로 이동하는 무빙 윈도우 기법을 적용하여 상기 분류 창에 포함된 소비전력 데이터가 상기 소정 작업의 1회 수행에 해당하는 작업 전력패턴에 해당하는 경우를 자동으로 분류하는 단계; 및 분류된 작업 전력패턴의 개수를 카운트 하는 것에 의해, 상기 전동장치가 상기 소정 작업을 수행한 작업 횟수(수량)를 자동으로 산출하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 매 분류 주기별 상기 분류 창의 시간 경과방향으로의 이동 거리는 직전의 분류 결과에 따라 가변적으로 정해질 수 있다. 상기 분류 창의 이동 거리의 가변적 결정은, 현재 분류주기에서의 상기 분류 창에 포함된 소비전력 데이터의 분류 결과가 (i)'비작업'인 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 단위 최소 시간만큼 이동하고, (ii) '작업'일 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 분석대상 작업의 작업 수행시간만큼의 거리를 이동하는 방식으로 이루어질 수 있다.

예시적인 실시예들에 있어서, 상기 학습 데이터를 분석 대상 작업의 종류별로 각각 별도로 생성하고, 각 분석 대상 작업별 학습 데이터를 별도로 학습하여 각 작업 종류별로 작업 전력패턴 자동 판별 모델을 별도로 구축될 수 있다.

예시적인 실시예들에 있어서, 상기 전동장치는 의류 생산 공장에서 사용되는 전동 재봉틀, 전동 원단 재단기, 전동 원단 패턴 스탬핑 장치, 전동 원단 검사기 중 적어도 어느 한 가지일 수 있다.

한편, 상기 본 발명의 목적들을 실현하기 위한 실시예들에 따른 인공지능 기반 작업 전력패턴 자동 인식 방법은, 컴퓨터 장치에서 컴퓨터 프로그램을 실행하여 수행되는 방법으로서, 상기 컴퓨터 장치에서, 전동장치가 소정 작업을 소정 기간 동안에 걸쳐 수행하는 과정에서 모니터링된 소비한 전력데이터를 데이터 저장소에 저장하는 단계; 상기 컴퓨터 장치의 연산처리장치가 상기 데이터 저장소로부터 소정 기간 동안 수집 저장된 상기 전동장치의 소비전력 데이터를 읽어들이는 단계; 읽어들인 상기 소비전력 데이터를 소정 시간 간격마다 소정 크기의 작업시간 창 단위로 분할하는 단계; 분할된 작업시간 창 전체에 대하여, 인접 작업시간 창들의 소비전력 데이터 간의 유사도가 가장 낮은 지점을 상기 전동장치의 작업 시작지점을 나타내는 '작업 전력패턴의 시작점'으로 추출하는 단계; 및 추출된 상기 '작업 전력패턴의 시작점'과 상기 작업시간 창의 사이즈에 기초하여, 상기 소정 작업을 1회 수행하는 데 소비한 전력 데이터인 작업 전력패턴을 추출하여 인공지능 기반 학습 데이터로 생성하는 단계를 포함한다.

예시적인 실시예들에 있어서, 상기 '작업 전력패턴의 시작점'으로 추출하는 단계는, 분할된 작업시간 창 단위의 소비전력 데이터를 인공지능 신경망 기반 학습데이터 생성부의 입력 데이터로 제공하는 단계; 상기 학습데이터 생성부에서, 오토 엔코더(Auto-Encoder)를 이용하여 상기 작업시간 창 단위의 소비전력 데이터를 학습하면서 각 작업시간 창의 소비전력 데이터의 차원을 줄이는 단계; 상기 오토 엔코더에 의해 차원 감소된 인접 작업시간 창들의 출력 데이터 간의 유사도를 구하여 서로 비교하는 작업을 상기 분할된 작업시간 창 전체에 대하여 수행하는 단계; 및 상기 유사도 비교 결과, 인접 작업시간 창들의 오토엔코더 출력 데이터 간에 유사도가 가장 낮게 나타나는 지점을 상기 전동장치의 작업 시작지점을 나타내는 '작업 전력패턴의 시작점'으로 간주하여 추출하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 인공지능 기반 학습 데이터로 생성하는 단계는 상기 '인공지능 기반 학습 데이터로 생성하는 단계'는, 추출된 각각의 작업 전력패턴 시작점에서 시작하는 제1 작업시간 창과 그 제1 작업시간 창의 바로 앞의 제2 작업시간 창과 바로 뒤의 제3 작업시간 창을 포함하여, 총 3개의 작업시간 창(에 대해 작업 레이블을 할당하고, 그 외의 작업시간 창에 대해서는 비작업 레이블을 할당하는 단계; 및 분할된 전체 작업시간 창들 각각의 본래의 소비전력 데이터에 상기 할당하는 단계에서 할당된 상기 작업 레이블 또는 비작업 레이블을 추가하여 데이터 저장소에 저장하는 단계를 포함할 수 있다.

한편, 상기 본 발명의 목적들을 실현하기 위한 실시예들에 따른 인공지능 기반 작업 전력패턴 자동 인식 시스템은 소정 작업을 수행하는 전동장치의 소비전력을 모니터링하여 획득된 소비전력 데이터를 무선통신 및/또는 유선통신으로 전송하도록 구성된 적어도 하나의 전력측정기; 및 상기 전력측정기가 전송하는 시계열 소비전력 데이터를 수신하여 데이터 저장소에 저장하고, 작업 전력패턴 자동 인식용 컴퓨터 프로그램을 실행하여 상기 소정 작업을 1회 수행하는 데 소비되는 작업 전력패턴을 자동으로 추출하는 컴퓨터 장치를 포함한다.

상기 컴퓨터 프로그램은 학습데이터 생성부와 작업 전력패턴 판별부를 포함하도록 구성된다. 상기 학습데이터 생성부는, 상기 컴퓨터 장치로 하여금, 상기 전동장치가 소정 작업을 소정 기간 동안에 걸쳐 수행하는 과정에서 모니터링된 소비한 전력데이터로부터 상기 전동장치가 상기 소정 작업을 1회 수행하는 데 소비한 전력 데이터인 작업 전력패턴을 추출하고, 작업 레이블을 추가하는 방식으로 인공지능 기반 학습 데이터를 자동으로 생성하도록 구성된 학습데이터 생성부; 및

상기 작업 전력패턴 판별부는, 상기 컴퓨터 장치로 하여금, 상기 학습데이터 생성부가 생성한 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 구축된 작업 소비전력패턴 자동 판별 모델을 이용하여, 실시간 또는 준-실시간으로 획득되는 상기 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 자동으로 분류하여 상기 소정 작업의 수행 회수를 산출하도록 구성된다.

예시적인 실시예들에 있어서, 상기 학습데이터 생성부는, 상기 컴퓨터 장치의 연산처리장치가 데이터 저장소로부터 소정 기간 동안 수집 저장된 상기 전동장치의 소비전력 데이터를 읽어들이는 기능; 읽어들인 상기 소비전력 데이터를 소정 시간 간격마다 소정 크기의 작업시간 창 단위로 분할하는 기능; 분할된 작업시간 창 전체에 대하여, 인접 작업시간 창들의 소비전력 데이터 간의 유사도가 가장 낮은 지점을 상기 전동장치의 작업 시작지점을 나타내는 '작업 전력패턴의 시작점'으로 추출하는 기능, 그 추출된 '작업 전력패턴의 시작점'과 상기 작업시간 창의 사이즈에 기초하여 인공지능 기반 학습 데이터로 생성하는 기능을 포함하도록 구성될 수 있다.

예시적인 실시예들에 있어서, 상기 '인공지능 기반 학습 데이터로 생성하는 기능'은, 분할된 작업시간 창 단위의 소비전력 데이터를 인공지능 신경망 기반 학습데이터 생성부의 입력 데이터로 제공하는 기능; 상기 학습데이터 생성부에서, 오토 엔코더(Auto-Encoder)를 이용하여 상기 작업시간 창 단위의 소비전력 데이터를 학습하면서 각 작업시간 창의 소비전력 데이터의 차원을 줄이는 기능; 상기 오토 엔코더에 의해 차원 감소된 인접 작업시간 창들의 출력 데이터 간의 유사도를 구하여 서로 비교하는 작업을 상기 분할된 작업시간 창 전체에 대하여 수행하는 기능; 및 상기 유사도 비교 결과, 인접 작업시간 창들의 오토엔코더 출력 데이터 간에 유사도가 가장 낮게 나타나는 지점을 상기 전동장치의 작업 시작지점을 나타내는 '작업 전력패턴의 시작점'으로 간주하여 추출하는 기능; 및 추출된 '작업 전력패턴의 시작점'과 상기 작업시간 창의 사이즈에 기초하여 상기 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 추출하여 인공지능 기반 학습 데이터를 생성하는 기능을 포함하도록 구성될 수 있다.

예시적인 실시예들에 있어서, 상기 '인공지능 기반 학습 데이터로 생성하는 기능'은, 추출된 각각의 작업 전력패턴 시작점에서 시작하는 제1 작업시간 창과 그 제1 작업시간 창의 바로 앞의 제2 작업시간 창과 바로 뒤의 제3 작업시간 창을 포함하여, 총 3개의 작업시간 창(에 대해 작업 레이블을 할당하고, 그 외의 작업시간 창에 대해서는 비작업 레이블을 할당하는 기능; 및 분할된 전체 작업시간 창들 각각의 본래의 소비전력 데이터에 상기 할당하는 단계에서 할당된 상기 작업 레이블 또는 비작업 레이블을 추가하여 데이터 저장소에 저장하는 기능을 더 포함하도록 구성될 수 있다.

예시적인 실시예들에 있어서, 상기 작업 전력패턴 판별부는, 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 작업 소비전력패턴 자동 판별 모델을 구축하는 기능; 가동 중인 전동장치의 소비전력 데이터를 실시간 또는 준-실시간으로 전달받아 학습된 상기 작업 전력패턴 자동 판별 모델에 입력하는 기능; 상기 작업 전력패턴 자동 판별 모델에 입력된 소비전력 데이터 대하여, 소정 사이즈의 분류 창을 시간 경과 방향으로 이동하는 무빙 윈도우 기법을 적용하여 상기 분류 창에 포함된 소비전력 데이터가 상기 소정 작업의 1회 수행에 해당하는 작업 전력패턴에 해당하는 경우를 자동으로 분류하는 기능; 및 분류된 작업 전력패턴의 개수를 카운트 하는 것에 의해, 상기 전동장치가 상기 소정 작업을 수행한 작업 횟수(수량)를 자동으로 산출하는 기능을 포함하도록 구성될 수 있다.

예시적인 실시예들에 있어서, 상기 작업 전력패턴 판별부는, 매 분류 주기별 상기 분류 창의 시간 경과방향으로의 이동 거리는 직전의 분류 결과에 따라 가변적으로 정하되, 상기 분류 창의 이동 거리의 가변적 결정은, 현재 분류주기에서의 상기 분류 창에 포함된 소비전력 데이터의 분류 결과가 (i)'비작업'인 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 단위 최소 시간만큼 이동하고, (ii) '작업'일 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 분석대상 작업의 작업 수행시간만큼의 거리를 이동하는 방식으로 이루어질 수 있다.

한편, 위에서 언급된 인공지능 기반 작업 전력패턴 자동 인식 방법을 수행하기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 실행가능 프로그램이 제공될 수 있다.

또한, 위에서 언급된 인공지능 기반 작업 전력패턴 자동 인식 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체가 제공될 수 있다.

본 발명의 예시적인 실시예들은 비지도학습 기반 인공지능 신경망 오토엔코더를 이용하여 자동으로 학습 데이터를 생성한다. 이는 여타 지도학습 기반 인공지능 신경망의 학습 데이터를 수작업을 통해 생성하는 것과는 다르다. 본 발명에 따르면, 인공지능 학습용 최초 학습 데이터를 자동으로 생성하고, 인공지능 학습용 데이터의 라벨링을 자동화할 수 있다. 인공지능 학습용 최초 데이터를 생성하는 데에 소요되는 시간과 인력을 대폭 줄일 수 있다. 본 발명은 의류 봉제공장과 같이 작업 변경이 잦은 시계열 데이터 분류에 혁신적인 방법으로 활용될 수 있다.
본 발명에 따르면, 전동 재봉틀, 전동 원단 재단기, 원단 패턴 스탬핑 장치, 전동 원단 검사기 등과 같은 전동 장치들이 어떤 작업을 수행할 때 소비되는 전력패턴을 자동으로 추출할 수 있다.
추출된 작업별 소비전력패턴을 활용하면 작업자 개인별 및 생산라인 별 작업 현황, 개별 작업자의 준 실시간 작업 수량 및 단위 생산시간 등을 모니터링 할 수 있다. 예컨대, 작업자들이 전동 장치들을 이용하여 작업을 수행할 때, 소비되는 전력을 모니터링하여 획득되는 소비전력 데이터를 미리 추출해둔 작업별 소비전력패턴(기준 데이터)과 비교하는 것을 통해, 작업자가 정상적인 작업을 수행하고 있는지 여부를 실시간으로 파악할 수 있다. 또한, 작업자 개인별 또는 작업라인별의 작업 수량, 작업 시간, 병목 지점 등을 실시간으로 산출할 수 있다.
산출된 데이터를 관리자 또는 관리부서로 실시간 제공하여 생산 공장 전체에 대한 생산라인 가동상태를 모니터링 할 수 있다. 작업자 개인별 및 작업라인별 생산성 등을 분석, 예측할 수 있고, 전체적인 생산라인의 효율성과 생산성을 극대활 할 수 있다.
생산라인의 실시간 모니터링을 통해, 생산 라인의 병목 지점에 대해 즉각적인 대처가 가능하다. 개개인의 정보를 축적하여 향후 효율적인 라인 구성을 위한 참고 자료 및 개인성과 평가 기준으로 사용할 수 있다.

삭제

도 1은 본 발명의 예시적인 실시예에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 시스템의 개략적인 구성을 예시한다.
도 2는 본 발명의 일실시예에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 방법의 세부 수행 절차를 나타내는 흐름도이다.
도 3은 본 발명의 예시적인 실시예에 따른 봉제 작업을 수행하는 재봉틀의 소비전류 데이터를 작업시간 윈도우로 분할하는 방법을 예시한다.
도 4는 본 발명의 예시적인 실시예에 따라 학습데이터 생성을 위한 오토엔코더의 입력 데이터와 오토엔코딩을 통해 재구성된 출력 데이터를 예시적으로 대비시킨 그래프이다.
도 5는 본 발명의 예시적인 실시예에 따라 봉제작업 소비전력패턴의 시작점 감지를 예시하는 그래프이다.
도 6은 본 발명의 예시적인 실시예에 따라 무빙 윈도우 기법을 도시적으로 설명하기 위한 도면이다.
도 7은 본 발명의 예시적인 실시예에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 시스템을 이용하여 작업수량을 자동 인식한 결과를 예시한다.
도 8은 본 발명의 예시적인 실시예에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 시스템의 학습 데이터에 따른 작업 수량 인식의 정확도를 나타낸 그래프이다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것이다. 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며, 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 안 된다. 즉, 본 발명은 다양한 변경을 가할 수 있고, 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

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

도 1에는 본 발명의 예시적인 실시예에 따른 작업의 소비전력 패턴(이하, 작업 전력패턴'이라 함)의 자동 인식 시스템(10)이 도시되어 있다.

예컨대 의류 생산 공장에서 하나의 의류는 생산하는 데 여러 가지 작업들을 거친다. 다양한 작업에는 전동 재봉틀, 전동 원단 재단기, 원단 패턴 스탬핑 장치, 전동 원단 검사기 등과 같은 여러 가지 종류의 전동 장치들이 사용될 수 있다. 그런 전동 장치들을 이용한 작업 행위들은 전력의 소비로 나타난다. 그러므로 어떤 전동 장치가 시간에 따라 소비한 전력패턴을 분석하면 그 전동 장치가 어떤 단위 작업을 몇 번 수행하였는지 파악할 수 있다.

도 1을 참조하면, 작업 전력패턴 자동인식 시스템(10)은 의류 봉제 작업 라인(12)에 설치된 다수의 재봉틀(20)과, 각 재봉틀(20)에서 소비되는 전력을 실시간으로 측정하도록 구성된 전력 측정기(30), 통신망(40), 컴퓨터 시스템(50)을 포함할 수 있다.

재봉틀(20)은 전기모터(비도시)로 작동되는 전동 재봉틀일 수 있다. 작업자가 재봉틀(20)로 봉제 작업을 수행하는 동안에는 전기 모터가 전력을 소비한다. 재봉틀(20)은 소비전력 모니터링 대상의 한 가지 예일 뿐이고, 위에서 언급된 다른 종류의 전동 장치도 소비전력 모니터링 대상에 포함될 수 있다. 이하에서는 재봉틀(20)을 예로 하여 설명한다.

예시적인 실시예에서, 전력 측정기(30)는 각 재봉틀(20)마다 하나씩 설치되어, 해당 재봉틀(20)에서 소비되는 전력량(또는 전류량)을 실시간으로 연속적으로 측정하도록 구성될 수 있다. 이를 위해, 전력 측정기(30)는 전류센서, 통신부, 제어부 등을 포함할 수 있다. 전류 센서는 시간에 따라 재봉틀(20)에 흐르는 전류를 실시간으로 측정할 수 있다. 제어부는 전류 센서가 측정하는 아날로그 전류량 신호를 디지털 데이터로 변환하여, 통신부를 통해 컴퓨터 시스템(50)으로 전달되도록 제어할 수 있다. 통신부는 제어부의 제어에 따라 재봉틀(20)의 시간에 따른 소비 전력 데이터를 통신망(40)을 통해 컴퓨터 시스템(50)과 통신을 할 수 있다. 여기서, 소비 전력 데이터는 소비 전력량 외에도 해당 재봉틀(20)의 식별정보, 생성시간 정보 등을 포함할 수 있다. 재봉틀(20)에 인가되는 전압의 크기는 알 수 있으므로, 시간에 따른 전류량을 알면 재봉틀(20)에서 소비되는 전력도 바로 알 수 있다. 시간에 따른 전류량 데이터와 소비전력 데이터는 등가적이다.

전력 측정기(30)는 종래기술로서 제시된 예가 있다. 대표적인 예로는 대한민국 특허공개 제10-2020-0003670 (2020.01.10. 공개, 발명의 명칭: "모듈화 스마트 센서-플러그 플랫폼 장치 및 이를 이용한 모듈화 스마트 센서-플러그 시스템")에 개시된 모듈화 스마트 센서-플러그 플랫폼 장치를 들 수 있다. 또 다른 예로는 대한민국 특허공개번호 제10-2018-0000538호(2018.01.03. 공개, 발명의 명칭: 스마트 플러그)에서 개시된 스마트 플러그 장치를 들 수 있다. 이들 종래기술 문헌에 개시된 그 스마트 플러그는 본 발명의 전력 측정기(30)로 사용될 수 있다. 상기 종래기술 문헌에서 개시된 스마트 플러그와 관련된 기술 사항은 본 발명의 일부로서 포함시키고자 한다.

통신망(40)은 전력 측정기(30)와 컴퓨터 시스템(50) 간의 통신을 지원한다. 통신망(40)은 와이파이, RF 등의 무선통신망 및/또는 유선통신망으로 구성될 수 있다.

컴퓨터 시스템(50)은 적어도 연산처리기 및 메모리와 같은 연산 자원들과, 유선 통신 및/또는 무선 통신을 지원하는 통신부를 포함하는 범용의 컴퓨터를 하나 이상 포함할 수 있다. 일예로, 컴퓨터 시스템(50)은 도 1에 예시된 것처럼, 인터넷 통신을 통해 접근할 수 있는 클라우드 서버 컴퓨터(52) 및/또는 봉제 작업이 수행되는 현장에 설치되어 독립적으로 운용되는 로컬 컴퓨터(54)를 포함할 수 있다. 이하에서는, 컴퓨터 시스템(50)이 클라우드 서버 컴퓨터(52)와 로컬 컴퓨터(54)를 모두 포함하는 경우를 예로 하여 설명하기로 한다.

컴퓨터 시스템(50)은 별도의 데이터 저장소(56)를 포함할 수도 있다. 데이터 저장소(56)는 전력 측정기(30)들로부터 수신된 각 재봉틀(20)의 소비전력 데이터, 본 발명의 실시예에 따른 방법이 구현된 소정의 컴퓨터 프로그램, 그 컴퓨터 프로그램의 실행을 통해 얻어진 결과 데이터 등을 비휘발적으로 저장, 관리할 수 있도록 구성된다. 데이터 저장소(56)는 재봉틀(20)들의 시간에 따른 소비전력 데이터를 각 재봉틀별로 구분하여 저장, 관리할 수 있다.

컴퓨터 시스템(50)은 작업 전력패턴 판별부(60)와 학습데이터 생성부(70)와 같은 애플리케이션 프로그램 모듈을 포함할 수 있다. 작업 전력패턴 판별부(60)와 학습데이터 생성부(70)는 인공지능(AI) 신경망을 기반으로 하여 구성된 프로그램 모듈일 수 있다. 컴퓨터 시스템(50)은 작업 전력패턴 판별부(60)와 학습데이터 생성부(70)를 실행하여, 재봉틀(20)로 소정의 봉제 작업을 1회 수행하는 동안에 소비되는 전력패턴(이하, '작업 전력패턴'이라고도 함)을 자동으로 추출할 수 있다. 여기서, 상기 '작업 전력패턴'은 재봉틀(20)을 이용하여 소정의 단위 봉제 작업을 수행함에 있어서 그 단위 봉제 작업을 시작한 시점부터 완료한 시점까지 소비된 전력의 패턴(이하, '작업 전력패턴'이라고도 함)을 의미한다. 나아가, 컴퓨터 시스템(50)은 그 작업 전력패턴을 활용하여, 각 재봉틀(20)의 소비전력 데이터로부터 각 재봉틀(20)에서 수행하는 작업의 생산 수량, 작업시간 등을 포함하는 다양한 생산 정보를 자동으로 산출할 수 있다. 작업자 개인별 성과지표 산출, 최적 생산 라인의 설계, 병목지점의 해소 등을 위한 정보를 얻는 데에도 활용될 수 있다.

도 2는 본 발명의 일실시예에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 방법의 세부 수행 절차를 나타내는 흐름도이다.

도 2를 도 1과 함께 참조하면, 재봉틀(20)에 장착된 전력 측정기(30)는 각 재봉틀(20)의 소비전력 데이터를 통신망(40)을 통해 실시간 또는 준-실시간으로 컴퓨터 시스템(50)에 전송할 수 있다. 컴퓨터 시스템(50)은 수신된 소비전력 데이터 세트를 데이터 저장소(56)에 저장할 수 있다. 예컨대, 클라우드 서버 컴퓨터(52)가 그 소비전력 데이터를 수신하고, 각 재봉틀(20)의 소비전력 데이터를 로컬 컴퓨터(54) 또는 별도의 데이터 저장소(56)에 저장할 수 있다. 컴퓨터 시스템(50)에서는 일정 기간 동안 예컨대, 하루 내지 수일 동안 각 재봉틀(20)의 전력 측정기(30)가 보내온 소비전력 데이터를 데이터 저장소(56)에 누적할 수 있다.

이렇게 소비전력 데이터가 확보되면, 컴퓨터 시스템(50)에서는 작업 전력패턴을 자동으로 판별하기 위한 AI 기반 학습 데이터를 생성하고, 그 학습 데이터의 학습을 통해 작업 전력패턴을 판별할 수 있는 모델을 구축하고, 각 재봉틀(20)의 소비전력 데이터를 그 모델에 입력하여 각 재봉틀(20)에서의 작업 수행을 자동으로 인식할 수 있다. 이하에서는 이에 관해 좀 더 구체적으로 설명한다.

먼저, 컴퓨터 시스템(50)의 연산처리장치는 학습데이터 생성부(70)를 실행하여, 소정 작업을 수행하는 재봉틀(20)의 소비전력 데이터로부터 그 재봉틀(20)이 그 소정 작업을 1회 수행하는 데 소비한 전력데이터인 작업 전력패턴을 추출하고, 그 추출된 작업 전력패턴에 작업 레이블을 추가하는 방식으로 인공지능(AI) 기반 학습 데이터를 자동으로 생성하는 처리(S10 단계 - S50 단계)를 수행할 수 있다. 생성된 학습 데이터는 데이터 저장소(56)에 저장될 수 있다.

컴퓨터 시스템(50)의 연산처리장치가 데이터 저장소(56)로부터 예컨대 소정 기간 동안, 예컨대 하루 동안 수집 저장된 재봉틀(20)의 소비전력 데이터를 읽어올 수 있다. 읽어온 소비전력(소비전류) 데이터를 도 3에 도시된 것처럼 일정 시간 간격(예컨대 3.3초)마다 소정 크기의 작업시간 창(W_i, 여기서 i는 자연수임) 단위로 분할할 수 있다(S10 단계). 그 작업시간 창(W_i)의 사이즈는 해당 공장에서 분석 대상 작업을 1회 수행하는 데 걸리는 평균적인 작업시간 길이(이하, '작업시간 길이'라 함)와 실질적으로 동일하게 정해질 수 있다. 보통 봉제 작업을 1회 수행하는 데 걸리는 작업시간 길이는 대략 60 - 100초 정도이다.

분할한 작업시간 창(W_i) 단위의 소비전력 데이터는 AI 신경망 기반 학습데이터 생성부(70)의 입력 데이터로 제공될 수 있다. 효율적인 데이터 처리를 위하여, 학습데이터 생성부(70)는 오토 엔코더(Auto-Encoder) 알고리즘을 이용하여 분할된 작업시간 창(W_i) 단위의 소비전력 데이터를 학습하면서 각 작업시간 창(W_i)의 소비전력 데이터의 차원을 줄일 수 있다(S20 단계).

오토 엔코더란 비지도학습에 쓰이는 인공지능 신경망 구조이다. 오토 엔코더는 신경망의 각 층을 단계적으로 학습해나가, 최종 출력(output)이 최초 입력(input)을 재현하도록 학습할 수 있다. 입력층과 출력층의 차원(노드의 개수)은 동일하되, 은닉층(hidden layer)은 입력층과 출력층보다 차원이 낮다. 은닉층의 차원이 더 낮은 만큼, 신경망은 입력 데이터들을 압축하여 이들로부터 특징을 추출하고, 그 추출된 특징을 기반으로 입력을 최대한으로 재현한 출력 데이터를 생성할 수 있다.

이런 방식으로 오토엔코더는 입력 데이터와 재구성한 출력 데이터의 차이를 최소화하는 방향으로 학습할 수 있다. 도 4는 본 발명의 예시적인 실시예에 따라 학습데이터 생성을 위한 오토엔코더의 입력 데이터와 오토엔코딩을 통해 재구성된 출력 데이터를 예시적으로 대비시킨 그래프이다. 도 4의 그래프를 보면, 오토엔코더에 의해 재구성된 출력(84)은 입력 데이터(82)를 재현하되, 그 입력(82) 보다는 낮은 차원으로 입력 정보가 압축된 형태의 데이터이다.

다음으로, 인접 작업시간 창들의 오토엔코더 출력(즉, 압축된 작업 전력패턴) 간의 유사도를 구하여 서로 비교한다. 여기서, 인접 작업시간 창들이라 함은 단계 S10에서 순차적으로 분할된 다수의 작업시간 창들 중에서 현재의 작업시간 창(W_i)과 3.3초 이전의 작업시간 창(W_i-1)의 조합을 의미할 수 있다. 이러한 인접 작업시간 창들(W_i-1와 W_i) 간의 유사도 비교는 전체 작업시간 창(W_i, i는 자연수)들에 대하여 수행할 수 있다(S30 단계).

인접 작업시간 창(W_i-1와 W_i)의 오토엔코더 출력 간의 유사도 비교 결과에 기초하여, 국소 최소지점 즉, '작업 전력패턴의 시작점'을 추출할 수 있다(S40 단계). 재봉틀(20)이 작업을 수행하고 있지 않는 동안에는 소비전력이 거의 발생하지 않다가, 어떤 작업을 수행하기 시작하면 소비전력이 갑자기 증가하여 소비전력 패턴이 큰 변화를 나타낸다. 인접 작업시간 창(W_i-1와 W_i) 간에 소비전력 패턴의 추세 변화가 가장 큰 경우는 인접 작업시간 창(W_i-1와 W_i)들의 오토엔코더 출력 간의 유사도가 가장 낮은 경우에 해당한다. 따라서 인접 작업시간 창(W_i-1와 W_i)들의 오토엔코더 출력 데이터 간에 유사도가 가장 낮게 나타나는 지점을 '작업 전력패턴'의 시작점으로 간주할 수 있다.

도 5는 본 발명의 예시적인 실시예에 따라 봉제작업 소비전력패턴의 시작점 감지를 예시하는 그래프이다. 도 5를 참조하면, 재봉틀(20)의 소비전력(86)이 갑자기 큰 폭으로 증가하는 지점(90)(즉, 소비전력 패턴의 추세 변화가 가장 큰 지점)에서 인접 창들끼리의 유사도 차이(88)가 가장 크게 나타나는 것을 확인할 수 있다(즉, 유사도가 가장 낮게 나타난다). 그러므로 그 지점(90)을 작업 전력패턴의 시작점으로 볼 수 있다.

작업 전력패턴의 종료지점에서도 유사도가 가장 낮게 관찰된다(예컨대 도 5의 92번으로 표시된 유사도 차이 피크지점 참조). 작업 전력패턴의 종료 구간에서는 전력 피크가 나타나는 지점이 한 두 개 정도 존재할 수 있다. 이 지점은 작업 전력패턴의 시작점으로 인식되지 않도록 무시할 필요가 있다. 이를 위해, 소비전력 피크 지점의 최소 개수(예컨대 2개)를 설정하여, 그 설정된 개수를 초과하는 소비전력 피크 지점은 작업 전력패턴의 종료지점에서의 유사도 차이 피크로 간주하여 무시하는 후처리를 할 수 있다.

유사도를 비교하는 데에 특별히 오토엔코더 출력을 사용하는 이유는 오토엔코더 출력 데이터는 압축된 정보를 담고 있기 때문에 단순히 작업시간 창(W_i-1와 W_i)들 간의 유사도를 비교하는 것보다 추세 변화를 잘 나타내기 때문이다. 오토엔코더의 엔코더(암호기)와 디코더(해독기)에는 컨볼루션 필터가 사용된다. 이는 컨볼루션 필터가 데이터의 부분적인 전이 및 형상 차이에도 불구하고 전반적인 특징을 잘 파악하는 특성을 가지고 있기 때문이다.

단계 S40에서 구한 작업 전력패턴의 시작점 정보에 기초하여 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 추출하는 것에 의해 AI 신경망 기반 학습 데이터를 생성할 수 있다(S50 단계). '작업 전력패턴'의 시작점을 알 수 있게 되면, 재봉틀(20)의 소비전력 데이터 프로파일에서 그 '작업 전력패턴'의 시작점부터 작업시간 창(W_i)의 사이즈만큼의 소비전력 데이터가 바로 구하고자 하는 분석대상 작업의 '작업 전력패턴'에 해당될 수 있다. 후술할 작업 전력패턴 판별부(60)가 CNN 알고리즘을 이용한 AI 신경망을 이용하는 경우, 그 CNN 알고리즘에 적합한 학습 데이터를 생성할 수 있다.

예시적인 실시예에서, 출출된 각각의 작업 전력패턴 시작점에서 시작하는 작업시간 창(W_i)과 그 작업시간 창(W_i)의 바로 앞의 작업시간 창(W_i-1)과 바로 뒤의 작업시간 창(W_i+1)을 각각 1개씩을 포함하여, 총 3개의 작업시간 창(W_i-1, W_i, W_i+1)에 대해 작업 레이블(예: '1')을 할당하고, 그 외의 작업시간 창에 대해서는 비작업 레이블(예: '0')을 할당할 수 있다. 이렇게 하는 이유는 작업 레이블을 좀 더 많이 만들어, 작업 레이블 해당 여부에 관한 판단의 민감도를 낮추고, 학습을 용이하게 하기 위함이다. 이런 방식으로 분할된 전체 작업시간 창(W_i, 여기서 i는 자연수)들 각각의 본래의 소비전력 데이터에 작업 레이블 또는 비작업 레이블을 추가하여 데이터 저장소(56)에 저장할 수 있다.

학습 데이터 생성부(70)는 위와 같은 방법으로 인공지능 기반 작업 전력패턴 판별을 위한 학습 데이터를 자동으로 생성할 수 있다. 그 학습 데이터는 작업의 종류별로 별도로 만들 수 있다.

다음으로, 컴퓨터 시스템(50)의 처리장치는 작업 전력패턴 판별부(60)를 실행하여 학습 데이터 생성부(70)가 생성한 학습 데이터를 제공받아 학습을 수행할 수 있다. 그 학습 데이터는 소비전력 데이터에 작업 레이블이 추가된 데이터이다. 그 학습을 통해 작업 전력패턴을 자동으로 판별할 수 있는 모델을 구축할 수 있다(S60 단계). 하나의 의복 제작에는 여러 종류의 봉제 작업이 관여되는데, 각 봉제 작업별로 학습 데이터는 별도로 생성할 수 있다. 학습 데이터 생성부(70)가 각 작업마다 별도의 학습 데이터를 생성하여 제공하면, 작업 전력 패턴 판별부(60)는 그 학습데이터를 각각 별도로 학습함으로써 각 작업 종류별로 작업 전력패턴 자동 판별 모델을 별도로 구축할 수 있다.

작업 전력패턴 판별부(60)는 데이터 저장소(56)를 통해 각 재봉틀(20)의 소비전력 데이터를 실시간 또는 준-실시간(30분 단위)으로 전달받아 그 학습된 작업 전력패턴 자동 판별 모델에 입력할 수 있다(S70 단계). 그 학습된 작업 전력패턴 자동 판별 모델은 예컨대 CNN 알고리즘을 기반으로 구축된 분류기로서 기능할 수 있다.

작업 전력패턴 판별부(60)의 인공지능 신경망 분류기(CNN)는 작업 전력패턴 자동 판별 모델에 입력된 소비전력 데이터 대하여 무빙 윈도우 기법을 적용하여 작업에 해당하는 소비전력 패턴(즉, 작업 전력패턴)을 분류할 수 있다(S80 단계).

도 6은 본 발명의 예시적인 실시예에 따라 무빙 윈도우 기법을 도시적으로 설명하기 위한 도면이다. 도 6에 도시된 것과 같이, 무빙 윈도우 기법은 재봉틀(20)의 소비전력 데이터 패턴(96)에 대하여 일정 크기의 분류 창(94a)을 시간의 경과방향으로 이동시키면서 작업 전력패턴을 자동으로 분류하는 기법이다. 즉, 현재 분류 주기의 분류 창(94a)에 포함된 소비전력 데이터 패턴(96a)을 작업 전력패턴 자동 판별 모델에 입력하여 작업 소비전력에 해당하는지 여부를 판별하고, 그런 다음 소정 거리만큼 이동한 다음 분류주기의 분류 창(94b)에 포함된 소비전력 데이터 패턴(96b)을 같은 방법으로 작업 전력패턴 자동 판별 모델에 입력하여 작업 소비전력에 해당하는지 여부를 판별한다. 이런 식의 판별을 재봉틀(20)의 전체 소비전력 데이터 패턴(96)에 대하여 수행한다.

분류 창(94a)을 시간 경과방향 이동 거리는 직전의 분류 결과에 따라 가변적으로 정해질 수 있다. 현재 분류주기에서의 분류 창(94a)에 포함된 소비전력 데이터의 분류 결과가 '비작업'인 경우, 다음 주기 분류를 위한 분류 창(94b)의 이동 거리는 단위 최소 시간만큼 이동한다. 만약 현재 분류주기에서의 분류 창(94a)에 포함된 소비전력 데이터의 분류 결과가가 '작업'일 경우, 다음 주기 분류를 위한 분류 창(94b)의 이동 거리는 분석대상 작업의 작업 수행시간만큼의 거리를 이동할 수 있다. 이렇게 함으로써, 다음 주기의 분류는 해당 작업 창의 맨 끝으로 곧바로 이동하여 수행함으로써 불필요한 구간에서의 분류를 생략하여 분류 작업의 효율을 높일 수 있다.

끝으로, 단계 S80에서 분류된 작업 전력패턴의 개수를 카운트 하는 것에 의해, 재봉틀(20)이 수행한 작업 수량(작업 횟수)을 자동으로 산출할 수 있다. 나아가, 작업 수량을 단위 시간(30분)으로 나눠줌으로 단위 생산 시간을 산출할 수 있다(S82 단계).

그밖에도 여러 가지 유용한 정보를 만들어낼 수 있다. 예컨대 복수 종류의 작업에 대하여 각각 별도의 작업 전력패턴 자동 판별 모델이 확보되어 있는 경우, 각 재봉틀(20)에서 수행되고 있는 작업의 종류도 자동으로 파악할 수 있다. 이렇게 얻은 정보는 재봉틀(20)들로 구성된 생산라인에서 어떤 종류의 작업이 단위 시간 동안 몇 회 수행되는지를 모니터링할 수 있게 해준다. 이를 통해 생산라인에서 병목 현상을 일으키는 구간을 즉각적으로 파악하여 필요한 조치를 신속하게 취할 수 있다. 나아가, 의류생산공장의 생산관리시스템(Manufacturing Execution System: MES)(비도시)이 관리하고 있는 작업자 정보, 생산 장비 정보, 작업 일정, 작업 지시, 품질관리, 작업 실적 집계 등과 같은 MES 정보와 접목하면, 더 많은 2차 정보를 가공해낼 수 있다. 각 재봉틀(20)의 소비전력 데이터로부터 각 작업자별, 각 작업공정라인별 수행하는 작업의 종류, 작업 수행 횟수(생산량), 작업 시간 등을 포함한 여러 가지 다양한 생산 정보를 자동으로 산출할 수 있다. 모니터링된 정보를 작업자의 개인성과평가 기준으로 사용하여 작업자의 작업 의지를 고무시킬 수 있고, 향후 생산라인 재설계 시 참고자료로 사용 가능하다.

도 7에는 본 발명의 예시적인 실시예에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 시스템(10)을 이용하여 작업수량을 자동 인식한 결과가 예시되어 있다.

도 7을 참조하면, 30명의 작업자들을 대상으로 각 작업자의 실제 작업수량 측정과 본 발명에 따른 자동 인식 시스템(10)을 이용한 작업 수량 산출 결과를 비교해본 바, 본 발명에 따른 자동 인식 시스템(10)의 평균 인식률은 88% 정도로 나타났고, 절반 정도의 작업자의 인식률 오차가 10% 미만의 값을 가지는 것으로 확인되었다 (최고 139%, 최저 79%).

도 8에는 본 발명의 예시적인 실시예에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 시스템(10)의 학습 데이터에 따른 작업 수량 인식의 정확도가 예시되어 있다.

도 8을 참조하면, 학습데이터 양이 1시간, 3시간, 6시간, 12시간으로 증가함에 따라 정확도가 상승함을 확인할 수 있다. 이는 학습 데이터의 양이 더 많이 축적될수록 본 발명에 따른 작업 소비전력패턴 자동 인식 방법의 정확도는 상승시킬 수 있음을 뜻한다.

위에서는 전동 재봉틀(20)을 이용한 봉제 작업을 예로 하여 작업 전력패턴을 결정하는 방법을 설명하였지만, 위 실시예에 따른 방법은 전동 원단 재단기, 원단 패턴 스탬핑 장치, 전동 원단 검사기 등과 같은 다른 종류의 전동장치를 사용한 작업에 대해서도 동일하게 적용할 수 있다.

이상에서 설명한 본 발명의 실시예들에 따른 인공지능 기반 봉제 작업 소비전력패턴 자동 인식 방법은 다양한 컴퓨터 수단을 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있다. 구현된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록매체에 기록될 수 있다. 그 구현된 컴퓨터 프로그램을 컴퓨터 장치에서 연산처리장치가 기록 매체에 저장된 그 컴퓨터 프로그램을 읽어 들여 실행하는 것에 의해 본 발명의 방법을 수행할 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.

본 발명을 실행하기 위한 다양한 컴퓨터 수단은 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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.

본 발명은 의류 봉제분야의 생산 시스템에 적용되어, 봉제작업의 소비전력 패턴을 자동 인식하고, 그 인식 결과를 이용하여 개별 작업자별, 작업라인별, 생산 공장 전체의 현재 작업내용과 생산량, 생산 진도, 작업시간과 병목지점 등의 관리정보를 생성하는 데 활용될 수 있다. 나아가, 본 발명은 의류 봉제분야 이외에도, 전기를 사용하여 작업을 수행하는 다양한 공장이나 현장에서의 설비 및 환경 모니터링에 적용될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 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 특허청구범위의 범위에 속한다.

20: 재봉틀 30: 전력 측정기
40: 통신망 50: 컴퓨터 시스템
60: 작업 전력패턴 판별부 80: 학습 데이터 생성부

Claims

컴퓨터 장치에서 컴퓨터 프로그램을 실행하여 수행되는 방법으로서,
상기 컴퓨터 장치에서, 전동장치가 소정 작업을 소정 기간 동안에 걸쳐 반복 수행하는 과정에서 모니터링된 소비전력 데이터를 수집하여 데이터 저장소에 저장하는 단계;
상기 컴퓨터 장치의 연산처리장치가 상기 데이터 저장소로부터 소정 기간 동안 수집 저장된 상기 전동장치의 소비전력 데이터를 읽어들이는 단계;
상기 연산처리장치가 읽어들인 상기 소비전력 데이터를 소정 시간 간격마다 소정 크기의 작업시간 창 단위로 분할하는 단계;
작업시간 창 단위로 분할된 소비전력 데이터들 전체에 대하여, 인접하는 작업시간 창들의 소비전력 데이터들 간의 유사도를 비교하여 유사도가 가장 낮은 지점을 상기 전동장치의 작업 시작지점을 나타내는 ‘작업 전력패턴의 시작점’으로 추출하는 단계;
추출된 각 ‘작업 전력패턴의 시작점’에서부터 상기 작업시간 창의 사이즈에 해당하는 구간의 소비전력 데이터를 상기 전동장치가 상기 소정 작업을 1회 수행하는 데 소비한 전력 데이터인 작업 전력패턴으로 추출하는 단계; 및
추출된 상기 작업 전력패턴에 작업 레이블을 추가하여 인공지능 기반 학습 데이터를 자동으로 생성하는 단계를 포함하고,
상기 인접하는 작업시간 창들의 소비전력 데이터 간의 유사도를 구할 때, 미리 설정된 소비전력 피크 지점의 최소 개수를 초과하는 소비전력 피크 지점은 작업 전력패턴의 종료구간에서의 유사도 차이 피크 지점으로 간주하여 무시하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 작업시간 창 단위로 분할된 소비전력 데이터들은 작업시간 창 단위로 분할된 소비전력 데이터들을 오토 엔코딩을 통해 더 낮은 차원으로 압축하여 재구성된 작업시간 창 단위 소비전력 데이터인 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 작업시간 창의 사이즈는 분석 대상 작업을 1회 수행하는 데 걸리는 평균적인 작업시간 길이와 실질적으로 동일하게 정해지는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제3항에 있어서, 상기 분석 대상 작업이 재봉틀을 이용하는 봉제작업인 경우, 상기 작업시간 창의 사이즈는 60초 - 100초의 범위에서 정해지는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 ‘작업 전력패턴의 시작점으로 추출하는 단계’는, 분할된 작업시간 창 단위의 소비전력 데이터를 오토 엔코더(Auto-Encoder)를 이용하여 각 작업시간 창의 소비전력 데이터의 차원을 줄이는 단계; 및 상기 오토 엔코더에 의해 차원 감소된 인접 작업시간 창들의 출력 데이터 간의 유사도를 구하여 서로 비교하는 작업을 상기 분할된 작업시간 창 전체에 대하여 수행하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 구축된 작업 소비전력패턴 자동 판별 모델을 이용하여, 실시간 또는 준-실시간으로 획득되는 상기 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 자동으로 분류하여 상기 소정 작업의 수행 횟수를 산출하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 인공지능 기반 학습 데이터를 자동으로 생성하는 단계는, 추출된 각각의 작업 전력패턴 시작점에서 시작하는 제1 작업시간 창과, 그 제1 작업시간 창의 바로 앞의 제2 작업시간 창 및 바로 뒤의 제3 작업시간 창을 포함하여, 총 3개의 작업시간 창에 대해 작업 레이블을 할당하고, 그 외의 작업시간 창에 대해서는 비작업 레이블을 할당하는 단계; 및 분할된 전체 작업시간 창들 각각의 본래의 소비전력 데이터에 상기 할당하는 단계에서 할당된 상기 작업 레이블 또는 비작업 레이블을 추가하여 데이터 저장소에 저장하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 소정 작업의 수행 횟수를 산출하는 단계는, 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 작업 소비전력패턴 자동 판별 모델을 구축하는 단계; 가동 중인 전동장치의 소비전력 데이터를 실시간 또는 준-실시간으로 전달받아 학습된 상기 작업 전력패턴 자동 판별 모델에 입력하는 단계; 상기 작업 전력패턴 자동 판별 모델에 입력된 소비전력 데이터 대하여, 소정 사이즈의 분류 창을 시간 경과 방향으로 이동하는 무빙 윈도우 기법을 적용하여 상기 분류 창에 포함된 소비전력 데이터가 상기 소정 작업의 1회 수행에 해당하는 작업 전력패턴에 해당하는 경우를 자동으로 분류하는 단계; 및 분류된 작업 전력패턴의 개수를 카운트 하는 것에 의해, 상기 전동장치가 상기 소정 작업을 수행한 작업 횟수(수량)를 자동으로 산출하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제8항에 있어서, 매 분류 주기별 상기 분류 창의 시간 경과방향으로의 이동 거리는 직전의 분류 결과에 따라 가변적으로 정하되, 상기 분류 창의 이동 거리의 가변적 결정은, 현재 분류주기에서의 상기 분류 창에 포함된 소비전력 데이터의 분류 결과가 (i)'비작업'인 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 단위 최소 시간만큼 이동하고, (ii) '작업'일 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 분석대상 작업의 작업 수행시간만큼의 거리를 이동하는 방식으로 이루어지는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 학습 데이터를 분석 대상 작업의 종류별로 각각 별도로 생성하고, 각 분석 대상 작업별 학습 데이터를 별도로 학습하여 각 작업 종류별로 작업 전력패턴 자동 판별 모델을 별도로 구축되는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
제1항에 있어서, 상기 전동장치는 의류 생산 공장에서 사용되는 전동 재봉틀, 전동 원단 재단기, 전동 원단 패턴 스탬핑 장치, 전동 원단 검사기 중 적어도 어느 한 가지인 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 방법.
삭제
삭제
삭제
소정 작업을 수행하는 전동장치의 소비전력을 모니터링하여 획득된 소비전력 데이터를 무선통신과 유선통신 중 적어도 어느 한 가지 방식으로 전송하도록 구성된 적어도 하나의 전력측정기; 및
상기 전력측정기가 전송하는 시계열 소비전력 데이터를 수신하여 데이터 저장소에 저장하고, 작업 전력패턴 자동 인식용 컴퓨터 프로그램을 실행하여 상기 소정 작업을 1회 수행하는 데 소비되는 작업 전력패턴을 자동으로 추출하는 컴퓨터 장치를 포함하고,
상기 컴퓨터 프로그램은,
상기 컴퓨터 장치로 하여금, 상기 전동장치가 소정 작업을 소정 기간 동안에 걸쳐 반복 수행하는 과정에서 모니터링된 소비 전력데이터를 수집하여 데이터 저장소에 저장하는 기능; 상기 컴퓨터 장치의 연산처리장치가 상기 데이터 저장소로부터 소정 기간 동안 수집 저장된 상기 전동장치의 소비전력 데이터를 읽어들이는 기능; 상기 연산처리장치가 읽어들인 상기 소비전력 데이터를 소정 시간 간격마다 소정 크기의 작업시간 창 단위로 분할하는 기능; 작업시간 창 단위로 분할된 소비전력 데이터들 전체에 대하여, 인접 작업시간 창들의 소비전력 데이터들 간의 유사도를 비교하여 유사도가 가장 낮은 지점을 상기 전동장치의 작업 시작지점을 나타내는 ‘작업 전력패턴의 시작점’으로 추출하는 기능; 상기 인접 작업시간 창들의 소비전력 데이터 간의 유사도를 구할 때, 미리 설정된 소비전력 피크 지점의 최소 개수를 초과하는 소비전력 피크 지점은 작업 전력패턴의 종료구간에서의 유사도 차이 피크 지점으로 간주하여 무시하는 기능; 추출된 ‘작업 전력패턴의 시작점’에서부터 상기 작업시간 창의 사이즈에 해당하는 구간의 소비전력 데이터를 상기 전동장치가 상기 소정 작업을 1회 수행하는 데 소비한 전력 데이터인 작업 전력패턴으로 추출하는 기능; 및 추출된 상기 작업 전력패턴에 작업 레이블을 추가하여 인공지능 기반 학습 데이터를 자동으로 생성하는 기능을 갖도록 구성된 학습데이터 생성부; 및
상기 컴퓨터 장치로 하여금, 상기 학습데이터 생성부가 생성한 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 구축된 작업 소비전력패턴 자동 판별 모델을 이용하여, 실시간 또는 준-실시간으로 획득되는 상기 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 자동으로 분류하여 상기 소정 작업의 수행 회수를 산출하는 기능을 갖도록 구성된 작업 전력패턴 판별부를 포함하도록 구성된 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 시스템.
삭제
제15항에 있어서, 상기 ‘작업 전력패턴의 시작점으로 추출하는 기능’은, 분할된 작업시간 창 단위의 소비전력 데이터를 인공지능 신경망 기반 학습데이터 생성부의 입력 데이터로 제공하는 기능; 상기 학습데이터 생성부에서, 오토 엔코더(Auto-Encoder)를 이용하여 상기 작업시간 창 단위의 소비전력 데이터를 학습하면서 각 작업시간 창의 소비전력 데이터의 차원을 줄이는 기능; 상기 오토 엔코더에 의해 차원 감소된 인접 작업시간 창들의 출력 데이터 간의 유사도를 구하여 서로 비교하는 작업을 상기 분할된 작업시간 창 전체에 대하여 수행하는 기능; 및 상기 유사도 비교 결과, 인접 작업시간 창들의 오토엔코더 출력 데이터 간에 유사도가 가장 낮게 나타나는 지점을 상기 전동장치의 작업 시작지점을 나타내는 ‘작업 전력패턴의 시작점’으로 간주하여 추출하는 기능; 및 추출된 ‘작업 전력패턴의 시작점’과 상기 작업시간 창의 사이즈에 기초하여 상기 전동장치의 소비전력 데이터로부터 상기 작업 전력패턴을 추출하는 기능을 포함하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 시스템.
제15항에 있어서, 상기 인공지능 기반 학습 데이터를 자동으로 생성하는 기능은, 추출된 각각의 작업 전력패턴 시작점에서 시작하는 제1 작업시간 창과 그 제1 작업시간 창의 바로 앞의 제2 작업시간 창과 바로 뒤의 제3 작업시간 창을 포함하여, 총 3개의 작업시간 창에 대해 작업 레이블을 할당하고, 그 외의 작업시간 창에 대해서는 비작업 레이블을 할당하는 기능; 및 분할된 전체 작업시간 창들 각각의 본래의 소비전력 데이터에 상기 할당하는 단계에서 할당된 상기 작업 레이블 또는 비작업 레이블을 추가하여 데이터 저장소에 저장하는 기능을 포함하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 시스템.
제15항에 있어서, 상기 작업 전력패턴 판별부는, 상기 학습 데이터를 소정의 인공지능 기반 알고리즘으로 학습하여 작업 소비전력패턴 자동 판별 모델을 구축하는 기능; 가동 중인 전동장치의 소비전력 데이터를 실시간 또는 준-실시간으로 전달받아 학습된 상기 작업 전력패턴 자동 판별 모델에 입력하는 기능; 상기 작업 전력패턴 자동 판별 모델에 입력된 소비전력 데이터 대하여, 소정 사이즈의 분류 창을 시간 경과 방향으로 이동하는 무빙 윈도우 기법을 적용하여 상기 분류 창에 포함된 소비전력 데이터가 상기 소정 작업의 1회 수행에 해당하는 작업 전력패턴에 해당하는 경우를 자동으로 분류하는 기능; 및 분류된 작업 전력패턴의 개수를 카운트 하는 것에 의해, 상기 전동장치가 상기 소정 작업을 수행한 작업 횟수(수량)를 자동으로 산출하는 기능을 포함하는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 시스템.
제19항에 있어서, 상기 작업 전력패턴 판별부는, 매 분류 주기별 상기 분류 창의 시간 경과방향으로의 이동 거리는 직전의 분류 결과에 따라 가변적으로 정하되, 상기 분류 창의 이동 거리의 가변적 결정은, 현재 분류주기에서의 상기 분류 창에 포함된 소비전력 데이터의 분류 결과가 (i)'비작업'인 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 단위 최소 시간만큼 이동하고, (ii) '작업'일 경우, 다음 주기 분류를 위한 상기 분류 창의 이동 거리는 분석대상 작업의 작업 수행시간만큼의 거리를 이동하는 방식으로 이루어지는 것을 특징으로 하는 인공지능 기반 작업 전력패턴 자동 인식 시스템.
제1항 내지 제11항 중 어느 한 항에 기재된 인공지능 기반 작업 전력패턴 자동 인식 방법을 수행하기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 실행가능 프로그램.
제1항 내지 제11항 중 어느 한 항에 기재된 인공지능 기반 작업 전력패턴 자동 인식 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.