KR102315668B1 - 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치 - Google Patents

Abstract

클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치에 관한 것이며, 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치는 엔지니어링 프로젝트 단계 전주기에서 발생하는 ITB 문서를 분석하여 리스크 영향도를 평가하는 ITB 분석부, 상기 엔지니어링 프로젝트 단계에서 발생하는 복수의 설계 데이터를 인공지능 기반의 제1사전정의 모델에 적용하여 설계 데이터에 관련된 분석을 수행하는 설계 과정 분석부 및 상기 엔지니어링 프로젝트 단계에서 발생하는 O&M 데이터를 인공지능 기반의 제2 사전정의 모델에 적용하여 수요 예측 분석을 수행하는 O&M 분석부를 포함할 수 있다.

Description

클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치{ENGINEERING DATA MANAGEMENT AND ANALYSIS DEVICES USING MACHINE LEARNING FLATFORM AND PRE-DEFINED MODELS PROVIDED ON THE CLOUD}

본원은 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치에 관한 것이다.

엔지니어링 프로젝트는 기획 단계부터 설계, 구매, 시공, 운영, O&M의 플랜트 설비 예측정비에 이르기까지 사업 전주기의 각 단계마다 다양한 데이터가 발생하고 있으며, 발생되는 데이터를 활용하여 사업에서 발생될 수 있는 리스크를 최소화하기 위하여 Man Hour (MH) 및 비용 등의 다양한 지표를 산정하고 있다.

현재 엔지니어링 프로젝트에서 데이터의 수집 및 정제, 활용 시스템의 부재로 인적 오류를 포함한 다양한 문제점을 야기하고 있다. 뿐만 아니라 프로젝트 진행 상황 파악 시 현장과의 lead time 발생 등 엔지니어링 사업 시 장애 요인이 되고 있으며, 특히 해외플랜트 프로젝트 수행 시 피해 요인이 될 수도 있다.

그러므로 엔지니어링 프로젝트의 각 단계에서 발생하는 데이터의 효율적인 관리를 통하여 위험요인을 분석하고 사용자가 사전에 대처하고 의사결정을 지원할 수 있도록 엔지니어링 데이터 관리와 데이터 분석 장치에 대한 연구가 필요하다. 또한, 사용자가 별도의 프로그램 설치없이 손쉽게 데이터 관리 및 분석을 할 수 있도록 클라우드 기반의 통합 플랫폼이 필요하다.

본원의 배경이 되는 기술은 한국등록특허공보 제10-1229274호에 개시되어 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 엔지니어링 프로젝트의 전주기에서 발생하는 프로젝트 데이터를 입력하고 사용자가 원하는 프로젝트 데이터 검색 기능을 지원하며, 입찰문서인 Invitation to bid (ITB) 분석, 설계원가 예측, 설계오류 분석, 설계변경 분석, 플랜트 설비 예측정비를 사전정의 머신러닝 모델 및 엔지니어링 머신러닝 플랫폼을 활용하여 수행할 수 있는 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치를 제공하는 것을 목적으로 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 분석된 결과는 사용자에게 제공되며 사용자가 결과를 보고 빠른 판단으로 효과적인 의사결정을 할 수 있도록 대시 보드 형태로 시각화 제공하는 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치를 제공하는 것을 목적으로 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 분석된 결과는 특정 표준화된 포맷으로 다운로드 받을 수 있도록 하고, Application Programming Interface (API)를 제공하여 다른 어플리케이션에서 결과를 활용할 수 있도록 하는 등의 확장성을 고려한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 시스템 구축 시 Cloud Vendor社를 통해 인프라 부분을 서비스를 받고 분석부터 서비스 부분을 개발하여 클라우드에서 서비스가 될 수 있도록 하는 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치를 제공하는 것을 목적으로 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 개발한 플랫폼은 사용자가 신규 프로젝트를 입력했을 때, 기 입력된 프로젝트와 비교하여 가장 유사한 프로젝트를 출력해주며, 검색한 프로젝트에 대한 통계적 분석 결과를 시각화하여 제공할 수 있는 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치를 제공하는 것을 목적으로 한다.

다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 엔지니어링 데이터 관리 및 데이터 분석 장치는, 엔지니어링 프로젝트 단계 전주기에서 발생하는 ITB 문서를 분석하여 리스크 영향도를 평가하는 ITB 분석부, 상기 엔지니어링 프로젝트 단계에서 발생하는 복수의 설계 데이터를 인공지능 기반의 제1사전정의 모델에 적용하여 설계 데이터에 관련된 분석을 수행하는 설계 과정 분석부 및 상기 엔지니어링 프로젝트 단계에서 발생하는 O&M 데이터를 인공지능 기반의 제2 사전정의 모델에 적용하여 수요 예측 분석을 수행하는 O&M 분석부를 포함할 수 있다.

또한, 상기 ITB 분석부는, 상기 ITB 문서에 포함된 데이터를 전처리하여 ITB 데이터를 정형화하기 위한 ITB 데이터 정형화부 및 정형화가 완료된 ITB 데이터를 기반으로 각 문장별로 리스크 여부를 예측하는 ITB 리스크 영향도 평가부를 포함하되, 상기 ITB 리스크 영향도 평가부는, 정형화된 상기 ITB 데이터를 머신러닝에 적용하여 리스크 유무 예측 모델을 구축하고, 상기 리스크 유무 예측 모델을 기반으로 상기 ITB 문서 내 각 문장의 리스크 영향도를 평가할 수 있다.

또한, 상기 설계 과정 분석부는, 사용자 단말로부터 입력받은 설계 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 설계 데이터 검색부, 복수의 설계 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 설계 데이터를 입력하는 설계 데이터 입력부, 상기 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 설계 데이터 분석을 실시하는 설계 데이터 분석부 및 상기 사용자 단말로부터 제공받은 설계 데이터를 기반으로 신규 설계 예측 모델을 생성하는 설계 모델 생성부를 포함하되, 상기 설계 데이터 검색부는, 상기 사용자 입력 정보와 복수의 설계 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 설계 프로젝트 리스트를 제공할 수 있다.

또한, 상기 설계 데이터 분석부는, 설계 원가 예측, 설계 오류 분석 및 설계 변경 분석 각각에 대한 분석을 수행하고, 분석 결과를 시각화하여 상기 사용자 단말로 제공하고, 상기 설계 모델 생성부는, 상기 사용자 단말로부터 제공받은 설계 데이터를 기반으로 설계 원가, 설계 오류 및 설계 변경에 대한 신규 설계 예측 모델을 생성할 수 있다.

또한, 상기 O&M 분석부는, 상기 사용자 단말로부터 입력받은 O&M 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 O&M 데이터 검색부, 복수의 O&M 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 O&M 데이터를 입력하는 O&M데이터 입력부, 상기 인공지능 기반의 제2사전정의 머신러닝 모델을 이용하여 O&M 데이터 분석을 실시하는 O&M 데이터 분석부 및 상기 사용자 단말로부터 제공받은 O&M 데이터를 기반으로 신규 O&M 예측 모델을 생성하는 O&M 모델 생성부를 포함하되, 상기 O&M 데이터 검색부는, 상기 사용자 입력 정보와 복수의 O&M 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 O&M 프로젝트 리스트를 제공할 수 있다.

또한, 상기 복수의 O&M 데이터 선택 항목은, 진동 센서 데이터, 운영 및 정비이력 데이터 및 부품수량 데이터를 포함하고, 상기 O&M 데이터 분석부는, 정비 수요 예측 및 부품 수요 예측 각각에 대한 분석을 수행하고, 분석 결과를 시각화 여 상기 사용자 단말로 제공하고, 상기 O&M 모델 생성부는, 상기 사용자 단말로부터 제공받은 O&M 데이터를 기반으로 정비 수요 예측 및 부품 수요 예측에 대한 신규 O&M 예측 모델을 생성할 수 있다.

본원의 일 실시예에 따르면, 엔지니어링 데이터 관리 및 데이터 분석 방법은, 엔지니어링 프로젝트 단계 전주기에서 발생하는 ITB 문서를 분석하여 리스크 영향도를 평가하는 ITB 분석 단계, 상기 엔지니어링 프로젝트 단계에서 발생하는 복수의 설계 데이터를 인공지능 기반의 제1사전정의 모델에 적용하여 설계 데이터에 관련된 분석을 수행하는 설계 과정 분석 단계 및 상기 엔지니어링 프로젝트 단계에서 발생하는 O&M 데이터를 인공지능 기반의 제2 사전정의 모델에 적용하여 수요 예측 분석을 수행하는 O&M 분석 단계를 포함할 수 있다.

또한, 상기 ITB 분석 단계는, 상기 ITB 문서에 포함된 데이터를 전처리하여 ITB 데이터를 정형화하는 단계 및 정형화가 완료된 ITB 데이터를 기반으로 각 문장별로 리스크 여부를 예측하는 단계를 포함하되, 상기 리스크 여부를 예측하는 단계는, 정형화된 상기 ITB 데이터를 머신러닝에 적용하여 리스크 유무 예측 모델을 구축하고, 상기 리스크 유무 예측 모델을 기반으로 상기 ITB 문장 내 각 문장의 리스크 영향도를 평가할 수 있다.

또한, 상기 설계 과정 분석 단계는, 사용자 단말로부터 입력받은 설계 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 단계, 복수의 설계 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 설계 데이터를 입력하는 단계, 상기 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 설계 데이터 분석을 실시하는 단계 및 상기 사용자 단말로부터 제공받은 설계 데이터를 기반으로 신규 설계 예측 모델을 생성하는 단계를 포함하되, 상기 검색하는 단계는, 상기 사용자 입력 정보와 복수의 설계 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 설계 프로젝트 리스트를 제공할 수 있다.

또한, 상기 O&M 분석 단계는, 사용자 단말로부터 입력받은 O&M 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 단계, 복수의 O&M 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 O&M 데이터를 입력하는 단계, 상기 인공지능 기반의 제2사전정의 머신러닝 모델을 이용하여 O&M 데이터 분석을 실시하는 단계 및 상기 사용자 단말로부터 제공받은 O&M 데이터를 기반으로 신규 O&M 예측 모델을 생성하는 단계를 포함하되, 상기 검색하는 단계는, 상기 사용자 입력 정보와 복수의 O&M 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 O&M 프로젝트 리스트를 제공할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 엔지니어링 프로젝트의 전주기에서 발생하는 데이터를 머신러닝부에서 분석하고 시각화하는 과정을 통해 플랜트 프로젝트 건설 및 운영을 수행하는 엔지니어링 업체의 리스크 경감이 가능하다.

전술한 본원의 과제 해결 수단에 의하면, 엔지니어링 프로젝트의 전주기에서 발생하는 프로젝트 데이터를 입력하고 사용자가 원하는 프로젝트 데이터 검색 기능을 지원하며, 입찰문서인 Invitation to bid (ITB) 분석, 설계원가 예측, 설계오류 분석, 설계변경 분석, 플랜트 설비 예측정비를 사전정의 머신러닝 모델 및 엔지니어링 머신러닝 플랫폼을 활용하여 수행할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 분석된 결과는 사용자에게 제공되며 사용자가 결과를 보고 빠른 판단으로 효과적인 의사결정을 할 수 있도록 대시 보드 형태로 시각화하여 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 분석된 결과는 특정 표준화된 포맷으로 다운로드 받을 수 있도록 하고, Application Programming Interface (API)를 제공하여 다른 어플리케이션에서 결과를 활용할 수 있도록 하는 등의 확장성을 고려한다.

전술한 본원의 과제 해결 수단에 의하면, 시스템 구축 시 Cloud Vendor社를 통해 인프라 부분을 서비스를 받고 분석부터 서비스 부분을 개발하여 클라우드에서 서비스가 될 수 있도록할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 개발한 플랫폼은 사용자가 신규 프로젝트를 입력했을 때, 기 입력된 프로젝트와 비교하여 가장 유사한 프로젝트를 출력해주며, 검색한 프로젝트에 대한 통계적 분석 결과를 시각화하여 제공할 수 있다.

다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.

도 1은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 개략적인 블록도이다.
도 2는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 ITB 분석 인터페이스를 예시적으로 나타낸 도면이다.
도 3은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 ITB 데이터 정형화 인터페이스를 예시적으로 나타낸 도면이다.
도 4는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 ITB 리스크 영향도 평가 인터페이스를 예시적으로 나타낸 도면이다.
도 5는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계 과정 분석의 프로젝트 검색 인터페이스를 예시적으로 나타낸 도면이다.
도 6은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계 데이터 검색부에서 수행된 프로젝트 리스트 인터페이스를 예시적으로 나타낸 도면이다.
도 7은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 사전정의 모델이 탑재된 설계 데이터 분석 인터페이스를 예시적으로 나타낸 도면이다.
도 8은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계원가 예측 결과 인터페이스를 예시적으로 나타낸 도면이다.
도 9는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계오류 분석 결과 인터페이스를 예시적으로 나타낸 도면이다.
도 10은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계변경 분석 결과 인터페이스를 예시적으로 나타낸 도면이다.
도 11은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계 모델 생성을 위한 인터페이스를 예시적으로 나타낸 도면이다.
도 12는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 분석 기능 선택 화면이다.
도 13은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 데이터 검색부의 결과화면이다.
도 14는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 사전정의 모델이 탑재된 O&M 데이터 분석의 인터페이스를 예시적으로 나타낸 도면이다.
도 15는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 분석 인터페이스를 예시적으로 나타낸 도면이다.
도 16은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 모델 생성부 화면이다.
도 17은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 5개 분석 결과에 대한 API를 제공하는 화면이다.
도 18은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 클라우드 서비스 구성도에 대한 개략적인 블록도이다.
도 19는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 방법에 대한 동작 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

본원은 엔지니어링 프로젝트의 전주기에서 발생하는 데이터를 활용하여 최적의 의사결정을 지원해주는 사전정의 머신러닝 모델을 제공하는 클라우드 기반 엔지니어링 머신러닝 플랫폼에 관한 것으로서, 엔지니어링 프로젝트의 각 단계의 발생하는 데이터를 수집하고 해당 데이터를 사전정의 머신러닝 모델로 분석하거나 머신러닝 모델을 새롭게 구축한 뒤 분석하여 엔지니어링 전주기에서 발생할 수 있는 리스크를 최소화할 수 있도록 하며, 입력된 데이터와 유사한 프로젝트를 검색하고 활용하는 방법 및 시스템에 관한 것이다.

본원은 계속 변화하고 추가되는 엔지니어링 데이터의 특성을 고려하여, 엔지니어링 프로젝트를 단계별로 구분하여 신규데이터를 추가할 수 있으며, 입력된 데이터를 머신러닝 기반으로 손쉽게 분석하고 결과를 제공할 수 있는 기술에 관한 것이다.

엔지니어링은 과학적, 기술적 전문지식 통합적 활용하여 공학시스템의 기획, 설계, 개발, 구축, 운영에 필요한 공학기술적 서비스 제공한다. 엔지니어링 산업특성은 소수 발주자에 의한 일괄수주 방식 발주, 프로젝트 종합관리, 설계, 기자재 구매조달, 시공 등 통합 기술개발 필수, 경험지식활용과 활용기술이 접목되는 지식기반형 서비스 산업이다. 또한, 플랜트 엔지니어링은 일련의 기계 장치들이 연계되어 정상 운전 조건하에서 원료부터 중간재 혹인 최종 제품의 연속적 제조를 시현하는 생산설비 및 관련 시스템이다. 플랜트의 기획, 설계, 시공, 운영 및 폐기에 이르는 전주기에 걸쳐 생산성, 성능, 품질에 직접적인 영향을 미치는 분야이다.

이하에서는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치를 본 장치라 하기로 한다. 본 장치는 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치일 수 있고, 청구항 말미처럼 엔지니어링 데이터 관리 및 데이터 분석 장치와 같이 달리 지칭될 수 있다.

도 1은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치의 개략적인 블록도이다.

본원의 일 실시예에 따르면, 본 장치(1)는 엔지니어링 산업의 전주기에서 발생하는 프로젝트 데이터를 수집하고, 사용자가 원하는 프로젝트 데이터 검색 기능을 지원할 수 있다. 또한, 본 장치(1)는 ITB 분석, 설계원가 예측, 설계오류 분석, 설계변경 분석, 예측정비 등을 머신러닝 플랫폼을 활용하여 분석하여 제공할 수 있다. 본 장치(1)는 분석된 결과를 사용자 단말(미도시)을 통해 제공할 수 있다. 또한, 본 장치(1)는 사용자(관리자)가 분석 결과를 보고 빠른 판단으로 효과적인 의사결정을 할 수 있도록 대시보드 형태로 시각화하여 제공할 수 있다.

또한, 본 장치(1)는 분석된 결과를 특정 표준화된 포맷으로 다운받을 수 있도록 제공할 수 있다. 또한, 본 장치(1)는 API를 제공하여 다른 어플리케이션에서 결과를 활용할 수 있도록 하는 등의 확장성을 고려할 수 있다.

또한, 본 장치(1)는 계속 변화하고 추가되는 엔지니어링 데이터의 특성을 고려하여, 단계별로 구분하여 신규 데이터를 추가할 수 있도록 하였으며, 입력된 데이터를 자동화된 머신러닝 기반의 학습 모델을 통해 손쉽게 분석하고 결과를 제공할 수 있다.

본원의 일 실시예에 따르면, 본 장치(1)는 사용자 단말(미도시)로 데이터 입력 메뉴, 데이터 관리 메뉴 및 데이터 분석 메뉴 등을 제공할 수 있다. 예를 들어, 본 장치(1)가 제공하는 어플리케이션 프로그램을 사용자 단말(미도시)이 다운로드하여 설치하고, 설치된 어플리케이션을 통해 데이터 입력 메뉴, 데이터 관리 메뉴 및 데이터 분석 메뉴가 제공될 수 있다.

본 장치(1)는 사용자 단말(미도시)과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.

사용자 단말(미도시)은 네트워크를 통해 본 장치(1)와 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.

본 장치(1) 및 사용자 단말(미도시) 간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.

도 1을 참조하면, 본 장치(1)는 ITB 분석부(100), 설계 과정 분석부(200) 및 Q&A 분석부(300)를 포함할 수 있다. 다만, 본 장치(1)의 구성이 이에 한정되는 것은 아니다. 예를 들어, 본 장치(1)는 엔지니어링 산업의 전주기에서 발생하는 프로젝트 데이터를 수집하기 위한 데이터 수집부(미도시)를 포함할 수 있다. 또한, 본 장치(1)는 수집된 복수의 프로젝트 데이터를 저장하기 위한 데이터베이스(미도시)를 포함할 수 있다. 또한, 본 장치(1)는 사용자 단말(미도시)로 데이터 분석 메뉴를 제공하기 위한 데이터 제공부(미도시)를 포함할 수 있다. 데이터베이스(미도시)는 독조소항 분석을 위한 독소조항 사전, 설계오류 Delay 심각도 구분 항목, 설계변경 사업비 심각도 구분 항목, 설계변경 핵심단어 사전 등을 포함할 수 있다.

본원의 일 실시예에 따르면, 데이터 수집부(미도시)는 엔지니어링 산업의 전주기에서 발생하는 프로젝트 데이터를 수집할 수 있다. 예를 들어, 데이터 수집부(11)는 계약서, 시방서, ITB, 해양 및 육상 플랜트 데이터, ERP(전사적 자원관리), PMIS(사업관리 정보시스템), 상용데이터, 공공데이터, 빅데이터 통합 정보, 공공데이터, Open API 등을 수집할 수 있다. 데이터 수집부(미도시)는 엔지니어링 산업의 전주기에서 발생하는 다양한 데이터를 수집할 수 있다. 또한, 데이터 수집부(미도시)는 엔지니어링 산업의 프로젝트 데이터뿐만 아니라 다양한 분야의 산업의 전주기에서 발생하는 프로젝트 데이터를 수집할 수 있다. 프로젝트 데이터는, 엔지니어링 산업에서 발생하는 시계열 데이터일 수 있다. 또한, 프로젝트 데이터는 데이터베이스(미도시)에 저장된 데이터일 수 있다. 또한, 데이터 수집부(미도시)는 네트워크를 통해 외부 서버에서 엔지니어링 산업의 전주기에서 발생하는 프로젝트 데이터를 수집할 수 있다. 일예로, 외부 서버는, 엔지니어링 산업을 수행하는 기관의 서버일 수 있다.

본원의 다른 일 실시예에 따르면, 데이터 수집부(미도시)는 ITB 분석부(100), 설계 과정 분석부(200) 및 Q&M 분석부(300)에서 분석된 데이터를 관리할 수 있다. 달리 말해, 데이터 수집부(미도시)는 입력받은 신규 프로젝트 데이터를 데이터베이스(미도시)에 저장할 수 있다. 또한, 데이터 수집부(미도시)는 ITB 분석부(100), 설계 과정 분석부(200) 및 Q&M 분석부(300) 각각에서 분석된 다양한 데이터의 분석 결과를 데이터베이스(미도시)에 저장할 수 있다. 데이터 수집부(미도시)는 엔지니어링 산업에서 발생하는 다양한 데이터를 수집할 뿐만 아니라, 엔지니어링 산업에서 발생하는 데이터를 분석한 분석 데이터를 데이터베이스(미도시)에 저장하여 관리할 수 있다.

본원의 일 실시예예 따르면, ITB 분석부(100)는 엔지니어링 프로젝트 단계 전주기에서 발생하는 ITB 분석을 분석하여 리스크 영향도를 평가할 수 있다. 또한, ITB 분석부(100)는 PDF파일 형식의 ITB 데이터를 정형화하고 정형화된 데이터에 대해 리스크 등급 예측을 수행할 수 있다. 일예로, ITB 분석부(100)는 PDF 파일 형식의 ITB 데이터를 정형화하는 기능과 정형화된 데이터를 기반으로 머신러닝 기법을 이용하여 EPC ITB 리스크 유무 예측 모델과 리스크 등급 예측 모델의 분석 결과를 포함할 수 있다.

예시적으로 도 1을 참조하면, ITB 분석부(100)는 ITB 데이터 정형화부(110) 및 ITB 리스크 영향도 평가부(120)를 포함할 수 있다. ITB 데이터 정형화부(110)는 ITB 문서에 포함된 데이터를 전처리하여 ITB 데이터를 정형화할 수 있다. 예를 들어, ITB 데이터 정형화부(110)는 PDF 파일 형식의 ITB 데이터를 OCR(광학 문자 인식: Optical Character Recognition)과 PDF Parser (분해기)로 분석 기술을 사용하여 데이터를 문자 (String)로 추출할 수 있다. 또한, ITB 데이터 정형화부(110)는 자연어 처리 기술을 이용하여 ITB 텍스트 데이터를 문장 단위로 토큰화 (Setence Tokenization)하여 정형화된 데이터를 생성할 수 있다.

본원의 일 실시예에 따르면, ITB 리스크 영향도 평가부(120)는 정형화가 완료된 ITB데이터를 기반으로 각 문장별로 리스크 여부를 예측할 수 있다. 또한, ITB 리스크 영향도 평가부(120)는 정형화된 ITB 데이터를 머신러닝에 적용하여 리스크 유무 예측 모델을 구축하고, 리스크 유무 예측 모델을 기반으로 ITB 문서 내 각 문장의 리스크 영향도를 평가할 수 있다. 예를 들어, ITB 리스크 영향도 평가부(120)는 ITB 데이터 정형화부(110)로 정형화된 데이터를 머신러닝에 적용을 위해 다양한 EPC 플랜트 프로젝트 ITB의 훈련데이터 셋을 설정할 수 있다. 또한, ITB 리스크 영향도 평가부(120)는 이를 기반으로 ITB 내 각 문장의 Risk Impact(영향도)를 머신러닝으로 분석하고 예측하는 모델을 구축할 수 있다.

도 2는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 ITB 분석 인터페이스를 예시적으로 나타낸 도면이고, 도 3은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 ITB 데이터 정형화 인터페이스를 예시적으로 나타낸 도면이고, 도 4는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 ITB 리스크 영향도 평가 인터페이스를 예시적으로 나타낸 도면이다.

도 2를 참조하면, ITB 분석부(100)는 사용자 단말(미도시)로 ITB분석 인터페이스 화면을 제공할 수 있다. ITB 분석부(100)는 사용자 단말(미도시)로 PDF 정형화 항목 또는 리스크 영향도 평가 항목 중 적어도 어느 하나를 선택한 사용자 입력 정보를 수신할 수 있다. ITB 분석부(100)는 PDF 정형화 항목을 선택한 사용자 입력 정보가 수신된 경우, ITB 데이터 정형화부(110)를 이용하여 데이터 전처리를 수행할 수 있다. ITB 분석부(100)는 리스크 영향도 평가 항목을 선택한 사용자 입력 정보가 수신된 경우, ITB 리스크 영향도 평가부(120)를 이용하여 머신러닝을 기반의 리스크 영향도를 평가를 수행할 수 있다.

도 3을 참조하면, ITB 데이터 정형화부(110)는 ITB 문서(예를 들어, PDF)의 정형화 결과를 제공할 수 있다. ITB 데이터 정형화부(110)는 ITB 데이터의 순서대로 문장이 소속한 목차 번호와 article, 그리고 문장으로 분리된 결과를 도출하여 제공할 수 있다.

도 4를 참조하면, ITB 리스크 영향도 평가부(120)는 분석 결과로, ITB 데이터 정형화부(110) 결과 데이터에 대해 각 문장별로 리스크 여부를 예측하고, 리스크가 있다고 예측한 문장에 대해 리스크 등급을 예측하여 시각화한 결과를 도 4와 같이 제공할 수 있다. ITB 리스크 영향도 평가부(120)는 리스크 여부에 따른 문장 수와 리스크 등급에 따른 문장 수를 구분하여 제공할 수 있다. 또한, ITB 리스크 영향도 평가부(120)는 리스크 등급에 따른 문장 수를 레벨별로 분류하여 제공할 수 있다.

본원의 다른 일 실시예에 따르면, ITB 분석부(100)는 엔지니어링 산업의 복수의 분석 단계 항목 중 ITB 분석 항목에 대하여 ITB 문서 데이터에 포함된 독소조항을 탐지하기 위해 머신러닝 기반으로 학습된 학습 모듈에 신규 프로젝트 데이터를 적용하여 독소조항 분석을 수행할 수 있다. 일예로, ITB 분석은 ITB(Invitation To Bid: 입찰안내서) 내에서 독소조항을 탐지하는 것으로, ITB 분석부(100)는 신규 프로젝트 데이터에 포함된 ITB 문서를 학습 모듈에 적용하여 독소조항을 분석할 수 있다. 여기서, 학습 모듈은 회귀모델, 분류모델, 군집모델 및 딥러닝모델 중 적어도 어느 하나를 포함할 수 있다. 독소조항은 일반적으로 법률이나 공식 문서 등에서 본래 의도하는 바를 교묘하게 제한하는 내용을 말한다. 즉, 법률의 경우 그 법률이 의도하는 목적이 있지만 이론적 혹은 현실적으로 그 의도를 막는 문구가 삽입되어 있는 것을 말한다.

예시적으로, ITB 분석부(100)는 미리 구축된 독소조항 사전과의 비교를 통해 ITB 문서 데이터에 포함된 독소조항 분석을 수행할 수 있다. ITB 분석부(100)는 입력받은 ITB 문서 데이터에서 미리 저장된 독소조항 사전에 포함된 독소조항 단어 중 어느 하나와 매칭을 통해 독소조항 분석을 수행할 수 있다. 독소조항 사전에는 사용자가 미리 설정한 단어들이 포함될 수 있다. ITB 분석부(100)는 독소조항 사전을 이용하여, 표준화를 수행하기 위해 입력받은 ITB문서에 포함된 용어들의 형태소를 분리할 수 있다. 또한, ITB 분석부(100)는 분리된 용어에 포함된 복수의 단어를 독소조항 사전에 포함된 독소조항 단어들과의 비교를 위해 인공지능 기반의 알고리즘을 이용하여 유사도 연산을 수행할 수 있다. 여기서, 인공지능 기반의 알고리즘은 Fuzzy Data Matching 알고리즘일 수 있으나, 이에 한정되는 것은 아니다. Fuzzy Data Matching 알고리즘은 편집거리(레펜슈타인, Levenshtein Distance)를 기반으로 계산된 결과값을 사용하여 데이터 간에 매칭을 수행하는 알고리즘이다. 다만, 앞서 설명된 인공지능 기반의 알고리즘은 일 실시예일뿐, 이에만 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 다양한 신경망 체계를 적용할 수 있다.

또한, ITB 분석부(100)는 카테고리별로 구분된 복수의 독소조항 분석 선택 항목을 사용자 단말(미도시)로 제공할 수 있다. 사용자는 사용자 단말(미도시)에 제공된 ITB 분석 항목을 통해, ITB 분석을 수행할 ITB 문서를 선택할 수 있다. 예를 들어, 제1문서(일예로, ITB_AA문서)가 선택되었다. 사용자는 복수의 카테고리 중 분석을 수행할 카테고리(Category)를 선택할 수 있다. 각각의 카테고리에는 독소조항 분석을 수행하기 위해 서로 다른 항목의 독소조항 분석 선택 항목들이 포함될 수 있다. ITB 분석부(100)는 사용자 단말(미도시)로부터 제공받은 제1독소조항 분석 선택 항목(Fit for purpose), 제2독소조항 분석 선택 항목(Open-ended cluse), 제3독소조항 분석 선택 항목(LD execution procedure), 제4독조소항 분석 선택 항목(Payment options: pay-when-paid vs Pay-if-paid), 제5독소조항 분석 선택 항목(Pre-payment: LOC with BL; SB LoC; LoC at-sight; Usance; Document against Payment DA/DP), 제6독소조항 분석 선택 항목(Liability for EPC Corporate; Joint liability, Several, Joint & Several)에 선택 입력 정보에 기반하여 ITB 분석을 수행할 수 있다. ITB 분석부(100)는 ITB 문서에 포함된 데이터의 문장에서, 제1독소조항 분석 선택 항목(Fit for purpose)에 대응하여, 주어, 동사, 목적어 각각에 대응하는 독소조항을 추출할 수 있다. 또한, ITB 분석부(100)는 ITB 문서에 포함된 데이터의 문장에서, 제5독소조항 분석 선택 항목(Pre-payment)에 대응하는 주어, 동사, 목적어 각각에 대응하는 독소조항을 추출할 수 있다. 또한, ITB 분석부(100)는 독소조항 분석 선택 항목에 대응하여 추출한 분석 내용을 사용자 단말(미도시)로 제공할 수 있다.

본원의 일 실시예에 따르면, 설계 과정 분석부(200)는 엔지니어링 프로젝트 단계에서 발생하는 복수의 설계 데이터를 인공지능 기반의 제1사전정의 모델에 적용하여 설계 데이터에 관련된 분석을 수행할 수 있다. 설계 과정 분석부(200)는 검색 프로젝트에 대해 유사도 분석 알고리즘과 머신러닝 모델의 예측 결과에 대한 시각화 기능을 포함할 수 있다. 또한, 설계 과정 분석부(200)는 설계 원가, 설계 오류, 설계 변경 데이터에 대한 데이터 검색과 사전정의 모델 또는 엔지니어링 머신러닝 플랫폼을 이용하여 생성한 모델을 사용하여 입력된 설계 데이터에 대해 분석을 수행할 수 있다.

예시적으로, 도 1을 참조하면, 설계 과정 분석부(200)는 설계 데이터 검색부(210), 설계 데이터 입력부(220), 설계 데이터 분석부(230) 및 설계 모델 생성부(240)를 포함할 수 있다.

도 5는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계 과정 분석의 프로젝트 검색 인터페이스를 예시적으로 나타낸 도면이고, 도 6은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계 데이터 검색부에서 수행된 프로젝트 리스트 인터페이스를 예시적으로 나타낸 도면이다.

본원의 일 실시예에 따르면, 설계 데이터 검색부(210)는 사용자 단말(미도시)로부터 입력받은 설계 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색할 수 있다. 또한, 설계 데이터 검색부(210)는 사용자 입력 정보와 설계 데이터 간의 유사도 분석을 수행할 수 있다. 또한, 설계 데이터 검색부(210)는 유사도 분석 결과에 기반하여 설계 프로젝트 리스트를 제공할 수 있다. 또한, 설계 데이터 검색부(210)는 사용자가 원하는 조건의 프로젝트 또는 원하는 조건과 유사한 프로젝트를 검색할 수 있는 항목을 제공하고, 해당 데이터를 제공할 수 있다.

예시적으로, 도 5를 참조하면, 설계 데이터 검색부(210)는 사용자 단말(미도시)로 설계 과정 분석의 프로젝트 검색 인터페이스를 제공할 수 있다. 사용자 단말(미도시)은 설계 과정 분석의 프로젝트 검색 인터페이스를 사용자 단말(미도시)에 출력하고, 사용자는 설계 과정 분석의 프로젝트 검색 인터페이스를 참고하여, 복수의 설계 프로젝트 항목에 대한 응답을 수행할 수 있다. 예를 들어, 복수의 설계 프로젝트 항목은, 모듈 타입, 플랜트 종류, 프로젝트 코드, 프로젝트 명칭, 프로젝트 유형, 현장 위치, 사업분야, 규모(용량), 프로젝트 기간, 발주처를 포함할 수 있다.

예시적으로 도 6을 참조하면, 설계 데이터 검색부(210)는 복수의 설계 프로젝트 항목에 대응하여 수신된 사용자 입력 정보를 고려하여 유사 프로젝트 리스트를 제공할 수 있다. 설계 데이터 검색부(210)는 사용자 입력 정보에 기반하여 데이터베이스(미도시)에 저장된 프로젝트 데이터와의 유사도 분석을 수행할 수 있다. 일예로, 유사도 분석은, Fuzzy Matching 알고리즘을 기반으로 수행될 수 있다. Fuzzy Matching 알고리즘은 편집거리(레펜슈타인, Levenshtein Distance)를 기반으로 계산된 결과값을 사용하여 데이터 간의 유사도를 계산해 주는 알고리즘일 수 있다. 설계 데이터 검색부(210)는 유사도 분석 결과에 기반하여 유사 설계 프로젝트 리스트를 제공할 수 있다. 또한, 설계 데이터 검색부(210)는 유사도 분석 결과에 기반하여 제공된 유사 설계 프로젝트 리스트 중 적어도 어느 하나를 선택하는 사용자 입력 정보를 수신할 수 있다.

본원의 일 실시예에 따르면, 설계 데이터 입력부(220)는 복수의 설계 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 설계 데이터를 입력할 수 있다. 복수의 설계 데이터는 설계 원가, 설계, 오류, 설계 변경을 포함할 수 있다. 달리 말해, 설계 데이터 입력부(220)는 설계 원가, 설계 오류, 설계 변경에 해당하는 데이터 양식을 제공할 수 있고, 주어진 양식을 사용자가 이용하여 데이터 정보를 입력하고 업로드할 수 있는 기능을 제공할 수 있다.

도 7은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 사전정의 모델이 탑재된 설계 데이터 분석 인터페이스를 예시적으로 나타낸 도면이고, 도 8은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계원가 예측 결과 인터페이스를 예시적으로 나타낸 도면이고, 도 9는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계오류 분석 결과 인터페이스를 예시적으로 나타낸 도면이고, 도 10은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계변경 분석 결과 인터페이스를 예시적으로 나타낸 도면이다.

본원의 일 실시예에 따르면, 설계 데이터 분석부(230)는 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 설계 데이터 분석을 실시할 수 있다. 또한, 설계 데이터 분석부(230)는 설계 원가 예측, 설계 오류 분석 및 설계 변경 분석 각각에 대한 분석을 수행하고, 분석 결과를 시각화하여 사용자 단말로 제공할 수 있다. 일예로, 도 7을 참조하면, 설계 데이터 분석부(230)는 엔지니어링 머신러닝 플랫폼으로 구축한 사전정의 모델을 이용하여 사용자가 설계 원가 예측, 설계 오류 분석, 설계 변경 분석을 수행할 수 있다. 또한, 분석부(230)는 분석 결과에 대한 시각화하여 제공할 수 있다. 또한, 설계 데이터 분석부(230)는 분석 결과 제공 시 유사 프로젝트 데이터를 함께 제시하여 분석 결과와 비교하여 제공할 수 있다.

일예로, 도 8을 참조하면, 설계 데이터 분석부(230)는 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 수행된 설계원가 예측 결과를 유사 프로젝트와 함께 제시하여 분석 결과를 제공할 수 있다.

본원의 일 실시예에 따르면, 설계 데이터 분석부(230)는 엔지니어링 산업의 복수의 분석 단계 항목 중 설계원가 예측 분석 항목에 대하여 인공지능 기반의 제1사전정의 모델에 신규 프로젝트 데이터를 적용하여 신규 프로젝트 데이터에 대한 MH(Man Hour)를 예측하는 데이터 분석을 수행할 수 있다. 또한, 설계 데이터 분석부(230)는 MH(Man Hour)가 예측된 결과에 기반하여 국가(나라)별로 엔지니어링 단가를 입력한 입력정보데 기반하여 설계시수를 예측하는 분석을 수행할 수 있다.

예시적으로, 도 8을 참조하면, 설계 데이터 분석부(230)는 신규 프로젝트 데이터에 포함된 설계원가 예측에 필요한 데이터를 학습 모듈에 입력하고, MH(Man Hour)를 예측할 수 있다. 설계 데이터 분석부(230)는 구분된 항목(Discipline) 각각에 대응하여 MH(Man Hour)를 예측할 수 있다. 설계 데이터 분석부(230)는 예측된 MH(Man Hour)를 사용자 단말(미도시)로 제공할 수 있다. 설계 데이터 분석부(230)는 사용자의 국가(나라)를 선택한 입력 정보에 기반하여, 설계시수를 예측할 수 있다. 설계 시수는 엔지니어의 노동시간일 수 있다.

도 9를 참조하면, 설계 데이터 분석부(230)는 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 수행된 설계오류 분석 결과를 제공할 수 있다. 설계 데이터 분석부(230)는 일정 및 금액을 고려하여 MATRIX 형태로 안전, 경계, 심각을 고려하여 설계오류 분석 결과를 제공할 수 있다.

본원의 일 실시예에 따르면, 설계 데이터 분석부(230)는 엔지니어링 산업의 복수의 분석 단계 항목 중 설계오류 분석 항목에 대하여 인공지능 기반의 제1사전정의 모델에 신규 프로젝트 데이터를 적용하여 프로젝트 지연일 분석을 수행할 수 있다. 설계 데이터 분석부(230)는 신규 프로젝트에서 발생할 수 있는 프로젝트 지연일에 대하여 설계오류 Delay 심각도 구분 항목에 기반하여 신규 프로젝트의 설계오류 지연 심각도 분석을 수행할 수 있다. Delay 심각도 구분 항목은 제1공사기간 및 제2공사기간 각각에 대하여 안전, 경계, 심각으로 구분하여 수치화한 항목을 포함할 수 있다. 머신러닝 기반으로 학습된 학습 모듈은 프로젝트 기간을 입력으로 하고, 프로젝트 지연일 심각도를 출력으로 하는 학습을 통해 구축된 모듈일 수 있다.

예시적으로 도 5를 참조하면, 설계 데이터 분석부(230)는 신규 프로젝트 데이터에서 공사기간 일자를 추출할 수 있다. 설계 데이터 분석부(230)는 추출된 공사기간 일자(프로젝트 기간(PJT Months))가 제1공사기간(예를 들어, 26개월 이상) 또는 제2공사기간(예를 들어, 26개월 이하)에 해당하는지 여부를 판단할 수 있다. 설계 데이터 분석부(230)는 신규 프로젝트 데이터를 이용하여 복수의 오류 사유 분석 중 적어도 어느 하나의 오류 사유로 분류하고, 분류된 오류 사유를 특정 오류 유형과 대응시킬 수 있다. 달리 말해, 설계 데이터 분석부(230)는 신규 프로젝트 데이터의 오류 사유를 분석하고, 프로젝트 지연일 분석을 수행할 수 있다. 예를 들어, 설계 데이터 분석부(230)는 오류 사유가 제1오류 사유(valve access to be considered)일 경우, 오류 유형을 M1으로 분류할 수 있다. 또한, 설계 데이터 분석부(230)는 오류 사유가 제2오류 사유(drain to be provide)일 경우, 오류 유형을 D1으로 분류할 수 있다. 또한, 설계 데이터 분석부(230)는 오류 사유가 제3오류 사유(clear clash between popings)일 경우, 오류 유형을 H1으로 분류할 수 있다. 또한, 설계 데이터 분석부(230)는 오류 사유가 제4오류 사유(low pocket remove on tagged piping to be considered)일 경우, 오류 유형을 O1으로 분류할 수 있다. 또한, 설계 데이터 분석부(230)는 오류 사유가 제5오류 사유(duplicated line number with P-101113 suction line to be corrected)일 경우, 오류 유형을 C1으로 분류할 수 있다. 설계 데이터 분석부(230)는 오류 유형, 오류 사유, 지연일(Delay), 프로젝트 기간(PJT Months)을 기반으로 설계오류 지연 심각도 분석을 수행할 수 있다. 설계 데이터 분석부(230)는 오류 유형, 오류 사유, 지연일(Delay), 프로젝트 기간(PJT Months)을 고려하여, 설계오류 지연 심각도 분석을 안전, 경계, 위험, 심각 중 적어도 하나로 분석을 수행할 수 있다. 일예로, 설계 데이터 분석부(230)는 신규 프로젝트 데이터에서 프로젝트 기간(PJT Months)을 추출하고, 프로젝트 기간을 입력으로 하는 학습 모델에 적용하여, 안전, 경계, 심각 중 적어도 하나를 출력하는 학습을 수행할 수 있다.

도 10을 참조하면, 설계 데이터 분석부(230)는 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 수행된 설계변경 분석 결과를 제공할 수 있다. 설계 데이터 분석부(230)는 금액 심각도, 프로젝트별 심각도, 일정 심각도로 구분하여 설계변경 분석 결과를 시각화하여 제공할 수 있다.

본원의 일 실시예에 따르면, 설계 데이터 분석부(230)는 엔지니어링 산업의 복수의 분석 단계 항목 중 설계변경 분석 항목에 대하여 인공지능 기반의 제1사전정의 머신러닝 모델에 신규 프로젝트 데이터를 적용하여 변경금액 분석을 수행할 수 있다. 설계 데이터 분석부(230)는 신규 프로젝트에서 설계변경으로 발생할 수 있는 프로젝트 설계변경 금액에 대하여 설계변경 사업비 심각도 구분 항목에 기반하여 신규 프로젝트의 변경 금액 분석을 수행할 수 있다. 달리 말해, 설계 데이터 분석부(230)는 엔지니어링 산업의 복수의 분석 단계 항목 중 설계변경 분석 항목에 대응하여 인공지능 기반의 제1사전정의 머신러닝 모델에 신규 프로젝트 데이터를 적용하고, 신규 프로젝트 데이터에 포함된 텍스트 분석을 수행할 수 있다. 설계 데이터 분석부(230)는 설계변경 핵심단어 사전과 신규 프로젝트 데이터에 포함된 텍스트와의 유사도 연산을 수행하고, 설계변경 심각도 구분 항목에 기반하여 신규 프로젝트의 변경 금액 분석을 수행할 수 있다.

도 10을 참조하면, 설계 데이터 분석부(230)는 신규 프로젝트 데이터에 포함된 텍스트 분석을 통해 설계오류 단어를 추출할 수 있다. 설계 데이터 분석부(230)는 미리 저장된 설계변경 핵심단어 사전과 신규 프로젝트 데이터에 포함된 텍스트 분석을 통해 추출된 설계오류 단어의 비교 분석을 통해 설계변경오류 유형을 추출할 수 있다. 설계 데이터 분석부(230)는 설계변경 핵심단어 사전과 설계변경으로 인한 사업비 구간별 심각도 구분을 통해 설계변경 심각도 분석을 수행할 수 있다. 설계변경 핵심단어 사전은 공종, 설계오류 유형, 설계오류 핵심단어로 분류되어 저장된 모델일 수 있다.

예를 들어, 설계 데이터 분석부(230)는 신규 프로젝트 데이터에 포함된 텍스트 분석을 통해 용어들의 형태소를 분리할 수 있다. 설계 데이터 분석부(230)는 분리된 용어들로부터 설계변경 핵심단어 사전과의 유사도 연산을 통해 설계오류 핵심단어를 추출할 수 있다. 설계 데이터 분석부(230)는 추출된 설계오류 핵심단어를 기반으로 설계오류 유형을 구분할 수 있다. 설계 데이터 분석부(230)는 신규 프로젝트 데이터에 포함된 텍스트 분석을 통해 공종, 설계오류, 유형, 설계오류 핵심단어로 구분하여 데이터 셋을 구축할 수 있다. 설계 데이터 분석부(230)는 설계변경 사업비 심각도 구분 항목에 대응하여 설계변경 시 발생하는 변경 금액 분석을 수행할 수 있다.

도 11은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 설계 모델 생성을 위한 인터페이스를 예시적으로 나타낸 도면이다.

본원의 일 실시예에 따르면, 설계 모델 생성부(240)는 사용자 단말(미도시)로부터 제공받은 설계 데이터를 기반으로 신규 설계 예측 모델을 생성할 수 있다. 설계 모델 생성부(240)는 사용자가 입력한 데이터로 설계 원가, 설계 오류, 설계 변경에 대한 신규 설계 예측 모델을 생성할 수 있다. 일예로, 신규 설계 예측 모델은, 머신러닝 학습 기법, 피처엔지니어링 기능과 머신러닝, 딥러닝 알고리즘을 포함할 수 있다. 생성된 신규 설계 예측 모델은 설계 데이터 분석부(230)의 인공지능 기반의 제1사전정의 머신러닝 모델에 추가될 수 있다.

도 11을 참조하면, 설계 모델 생성부(240)는 사용자 단말(미도시)로 설계 신규 모델 생성 인터페이스 화면을 제공할 수 있다. 설계 모델 생성부(240)는 사용자 단말(미도시)로 참조 데이터파일 항목 또는 참조 데이터베이스 항목 중 적어도 어느 하나를 선택한 사용자 입력 정보를 수신할 수 있다. 설계 모델 생성부(240)는 참조 데이터파일을 선택한 사용자 입력 정보 및 사용자 단말(미도시)에서 제공하는 데이터 파일을 기반으로 설계 원가, 설계 오류, 설계 변경에 대한 신규 설계 예측 모델을 생성할 수 있다.

도 12는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 분석 기능 선택 화면이다.

예시적으로, 도 1을 참조하면, O&M 분석부(300)는 O&M 데이터 검색부(310), O&M데이터 입력부(320), O&M 데이터 분석부(330) 및 O&M 모델 생성부(340)를 포함할 수 있다.

본원의 일 실시예에 따르면, O&M 분석부(300)는 엔지니어링 프로젝트 단계에서 발생하는 O&M 데이터를 인공지능 기반의 제2 사전정의 모델에 적용하여 수요 예측 분석을 수행할 수 있다. 또한, O&M 분석부(300)는 O&M 데이터에 대한 데이터 검색과 사전정의 모델 또는 엔지니어링 머신러닝 플랫폼을 이용하여 생성한 모델을 사용하여 입력된 설계 데이터에 대해 분석을 수행할 수 있다. 또한, O&M 분석부(300)는 머신러닝 모델의 예측 결과에 대한 시각화 기능을 포함할 수 있다. 또한, O&M 분석부(300)는 사용자가 원하는 조건의 프로젝트 또는 원하는 조건과 유사한 프로젝트를 제공할 수 있다.

예시적으로, 도 12를 참조하면, O&M 분석부(300)는 사용자 단말(미도시)로 O&M 분석을 위한 프로젝트 검색 인터페이스를 제공할 수 있다. 사용자 단말(미도시)은 O&M 분석의 프로젝트 검색 인터페이스를 사용자 단말(미도시)에 출력하고, 사용자는 O&M 분석의 프로젝트 검색 인터페이스를 참고하여, 복수의 O&M 분석 프로젝트 항목에 대한 응답을 수행할 수 있다. 예를 들어, 복수의 O&M 분석 프로젝트 항목은, 프로젝트 타입, 데이터 유형, 데이터 수집 기간, (정비수요) 설비 종류, (정비수요)비정기 정비, (정비수요) 센서 타입 등의 항목을 포함할 수 있다.

도 13은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 데이터 검색부의 결과화면이다.

본원의 일 실시예에 따르면, O&M 데이터 검색부(310)는 사용자 단말로부터 입력받은 O&M 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트 검색을 수행할 수 있다. 또한, O&M 데이터 검색부(310)는, 사용자 입력 정보와 복수의 O&M 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 O&M 프로젝트 리스트를 제공할 수 있다.

예시적으로 도 13을 참고하면, O&M 데이터 검색부(310)는 사용자가 원하는 조건에 맞는 프로젝트와 데이터를 검색하는 기능과 사용자가 입력한 정보에 따라 유사 프로젝트 및 데이터를 제시하는 기능을 포함할 수 있다. 또한, O&M 데이터 검색부(310)는 복수의 O&M 프로젝트 항목에 대응하여 수신된 사용자 입력 정보를 고려하여 유사 프로젝트 리스트를 제공할 수 있다. , O&M 데이터 검색부(310)는 사용자 입력 정보에 기반하여 데이터베이스(미도시)에 저장된 프로젝트 데이터와의 유사도 분석을 수행할 수 있다. 일예로, 유사도 분석은, Fuzzy Matching 알고리즘을 기반으로 수행될 수 있다. Fuzzy Matching 알고리즘은 편집거리(레펜슈타인, Levenshtein Distance)를 기반으로 계산된 결과값을 사용하여 데이터 간의 유사도를 계산해 주는 알고리즘일 수 있다. , O&M 데이터 검색부(310)는 유사도 분석 결과에 기반하여 유사 O&M 프로젝트 리스트를 제공할 수 있다. 또한, O&M 데이터 검색부(310)는 유사도 분석 결과에 기반하여 제공된 유사 O&M 프로젝트 리스트 중 적어도 어느 하나를 선택하는 사용자 입력 정보를 수신할 수 있다.

본원의 일 실시예에 따르면, O&M데이터 입력부(320)는 복수의 O&M 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 O&M 데이터 입력을 수행할 수 있다. 또한, 복수의 O&M 데이터 선택 항목은, 진동 센서 데이터, 운영 및 정비이력 데이터 및 부품수량 데이터를 포함할 수 있다. 일예로, O&M 데이터 입력부(320)는 진동 센서 데이터, 운영 및 정비이력 데이터, 부품수량 데이터에 해당하는 데이터 양식을 제공할 수 있고, 사용자가 주어진 양식을 이용하여 데이터 정보를 입력하고 업로드할 수 있는 기능을 수행할 수 있다.

도 14는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 사전정의 모델이 탑재된 O&M 데이터 분석의 인터페이스를 예시적으로 나타낸 도면이고, 도 15는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 분석 인터페이스를 예시적으로 나타낸 도면이다.

본원의 일 실시예에 따르면, O&M 데이터 분석부(330)는 인공지능 기반의 제2사전정의 머신러닝 모델을 이용하여 O&M 데이터 분석을 실시할 수 있다. 또한, O&M 데이터 분석부(330)는 정비 수요 예측 및 부품 수요 예측 각각에 대한 분석을 수행하고, 분석 결과를 시각화여 사용자 단말(미도시)로 제공할 수 있다. 일예로, 도 14를 참조하면 O&M 데이터 분석부(330)는 엔지니어링 머신러닝 플랫폼으로 구축한 사전정의 모델을 이용하여 사용자가 엔지니어링 머신러닝 플랫폼으로 구축한 사전정의 모델을 이용하여 정비 수요 예측, 부품 수요 예측을 수행할 수 있다. 또한, O&M 데이터 분석부(330)는 분석 결과에 대한 시각화하여 제공할 수 있다. 또한, O&M 데이터 분석부(330)는 분석 결과 제공 시 유사 프로젝트 데이터를 함께 제시하여 분석 결과와 비교하여 제공할 수 있다.

예시적으로 도 15를 참조하면, 도 15는 O&M 데이터 분석부(330)는 사용자가 엔지니어링 머신러닝 플랫폼으로 구축한 사전정의 모델을 이용하여 정비 수요 예측, 부품 수요 예측을 수행하는 기능, 그리고 분석 결과에 대한 시각화 기능을 포함할 수 있다. 분석 결과를 시각화할 때 예측에 가장 영향도가 높은 상위 5개의 변수의 값에 대한 분포도를 그래프로 나타내는 기능을 포함할 수 있다.

도 16은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 O&M 모델 생성부 화면이다.

본원의 일 실시예에 따르면, O&M 모델 생성부(340)는 사용자 단말(미도시)로부터 제공받은 O&M 데이터를 기반으로 신규 O&M 모델을 생성할 수 있다. O&M 모델 생성부(340)는 사용자 단말(미도시)로부터 제공받은 O&M 데이터를 기반으로 정비 수요 예측 및 부품 수요 예측에 대한 신규 O&M 예측 모델을 생성할 수 있다. 달리 말해, O&M 모델 생성부(340)는 사용자가 입력한 데이터로 정비 수요 예측, 부품 수요 예측에 대한 예측 모델을 생성할 수 있고, 머신러닝 학습 기법, 피처엔지니어링 기능과 머신러닝, 딥러닝 알고리즘을 포함할 수 있다. 생성된 예측 모델은 O&M 데이터 분석부에 추가하는 기능을 포함할 수 있다.

도 16을 참조하면, O&M 모델 생성부(340)는 사용자 단말(미도시)로 O&M 신규 모델 생성 인터페이스 화면을 제공할 수 있다. O&M 모델 생성부(340)는 사용자 단말(미도시)로 참조 데이터파일 항목 또는 참조 데이터베이스 항목 중 적어도 어느 하나를 선택한 사용자 입력 정보를 수신할 수 있다. O&M 모델 생성부(340)는 참조 데이터파일을 선택한 사용자 입력 정보 및 사용자 단말(미도시)에서 제공하는 데이터 파일을 기반으로 정비 수요 예측, 부품 수요 예측에 대한 신규 O&M 예측 모델을 생성할 수 있다.

도 17은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 5개 분석 결과에 대한 API를 제공하는 화면이다. 도 17은 엔지니어링 각 단계별로 분석결과에 대해 확장성을 고려하여 API를 호출한 결과를 개략적으로 나타낸 도면이다.

도 18은 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석장치의 클라우드 서비스 구성도에 대한 개략적인 블록도이다.

일예로, 도 18을 참조하면, 도 18은 클라우드 기반 엔지니어링 의사결정 시스템인 본 장치(1) 개요를 보여주는 것으로서, 소프트웨어인 서비스 프로그램, 플랫폼인 운영체계와 미들웨어, 인프라 스트럭쳐를 구성하는 스토리지, 서버를 포함할 수 있다. 서비스 프로그램에는 ITB 분석 프로그램, 설계 과정 분석 프로그램 O&M 분석 프로그램, Open API, 시각화, 엔지니어링 ML 플랫폼 등을 포함될 수 있다. 또한, 운영체계와 미들웨어는 DBMS, 텍스트 분석, WAS를 포함할 수 있다.

이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.

도 19는 본원의 일 실시예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 방법에 대한 동작 흐름도이다.

도 19에 도시된 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 방법은 앞서 설명된 본 장치(1)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 본 장치(1)에 대하여 설명된 내용은 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 방법에 대한 설명에도 동일하게 적용될 수 있다.

단계 S110에서, 본 장치(1)는 엔지니어링 프로젝트 단계 전주기에서 발생하는 ITB 문서를 분석하여 리스크 영향도를 평가할 수 있다.

단계 S120에서, 본 장치(1)는 엔지니어링 프로젝트 단계에서 발생하는 복수의 설계 데이터를 인공지능 기반의 제1사전정의 모델에 적용하여 설계 데이터에 관련된 분석을 수행할 수 있다.

단계 S130에서, 본 장치(1)는 엔지니어링 프로젝트 단계에서 발생하는 O&M 데이터를 인공지능 기반의 제2 사전정의 모델에 적용하여 수요 예측 분석을 수행할 수 있다.

상술한 설명에서, 단계 S110 내지 S130은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

본원의 일 실시 예에 따른 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 전술한 클라우드 기반으로 제공되는 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

1: 엔지니어링 데이터 관리 및 데이터 분석 장치
100: ITB 분석부
110: ITB 데이터 정형화부 120: ITB 리스크 영향도 평가부
200: 설계 과정 분석부
210: 설계 데이터 검색부 220: 설계 데이터 입력부
230: 설계 데이터 분석부 240: 설계 모델 생성부
300: Q&M 분석부
310: Q&M 데이터 검색부 320: Q&M 데이터 입력부
330: Q&M 데이터 분석부 340: Q&M 모델 생성부

Claims (11)

1. 엔지니어링 프로젝트 단계 전주기에서 발생하는 ITB 문서를 분석하여 리스크 영향도를 평가하는 ITB 분석부;
   상기 엔지니어링 프로젝트 단계에서 발생하는 복수의 설계 데이터를 인공지능 기반의 제1사전정의 모델에 적용하여 설계 데이터에 관련된 분석을 수행하는 설계 과정 분석부; 및
   상기 엔지니어링 프로젝트 단계에서 발생하는 O&M 데이터를 인공지능 기반의 제2 사전정의 모델에 적용하여 수요 예측 분석을 수행하는 O&M 분석부;
   를 포함하되,
   상기 O&M 분석부는,
   사용자 단말로부터 입력받은 O&M 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 O&M 데이터 검색부;
   복수의 O&M 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 O&M 데이터를 입력하는 O&M데이터 입력부;
   상기 인공지능 기반의 제2사전정의 머신러닝 모델을 이용하여 O&M 데이터 분석을 실시하는 O&M 데이터 분석부; 및
   상기 사용자 단말로부터 제공받은 O&M 데이터를 기반으로 신규 O&M 예측 모델을 생성하는 O&M 모델 생성부,
   를 포함하되,
   상기 O&M 데이터 검색부는,
   상기 사용자 입력 정보와 복수의 O&M 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 O&M 프로젝트 리스트를 제공하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 장치.
2. 제1항에 있어서,
   상기 ITB 분석부는,
   상기 ITB 문서에 포함된 데이터를 전처리하여 ITB 데이터를 정형화하기 위한 ITB 데이터 정형화부; 및
   정형화가 완료된 ITB 데이터를 기반으로 각 문장별로 리스크 여부를 예측하는 ITB 리스크 영향도 평가부,
   를 포함하되,
   상기 ITB 리스크 영향도 평가부는,
   정형화된 상기 ITB 데이터를 머신러닝에 적용하여 리스크 유무 예측 모델을 구축하고, 상기 리스크 유무 예측 모델을 기반으로 상기 ITB 문서 내 각 문장의 리스크 영향도를 평가하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 장치.
3. 제2항에 있어서,
   상기 설계 과정 분석부는,
   사용자 단말로부터 입력받은 설계 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 설계 데이터 검색부;
   복수의 설계 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 설계 데이터를 입력하는 설계 데이터 입력부;
   상기 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 설계 데이터 분석을 실시하는 설계 데이터 분석부; 및
   상기 사용자 단말로부터 제공받은 설계 데이터를 기반으로 신규 설계 예측 모델을 생성하는 설계 모델 생성부,
   를 포함하되,
   상기 설계 데이터 검색부는,
   상기 사용자 입력 정보와 복수의 설계 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 설계 프로젝트 리스트를 제공하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 장치.
4. 제3항에 있어서,
   상기 설계 데이터 분석부는,
   설계 원가 예측, 설계 오류 분석 및 설계 변경 분석 각각에 대한 분석을 수행하고, 분석 결과를 시각화 하여 상기 사용자 단말로 제공하고,
   상기 설계 모델 생성부는,
   상기 사용자 단말로부터 제공받은 설계 데이터를 기반으로 설계 원가, 설계 오류 및 설계 변경에 대한 신규 설계 예측 모델을 생성하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 장치.
5. 삭제
6. 제1항에 있어서,
   상기 복수의 O&M 데이터 선택 항목은,
   진동 센서 데이터, 운영 및 정비이력 데이터 및 부품수량 데이터를 포함하고,
   상기 O&M 데이터 분석부는,
   정비 수요 예측 및 부품 수요 예측 각각에 대한 분석을 수행하고, 분석 결과를 시각화 하여 상기 사용자 단말로 제공하고,
   상기 O&M 모델 생성부는,
   상기 사용자 단말로부터 제공받은 O&M 데이터를 기반으로 정비 수요 예측 및 부품 수요 예측에 대한 신규 O&M 예측 모델을 생성하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 장치.
7. 엔지니어링 프로젝트 단계 전주기에서 발생하는 ITB 문서를 분석하여 리스크 영향도를 평가하는 ITB 분석 단계;
   상기 엔지니어링 프로젝트 단계에서 발생하는 복수의 설계 데이터를 인공지능 기반의 제1사전정의 모델에 적용하여 설계 데이터에 관련된 분석을 수행하는 설계 과정 분석 단계; 및
   상기 엔지니어링 프로젝트 단계에서 발생하는 O&M 데이터를 인공지능 기반의 제2 사전정의 모델에 적용하여 수요 예측 분석을 수행하는 O&M 분석 단계,
   를 포함하되,
   상기 O&M 분석 단계는,
   사용자 단말로부터 입력받은 O&M 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 단계;
   복수의 O&M 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 O&M 데이터를 입력하는 단계;
   상기 인공지능 기반의 제2사전정의 머신러닝 모델을 이용하여 O&M 데이터 분석을 실시하는 단계; 및
   상기 사용자 단말로부터 제공받은 O&M 데이터를 기반으로 신규 O&M 예측 모델을 생성하는 단계,
   를 포함하되,
   상기 검색하는 단계는,
   상기 사용자 입력 정보와 복수의 O&M 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 O&M 프로젝트 리스트를 제공하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 방법.
8. 제7항에 있어서,
   상기 ITB 분석 단계는,
   상기 ITB 문서에 포함된 데이터를 전처리하여 ITB 데이터를 정형화하는 단계; 및
   정형화가 완료된 ITB 데이터를 기반으로 각 문장별로 리스크 여부를 예측하는 단계,
   를 포함하되,
   상기 리스크 여부를 예측하는 단계는,
   정형화된 상기 ITB 데이터를 머신러닝에 적용하여 리스크 유무 예측 모델을 구축하고, 상기 리스크 유무 예측 모델을 기반으로 상기 ITB 문서 내 각 문장의 리스크 영향도를 평가하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 방법.
9. 제7항에 있어서,
   상기 설계 과정 분석 단계는,
   사용자 단말로부터 입력받은 설계 프로젝트 항목 선택과 관련한 사용자 입력 정보와 복수의 엔지니어링 프로젝트의 매칭을 통해 유사 프로젝트를 검색하는 단계;
   복수의 설계 데이터 선택 항목에 대응하여 수신한 사용자 입력 정보를 고려하여 분석을 위한 복수의 설계 데이터를 입력하는 단계;
   상기 인공지능 기반의 제1사전정의 머신러닝 모델을 이용하여 설계 데이터 분석을 실시하는 단계; 및
   상기 사용자 단말로부터 제공받은 설계 데이터를 기반으로 신규 설계 예측 모델을 생성하는 단계,
   를 포함하되,
   상기 검색하는 단계는,
   상기 사용자 입력 정보와 복수의 설계 프로젝트 데이터 간의 유사도 분석을 수행하고, 유사도 분석 결과에 기반하여 설계 프로젝트 리스트를 제공하는 것인, 엔지니어링 데이터 관리 및 데이터 분석 방법.
10. 삭제
11. 제7항 내지 제9항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

Images