KR102348006B1 - Factory manufacturing facility system monitoring apparatus for monitoring the defective rate for the manufacturing process - Google Patents
Factory manufacturing facility system monitoring apparatus for monitoring the defective rate for the manufacturing process Download PDFInfo
- Publication number
- KR102348006B1 KR102348006B1 KR1020200125517A KR20200125517A KR102348006B1 KR 102348006 B1 KR102348006 B1 KR 102348006B1 KR 1020200125517 A KR1020200125517 A KR 1020200125517A KR 20200125517 A KR20200125517 A KR 20200125517A KR 102348006 B1 KR102348006 B1 KR 102348006B1
- Authority
- KR
- South Korea
- Prior art keywords
- value
- defective rate
- prediction
- rate information
- production process
- Prior art date
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
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
Description
본 발명은 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치에 대한 것이다. The present invention relates to a factory production facility system monitoring device capable of monitoring a defective rate for a production process.
보통, 제품을 생산하기 위한 생산 공정은 복수의 세부 공정들로 구성되어 있다. 또한, 이러한 세부 공정들에서는 여러 가지의 원인으로 인해, 다양한 종류의 불량이 발생할 수 있다. Usually, a production process for producing a product consists of a plurality of detailed processes. In addition, various types of defects may occur in these detailed processes due to various causes.
관련해서, 생산 공정에서 최종적으로 수행되는 샘플링 검사나 전수 검사를 수행한 결과, 사전 설정된 임계 불량률 이상의 최종 불량률이 발생하는 경우, 관리자가 생산 공정을 구성하는 세부 공정들을 일일이 확인하여 불량이 발생한 지점과 불량이 발생한 원인을 찾아 문제를 해결해야 하는 경우가 많다. In relation to this, if, as a result of the final sampling or total inspection performed in the production process, a final defect rate greater than or equal to the preset critical defect rate occurs, the manager checks the detailed processes that make up the production process one by one to determine the point where the defect occurred In many cases, it is necessary to find the cause of the defect and solve the problem.
하지만, 이러한 과정을 통해, 관리자가 복수의 세부 공정들에서 발생하는 다양한 문제를 인지하고, 적절히 대응하기 위해서는 상당한 시간이 소요된다. However, through this process, it takes a considerable amount of time for the manager to recognize and properly respond to various problems occurring in the plurality of detailed processes.
따라서, 세부 공정들에서 발생하는 문제들에 대해 실시간으로 대응이 이루어지기 어렵고, 결국, 생산 공정의 생산성이 떨어지거나 많은 비용이 발생하는 문제가 발생하게 된다.Accordingly, it is difficult to respond in real time to problems occurring in detailed processes, and eventually, the productivity of the production process is lowered or a problem occurs in that a lot of costs are generated.
한편, 최근에는, 일부의 샘플 데이터를 기초로, 소정의 판단 결과를 도출하기 위한 판단 모델을 만들 수 있는 기계학습 기술이 등장하고 있다. Meanwhile, recently, a machine learning technology capable of creating a decision model for deriving a predetermined decision result based on some sample data has emerged.
이와 관련해서, 생산 공정을 구성하는 세부 공정들 중에서 선택된 일부의 세부 공정 각각에 대한 공정별 불량률 데이터를 기초로, 기계학습 기술을 활용하여 생산 공정에 대한 최종 불량률이 임계 불량률을 초과할지 여부를 예측하는 예측 모델을 만들 수 있을 것이다. In this regard, it is predicted whether the final defective rate for the production process will exceed the critical defective rate by using machine learning technology based on process-specific defect rate data for each of the detailed processes selected from among the detailed processes constituting the production process. You will be able to create a predictive model that
이러한 예측 모델을 활용하여, 일부의 세부 공정 각각에 대한 공정별 불량률에 따라 생산 공정에 대한 최종 불량률이 임계 불량률을 초과할지 여부를 예측한 후, 그 예측 결과를 관리자에게 제공할 수 있다면, 관리자는 제공받은 예측 결과를 기초로, 생산 공정에 대한 예측 불량률을 미리 인지하여, 세부 공정들에서 발생할 수 있는 문제들에 대해 신속하게 대응함으로써, 불량률 모니터링에 소요되는 시간과 비용을 최소화할 수 있을 것이다.Using this predictive model, after predicting whether the final defective rate for the production process will exceed the critical defective rate according to the defective rate by process for each of some detailed processes, if it is possible to provide the prediction result to the manager, the manager can Based on the received prediction result, the predicted defect rate for the production process can be recognized in advance, and problems that may occur in detailed processes can be quickly responded to, thereby minimizing the time and cost required for monitoring the defect rate.
따라서, 생산 공정에 대한 최종 불량률이 임계 불량률을 초과할지 여부를 예측하여 관리자에게 제공함으로써, 관리자가 보다 효율적으로 생산 공정에 대한 불량률을 모니터링 할 수 있도록 지원하는 기술에 대한 연구가 필요하다. Therefore, there is a need for research on technologies that support the manager to more efficiently monitor the defect rate for the production process by predicting whether the final defect rate for the production process will exceed the critical defect rate and providing it to the manager.
본 발명은 사전 지정된 트레이닝 세트를 기초로, 기계학습 기술을 활용하여 생산 공정에 대한 최종 불량률 값이 임계 불량률 값을 초과할지 여부를 예측하는 예측 모델을 생성한 후, 상기 예측 모델을 기초로, 관리자로부터 입력으로 인가된 일부의 세부 공정 각각에 대한 공정별 불량률 값에 따라, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측하여 그 결과를 화면 상에 표시하는 공장 생산 설비 시스템 모니터링 장치를 제시함으로써, 관리자가 보다 효율적으로 상기 생산 공정에 대한 불량률을 모니터링 할 수 있도록 지원하고자 한다.The present invention generates a predictive model that predicts whether the final reject rate value for a production process will exceed a threshold reject rate value based on a pre-specified training set, and then, based on the predictive model, the manager Factory production facility that predicts whether or not the final reject rate value for the production process will exceed the critical reject rate value and displays the result on the screen according to the process-specific defect rate value for each of some detailed processes applied as input from By presenting the system monitoring device, it is intended to support the manager to more efficiently monitor the defect rate for the production process.
본 발명의 일실시예에 따른 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치는 상기 생산 공정을 구성하는 복수의 세부 공정들 중 관리자에 의해 사전 선택된 일부 세부 공정들인 n(n은 2이상의 자연수임)개의 세부 공정들 각각에 대한 공정별 불량률 값이 하나의 세트로 구성된 서로 다른 k(k는 2 이상의 자연수임)개의 불량률 정보 세트들과 상기 k개의 불량률 정보 세트들 각각에 대해 사전 매칭되어 있는 정답 값 - 상기 정답 값은 상기 생산 공정에 대한 최종 불량률 값이 사전 설정된 임계 불량률 값을 초과하는 경우 1로, 상기 임계 불량률 값을 초과하지 않는 경우 0으로 설정된 값임 - 으로 구성된 k개의 사전 지정된 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부, 상기 k개의 불량률 정보 세트들 각각에 포함되어 있는 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값을 성분으로 갖는 n차원의 벡터를 구성함으로써, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 생성하는 입력 벡터 생성부, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터가 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 둘 이상의 가중치 행렬로 구성된 심층 신경망에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 생성하는 출력 값 생성부, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값이 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 사전 설정된 활성화 함수(activation function) - 상기 활성화 함수는 입력으로 인가된 값을 0 이상 1 이하의 값으로 변환하여 출력하는 함수임 - 에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값을 생성하는 변환 값 생성부 및 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 상기 k개의 사전 지정된 트레이닝 세트들에서 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값에 최대로 근접하도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측하는 예측 모델을 생성하는 모델 생성부를 포함한다.The factory production facility system monitoring device capable of monitoring the defect rate for the production process according to an embodiment of the present invention includes n (n is 2 or more) which are some detailed processes preselected by a manager among a plurality of detailed processes constituting the production process. Each process-specific defective rate value for each of the natural number) sub-processes is pre-matched for each of k different defective rate information sets (k is a natural number greater than or equal to 2) composed of one set and each of the k defective rate information sets. k pre-specified trainings consisting of correct correct values with correct correct values - said correct value being the value set to 1 if the final percentage defective value for the production process exceeds a preset critical percentage defective value, and to 0 if it does not exceed the threshold percentage defective value By constructing an n-dimensional vector having, as a component, a training set storage unit in which sets are stored, and a defective rate value for each process for each of the n detailed processes included in each of the k defective rate information sets. An input vector generator generating an input vector corresponding to each of the defective rate information sets. When an input vector corresponding to each of the k defective rate information sets is generated, input vectors corresponding to each of the k defective rate information sets are generated. An output value generator that generates an output value corresponding to each of the k defective rate information sets by applying it as an input to the deep neural network composed of the above weighting matrix, and when an output value corresponding to each of the k defective rate information sets is generated , an output value corresponding to each of the k defective rate information sets is input to a preset activation function, wherein the activation function is a function that converts a value applied as an input into a value of 0 or more and 1 or less and outputs the value. is applied, a conversion value generator generating a conversion value corresponding to each of the k defective rate information sets and a conversion value corresponding to each of the k defective rate information sets are generated, each of the k defective rate information sets Transform values corresponding to the k dictionaries By performing machine learning on the deep neural network to maximally approximate the correct answer value pre-matched to each of the k defective rate information sets in the designated training sets, the final defective rate value for the production process is the critical defective rate value. and a model generator for generating a predictive model for predicting whether to exceed.
본 발명은 사전 지정된 트레이닝 세트를 기초로, 기계학습 기술을 활용하여 생산 공정에 대한 최종 불량률 값이 임계 불량률 값을 초과할지 여부를 예측하는 예측 모델을 생성한 후, 상기 예측 모델을 기초로, 관리자로부터 입력으로 인가된 일부의 세부 공정 각각에 대한 공정별 불량률 값에 따라, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측하여 그 결과를 화면 상에 표시하는 공장 생산 설비 시스템 모니터링 장치를 제시함으로써, 관리자가 보다 효율적으로 상기 생산 공정에 대한 불량률을 모니터링 할 수 있도록 지원한다.The present invention generates a predictive model that predicts whether the final reject rate value for a production process will exceed a threshold reject rate value based on a pre-specified training set, and then, based on the predictive model, the manager Factory production facility that predicts whether or not the final reject rate value for the production process will exceed the critical reject rate value and displays the result on the screen according to the process-specific defect rate value for each of some detailed processes applied as input from By presenting the system monitoring device, the manager can more effectively monitor the defect rate for the production process.
도 1은 본 발명의 일실시예에 따른 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치의 구조를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치의 동작 방법을 도시한 순서도이다. 1 is a diagram illustrating the structure of a factory production facility system monitoring device capable of monitoring a defective rate for a production process according to an embodiment of the present invention.
2 is a flowchart illustrating an operation method of a factory production facility system monitoring apparatus capable of monitoring a defective rate for a production process according to an embodiment of the present invention.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설 명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. These descriptions are not intended to limit the present invention to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. While describing each drawing, like reference numerals are used for similar components, and unless otherwise defined, all terms used in this specification, including technical or scientific terms, refer to those of ordinary skill in the art to which the present invention belongs. It has the same meaning as is commonly understood by those who have it.
본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.In this document, when a part "includes" a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated. In addition, in various embodiments of the present invention, each of the components, functional blocks or means may be composed of one or more sub-components, and the electrical, electronic, and mechanical functions performed by each component are electronic. A circuit, an integrated circuit, an ASIC (Application Specific Integrated Circuit), etc. may be implemented as various well-known devices or mechanical elements, and may be implemented separately or two or more may be integrated into one.
한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 명령들(instructions)을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 명령들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 명령 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.On the other hand, the blocks in the accompanying block diagram or steps in the flowchart are computer program instructions that are loaded in a processor or memory of equipment capable of data processing, such as a general-purpose computer, a special-purpose computer, a portable notebook computer, and a network computer, and perform specified functions. can be interpreted as meaning Since these computer program instructions may be stored in a memory provided in a computer device or in a computer-readable memory, the functions described in the blocks of the block diagram or the steps of the flowchart are produced as articles of manufacture containing instruction means for performing the same. it might be In addition, each block or each step may represent a module, segment, or portion of code comprising one or more executable instructions for executing the specified logical function(s). It should also be noted that, in some alternative embodiments, it is also possible for the functions recited in blocks or steps to be executed out of the prescribed order. For example, two blocks or steps shown one after another may be performed substantially simultaneously or in the reverse order, and in some cases, some blocks or steps may be omitted.
도 1은 본 발명의 일실시예에 따른 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치의 구조를 도시한 도면이다. 1 is a diagram illustrating a structure of a factory production facility system monitoring device capable of monitoring a defective rate for a production process according to an embodiment of the present invention.
본 발명의 일실시예에 따른 공장 생산 설비 시스템 모니터링 장치(110)는 트레이닝 세트 저장부(111), 입력 벡터 생성부(112), 출력 값 생성부(113), 변환 값 생성부(114) 및 모델 생성부(115)를 포함한다.Factory production facility system monitoring apparatus 110 according to an embodiment of the present invention includes a training
먼저, 트레이닝 세트 저장부(111)에는 상기 생산 공정을 구성하는 복수의 세부 공정들 중 관리자(130)에 의해 사전 선택된 일부의 세부 공정들인 n(n은 2이상의 자연수임)개의 세부 공정들 각각에 대한 공정별 불량률 값이 하나의 세트로 구성된 서로 다른 k(k는 2 이상의 자연수임)개의 불량률 정보 세트들과 상기 k개의 불량률 정보 세트들 각각에 대해 사전 매칭되어 있는 정답 값으로 구성된 k개의 사전 지정된 트레이닝 세트들이 저장되어 있다. First, in the training set
여기서, 상기 정답 값은 상기 생산 공정에 대한 최종 불량률 값이 사전 설정된 임계 불량률 값을 초과하는 경우 '1'로, 상기 임계 불량률 값을 초과하지 않는 경우 '0'으로 설정된 값이다. Here, the correct answer value is a value set to '1' when the final defective rate value for the production process exceeds a preset critical reject rate value, and set to '0' when it does not exceed the critical reject rate value.
예컨대, n을 '3'이라고 하고, k를 '3'이라고 하며, 사전 설정된 임계 불량률 값을 '5(%)'라고 하고, 관리자(130)에 의해 상기 생산 공정을 구성하는 복수의 세부 공정들 중 일부의 세부 공정들로 '공정 1, 공정 2, 공정 3'이 사전 선택되었다고 가정하자. 이때, '공정 1, 공정 2, 공정 3' 각각에 대해 사전 수집된 공정별 불량률 값이 '5(%), 10(%), 8(%)'이고, 이에 대응되는 사전 수집된 최종 불량률 값이 '6(%)'라고 하는 경우, '불량률 정보 세트 1'은 '공정 1, 공정 2, 공정 3' 각각에 대한 공정별 불량률 값인 '5(%), 10(%), 8(%)'으로 구성될 수 있다. 또한, 상기 최종 불량률 값인 '6(%)'은 상기 임계 불량률 값을 초과하므로, '불량률 정보 세트 1'에 대해 정답 값이 '1'인 것으로 사전 매칭될 수 있다. 그러고 나서, '불량률 정보 세트 1'과 '불량률 정보 세트 1'에 사전 매칭되어 있는 정답 값인 '1'은 '트레이닝 세트 1'로 사전 지정되어, 트레이닝 세트 저장부(111)에 저장되어 있을 수 있다.For example, let n be '3', let k be '3', let the preset critical defect rate value be '5 (%)', and a plurality of detailed processes constituting the production process by the
이러한 방식으로, 트레이닝 세트 저장부(111)에는 상기 3개의 세부 공정들인 '공정 1, 공정 2, 공정 3' 각각에 대한 공정별 불량률 값이 하나의 세트로 구성된 3개의 불량률 정보 세트들과 상기 3개의 불량률 정보 세트들 각각에 대해 사전 매칭되어 있는 정답 값으로 구성된 3개의 사전 지정된 트레이닝 세트들이 저장되어 있을 수 있다. In this way, in the training set
트레이닝 세트training set
불량률 정보 세트Defect rate information set
상기 표 1의 실시예에서는 설명의 편의를 위해 k를 '3'으로 가정하였고, 이로 인해, 트레이닝 세트를 총 '3개'로 표현하였지만, 실제 본 발명에 사용하기 위한 트레이닝 세트는 '3개'보다 훨씬 많은 개수가 지정되는 것이 바람직하다. 이는 트레이닝 세트의 수가 많을수록 보다 정교한 예측 모델의 생성이 가능하기 때문이다.In the embodiment of Table 1, it is assumed that k is '3' for convenience of explanation, and thus, the training set is expressed as '3' in total, but the number of training sets for use in the present invention is '3'. It is preferable that a much larger number be specified than that. This is because a more sophisticated predictive model can be generated as the number of training sets increases.
입력 벡터 생성부(112)는 상기 k개의 불량률 정보 세트들 각각에 포함되어 있는 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값을 성분으로 갖는 n차원의 벡터를 구성함으로써, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 생성한다. The input
출력 값 생성부(113)는 입력 벡터 생성부(112)에 의해 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터가 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 둘 이상의 가중치 행렬로 구성된 심층 신경망에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 생성한다. The output
변환 값 생성부(114)는 출력 값 생성부(113)에 의해 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값이 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 사전 설정된 활성화 함수(activation function)에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값을 생성한다. When an output value corresponding to each of the k defective rate information sets is generated by the output
여기서, 상기 활성화 함수는 입력으로 인가된 값을 0 이상 1 이하의 값으로 변환하여 출력하는 함수로서, 하기의 수학식 1에 따른 시그모이드(sigmoid) 함수가 사용될 수 있다.Here, the activation function is a function that converts and outputs a value applied as an input to a value of 0 or more and 1 or less, and a sigmoid function according to Equation 1 below may be used.
상기 수학식 1에서, xi는 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값 중 i번째 출력 값, Si는 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값 중 i번째 변환 값을 의미한다.In Equation 1, x i is the i-th output value of the output values corresponding to each of the k pieces of defective rate information sets, and S i is the i-th converted value of the converted values corresponding to each of the k pieces of defective rate information sets. it means.
이하에서는, 입력 벡터 생성부(112), 출력 값 생성부(113) 및 변환 값 생성부(114)의 동작을 예를 들어, 상세히 설명하기로 한다. Hereinafter, the operations of the input
먼저, 전술한 예와 같이, n을 '3'이라고 하고, k를 '3'이라고 하며, 상기 표 1과 같이, '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3'은 각각 '공정 1, 공정 2, 공정 3' 각각에 대한 공정별 불량률 값으로 구성되어 있다고 가정하자. First, as in the above example, let n be '3' and k be '3', and as shown in Table 1 above, 'defect rate information set 1, defect rate information set 2, and defect rate information set 3' are each 'process' Assume that it is composed of the defective rate values for each process for 1, process 2, and process 3'.
이때, 입력 벡터 생성부(112)는 상기 3개의 불량률 정보 세트들 각각에 포함되어 있는 '공정 1, 공정 2, 공정 3' 각각에 대한 공정별 불량률 값을 성분으로 갖는 3차원의 벡터를 구성함으로써, 상기 3개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 생성할 수 있다. At this time, the
관련해서, 상기 표 1에서는, '불량률 정보 세트 1'에 포함되어 있는 '공정 1, 공정 2, 공정 3' 각각에 대한 공정별 불량률 값이 '5(%), 10(%), 8(%)'이므로, 입력 벡터 생성부(112)는 '5(%), 10(%), 8(%)'을 성분으로 갖는 3차원의 입력 벡터를 구성함으로써, 불량률 정보 세트 1' 에 대응되는 입력 벡터를 '[5 10 8]'과 같이 생성할 수 있다. 이러한 방식으로, 입력 벡터 생성부(112)는 '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대응되는 입력 벡터를 '[5 10 8], [3 2 4], [6 3 5]'와 같이 생성할 수 있다. In relation to this, in Table 1, the defective rate values for each process for each of 'Process 1, Process 2, and Process 3' included in 'Defect rate information set 1' are '5 (%), 10 (%), and 8 (%). )', the input
이렇게, '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대응되는 입력 벡터가 '[5 10 8], [3 2 4], [6 3 5]'와 같이 생성되면, 출력 값 생성부(113)는 '[5 10 8], [3 2 4], [6 3 5]'를 각각 둘 이상의 가중치 행렬로 구성된 심층 신경망에 입력으로 인가하여, '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대응되는 출력 값을 '출력 값 1, 출력 값 2, 출력 값 3'과 같이 생성할 수 있다. In this way, when input vectors corresponding to each of 'defect rate information set 1, defective rate information set 2, and defective rate information set 3' are generated as '[5 10 8], [3 2 4], [6 3 5]', output The
이렇게, 출력 값 생성부(113)에 의해 '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대응되는 출력 값이 '출력 값 1, 출력 값 2, 출력 값 3'과 같이 생성되면, 변환 값 생성부(114)는 '출력 값 1, 출력 값 2, 출력 값 3'을 각각 상기 수학식 1에 따른 시그모이드 함수에 입력으로 인가하여, '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대응되는 변환 값을 '변환 값 1, 변환 값 2, 변환 값 3'과 같이 생성할 수 있다. In this way, output values corresponding to each of the 'defective rate information set 1, defective rate information set 2, and defective rate information set 3' are generated by the output
이렇게, 변환 값 생성부(114)에 의해 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 생성되면, 모델 생성부(115)는 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 상기 k개의 사전 지정된 트레이닝 세트들에서 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값에 최대로 근접하도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측하는 예측 모델을 생성한다. In this way, when the converted value corresponding to each of the k defective rate information sets is generated by the converted
이때, 본 발명의 일실시예에 따르면, 모델 생성부(115)는 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값과 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값을 기초로, 하기의 수학식 2의 연산에 따른 손실 함수(loss function)를 기반으로 한 손실 값을 산출하고, 상기 손실 값이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 예측 모델을 생성할 수 있다. At this time, according to an embodiment of the present invention, the
여기서, L은 상기 손실 값, ti는 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값 중 i번째 정답 값, yi는 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값 중 i번째 변환 값을 의미한다. Here, L is the loss value, t i is the i-th correct value among correct values pre-matched to each of the k defective rate information sets, and y i is i among the converted values corresponding to each of the k defective rate information sets It means the second conversion value.
예컨대, 전술한 예와 같이, k를 '3'이라고 하고, 상기 표 1과 같이, '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 정답 값이 '1, 0, 0'으로 사전 매칭되었다고 가정하자. 또한, 변환 값 생성부(114)에 의해 '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대응되는 변환 값이 각각 '변환 값 1, 변환 값 2, 변환 값 3'과 같이 생성되었다고 가정하자. For example, as in the above example, let k be '3', and as shown in Table 1 above, the correct answer values are '1, 0, 0' in each of 'defect rate information set 1, defective rate information set 2, and defective rate information set 3'. Assume that it is pre-matched with . In addition, the conversion value corresponding to each of the 'defective rate information set 1, defective rate information set 2, and defective rate information set 3' by the converted
이때, 모델 생성부(115)는 '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대응되는 변환 값인 '변환 값 1, 변환 값 2, 변환 값 3'과, '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 사전 매칭되어 있는 정답 값인 '1, 0, 0'을 기초로, 상기 수학식 2에 따른 손실 함수를 기반으로, '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대한 손실 값을 'L1, L2, L3' 과 같이 산출할 수 있다. In this case, the
그러고 나서, 모델 생성부(115)는 '불량률 정보 세트 1, 불량률 정보 세트 2, 불량률 정보 세트 3' 각각에 대한 손실 값인 'L1, L2, L3'의 합인 'L'이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 예측 모델을 생성할 수 있다. Then, the
이때, 본 발명의 일실시예에 따르면, 모델 생성부(115)는 상기 k개의 불량률 정보 세트들 각각에 대한 손실 값의 합이 최소가 되도록 역전파(backpropagation) 처리를 수행함으로써, 상기 심층 신경망에 대한 기계학습을 수행할 수 있다.At this time, according to an embodiment of the present invention, the
본 발명의 일실시예에 따르면, 공장 생산 설비 시스템 모니터링 장치(110)는 예측용 입력 벡터 생성부(116), 예측용 출력 값 생성부(117), 예측용 변환 값 생성부(118), 예측부(119) 및 제1 메시지 표시부(120)를 더 포함할 수 있다. According to an embodiment of the present invention, the factory production facility system monitoring device 110 includes a prediction input
예측용 입력 벡터 생성부(116)는 모델 생성부(115)에 의해 상기 심층 신경망에 대한 기계학습이 완료되어, 상기 예측 모델이 생성된 이후, 관리자(130)로부터 현재 시점에서 측정된 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값이 입력으로 인가되면서, 상기 생산 공정에 대한 최종 불량률이 상기 임계 불량률을 초과할지 여부를 예측할 것을 지시하는 예측 명령이 인가되면, 관리자(130)로부터 입력으로 인가된 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값을 성분으로 갖는 n차원의 예측용 입력 벡터를 생성한다. The prediction input
예컨대, 전술한 예와 같이, n을 '3'이라고 하고, 모델 생성부(115)에 의해 상기 심층 신경망에 대한 기계학습이 완료되어, 상기 예측 모델이 생성되었다고 가정하자. 그 이후, 관리자(130)로부터 현재 시점에서 측정된 '공정 1, 공정 2, 공정 3'에 대한 공정별 불량률 값이 '5(%), 4(%), 2(%)'와 같이 입력으로 인가되면서, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측할 것을 지시하는 예측 명령이 인가되었다고 가정하자. For example, as in the above example, it is assumed that n is '3', machine learning for the deep neural network is completed by the
이때, 예측용 입력 벡터 생성부(116)는 관리자(130)로부터 입력으로 인가된 '공정 1, 공정 2, 공정 3'에 대한 공정별 불량률 값인 '5(%), 4(%), 2(%)'를 성분으로 갖는 3차원의 벡터를 구성함으로써, 3차원의 예측용 입력 벡터를 '[5 4 2]'와 같이 생성할 수 있다. At this time, the prediction input
이렇게, 예측용 입력 벡터 생성부(116)에 의해 상기 예측용 입력 벡터가 생성되면, 예측용 출력 값 생성부(117)는 상기 예측용 입력 벡터를 상기 예측 모델의 상기 심층 신경망에 입력으로 인가하여, 예측용 출력 값을 생성한다. In this way, when the input vector for prediction is generated by the input vector generator for
예측용 변환 값 생성부(118)는 예측용 출력 값 생성부(117)에 의해 상기 예측용 출력 값이 생성되면, 상기 예측용 출력 값을 상기 활성화 함수에 입력으로 인가하여, 상기 예측용 출력 값에 대한 예측용 변환 값을 생성한다. When the prediction output value is generated by the prediction
예측부(119)는 예측용 변환 값 생성부(118)에 의해 상기 예측용 변환 값이 생성되면, 상기 예측용 변환 값과 사전 설정된 기준 값을 비교하여, 상기 예측용 변환 값이 상기 기준 값을 초과하는 경우, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할 것으로 예측하고, 상기 예측용 변환 값이 상기 기준 값을 초과하지 않는 경우, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과하지 않을 것으로 예측한다. When the transformation value for prediction is generated by the
예컨대, 전술한 예와 같이, 상기 임계 불량률 값을 '5(%)'라고 하고, 사전 설정된 기준 값을 '0.3'이라고 가정하자. 이때, 예측용 변환 값 생성부(118)에 의해 생성된 상기 예측용 변환 값이 '0.4'라고 하는 경우, 예측부(119)는 상기 예측용 변환 값이 상기 기준 값을 초과하는 것으로 확인한 후, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값인 '5(%)'를 초과할 것으로 예측할 수 있다. 또한, 예측용 변환 값 생성부(118)에 의해 생성된 상기 예측용 변환 값이 '0.2'라고 하는 경우, 예측부(119)는 상기 예측용 변환 값이 상기 기준 값을 초과하지 않는 것으로 확인한 후, 상기 생산 공정에 대한 최종 불량률 값이 '5(%)'를 초과하지 않을 것으로 예측할 수 있다.For example, as in the above example, it is assumed that the critical defective rate value is '5 (%)' and the preset reference value is '0.3'. At this time, if the prediction transformation value generated by the prediction transformation
이렇게, 예측부(119)에 의해 상기 생산 공정에 대한 최종 불량률이 상기 임계 불량률을 초과할지 여부에 대한 예측이 완료되면, 제1 메시지 표시부(120)는 예측부(119)의 예측 결과를 안내하는 제1 안내 메시지를 생성하여 화면 상에 표시한다. In this way, when prediction of whether the final defective rate for the production process exceeds the threshold defective rate by the
즉, 공장 생산 설비 시스템 모니터링 장치(110)는 사전 지정된 트레이닝 세트를 기초로, 기계학습 기술을 활용하여, 상기 생산 공정에 대한 최종 불량률이 상기 임계 불량률을 초과할지 여부를 예측하는 예측 모델을 생성한 후, 상기 예측 모델을 기초로 관리자(130)로부터 입력으로 인가된 일부의 세부 공정 각각에 대한 공정별 불량률 값에 따라, 상기 생산 공정에 대한 최종 불량률이 상기 임계 불량률을 초과할지 여부를 예측하여 화면 상에 표시할 수 있다. That is, the factory production facility system monitoring device 110 generates a predictive model for predicting whether the final defective rate for the production process will exceed the threshold defective rate by using machine learning technology based on a pre-specified training set. Then, based on the predictive model, according to the process-specific defective rate value for each of some detailed processes applied as input from the
또한, 본 발명의 일실시예에 따르면, 공장 생산 설비 시스템 모니터링 장치(110)는 데이터 저장부(121), 회귀식 생성부(122), 결정 계수 산출부(123) 및 회귀식 선택부(124)를 더 포함할 수 있다.In addition, according to an embodiment of the present invention, the factory production equipment system monitoring device 110 includes a
먼저, 데이터 저장부(121)에는 사전 설정된 과거의 기간 동안 사전 설정된 단위 시간 간격으로 수집된 상기 생산 공정에 대한 복수의 생산량 값들에 대한 데이터와 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값에 대한 데이터가 저장되어 있다. First, the
예컨대, 사전 설정된 과거의 기간을 '2019년 1월 1일부터 2019년 12월 31일까지'라고 하고, 사전 설정된 단위 시간 간격을 '1일'이라고 하는 경우, 데이터 저장부(121)에는 하기의 표 1과 같은 '2019년 1월 1일부터 2019년 12월 31일까지'의 기간 동안 '1일' 간격으로 수집된 상기 생산 공정에 대한 복수의 생산량 값들에 대한 데이터와 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값에 대한 데이터가 저장되어 있을 수 있다. For example, if the preset past period is 'from January 1, 2019 to December 31, 2019' and the preset unit time interval is '1 day', the
회귀식 생성부(122)는 상기 복수의 생산량 값들 각각을 독립 변수로 지정하고, 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값을 종속 변수로 지정하여, 사전 설정된 서로 다른 복수의 회귀 분석(regression analysis) 기법들에 따른 회귀 분석을 수행함으로써, 복수의 회귀식들을 생성한다. The regression
여기서, 상기 회귀 분석 기법들로는 선형(Linear) 회귀 분석, 지수(Exponential) 회귀 분석, 로그(Log) 회귀 분석, 다항식(Polynomial) 회귀 분석 및 거듭제곱(Power) 회귀 분석 등이 활용될 수 있다. Here, as the regression analysis techniques, linear regression analysis, exponential regression analysis, log regression analysis, polynomial regression analysis, power regression analysis, etc. may be utilized.
결정 계수 산출부(123)는 회귀식 생성부(122)에 의해 상기 복수의 회귀식들이 생성되면, 상기 복수의 회귀식들과 상기 복수의 생산량 값들 및 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값을 기초로, 상기 복수의 회귀식들 각각에 대한 결정 계수(coefficient of determination)를 산출한다. When the plurality of regression equations are generated by the
여기서, 상기 결정 계수는 회귀식이 주어진 자료에 정합하는 정도를 나타내는 척도로, 상기 복수의 회귀식들 각각에 대한 결정 계수는 하기의 수학식 3에 따라 산출될 수 있다.Here, the coefficient of determination is a measure indicating the degree to which the regression equation matches the given data, and the coefficient of determination for each of the plurality of regression equations may be calculated according to Equation 3 below.
여기서, R2는 결정 계수, Yi는 i번째 생산량 값에 대응되는 최종 불량률 값, 
회귀식 선택부(124)는 상기 복수의 회귀식들 중 상기 결정 계수가 1에 가장 가까운 값으로 산출된 제1 회귀식을 상기 생산 공정에 대한 최종 불량률 예측을 위한 회귀식으로 선택한다.The regression
이하에서는, 회귀식 생성부(122), 결정 계수 산출부(123) 및 회귀식 선택부(124)의 동작을 예를 들어, 상세히 설명하기로 한다. Hereinafter, the operations of the regression
먼저, 전술한 예와 같이, 데이터 저장부(121)에 상기 표 2와 같은 데이터가 저장되어 있다고 가정하자. First, as in the above-described example, it is assumed that the data shown in Table 2 is stored in the
이때, 회귀식 생성부(122)는 상기 표 2와 같은 데이터에서, '2019년 1월 1일부터 2019년 12월 31일까지'의 기간 동안 '1일' 간격으로 수집된 상기 생산 공정에 대한 365개의 생산량 값들 각각을 독립 변수로 지정하고, 상기 365개의 생산량 값들 각각에 대응되는 최종 불량률 값을 종속 변수로 지정하여, 사전 설정된 서로 다른 복수의 회귀 분석 기법들에 따른 회귀 분석을 수행함으로써, 복수의 회귀식들을 생성할 수 있다. At this time, the regression
관련해서, 상기 사전 설정된 서로 다른 복수의 회귀 분석 기법들이 선형 회귀 분석, 지수 회귀 분석, 로그 회귀 분석, 다항식 회귀 분석 및 거듭제곱 회귀 분석이라고 하는 경우, 회귀식 생성부(122)는 선형 회귀 분석, 지수 회귀 분석, 로그 회귀 분석, 다항식 회귀 분석 및 거듭제곱 회귀 분석에 따른 회귀 분석을 수행함으로써, 복수의 회귀식들을 생성할 수 있다. In this regard, when the preset plurality of different regression analysis techniques are referred to as linear regression analysis, exponential regression analysis, log regression analysis, polynomial regression analysis, and power regression analysis, the regression
이때, 회귀식 생성부(122)에 의해 상기 복수의 회귀식들이 '
그러면, 결정 계수 산출부(123)는 상기 수학식 3에 따라, 상기 복수의 회귀식들과 상기 복수의 생산량 값들 및 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값을 기초로, '
이때, '
이때, 본 발명의 일실시예에 따르면, 공장 생산 설비 시스템 모니터링 장치(110)는 불량률 예측부(125) 및 제2 메시지 표시부(126)를 더 포함할 수 있다. In this case, according to an embodiment of the present invention, the factory production equipment system monitoring apparatus 110 may further include a defective
불량률 예측부(125)는 회귀식 선택부(124)에 의해 상기 제1 회귀식이 상기 생산 공정에 대한 최종 불량률 예측을 위한 회귀식으로 선택된 이후, 관리자(130)로부터 상기 생산 공정에 대한 목표 생산량 값이 입력으로 인가되면서, 상기 생산 공정에 대한 최종 불량률 예측 명령이 인가되면, 상기 제1 회귀식에 상기 목표 생산량 값을 입력으로 인가하여, 예측 불량률 값을 출력으로 산출한다. After the first regression equation is selected as a regression equation for predicting the final defective rate for the production process by the regression
예컨대, 전술한 예와 같이, 회귀식 선택부(124)에 의해 '
이렇게, 불량률 예측부(125)에 의해 상기 예측 불량률 값이 산출되면, 제2 메시지 표시부(126)는 상기 예측 불량률 값이 상기 목표 생산량 값에 대응되는 최종 불량률 값으로 예측됨을 안내하는 제2 안내 메시지를 생성하여 상기 화면 상에 표시할 수 있다. In this way, when the predicted defective rate value is calculated by the defective
즉, 공장 생산 설비 시스템 모니터링 장치(110)는 사전 수집된 상기 생산 공정에 대한 복수의 생산량 값들에 대한 데이터와 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값에 대한 데이터를 기초로, 사전 설정된 서로 다른 복수의 회귀 분석 기법을 활용하여, 상기 생산 공정에 대한 최종 불량률 예측을 위한 회귀식을 생성한 후, 관리자(130)로부터 입력으로 인가된 상기 생산 공정에 대한 목표 생산량 값에 따라 상기 목표 생산량 값에 대응되는 예측 불량률 값을 산출하여 화면 상에 표시할 수 있다. That is, the factory production facility system monitoring device 110 is based on the pre-collected data on the plurality of production values for the production process and the data on the final defective rate value corresponding to each of the plurality of production values, preset mutually After generating a regression equation for predicting the final defective rate for the production process by using a plurality of other regression analysis techniques, the target production value according to the target production value for the production process applied as an input from the manager 130 A predicted defective rate value corresponding to can be calculated and displayed on the screen.
도 2는 본 발명의 일실시예에 따른 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치의 동작 방법을 도시한 순서도이다. 2 is a flowchart illustrating a method of operating a factory production facility system monitoring apparatus capable of monitoring a defective rate for a production process according to an embodiment of the present invention.
단계(S210)에서는 상기 생산 공정을 구성하는 복수의 세부 공정들 중 관리자에 의해 사전 선택된 일부의 세부 공정들인 n(n은 2이상의 자연수임)개의 세부 공정들 각각에 대한 공정별 불량률 값이 하나의 세트로 구성된 서로 다른 k(k는 2 이상의 자연수임)개의 불량률 정보 세트들과 상기 k개의 불량률 정보 세트들 각각에 대해 사전 매칭되어 있는 정답 값(상기 정답 값은 상기 생산 공정에 대한 최종 불량률 값이 사전 설정된 임계 불량률 값을 초과하는 경우 1로, 상기 임계 불량률 값을 초과하지 않는 경우 0으로 설정된 값임)으로 구성된 k개의 사전 지정된 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부를 유지한다. In step S210, the defective rate value for each process for each of the n (n is a natural number greater than or equal to 2) detailed processes that are some of the detailed processes preselected by the manager among the plurality of detailed processes constituting the production process is one Different k (k is a natural number greater than or equal to 2) defective rate information sets composed of a set and the correct answer values pre-matched for each of the k defective rate information sets (the correct answer value is the final defective rate value for the production process) It maintains a training set storage unit in which k preset training sets configured as 1 when exceeding a preset critical reject rate value and set to 0 when not exceeding the threshold reject rate value) are stored.
단계(S220)에서는 상기 k개의 불량률 정보 세트들 각각에 포함되어 있는 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값을 성분으로 갖는 n차원의 벡터를 구성함으로써, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 생성한다. In step S220, each of the k defective rate information sets is formed by constructing an n-dimensional vector having as a component the defective rate value for each process for each of the n detailed processes included in each of the k defective rate information sets. Create an input vector corresponding to .
단계(S230)에서는 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터가 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 둘 이상의 가중치 행렬로 구성된 심층 신경망에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 생성한다. In step S230, when an input vector corresponding to each of the k defective rate information sets is generated, an input vector corresponding to each of the k defective rate information sets is applied as an input to a deep neural network composed of two or more weight matrices, An output value corresponding to each of the k defective rate information sets is generated.
단계(S240)에서는 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값이 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 사전 설정된 활성화 함수(상기 활성화 함수는 입력으로 인가된 값을 0 이상 1 이하의 값으로 변환하여 출력하는 함수임)에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값을 생성한다. In step S240, when an output value corresponding to each of the k defective rate information sets is generated, an output value corresponding to each of the k defective rate information sets is converted into a preset activation function (the activation function is a value applied as an input) is a function that converts and outputs a value of 0 or more and 1 or less) as an input to generate a converted value corresponding to each of the k pieces of defective rate information sets.
단계(S250)에서는 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 상기 k개의 사전 지정된 트레이닝 세트들에서 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값에 최대로 근접하도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측하는 예측 모델을 생성한다. In step S250, when a transformation value corresponding to each of the k pieces of defective rate information sets is generated, a conversion value corresponding to each of the k pieces of defective rate information sets is calculated as the k pieces of defective rate information in the k predetermined training sets. By performing machine learning on the deep neural network to maximally approximate the correct answer value pre-matched to each of the sets, a predictive model for predicting whether the final defective rate value for the production process will exceed the threshold defective rate value is generated. do.
이때, 본 발명의 일실시예에 따르면, 단계(S250)에서는 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값과 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값을 기초로, 상기 수학식 2의 연산에 따른 손실 함수를 기반으로 한 손실 값을 산출하고, 상기 손실 값이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 예측 모델을 생성할 수 있다. At this time, according to an embodiment of the present invention, in step S250, based on a conversion value corresponding to each of the k pieces of defect rate information and a correct answer value pre-matched to each of the k pieces of defect rate information sets, the The predictive model may be generated by calculating a loss value based on the loss function according to the operation of Equation 2 and performing machine learning on the deep neural network so that the loss value is minimized.
또한, 본 발명의 일실시예에 따르면, 상기 공장 생산 설비 시스템 모니터링 장치의 동작 방법은 상기 심층 신경망에 대한 기계학습이 완료되어, 상기 예측 모델이 생성된 이후, 상기 관리자로부터 현재 시점에서 측정된 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값이 입력으로 인가되면서, 상기 생산 공정에 대한 최종 불량률이 상기 임계 불량률을 초과할지 여부를 예측할 것을 지시하는 예측 명령이 인가되면, 상기 관리자로부터 입력으로 인가된 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값을 성분으로 갖는 n차원의 예측용 입력 벡터를 생성하는 단계, 상기 예측용 입력 벡터가 생성되면, 상기 예측용 입력 벡터를 상기 예측 모델의 상기 심층 신경망에 입력으로 인가하여, 예측용 출력 값을 생성하는 단계, 상기 예측용 출력 값이 생성되면, 상기 예측용 출력 값을 상기 활성화 함수에 입력으로 인가하여, 상기 예측용 출력 값에 대한 예측용 변환 값을 생성하는 단계, 상기 예측용 변환 값이 생성되면, 상기 예측용 변환 값과 사전 설정된 기준 값을 비교하여 상기 예측용 변환 값이 상기 기준 값을 초과하는 경우, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할 것으로 예측하고, 상기 예측용 변환 값이 상기 기준 값을 초과하지 않는 경우, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과하지 않을 것으로 예측하는 단계 및 상기 예측하는 단계의 예측 결과를 안내하는 제1 안내 메시지를 생성하여 화면 상에 표시하는 단계를 더 포함할 수 있다. In addition, according to an embodiment of the present invention, in the method of operating the factory production facility system monitoring device, the machine learning for the deep neural network is completed, and after the predictive model is generated, the While a process-specific defective rate value for each of the n detailed processes is applied as an input, when a prediction command instructing to predict whether or not the final defective rate for the production process will exceed the critical defective rate is applied, it is applied as an input from the manager generating an n-dimensional input vector for prediction having, as a component, a defective rate value for each process for each of the n detailed processes; Generating an output value for prediction by applying it as an input to a deep neural network; When the output value for prediction is generated, the output value for prediction is applied as an input to the activation function to predict the output value for prediction generating a conversion value, when the conversion value for prediction is generated, comparing the conversion value for prediction with a preset reference value, and when the conversion value for prediction exceeds the reference value, the final defective rate for the production process predicting that the value will exceed the critical percentage defective value, and if the predictive conversion value does not exceed the reference value, predicting that the final percentage defective value for the production process will not exceed the critical percentage defective value; and The method may further include generating and displaying a first guide message guiding the prediction result of the predicting step on the screen.
또한, 본 발명의 일실시예에 따르면, 상기 공장 생산 설비 시스템 모니터링 장치의 동작 방법은 사전 설정된 과거의 기간 동안 사전 설정된 단위 시간 간격으로 수집된 상기 생산 공정에 대한 복수의 생산량 값들에 대한 데이터와 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값에 대한 데이터가 저장되어 있는 데이터 저장부를 유지하는 단계, 상기 복수의 생산량 값들 각각을 독립 변수로 지정하고, 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값을 종속 변수로 지정하여, 사전 설정된 서로 다른 복수의 회귀 분석 기법들에 따른 회귀 분석을 수행함으로써, 복수의 회귀식들을 생성하는 단계, 상기 복수의 회귀식들이 생성되면, 상기 복수의 회귀식들과 상기 복수의 생산량 값들 및 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값을 기초로, 상기 복수의 회귀식들 각각에 대한 결정 계수를 산출하는 단계 및 상기 복수의 회귀식들 중 상기 결정 계수가 1에 가장 가까운 값으로 산출된 제1 회귀식을 상기 생산 공정에 대한 최종 불량률 예측을 위한 회귀식으로 선택하는 단계를 더 포함할 수 있다. In addition, according to an embodiment of the present invention, the method of operating the plant production equipment system monitoring apparatus includes data on a plurality of production values for the production process collected at preset unit time intervals for a preset past period and the maintaining a data storage unit storing data on a final defective rate value corresponding to each of a plurality of production values, designating each of the plurality of production values as an independent variable, and a final defective rate value corresponding to each of the plurality of production values generating a plurality of regression equations by specifying as a dependent variable and performing regression analysis according to a plurality of preset different regression analysis techniques, and when the plurality of regression equations are generated, the calculating a coefficient of determination for each of the plurality of regression equations based on the plurality of production values and a final defective rate value corresponding to each of the plurality of production values, and the determination coefficient among the plurality of regression equations is 1 The method may further include selecting the first regression equation calculated as the closest value to , as the regression equation for predicting the final defective rate for the production process.
이때, 본 발명의 일실시예에 따르면, 상기 공장 생산 설비 시스템 모니터링 장치의 동작 방법은 상기 제1 회귀식이 상기 생산 공정에 대한 최종 불량률 예측을 위한 회귀식으로 선택된 이후, 상기 관리자로부터 상기 생산 공정에 대한 목표 생산량 값이 입력으로 인가되면서, 상기 생산 공정에 대한 최종 불량률 예측 명령이 인가되면, 상기 제1 회귀식에 상기 목표 생산량 값을 입력으로 인가하여, 예측 불량률 값을 출력으로 산출하는 단계 및 상기 예측 불량률 값이 산출되면, 상기 예측 불량률 값이 상기 목표 생산량 값에 대응되는 최종 불량률 값으로 예측됨을 안내하는 제2 안내 메시지를 생성하여 상기 화면 상에 표시하는 단계를 더 포함할 수 있다. At this time, according to an embodiment of the present invention, in the method of operating the factory production equipment system monitoring apparatus, after the first regression equation is selected as a regression equation for predicting the final defect rate for the production process, the manager from the manager to the production process Calculating a predicted defective rate value as an output by applying the target production value to the first regression equation when the final defective rate prediction command for the production process is applied while the target production value for the production process is applied as an input; The method may further include generating and displaying on the screen a second guide message guiding that the predicted defective rate value is predicted as the final defective rate value corresponding to the target production value when the predicted defective rate value is calculated.
이상, 도 2를 참조하여 본 발명의 일실시예에 따른 공장 생산 설비 시스템 모니터링 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 공장 생산 설비 시스템 모니터링 장치의 동작 방법은 도 1을 이용하여 설명한 공장 생산 설비 시스템 모니터링 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.In the above, the operation method of the factory production facility system monitoring apparatus according to an embodiment of the present invention has been described with reference to FIG. 2 . Here, the operating method of the factory production equipment system monitoring apparatus according to an embodiment of the present invention may correspond to the configuration of the operation of the factory production equipment system monitoring apparatus 110 described with reference to FIG. A description will be omitted.
본 발명의 일실시예에 따른 공장 생산 설비 시스템 모니터링 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.The method of operating a factory production facility system monitoring apparatus according to an embodiment of the present invention may be implemented as a computer program stored in a storage medium for execution through combination with a computer.
또한, 본 발명의 일실시예에 따른 공장 생산 설비 시스템 모니터링 장치의 동작 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. In addition, the method of operating a factory production facility system monitoring apparatus according to an embodiment of the present invention may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, in the present invention, specific matters such as specific components, etc., and limited embodiments and drawings have been described, but these are only provided to help a more general understanding of the present invention, and the present invention is not limited to the above embodiments. , various modifications and variations are possible from these descriptions by those of ordinary skill in the art to which the present invention pertains.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the described embodiments, and not only the claims to be described later, but also all of the claims and equivalents or equivalent modifications will fall within the scope of the spirit of the present invention. .
110: 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치
111: 트레이닝 세트 저장부 112: 입력 벡터 생성부
113: 출력 값 생성부 114: 변환 값 생성부
115: 모델 생성부 116: 예측용 입력 벡터 생성부
117: 예측용 출력 값 생성부 118: 예측용 변환 값 생성부
119: 예측부 120: 제1 메시지 표시부
121: 데이터 저장부 122: 회귀식 생성부
123: 결정 계수 산출부 124: 회귀식 선택부
125: 불량률 예측부 126: 제2 메시지 표시부
130: 관리자 110: Factory production facility system monitoring device capable of monitoring the defect rate for the production process
111: training set storage unit 112: input vector generation unit
113: output value generation unit 114: conversion value generation unit
115: model generation unit 116: prediction input vector generation unit
117: prediction output value generation unit 118: prediction transform value generation unit
119: prediction unit 120: first message display unit
121: data storage unit 122: regression expression generator
123: determination coefficient calculation unit 124: regression expression selection unit
125: defective rate prediction unit 126: second message display unit
130: manager
Claims (5)
상기 생산 공정을 구성하는 복수의 세부 공정들 중 관리자에 의해 사전 선택된 일부의 세부 공정들인 n(n은 2이상의 자연수임)개의 세부 공정들 각각에 대한 공정별 불량률 값이 하나의 세트로 구성된 서로 다른 k(k는 2 이상의 자연수임)개의 불량률 정보 세트들과 상기 k개의 불량률 정보 세트들 각각에 대해 사전 매칭되어 있는 정답 값 - 상기 정답 값은 상기 생산 공정에 대한 최종 불량률 값이 사전 설정된 임계 불량률 값을 초과하는 경우 1로, 상기 임계 불량률 값을 초과하지 않는 경우 0으로 설정된 값임 - 으로 구성된 k개의 사전 지정된 트레이닝 세트들이 저장되어 있는 트레이닝 세트 저장부;
상기 k개의 불량률 정보 세트들 각각에 포함되어 있는 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값을 성분으로 갖는 n차원의 벡터를 구성함으로써, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 생성하는 입력 벡터 생성부;
상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터가 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 입력 벡터를 둘 이상의 가중치 행렬로 구성된 심층 신경망에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 생성하는 출력 값 생성부;
상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값이 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 출력 값을 사전 설정된 활성화 함수(activation function) - 상기 활성화 함수는 입력으로 인가된 값을 0 이상 1 이하의 값으로 변환하여 출력하는 함수임 - 에 입력으로 인가하여, 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값을 생성하는 변환 값 생성부; 및
상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 생성되면, 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값이 상기 k개의 사전 지정된 트레이닝 세트들에서 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값에 최대로 근접하도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측하는 예측 모델을 생성하는 모델 생성부
를 포함하는 공장 생산 설비 시스템 모니터링 장치.In the factory production facility system monitoring device capable of monitoring the defect rate for the production process,
Among the plurality of detailed processes constituting the production process, each process-specific defective rate value for each of n (n is a natural number greater than or equal to 2) detailed processes, which are some of the detailed processes preselected by the manager, is different from each other in one set. k (k is a natural number greater than or equal to 2) defective rate information sets and a correct answer value that is pre-matched for each of the k defective rate information sets - The correct answer value is a threshold reject rate value in which the final defective rate value for the production process is preset a training set storage unit in which k pre-specified training sets composed of a value set to 1 when exceeding , and 0 when not exceeding the threshold defective rate value;
An input vector corresponding to each of the k defective rate information sets by constructing an n-dimensional vector having, as a component, a defective rate value for each process for each of the n detailed processes included in each of the k defective rate information sets. an input vector generator to generate
When an input vector corresponding to each of the k defective rate information sets is generated, an input vector corresponding to each of the k defective rate information sets is applied as an input to a deep neural network composed of two or more weighting matrices, and the k defective rate information an output value generating unit that generates an output value corresponding to each of the sets;
When an output value corresponding to each of the k defective rate information sets is generated, an output value corresponding to each of the k defective rate information sets is set to a preset activation function - the activation function is a value applied as an input a conversion value generating unit that generates a converted value corresponding to each of the k defective rate information sets by applying as an input to a function that converts and outputs a value of 0 or more and 1 or less; and
When a transformation value corresponding to each of the k defective rate information sets is generated, a transformation value corresponding to each of the k defective rate information sets is previously applied to each of the k defective rate information sets in the k predetermined training sets. A model generation unit that generates a predictive model for predicting whether or not the final defective rate value for the production process will exceed the critical defective rate value by performing machine learning on the deep neural network to be closest to the matched correct answer value.
Factory production equipment system monitoring device comprising a.
상기 모델 생성부는
상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값과 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값을 기초로, 하기의 수학식 1의 연산에 따른 손실 함수(loss function)를 기반으로 한 손실 값을 산출하고, 상기 손실 값이 최소가 되도록 상기 심층 신경망에 대한 기계학습을 수행함으로써, 상기 예측 모델을 생성하는 공장 생산 설비 시스템 모니터링 장치.
[수학식 1]
여기서, L은 상기 손실 값, ti는 상기 k개의 불량률 정보 세트들 각각에 사전 매칭되어 있는 정답 값 중 i번째 정답 값, yi는 상기 k개의 불량률 정보 세트들 각각에 대응되는 변환 값 중 i번째 변환 값을 의미함.According to claim 1,
The model generator
Based on a conversion value corresponding to each of the k defective rate information sets and a correct answer value pre-matched to each of the k defective rate information sets, based on a loss function according to the operation of Equation 1 below A factory production facility system monitoring device for generating the predictive model by calculating a loss value of , and performing machine learning on the deep neural network so that the loss value is minimized.
[Equation 1]
Here, L is the loss value, t i is the i-th correct value among correct values pre-matched to each of the k defective rate information sets, and y i is i among the converted values corresponding to each of the k defective rate information sets It means the second conversion value.
상기 심층 신경망에 대한 기계학습이 완료되어, 상기 예측 모델이 생성된 이후, 상기 관리자로부터 현재 시점에서 측정된 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값이 입력으로 인가되면서, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할지 여부를 예측할 것을 지시하는 예측 명령이 인가되면, 상기 관리자로부터 입력으로 인가된 상기 n개의 세부 공정들 각각에 대한 공정별 불량률 값을 성분으로 갖는 n차원의 예측용 입력 벡터를 생성하는 예측용 입력 벡터 생성부;
상기 예측용 입력 벡터가 생성되면, 상기 예측용 입력 벡터를 상기 예측 모델의 상기 심층 신경망에 입력으로 인가하여, 예측용 출력 값을 생성하는 예측용 출력 값 생성부;
상기 예측용 출력 값이 생성되면, 상기 예측용 출력 값을 상기 활성화 함수에 입력으로 인가하여, 상기 예측용 출력 값에 대한 예측용 변환 값을 생성하는 예측용 변환 값 생성부;
상기 예측용 변환 값이 생성되면, 상기 예측용 변환 값과 사전 설정된 기준 값을 비교하여 상기 예측용 변환 값이 상기 기준 값을 초과하는 경우, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과할 것으로 예측하고, 상기 예측용 변환 값이 상기 기준 값을 초과하지 않는 경우, 상기 생산 공정에 대한 최종 불량률 값이 상기 임계 불량률 값을 초과하지 않을 것으로 예측하는 예측부; 및
상기 예측부의 예측 결과를 안내하는 제1 안내 메시지를 생성하여 화면 상에 표시하는 제1 메시지 표시부
를 더 포함하는 공장 생산 설비 시스템 모니터링 장치.According to claim 1,
After the machine learning of the deep neural network is completed and the predictive model is generated, the defective rate value for each process for each of the n detailed processes measured at the current point in time from the manager is applied as an input to the production process When a prediction command for instructing to predict whether or not the final defective rate value for the unit exceeds the critical defective rate value is applied, the n-dimensional value of the defective rate for each process for each of the n detailed processes applied as an input from the manager is an n-dimensional a prediction input vector generator that generates an input vector for prediction of ;
an output value generator for prediction that, when the input vector for prediction is generated, applies the input vector for prediction as an input to the deep neural network of the prediction model to generate an output value for prediction;
a prediction transformation value generator for generating a prediction transformation value for the prediction output value by applying the prediction output value as an input to the activation function when the prediction output value is generated;
When the conversion value for prediction is generated, the conversion value for prediction is compared with a preset reference value, and when the conversion value for prediction exceeds the reference value, the final defective rate value for the production process is the threshold defective rate a prediction unit that predicts to exceed, and predicts that, when the conversion value for prediction does not exceed the reference value, the final defective rate value for the production process will not exceed the critical defective rate value; and
A first message display unit for generating and displaying a first guide message for guiding the prediction result of the prediction unit on the screen
Factory production equipment system monitoring device further comprising a.
사전 설정된 과거의 기간 동안 사전 설정된 단위 시간 간격으로 수집된 상기 생산 공정에 대한 복수의 생산량 값들에 대한 데이터와 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값에 대한 데이터가 저장되어 있는 데이터 저장부;
상기 복수의 생산량 값들 각각을 독립 변수로 지정하고, 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값을 종속 변수로 지정하여, 사전 설정된 서로 다른 복수의 회귀 분석(regression analysis) 기법들에 따른 회귀 분석을 수행함으로써, 복수의 회귀식들을 생성하는 회귀식 생성부;
상기 복수의 회귀식들이 생성되면, 상기 복수의 회귀식들과 상기 복수의 생산량 값들 및 상기 복수의 생산량 값들 각각에 대응되는 최종 불량률 값을 기초로, 상기 복수의 회귀식들 각각에 대한 결정 계수(coefficient of determination)를 산출하는 결정 계수 산출부; 및
상기 복수의 회귀식들 중 상기 결정 계수가 1에 가장 가까운 값으로 산출된 제1 회귀식을 상기 생산 공정에 대한 최종 불량률 예측을 위한 회귀식으로 선택하는 회귀식 선택부
를 더 포함하는 공장 생산 설비 시스템 모니터링 장치.The method of claim 1,
a data storage unit storing data on a plurality of production values for the production process collected at preset unit time intervals for a preset past period and data on a final defective rate value corresponding to each of the plurality of production values;
Regression analysis according to a plurality of preset different regression analysis techniques by designating each of the plurality of production values as an independent variable, and designating a final defective rate value corresponding to each of the plurality of production values as a dependent variable a regression expression generator generating a plurality of regression expressions by performing ;
When the plurality of regression equations are generated, the determination coefficient for each of the plurality of regression equations ( a coefficient of determination calculating unit for calculating coefficient of determination; and
A regression expression selection unit that selects a first regression equation in which the coefficient of determination is calculated as a value closest to 1 among the plurality of regression equations as a regression equation for predicting the final defective rate for the production process
Factory production equipment system monitoring device further comprising a.
상기 제1 회귀식이 상기 생산 공정에 대한 최종 불량률 예측을 위한 회귀식으로 선택된 이후, 상기 관리자로부터 상기 생산 공정에 대한 목표 생산량 값이 입력으로 인가되면서, 상기 생산 공정에 대한 최종 불량률 예측 명령이 인가되면, 상기 제1 회귀식에 상기 목표 생산량 값을 입력으로 인가하여, 예측 불량률 값을 출력으로 산출하는 불량률 예측부; 및
상기 예측 불량률 값이 산출되면, 상기 예측 불량률 값이 상기 목표 생산량 값에 대응되는 최종 불량률 값으로 예측됨을 안내하는 제2 안내 메시지를 생성하여 화면 상에 표시하는 제2 메시지 표시부
를 더 포함하는 공장 생산 설비 시스템 모니터링 장치.5. The method of claim 4,
After the first regression equation is selected as a regression equation for predicting the final defective rate for the production process, while the target production value for the production process is applied as an input from the manager, when the final defective rate prediction command for the production process is applied , a defective rate predicting unit that applies the target production value to the first regression equation as an input and calculates a predicted defective rate value as an output; and
When the predicted defective rate value is calculated, a second message display unit for generating and displaying a second guide message guiding that the predicted defective rate value is predicted as the final defective rate value corresponding to the target production value
Factory production equipment system monitoring device further comprising a.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200125517A KR102348006B1 (en) | 2020-09-28 | 2020-09-28 | Factory manufacturing facility system monitoring apparatus for monitoring the defective rate for the manufacturing process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200125517A KR102348006B1 (en) | 2020-09-28 | 2020-09-28 | Factory manufacturing facility system monitoring apparatus for monitoring the defective rate for the manufacturing process |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102348006B1 true KR102348006B1 (en) | 2022-01-07 |
Family
ID=79355107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200125517A KR102348006B1 (en) | 2020-09-28 | 2020-09-28 | Factory manufacturing facility system monitoring apparatus for monitoring the defective rate for the manufacturing process |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102348006B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116119284A (en) * | 2022-12-16 | 2023-05-16 | 工业富联(杭州)数据科技有限公司 | Material assembling method, device, equipment and medium based on artificial intelligence |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080070543A (en) | 2007-01-26 | 2008-07-30 | 주식회사 신영 | Early warning method for estimating inferiority in automatic production line |
| KR20140039380A (en) * | 2012-09-20 | 2014-04-02 | 국립대학법인 울산과학기술대학교 산학협력단 | Apparatus and method for quality control using datamining in manufacturing process |
| KR102120128B1 (en) | 2019-09-11 | 2020-06-08 | 이성기 | System for monitoring vehicle manufacturing processes |
-
2020
- 2020-09-28 KR KR1020200125517A patent/KR102348006B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080070543A (en) | 2007-01-26 | 2008-07-30 | 주식회사 신영 | Early warning method for estimating inferiority in automatic production line |
| KR20140039380A (en) * | 2012-09-20 | 2014-04-02 | 국립대학법인 울산과학기술대학교 산학협력단 | Apparatus and method for quality control using datamining in manufacturing process |
| KR102120128B1 (en) | 2019-09-11 | 2020-06-08 | 이성기 | System for monitoring vehicle manufacturing processes |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116119284A (en) * | 2022-12-16 | 2023-05-16 | 工业富联(杭州)数据科技有限公司 | Material assembling method, device, equipment and medium based on artificial intelligence |
| CN116119284B (en) * | 2022-12-16 | 2023-11-24 | 工业富联(杭州)数据科技有限公司 | Material assembling method, device, equipment and medium based on artificial intelligence |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084271B (en) | Method and device for identifying picture category | |
| CN108229667A (en) | Trimming based on artificial neural network classification | |
| CN110556130A (en) | Voice emotion recognition method and device and storage medium | |
| US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
| US20210264271A1 (en) | Adaptable neural network | |
| US11205418B2 (en) | Monotone speech detection | |
| CN111582341B (en) | User abnormal operation prediction method and device | |
| KR102348006B1 (en) | Factory manufacturing facility system monitoring apparatus for monitoring the defective rate for the manufacturing process | |
| CN111639247A (en) | Method, apparatus, device and computer-readable storage medium for evaluating quality of review | |
| US11327873B2 (en) | System and method for identification of appropriate test cases using artificial intelligence for software testing | |
| Peña-Ramírez et al. | The logistic Nadarajah–Haghighi distribution and its associated regression model for reliability applications | |
| CN115240778A (en) | Synthetic lethal gene partner recommendation method, device, terminal and medium based on comparative learning | |
| CN110728371A (en) | System, method and electronic device for executing automatic machine learning scheme | |
| KR102188115B1 (en) | Electronic device capable of selecting a biomarker to be used in cancer prognosis prediction based on generative adversarial networks and operating method thereof | |
| US11493901B2 (en) | Detection of defect in edge device manufacturing by artificial intelligence | |
| JPH10122917A (en) | Diagnosis method and diagnosis device for abnormal state of equipment and product manufacturing process | |
| CN113159419A (en) | Group feature portrait analysis method, device and equipment and readable storage medium | |
| EP4198831A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
| JP7344501B1 (en) | Program, method, information processing device, system | |
| US20210304046A1 (en) | Information processing apparatus and method and program for identifying coadapted nodes | |
| US20230260264A1 (en) | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium | |
| WO2023218697A1 (en) | Ethicality diagnosis device and ethicality diagnosis method | |
| CN114091296B (en) | Fault early warning method and device for high-voltage direct-current circuit breaker | |
| KR102602182B1 (en) | Electronic apparatus that enables the determination of skin tone matching the skin image through the creation of artificial intelligence-based learning model and operating method thereof | |
| US11876021B2 (en) | Test circuit and test method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |