KR102352362B1 - System and method for controlling facility using deep learning algorithm - Google Patents

System and method for controlling facility using deep learning algorithm Download PDF

Info

Publication number
KR102352362B1
KR102352362B1 KR1020190081879A KR20190081879A KR102352362B1 KR 102352362 B1 KR102352362 B1 KR 102352362B1 KR 1020190081879 A KR1020190081879 A KR 1020190081879A KR 20190081879 A KR20190081879 A KR 20190081879A KR 102352362 B1 KR102352362 B1 KR 102352362B1
Authority
KR
South Korea
Prior art keywords
facility
control program
target facility
control
monitoring data
Prior art date
Application number
KR1020190081879A
Other languages
Korean (ko)
Other versions
KR20210006071A (en
Inventor
진성기
Original Assignee
주식회사 엠티엠이엔티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엠티엠이엔티 filed Critical 주식회사 엠티엠이엔티
Priority to KR1020190081879A priority Critical patent/KR102352362B1/en
Publication of KR20210006071A publication Critical patent/KR20210006071A/en
Application granted granted Critical
Publication of KR102352362B1 publication Critical patent/KR102352362B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • 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
    • G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/058—Safety, monitoring
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 지속적인 관리 및 제어가 필요한 대상 설비에 대한 모니터링 데이터를 수집하고, 수집한 모니터링 데이터와 대상 설비의 요구 사항을 토대로 하여 딥 러닝 알고리즘을 이용해 제어 프로그램을 생성한 후, 해당 설비에 적용함으로써, 대상 설비의 관리 및 제어를 자동화 할 수 있는 딥 러닝 알고리즘을 이용한 설비 제어 시스템 및 방법에 관한 것이다.The present invention collects monitoring data for a target facility that requires continuous management and control, creates a control program using a deep learning algorithm based on the collected monitoring data and the requirements of the target facility, and then applies it to the facility, It relates to a facility control system and method using a deep learning algorithm that can automate the management and control of target facilities.

Description

딥 러닝 알고리즘을 이용한 설비 제어 시스템 및 방법{SYSTEM AND METHOD FOR CONTROLLING FACILITY USING DEEP LEARNING ALGORITHM}Facility control system and method using deep learning algorithm

본 발명은 지속적인 관리 및 제어가 필요한 대상 설비에 대한 모니터링 데이터를 수집하고, 수집한 모니터링 데이터와 대상 설비의 요구 사항을 토대로 하여 딥 러닝 알고리즘을 이용해 제어 프로그램을 생성한 후, 해당 설비에 적용함으로써, 대상 설비의 관리 및 제어를 자동화 할 수 있는 딥 러닝 알고리즘을 이용한 설비 제어 시스템 및 방법에 관한 것이다.The present invention collects monitoring data for a target facility that requires continuous management and control, creates a control program using a deep learning algorithm based on the collected monitoring data and the requirements of the target facility, and then applies it to the facility, It relates to a facility control system and method using a deep learning algorithm that can automate the management and control of target facilities.

산업용 제어 시스템은 자동차 부품 생산 공장 등의 각종 스마트 팩토리에서 모니터링을 통해 대상 설비들의 관리 및 제어를 할 수 있도록 하는 것이다.The industrial control system enables management and control of target facilities through monitoring in various smart factories such as automobile parts manufacturing plants.

그러나, 종래의 산업용 제어 시스템은 관리 및 제어 대상인 대상 설비에 대한 제어 프로그램을 상황에 맞도록 관리자가 직접 생성하여 배포해야 했다. 이에 따라서, 수시로 대상 설비를 확인해야 하는 관리 인력들의 업무 강도가 높아지고, 대상 설비의 문제에 대해서 관리 인력의 확인이 곧바로 이루어 지지 않는 경우 효율이 떨어질 수 있는 문제점이 있었다.However, in the conventional industrial control system, the manager had to directly create and distribute the control program for the target facility, which is the subject of management and control, according to the situation. Accordingly, there is a problem in that the work intensity of the management personnel who must check the target facility from time to time is increased, and the efficiency may be reduced if the management personnel is not immediately checked for the problem of the target facility.

한국등록특허 제10-1812088호Korean Patent No. 10-1812088

본 발명은 상술된 문제점을 해결하기 위해 도출된 것으로서, 지속적인 관리 및 제어가 필요한 대상 설비에 대한 모니터링 데이터를 수집하고, 수집한 모니터링 데이터와 대상 설비의 요구 사항을 토대로 하여 딥 러닝 알고리즘을 이용해 제어 프로그램을 생성하며, 해당 대상 설비에 생성된 프로그램이 자동 적용되도록 함으로써 대상 설비 관리 및 제어를 자동화할 수 있는 딥 러닝 알고리즘을 이용한 설비 제어 시스템 및 방법을 제공하고자 한다.The present invention is derived to solve the above-mentioned problems, collects monitoring data for target facilities that require continuous management and control, and uses a deep learning algorithm to control program based on the collected monitoring data and the requirements of the target facility To provide a facility control system and method using a deep learning algorithm that can automate target facility management and control by creating

본 발명의 목적은 여기에 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The object of the present invention is not limited thereto, and other objects not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 시스템은 대상 설비에 대한 모니터링 데이터를 수집하는 설비 데이터 수집부, 상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 제어 코드 생성부, 상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 제어 프로그램 생성부 및 상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 제어 프로그램 전송부를 포함할 수 있다.A facility control system using a deep learning algorithm according to an embodiment of the present invention includes a facility data collection unit that collects monitoring data for a target facility, and a deep learning algorithm based on the collected monitoring data and requirements for the target facility. A control code generation unit that generates a control code using the control code generation unit, a control program generation unit that generates a control program for controlling the target facility based on the generated control code, and stores the generated control program, and the stored control program It may include a control program transmission unit for receiving and transmitting and applying to the target facility.

일 실시예에서, 상기 수집된 모니터링 데이터를 저장하는 데이터 베이스를 더 포함할 수 있다.In one embodiment, it may further include a database for storing the collected monitoring data.

일 실시예에서, 상기 대상 설비에 대한 요구 사항이 충족되지 않은 경우, 상기 설비 데이터 수집부, 제어 코드 생성부, 제어 프로그램 생성부 및 제어 프로그램 전송부를 통해 수행되는 전 과정을 상기 대상 설비에 대한 요구 사항이 충족될 때까지 반복하도록 제어하는 제어부를 더 포함할 수 있다.In one embodiment, when the requirements for the target facility are not met, the entire process performed through the facility data collection unit, control code generation unit, control program generation unit, and control program transmission unit requests the target facility It may further include a control unit for controlling to repeat until the item is satisfied.

일 실시예에서, 상기 설비 데이터 수집부는 PLC(Programmable Logic Controller)를 통해, 상기 대상 설비에 대한 모니터링 데이터를 실시간으로 수집할 수 있다.In an embodiment, the facility data collection unit may collect monitoring data for the target facility in real time through a programmable logic controller (PLC).

일 실시예에서, 상기 제어부는 상기 수집되는 모니터링 데이터를 실시간으로 외부에 전송하고, 외부로부터 전달되는 상기 대상 설비에 대한 요구 사항에 따라 상기 전 과정을 제어할 수 있다.In an embodiment, the control unit may transmit the collected monitoring data to the outside in real time, and control the entire process according to a requirement for the target facility transmitted from the outside.

일 실시예에서, 상기 모니터링 데이터에 포함되는 균형 감지 데이터를 생성하는 균형 감지부를 더 포함할 수 있다.In one embodiment, it may further include a balance detection unit for generating the balance detection data included in the monitoring data.

본 발명의 다른 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 방법은 설비 데이터 수집부를 통해 대상 설비에 대한 모니터링 데이터를 수집하는 단계, 제어 코드 생성부를 통해 상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 단계, 제어 프로그램 생성부를 통해 상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 단계 및 제어 프로그램 전송부를 통해 상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 단계를 포함할 수 있다.A facility control method using a deep learning algorithm according to another embodiment of the present invention includes collecting monitoring data for a target facility through a facility data collection unit, the monitoring data collected through a control code generation unit, and a request for the target facility Generating a control code using a deep learning algorithm based on the details, generating a control program for controlling the target facility based on the generated control code through a control program generating unit, and storing the generated control program and distributing the stored control program through a control program transmission unit, transmitting and applying the stored control program to the target facility.

일 실시예에서, 데이터 베이스를 통해 상기 수집된 모니터링 데이터를 저장하는 단계를 더 포함할 수 있다.In an embodiment, the method may further include storing the collected monitoring data through a database.

일 실시예에서, 상기 대상 설비에 대한 요구 사항이 충족되지 않은 경우, 상기 설비 데이터 수집부, 제어 코드 생성부, 제어 프로그램 생성부 및 제어 프로그램 전송부를 통해 수행되는 전 과정을 상기 대상 설비에 대한 요구 사항이 충족될 때까지 반복하도록 제어하는 반복 적용 단계를 더 포함할 수 있다.In one embodiment, when the requirement for the target facility is not met, the entire process performed through the facility data collection unit, control code generation unit, control program generation unit, and control program transmission unit requests the target facility It may further include an iterative application step of controlling to repeat until a condition is satisfied.

일 실시예에서, 상기 모니터링 데이터를 수집하는 단계는 PLC(Programmable Logic Controller)를 통해 상기 대상 설비에 대한 모니터링 데이터를 실시간으로 수집하는 단계를 포함할 수 있다.In an embodiment, the collecting of the monitoring data may include collecting the monitoring data for the target facility in real time through a programmable logic controller (PLC).

일 실시예에서, 상기 반복 적용 단계는 상기 수집되는 모니터링 데이터를 실시간으로 외부에 전송하고, 외부로부터 전달되는 상기 대상 설비에 대한 요구 사항에 따라 상기 전 과정을 제어하는 단계를 포함할 수 있다.In an embodiment, the repeating application step may include transmitting the collected monitoring data to the outside in real time, and controlling the entire process according to the requirements for the target facility transmitted from the outside.

일 실시예에서, 균형 감지부를 통해 상기 모니터링 데이터에 포함되는 균형 감지 데이터를 생성하는 단계를 더 포함할 수 있다.In an embodiment, the method may further include generating balance detection data included in the monitoring data through the balance detection unit.

본 발명의 다른 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 장치는 대상 설비에 대한 모니터링 데이터를 수집하는 설비 데이터 수집부, 딥 러닝 알고리즘을 이용하여, 상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 제어 코드를 생성하는 제어 코드 생성부 및 상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 제어 프로그램 생성부를 포함할 수 있다.A facility control device using a deep learning algorithm according to another embodiment of the present invention uses a facility data collection unit that collects monitoring data for a target facility, and a deep learning algorithm, the collected monitoring data and a request for the target facility It may include a control code generator for generating a control code based on the information, and a control program generator for generating a control program for controlling the target facility based on the generated control code, and storing the generated control program.

일 실시예에서, 상기 설비 데이터 수집부는 PLC(Programmable Logic Controller)를 통해 상기 대상 설비에 대한 모니터링 데이터를 실시간으로 수집할 수 있다.In an embodiment, the facility data collection unit may collect monitoring data for the target facility through a programmable logic controller (PLC) in real time.

본 발명의 일 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 시스템 및 방법은 지속적인 관리 및 제어가 필요한 대상 설비에 대한 모니터링 데이터를 수집하고, 수집한 모니터링 데이터와 대상 설비의 요구 사항을 토대로 하여 딥 러닝 알고리즘을 이용해 제어 프로그램을 생성하며, 해당 대상 설비에 생성된 프로그램이 적용되는 전 과정을 자동화 함으로써 대상 설비 관리 및 제어를 용이하게 할 수 있는 이점을 가진다.A facility control system and method using a deep learning algorithm according to an embodiment of the present invention collects monitoring data for a target facility that requires continuous management and control, and performs deep learning based on the collected monitoring data and the requirements of the target facility It creates a control program using an algorithm and has the advantage of facilitating the management and control of the target facility by automating the entire process of applying the generated program to the target facility.

도 1은 본 발명의 일 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 시스템(100)의 구성을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 균형 감지부(170)의 구성을 나타내는 정면도이다.
도 3은 본 발명의 일 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 시스템을 통한 설비 제어 과정을 설명하기 위한 순서도이다.1 is a block diagram showing the configuration of a facility control system 100 using a deep learning algorithm according to an embodiment of the present invention.
2 is a front view showing the configuration of the balance sensing unit 170 according to an embodiment of the present invention.
3 is a flowchart illustrating a facility control process through a facility control system using a deep learning algorithm according to an embodiment of the present invention.

본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.The present invention will be described in detail with reference to the accompanying drawings as follows. Here, repeated descriptions, well-known functions that may unnecessarily obscure the gist of the present invention, and detailed descriptions of configurations will be omitted. The embodiments of the present invention are provided in order to more completely explain the present invention to those of ordinary skill in the art. Accordingly, the shapes and sizes of elements in the drawings may be exaggerated for clearer description.

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.Throughout the specification, when a part "includes" a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated.

또한, 명세서에 기재된 "...부"의 용어는 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, the term "...unit" described in the specification means a unit that processes one or more functions or operations, which may be implemented as hardware or software or a combination of hardware and software.

도 1은 본 발명의 일 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 시스템(100)의 구성을 나타내는 블록도이다. 도 1을 살펴보면, 본 발명의 일 실시예에 따른 딥 러닝 알고리즘을 이용한 설비 제어 시스템(100)은 크게 설비 데이터 수집부(110), 제어 코드 생성부(120), 제어 프로그램 생성부(130) 및 제어 프로그램 전송부(140)를 포함하여 구성될 수 있다. 또한, 추가적으로 일 실시예에서 데이터 베이스(150), 제어부(160) 및 균형 감지부(170)를 더 포함하여 구성될 수 있다. 도 1에 도시된 딥 러닝 알고리즘을 이용한 설비 제어 시스템(100)은 일 실시예에 따른 것이고, 그 구성요소들이 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 구성요소가 부가, 변경 또는 삭제될 수 있다.1 is a block diagram showing the configuration of a facility control system 100 using a deep learning algorithm according to an embodiment of the present invention. Referring to FIG. 1 , a facility control system 100 using a deep learning algorithm according to an embodiment of the present invention includes a facility data collection unit 110 , a control code generation unit 120 , a control program generation unit 130 and It may be configured to include a control program transmission unit 140 . In addition, according to an embodiment, it may be configured to further include a database 150 , a control unit 160 , and a balance sensing unit 170 . The facility control system 100 using the deep learning algorithm shown in Fig. 1 is according to an embodiment, and its components are not limited to the embodiment shown in Fig. 1, and some components are added as necessary; may be changed or deleted.

설비 데이터 수집부(110)는 대상 설비에 대한 모니터링 데이터를 수집할 수 있다.The facility data collection unit 110 may collect monitoring data for a target facility.

여기에서, 모니터링 데이터는 상기 대상 설비에 대한 상태 및 환경을 나타내는 다양한 정보를 포함할 수 있다. 예를 들면, 대상 설비에 대한 작동 여부, 회전수, 온도, 기울기 및 습도 등의 정보를 포함할 수 있다.Here, the monitoring data may include various information indicating the state and environment of the target facility. For example, it may include information such as whether the target facility is operated, the number of rotations, temperature, slope, and humidity.

또한, 설비 데이터 수집부(110)는 PLC(Programmable Logic Controller)를 통해 상기 대상 설비에 대한 모니터링 데이터를 실시간으로 수집할 수 있다. 실시간으로 수집된 모니터링 데이터는 후술되는 제어부(160)의 제어를 통해 디스플레이 모니터 등의 출력 장치를 통해 외부로 보고될 수 있다.Also, the facility data collection unit 110 may collect monitoring data for the target facility in real time through a programmable logic controller (PLC). Monitoring data collected in real time may be reported to the outside through an output device such as a display monitor under the control of the controller 160, which will be described later.

제어 코드 생성부(120)는 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성할 수 있다. 상기 대상 설비에 대한 요구 사항은 대상 설비가 유지해야 하는 회전수, 온도, 기울기 및 습도 등의 상태 정보를 포함할 수 있다.The control code generator 120 may generate a control code using a deep learning algorithm based on the collected monitoring data and the requirements for the target facility. The requirements for the target facility may include state information such as the number of rotations, temperature, slope, and humidity that the target facility must maintain.

또한, 제어 코드 생성부(120)가 이용하는 딥 러닝 알고리즘은 파이브레인(Pybrain)이라는 파이썬 머신 러닝 라이브러리를 활용한 인공신경망이 포함될 수 있다.In addition, the deep learning algorithm used by the control code generator 120 may include an artificial neural network using a Python machine learning library called Pybrain.

제어 프로그램 생성부(130)는 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관할 수 있다.The control program generating unit 130 may generate a control program for controlling the target facility based on the generated control code, and store the generated control program.

제어 프로그램 전송부(140)는 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용할 수 있다.The control program transmission unit 140 may receive the stored control program and transmit and apply it to the target facility.

이러한 제어 프로그램의 배포를 관리하는 빌드 서버로서, 젠킨스(Jenkins)가 이용될 수 있다.As a build server that manages the distribution of such a control program, Jenkins may be used.

또한, 대상 설비로 제어 프로그램을 전송하는 수단으로서 와이파이, USB, 이더넷 등이 이용될 수 있다.In addition, Wi-Fi, USB, Ethernet, etc. may be used as a means for transmitting the control program to the target facility.

데이터 베이스(150)는 수집된 모니터링 데이터를 저장할 수 있다.The database 150 may store the collected monitoring data.

또한, 데이터 베이스(150)는 상기 PLC를 통해 실시간으로 수집되는 모니터링 데이터를 저장하고, 저장된 모니터링 데이터를 상술한 딥 러닝 알고리즘에 반영시킴으로써, 딥 러닝 알고리즘의 제어 코드 개발 과정을 최적화 시킬 수 있다.In addition, the database 150 can optimize the control code development process of the deep learning algorithm by storing the monitoring data collected in real time through the PLC and reflecting the stored monitoring data to the above-described deep learning algorithm.

제어부(160)는 대상 설비에 대한 요구 사항이 충족되지 않은 경우, 상기 설비 데이터 수집부(110), 제어 코드 생성부(120), 제어 프로그램 생성부(130) 및 제어 프로그램 전송부(140)를 통해 수행되는 전 과정을 상기 대상 설비에 대한 요구 사항이 충족될 때까지 반복하도록 제어할 수 있다.When the requirements for the target facility are not met, the control unit 160 controls the facility data collection unit 110 , the control code generation unit 120 , the control program generation unit 130 , and the control program transmission unit 140 . It can be controlled to repeat the entire process performed through the process until the requirements for the target facility are satisfied.

또한, 제어부(160)는 상기 수집되는 모니터링 데이터를 실시간으로 외부에 전송하고, 외부로부터 전달되는 상기 대상 설비에 대한 요구 사항에 따라 상기 전 과정을 제어할 수 있다.In addition, the controller 160 may transmit the collected monitoring data to the outside in real time, and control the entire process according to the requirements for the target facility transmitted from the outside.

상기 대상 설비에 대한 요구 사항은 지속적으로 변경될 수 있으며, 제어부(160)는 변경된 요구 사항을 적용해 제어 코드 생성부(120)를 제어함으로써, 변경된 요구 사항에 상응하도록 딥 러닝 알고리즘이 제어 코드를 생성하도록 할 수 있다.The requirements for the target equipment may be continuously changed, and the controller 160 controls the control code generator 120 by applying the changed requirements, so that the deep learning algorithm generates the control code to correspond to the changed requirements. can be made to create

균형 감지부(170)는 상기 모니터링 데이터에 포함되는 균형 감지 데이터를 생성할 수 있다.The balance detection unit 170 may generate balance detection data included in the monitoring data.

여기에서, 상기 균형 감지 데이터는 상기 대상 설비의 수직도 또는 기울기를 나타내는 정보를 포함할 수 있다.Here, the balance detection data may include information indicating the verticality or inclination of the target facility.

또한, 균형 감지부(170)에 대해서는 도 2를 참조하여 설명할 수 있다.Also, the balance sensing unit 170 may be described with reference to FIG. 2 .

도 2는 본 발명의 일 실시예에 따른 균형 감지부(160)의 구성을 나타내는 정면도이다.2 is a front view showing the configuration of the balance sensing unit 160 according to an embodiment of the present invention.

균형 감지부(170)는 상기 대상 설비에 부착될 수 있고, 내부가 빈 원형 실린더 형태로 형성되는 균형 감지부 케이스(171), 균형 감지부 케이스(171) 내부의 상단에서 반구형으로 돌출되는 회동 연결 링(172), 회동 연결 링(172)에 회동 가능하게 걸려 중력 방향으로 향하도록 회동될 수 있고 회동 연결 링(172)과 멀어지는 말단부 측으로 가까워 질수록 상대적으로 점차 커지도록 형성되는 회동체(173), 회동체(173)의 말단부에 배치되는 회동 마그넷(174), 균형 감지부 케이스(171)의 내부의 저면에 배치되어 회동체(173)에 매달려 회동되는 회동 마그넷(174)의 자력 변화를 감지하는 균형 감지 홀 센서(176) 및 균형 감지부 케이스(171)의 내부 하측면에 배치되어 회동체(173)에 매달려 회동되는 회동 마그넷(174)의 접촉을 감지할 수 있는 균형 감지 접촉 센서(175)를 포함할 수 있다.The balance sensing unit 170 may be attached to the target facility, and the balance sensing unit case 171 is formed in the form of a circular cylinder with an empty inside, and the balance sensing unit case 171 is a rotation connection protruding from the top in a hemispherical shape. The ring 172, the rotational connection ring 172, which is rotatably hooked on the rotational connection ring 172, can be rotated toward the direction of gravity, and the rotational connection ring 172 and the rotational connection ring 172 and the rotational body 173 that is formed to become relatively gradually larger as it gets closer to the distal end side. , A rotation magnet 174 disposed at the distal end of the rotation body 173, a rotation magnet 174 disposed on the bottom surface of the inside of the balance sensing unit case 171 to hang from the rotation body 173 and rotate to detect a change in magnetic force A balance sensing contact sensor 175 that can detect the contact of the rotating magnet 174 that is disposed on the inner lower side of the balance sensing hall sensor 176 and the balance sensing unit case 171 and is rotated by hanging from the rotating body 173 . ) may be included.

또한, 회동체(173)와 회동 마그넷(174)은 자중에 의해 상기 회동 연결 링(172)에 연결된 상태로 항상 중력 방향을 향하게 된다.In addition, the rotating body 173 and the rotating magnet 174 are always directed in the direction of gravity while being connected to the rotating connecting ring 172 by their own weight.

또한, 감지 효과를 증진하기 위하여, 균형 감지 홀 센서(176)는 균형 감지부 케이스(171)의 내부의 저면 상의 중앙과 그 양 측으로 일정 간격 이격되도록 세 개 이상 설치될 수 있다.In addition, in order to enhance the sensing effect, three or more balance sensing hall sensors 176 may be installed to be spaced apart from each other by a predetermined distance in the center and both sides of the bottom surface of the inside of the balance sensing unit case 171 .

대상 설비가 정상적인 자세를 유지하는 동안, 회동 마그넷(174)은 균형 감지 홀 센서(176) 중 중앙에 위치하는 센서에 의해 감지되는 상태를 유지한다.While the target facility maintains a normal posture, the rotating magnet 174 maintains a state detected by a sensor located in the center of the balance detection hall sensors 176 .

그러다가, 대상 설비가 임의로 기울어지기 시작하면, 대상 설비의 기울어지는 정도만큼 회동체(173)가 중력에 의해 회동되고, 회동 마그넷(174)의 위치가 변동됨에 따라 균형 감지 홀 센서(176)에 의해 감지되는 자력이 변화됨으로써 대상 설비의 기울기가 감지될 수 있다.Then, when the target facility starts to tilt arbitrarily, the rotating body 173 is rotated by gravity as much as the inclination degree of the target facility, and as the position of the rotating magnet 174 is changed, the balance detection hall sensor 176 is By changing the sensed magnetic force, the inclination of the target facility may be detected.

또한, 대상 설비가 최대값으로 기울어지면, 회동 마그넷(174)의 위치 변동에 따른 자력 변화 최대값이 균형 감지 홀 센서(176)에 의해 감지됨과 함께, 회동 마그넷(174)이 균형 감지 접촉 센서(175)와 접촉됨으로써, 상기 대상 설비의 최대 기울기가 감지될 수 있다.In addition, when the target facility is inclined to the maximum value, the maximum value of magnetic force change according to the position change of the rotating magnet 174 is detected by the balance sensing hall sensor 176, and the rotating magnet 174 is the balance sensing contact sensor ( 175), the maximum inclination of the target facility may be detected.

상기와 같은 구성을 통해 대상 설비의 기울기를 감지함으로써, 대상 설비의 임의적인 기울기가 신속하게 감지될 수 있다.By detecting the inclination of the target facility through the above configuration, an arbitrary inclination of the target facility can be quickly detected.

또한, 상기 과정에서 감지되는 대상 설비에 대한 기울기 정보는 상기 모니터링 데이터의 일부로서 설비 데이터 수집부(110)로 수집될 수 있다.In addition, the slope information on the target facility detected in the process may be collected by the facility data collection unit 110 as a part of the monitoring data.

다음으로는, 도 3을 통해 이러한 딥 러닝 알고리즘을 이용한 설비 제어 시스템(100)을 통한 설비 제어 과정을 살펴보기로 한다.Next, a facility control process through the facility control system 100 using such a deep learning algorithm will be described with reference to FIG. 3 .

도 3은 딥 러닝 알고리즘을 이용한 설비 제어 시스템을 통한 설비 제어 과정을 설명하기 위한 순서도이다.3 is a flowchart illustrating a facility control process through a facility control system using a deep learning algorithm.

도 3을 살펴보면, 먼저 설비 데이터 수집부를 통해서 모니터링 데이터가 수집된다. 상기 모니터링 데이터에는 균형 감지부가 생성하는 균형 감지 데이터가 포함될 수 있으며, 설비 데이터 수집부는 균형 감지 데이터 외 대상 설비에 대한 다양한 데이터를 포함하는 모니터링 데이터를 수집할 수 있다(S501).Referring to FIG. 3 , first, monitoring data is collected through a facility data collection unit. The monitoring data may include balance detection data generated by the balance detection unit, and the facility data collection unit may collect monitoring data including various data on a target facility in addition to the balance detection data (S501).

다음으로, 제어 코드 생성부를 통해서 제어 코드를 생성하게 되는데, 상기 제어 코드는 위 과정에서 수집된 모니터링 데이터와 대상 설비에 대한 요구 사항을 토대로 하여 딥 러닝 알고리즘을 이용해 생성할 수 있다(S502).Next, a control code is generated through the control code generator. The control code may be generated using a deep learning algorithm based on the monitoring data collected in the above process and the requirements for the target equipment (S502).

다음으로, 제어 프로그램 생성부를 통해서 생성된 제어 코드를 토대로 대상 설비를 제어하기 위한 제어 프로그램을 생성하며, 생성된 제어 프로그램은 대상 설비에 적용 결정되기 전까지 보관된다(S503).Next, a control program for controlling the target facility is generated based on the control code generated through the control program generating unit, and the generated control program is stored until application to the target facility is determined (S503).

다음으로, 제어 프로그램 전송부를 통해 보관되었던 제어 프로그램을 배포받아 대상 설비에 전송하여 적용시킨다(S504). 이러한 과정은 대상 설비에 대한 요구 사항이 충족될 때까지 반복될 수 있다.Next, the control program stored through the control program transmission unit is distributed, transmitted to the target facility, and applied (S504). This process can be repeated until the requirements for the target facility are met.

전술한 딥 러닝 알고리즘을 이용한 설비 제어 방법은 도면에 제시된 순서도를 참조로 하여 설명되었다. 간단히 설명하기 위하여 상기 방법은 일련의 블록들로 도시되고 설명되었으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 다른 블록들과 본 명세서에서 도시되고 기술된 것과 상이한 순서로 또는 동시에 일어날 수도 있으며, 동일한 또는 유사한 결과를 달성하는 다양한 다른 분기, 흐름 경로, 및 블록의 순서들이 구현될 수 있다. 또한, 본 명세서에서 기술되는 방법의 구현을 위하여 도시된 모든 블록들이 요구되지 않을 수도 있다.The facility control method using the above-described deep learning algorithm has been described with reference to the flowchart shown in the drawings. For simplicity, the method has been shown and described as a series of blocks, but the invention is not limited to the order of the blocks, and some blocks may occur with other blocks in a different order or at the same time as shown and described herein. Also, various other branches, flow paths, and orders of blocks may be implemented that achieve the same or similar result. Also, not all illustrated blocks may be required for implementation of the methods described herein.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that it can be done.

100: 딥 러닝 알고리즘을 이용한 설비 제어 시스템
110: 설비 데이터 수집부
120: 제어 코드 생성부
130: 제어 프로그램 생성부
140: 제어 프로그램 전송부
150: 데이터 베이스
160: 제어부
170: 균형 감지부
171: 균형 감지부 케이스
172: 회동 연결 링
173: 회동체
174: 회동 마그넷
175: 균형 감지 접촉 센서
176: 균형 감지 홀 센서100: facility control system using deep learning algorithm
110: equipment data collection unit
120: control code generator
130: control program generation unit
140: control program transmission unit
150: database
160: control unit
170: balance detection unit
171: balance sensor case
172: pivot connecting ring
173: moving body
174: rotating magnet
175: balance sensing touch sensor
176: balance detection hall sensor

Claims (14)

대상 설비에 대한 모니터링 데이터를 수집하는 설비 데이터 수집부;
상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 제어 코드 생성부;
상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 제어 프로그램 생성부;
상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 제어 프로그램 전송부; 및
상기 대상 설비에 대한 요구 사항이 충족되지 않은 경우, 상기 설비 데이터 수집부, 제어 코드 생성부, 제어 프로그램 생성부 및 제어 프로그램 전송부를 통해 수행되는 전 과정을 상기 대상 설비에 대한 요구 사항이 충족될 때까지 반복하도록 제어하는 제어부;
를 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 시스템.
a facility data collection unit that collects monitoring data for a target facility;
a control code generator for generating a control code using a deep learning algorithm based on the collected monitoring data and the requirements for the target facility;
a control program generator for generating a control program for controlling the target facility based on the generated control code and storing the generated control program;
a control program transmission unit for receiving distribution of the stored control program and transmitting and applying the stored control program to the target facility; and
When the requirements for the target facility are not satisfied, the entire process performed through the facility data collection unit, control code generation unit, control program generation unit, and control program transmission unit is performed when the requirements for the target facility are satisfied a control unit that controls to repeat until;
A facility control system using a deep learning algorithm, characterized in that it comprises a.
 제1항에 있어서,
상기 수집된 모니터링 데이터를 저장하는 데이터 베이스;를 더 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 시스템.
According to claim 1,
A facility control system using a deep learning algorithm, characterized in that it further comprises; a database for storing the collected monitoring data.
 삭제delete 대상 설비에 대한 모니터링 데이터를 수집하는 설비 데이터 수집부;
상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 제어 코드 생성부;
상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 제어 프로그램 생성부; 및
상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 제어 프로그램 전송부;를 포함하며,
상기 설비 데이터 수집부는,
PLC(Programmable Logic Controller)를 통해, 상기 대상 설비에 대한 모니터링 데이터를 실시간으로 수집하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 시스템.
a facility data collection unit that collects monitoring data for a target facility;
a control code generator for generating a control code using a deep learning algorithm based on the collected monitoring data and the requirements for the target facility;
a control program generator for generating a control program for controlling the target facility based on the generated control code and storing the generated control program; and
Includes; a control program transmission unit that receives the distribution of the stored control program, transmits and applies to the target facility;
The facility data collection unit,
A facility control system using a deep learning algorithm, characterized in that the monitoring data for the target facility is collected in real time through a programmable logic controller (PLC).
 제1항에 있어서,
상기 제어부는,
상기 수집되는 모니터링 데이터를 실시간으로 외부에 전송하고, 외부로부터 전달되는 상기 대상 설비에 대한 요구 사항에 따라 상기 전 과정을 제어하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 시스템.
According to claim 1,
The control unit is
A facility control system using a deep learning algorithm, characterized in that the collected monitoring data is transmitted to the outside in real time, and the entire process is controlled according to the requirements for the target facility transmitted from the outside.
 대상 설비에 대한 모니터링 데이터를 수집하는 설비 데이터 수집부;
상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 제어 코드 생성부;
상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 제어 프로그램 생성부;
상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 제어 프로그램 전송부; 및
모니터링 데이터에 포함되는 균형 감지 데이터를 생성하는 균형 감지부;
를 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 시스템.
a facility data collection unit that collects monitoring data for a target facility;
a control code generator for generating a control code using a deep learning algorithm based on the collected monitoring data and the requirements for the target facility;
a control program generator for generating a control program for controlling the target facility based on the generated control code and storing the generated control program;
a control program transmission unit for receiving distribution of the stored control program and transmitting and applying the stored control program to the target facility; and
a balance detection unit generating balance detection data included in the monitoring data;
A facility control system using a deep learning algorithm, characterized in that it comprises a.
 설비 데이터 수집부를 통해, 대상 설비에 대한 모니터링 데이터를 수집하는 단계;
제어 코드 생성부를 통해, 상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 단계;
제어 프로그램 생성부를 통해, 상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 단계;
제어 프로그램 전송부를 통해, 상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 단계; 및
상기 대상 설비에 대한 요구 사항이 충족되지 않은 경우, 상기 설비 데이터 수집부, 제어 코드 생성부, 제어 프로그램 생성부 및 제어 프로그램 전송부를 통해 수행되는 전 과정을 상기 대상 설비에 대한 요구 사항이 충족될 때까지 반복하도록 제어하는 반복 적용 단계;를 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 방법.
collecting monitoring data for a target facility through the facility data collection unit;
generating a control code using a deep learning algorithm based on the collected monitoring data and the requirements for the target facility through the control code generator;
generating a control program for controlling the target facility based on the generated control code through a control program generating unit, and storing the generated control program;
receiving the stored control program through a control program transmission unit, transmitting and applying the stored control program to the target facility; and
When the requirements for the target facility are not satisfied, the entire process performed through the facility data collection unit, control code generation unit, control program generation unit, and control program transmission unit is performed when the requirements for the target facility are satisfied A facility control method using a deep learning algorithm, comprising a; iterative application step of controlling to repeat up to.
 제7항에 있어서,
데이터 베이스를 통해, 상기 수집된 모니터링 데이터를 저장하는 단계;를 더 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 방법.
8. The method of claim 7,
Storing the collected monitoring data through a database; Facility control method using a deep learning algorithm, characterized in that it further comprises.
 삭제delete 설비 데이터 수집부를 통해, 대상 설비에 대한 모니터링 데이터를 수집하는 단계;
제어 코드 생성부를 통해, 상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 단계;
제어 프로그램 생성부를 통해, 상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 단계; 및
제어 프로그램 전송부를 통해, 상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 단계;를 포함하며,
상기 모니터링 데이터를 수집하는 단계는,
PLC(Programmable Logic Controller)를 통해, 상기 대상 설비에 대한 모니터링 데이터를 실시간으로 수집하는 단계;를 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 방법.
collecting monitoring data for a target facility through the facility data collection unit;
generating a control code using a deep learning algorithm based on the collected monitoring data and the requirements for the target facility through the control code generator;
generating a control program for controlling the target facility based on the generated control code through a control program generating unit, and storing the generated control program; and
Receives distribution of the stored control program through a control program transmission unit, transmitting and applying the stored control program to the target facility;
The step of collecting the monitoring data includes:
Through a PLC (Programmable Logic Controller), collecting monitoring data for the target facility in real time; A facility control method using a deep learning algorithm, comprising: a.
 제7항에 있어서,
상기 반복 적용 단계는,
상기 수집되는 모니터링 데이터를 실시간으로 외부에 전송하고, 외부로부터 전달되는 상기 대상 설비에 대한 요구 사항에 따라 상기 전 과정을 제어하는 단계;를 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 방법.
8. The method of claim 7,
The repeated application step is
Transmitting the collected monitoring data to the outside in real time, and controlling the entire process according to the requirements for the target facility transmitted from the outside; Facility control method using a deep learning algorithm, comprising: .
 설비 데이터 수집부를 통해, 대상 설비에 대한 모니터링 데이터를 수집하는 단계;
제어 코드 생성부를 통해, 상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 딥 러닝 알고리즘을 이용하여 제어 코드를 생성하는 단계;
제어 프로그램 생성부를 통해, 상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 단계;
제어 프로그램 전송부를 통해, 상기 보관된 제어 프로그램을 배포받아 상기 대상 설비에 전송 및 적용하는 단계; 및
균형 감지부를 통해, 상기 모니터링 데이터에 포함되는 균형 감지 데이터를 생성하는 단계;를 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 방법.
collecting monitoring data for a target facility through the facility data collection unit;
generating a control code using a deep learning algorithm based on the collected monitoring data and the requirements for the target facility through the control code generator;
generating a control program for controlling the target facility based on the generated control code through a control program generating unit, and storing the generated control program;
receiving the stored control program through a control program transmission unit, transmitting and applying the stored control program to the target facility; and
Generating the balance detection data included in the monitoring data through the balance detection unit; Facility control method using a deep learning algorithm, characterized in that it comprises a.
 대상 설비에 대한 모니터링 데이터를 수집하는 설비 데이터 수집부;
딥 러닝 알고리즘을 이용하여, 상기 수집되는 모니터링 데이터 및 상기 대상 설비에 대한 요구 사항을 토대로 제어 코드를 생성하는 제어 코드 생성부; 및
상기 생성된 제어 코드를 토대로 상기 대상 설비를 제어하기 위한 제어 프로그램을 생성하고, 상기 생성된 제어 프로그램을 보관하는 제어 프로그램 생성부;를 포함하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 프로그램 생성 장치.
a facility data collection unit that collects monitoring data for a target facility;
a control code generator for generating a control code based on the collected monitoring data and the requirements for the target facility by using a deep learning algorithm; and
Generating a control program for controlling the target facility based on the generated control code, and a control program generating unit for storing the generated control program; Generating a facility control program using a deep learning algorithm, characterized in that it comprises a Device.
 제13항에 있어서
상기 설비 데이터 수집부는,
PLC(Programmable Logic Controller)를 통해, 상기 대상 설비에 대한 모니터링 데이터를 실시간으로 수집하는 것을 특징으로 하는, 딥 러닝 알고리즘을 이용한 설비 제어 프로그램 생성 장치.
14. The method of claim 13
The facility data collection unit,
A facility control program generating device using a deep learning algorithm, characterized in that the monitoring data for the target facility is collected in real time through a programmable logic controller (PLC).
KR1020190081879A 2019-07-08 2019-07-08 System and method for controlling facility using deep learning algorithm KR102352362B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190081879A KR102352362B1 (en) 2019-07-08 2019-07-08 System and method for controlling facility using deep learning algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190081879A KR102352362B1 (en) 2019-07-08 2019-07-08 System and method for controlling facility using deep learning algorithm

Publications (2)

Publication Number Publication Date
KR20210006071A KR20210006071A (en) 2021-01-18
KR102352362B1 true KR102352362B1 (en) 2022-01-18

Family

ID=74237033

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190081879A KR102352362B1 (en) 2019-07-08 2019-07-08 System and method for controlling facility using deep learning algorithm

Country Status (1)

Country Link
KR (1) KR102352362B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018036888A (en) * 2016-08-31 2018-03-08 横河電機株式会社 Plant controller, plant control method, plant control program, and recording media

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101812088B1 (en) 2016-08-26 2017-12-26 (주)대성에스이 Remote control based Stereo Vision guided vehicle system for the next generation smart factory

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018036888A (en) * 2016-08-31 2018-03-08 横河電機株式会社 Plant controller, plant control method, plant control program, and recording media

Also Published As

Publication number Publication date
KR20210006071A (en) 2021-01-18

Similar Documents

Publication Publication Date Title
US20190287056A1 (en) Product tracking system
US11338436B2 (en) Assessing robotic grasping
EP3352952B1 (en) Networked robotic manipulators
CN106951221A (en) For the self-described diagnostic data presented on the mobile device
US20210096519A1 (en) Environment controller and method for inferring one or more commands for controlling an appliance taking into account room characteristics
US11747771B2 (en) Inference server and environment controller for inferring one or more commands for controlling an appliance taking into account room characteristics
EP3488309B1 (en) Method for testing an autonomous system
US10773901B2 (en) Rotary picker with arms
JP6546327B2 (en) A method of monitoring equipment by analyzing temperature values collected from a cylinder and distributed in a coordinate plane
CN111868758B (en) Information processing device, information processing method, and storage medium
US20170053047A1 (en) Programming automation sensor applications using simulation
US20210255611A1 (en) Augmented reality human machine interface testing
KR102352362B1 (en) System and method for controlling facility using deep learning algorithm
US10106335B2 (en) Rotary picker
CN104951055A (en) Method and device for setting operation mode of equipment
CN108502732A (en) A kind of various visual angles auxiliary operation tower crane method and system
US11249465B2 (en) Method, device and management system for checking a route for a mobile technical system in a building
CN108305346A (en) Equipment routing inspection method, apparatus
KR102040389B1 (en) Industrial controlling system using artificial intelligence and controlling method thereof
US20210104144A1 (en) Visible range detection system
US11188832B2 (en) Method and environment controller for validating a predictive model of a neural network through interactions with the environment controller
US11041644B2 (en) Method and environment controller using a neural network for bypassing a legacy environment control software module
WO2018168537A1 (en) Learning target apparatus and operating method
CN113165176A (en) Method and system for manufacturing an insulation member
CN103365219B (en) For monitoring the system and method with the object run equipment of control process control system

Legal Events

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