KR102355320B1 - 인공지능을 이용한 rfid 기반의 자재사용량 예측 및 자동발주 시스템 제공방법 - Google Patents

인공지능을 이용한 rfid 기반의 자재사용량 예측 및 자동발주 시스템 제공방법 Download PDF

Info

Publication number
KR102355320B1
KR102355320B1 KR1020210123677A KR20210123677A KR102355320B1 KR 102355320 B1 KR102355320 B1 KR 102355320B1 KR 1020210123677 A KR1020210123677 A KR 1020210123677A KR 20210123677 A KR20210123677 A KR 20210123677A KR 102355320 B1 KR102355320 B1 KR 102355320B1
Authority
KR
South Korea
Prior art keywords
parts
storage box
machine learning
learning model
information
Prior art date
Application number
KR1020210123677A
Other languages
English (en)
Inventor
최인식
Original Assignee
주식회사 피앤씨커머스
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 피앤씨커머스 filed Critical 주식회사 피앤씨커머스
Priority to KR1020210123677A priority Critical patent/KR102355320B1/ko
Application granted granted Critical
Publication of KR102355320B1 publication Critical patent/KR102355320B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10237—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the reader and the record carrier being capable of selectively switching between reader and record carrier appearance, e.g. in near field communication [NFC] devices where the NFC device may function as an RFID reader or as an RFID tag
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Factory Administration (AREA)

Abstract

본 발명은 부품주문업체서버에 의해 수행되는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법에 관한 것으로서, (a) 선반에 설치된 복수의 보관함 중 보관품목이 소진된 상기 보관함을 지정위치로 이동시키고, 해당 보관함정보를 획득하는 단계; (b) RFID리더로부터 서버가 상기 보관함정보를 수신하여 저장하고 기계학습모델을 생성하는 단계; (c) 상기 기계학습모델을 기반으로 주문데이터를 생성하여 저장하고, 부품공급업체서버로 제공하는 단계; 및 (d) 상기 부품공급업체서버가 상기 주문데이터를 기반으로 상기 보관품목을 주문하는 단계; 를 포함하는, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법에 관한 것이다.

Description

인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법{METHOD FOR PREDICTING RFID-BASED MATERIAL USAGE USING ARTIFICIAL INTELLIGENCE AND PROVIDING AUTOMATIC ORDER SYSTEM}
본 발명은 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법에 관한 것으로서, 보다 상세하게는, RFID수신기 및 리더기로 보관된 자재의 수량과 주문에 관한 정보를 수집하고 기계 학습하여 자재관리 및 자재 사용량 예측하여 자동으로 주문하는 것이다.
산업현장에서 자재관리는 관리대상품목의 수요의 성격이나 패턴에 따라 방법이 달라진다. 따라서 효율적인 자재 및 재고 관리를 위해서는 대상품목에 대한 수요가 확정적인지 혹은 불확정적인지 여부를 파악하여 한다.
수요가 확정적일 경우에는 시간의 흐름에 따라 수요가 일정함으로 소진되는 시간이 예측 가능하므로 안전재고의 보유가 필요 없고, 수요가 불확정적일 경우에는 안전재고의 보유가 필수적으로 필요하다.
따라서, 수요가 불확정적인 품목의 경우에는 최종부품의 공급수량에 필수적으로 의존하게 되는 반면, 수요가 확정적인 품목은 시장작용에 발생하는 수요이므로 수요예측이 반드시 필요하다.
특히, 근래의 산업현장은 종래의 작업자의 동선이 획일화되고 단순화된 작업장과는 다르게, 제품 제작에 활용되는 부품에 있어서 제조공정이 여러 단계로 나뉘어 있으며 일정규모이상의 작업장이라면 작업자의 동선을 반드시 고려하여 생산 및 공급성 증대를 꾀하여야 하므로 자재관리시스템이 필수적이다.
본 발명은 전술한 보다 진보된 자재관리 시스템을 제공하기 위한 것으로서, 근래 산업현장에서 필요로 하는 자재관리 시스템을 제안하는 것을 목적으로 한다.
이를 통해, 변화무쌍한 제조공정 내 변화를 최소화 하기 위한 효율적 공정 내 재고 관리 및 자재소모의 실시간 데이터 수집 및 평가가 가능하게 하며, 소비데이터 검토 및 정해진 시간마다 업데이트를 통해 항상 일정불변의 시스템 적용한다.
또한, 생산변동에 따른 조정을 가능하게 함으로써 제조 공정 내, 그리고 창고에 보관된 자재의 변동을 실시간 평가 및 주문하는 스마트 자재관리 시스템 및 그 방법을 제공하는 것을 지향한다.
나아가, 주문정보 및 입고정보를 학습하는 기계학습모델을 통하여 자재 및 부품의 미래수요를 예측하고 자동으로 주문하는 시스템을 제안한다.
본 발명이 해결하려는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시 예에 따르는 부품주문업체서버에 의해 수행되는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법 은, (a) 선반에 설치된 복수의 보관함 중 보관품목이 소진된 상기 보관함을 지정위치로 이동시키고, 해당 보관함정보를 획득하는 단계; (b) RFID리더로부터 서버가 상기 보관함정보를 수신하여 저장하고 기계학습모델을 생성하는 단계; (c) 상기 기계학습모델을 기반으로 주문데이터를 생성하여 저장하고, 부품공급업체서버로 제공하는 단계; 및 (d) 상기 부품공급업체서버가 상기 주문데이터를 수신하여 상기 보관품목을 발송하는 단계; 를 포함할 수 있다.
또한, 상기 보관함은 상기 보관품목 별로 용량이 정해진 것으로, 2개로 구비되어, 하나는 현재사용보관함인 것이고, 다른 하나는 예비보관함인 것으로써, 상기 현재사용보관함이 소진되는 경우, 상기 예비보관함이 상기 현재사용보관함의 역할을 수행할 수 있다.
또한, 상기 선반은 적어도 하나 이상의 상기 보관함을 지지하도록 구비되고, 확장부재를 설치하여 상기 보관함을 지지하는 공간을 확장할 수 있다.
또한, 상기 (a)단계는, 지정위치에 설치된 RFID리더가 상기 보관함의 RFID라벨을 스캔하는 단계; 및 상기 보관함정보를 상기 서버로 제공하는 단계;를 포함하고, 상기 보관함정보는 상기 보관함이 보관하고 있는 상기 보관품목에 대한 모델명, 부품명, 수량 및 기존 구매업체를 포함할 수 있다.
또한, 상기 (b)단계는, (b-1) 상기 보관함정보에 대응하는 부품주문업체와 부품공급업체와의 거리, 부품공급업체의 주문접수 이후 발송까지의 소요시간, 부품주문업체가 주문한 부품 종류에 대해서 부품공급업체가 주문한 부품의 불량율 및 수량미달율, 부품공급업체가 각 부품 별로 보유하고 있는 재고수량을 학습데이터 입력 값으로 설정하는 단계; 및 (b-2) 상기 학습데이터 입력 값을 학습하여 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하는 기계학습모델을 생성하고, 출력값으로 부품공급업체 별 평점정보를 생성하는 단계;를 포함하고, 상기 출력값은 학습데이터의 상기 입력값을 구성하는 각 항목 별로 기 설정된 가중치를 부여하여 산출되는 것이되, 상기 기계학습모델이 상기 입력값을 기 설정된 알고리즘에 따라 학습하여, 출력값으로 부품공급업체의 평점정보를 산출하는 것이며, 상기 기 설정된 가중치는 상기 기계학습모델의 학습결과에 따라 상기 기계학습모델이 자동으로 변경할 수 있으며, 각 가중치의 변경 결정은 상기 부품주문업체서버로부터 수신한 승인신호를 입력 받은 이후 변경일 수 있다.
또한, 상기 (c)단계는, 상기 보관품목에 대하여 상기 (b)단계에서 학습한 기계학습모델의 출력값에 기반하여 평점정보가 가장 높은 부품공급업체로 부품 주문을 요청하는 상기 주문데이터가 생성될 수 있다.
또한, 상기 주문데이터는, 상기 기계학습모델로의 학습데이터 중 입력값 및 출력값을 고려하여 주문할 부품종류 및 수량에 관한 정보를 포함할 수 있다.
또한, 상기 (c)단계는, 상기 보관품목에 대하여 상기 보관품목 별로 하나 씩 개별 주문하거나 상기 보관품목이 기 설정된 개수 이상 누적되는 경우, 상기 기 설정된 개수 이상 누적된 상기 보관품목을 모두 한번에 일괄주문 할 수 있다.
또한, 상기 (c)단계는, 상기 보관품목에 대하여 기 설정된 주기마다 주문하거나 상기 (a)단계가 수행될 때마다 주문할 수 있다.
본 발명의 일 실시 예에 따르는, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하는 부품주문업체서버는, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하기 위한 프로그램이 저장된 메모리; 및 상기 프로그램을 실행하기 위한 프로세서;를 포함하며, 상기 방법은, (a) 선반에 설치된 복수의 보관함 중 보관품목이 소진된 상기 보관함을 지정위치로 이동시키고, 해당 보관함정보를 획득하는 단계; (b) RFID리더로부터 서버가 상기 보관함정보를 수신하여 저장하고 기계학습모델을 생성하는 단계; (c) 상기 기계학습모델을 기반으로 주문데이터를 생성하여 저장하고, 부품공급업체서버로 제공하는 단계; 및 (d) 상기 부품공급업체서버가 상기 주문데이터를 기반으로 상기 보관품목을 주문하는 단계; 를 포함하는 것일 수 있다.
본 발명은 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템을 제공함으로써, 기존의 자재관리 방식보다 제조공정의 연속성을 고려하여 안전재고확보, 예비재고를 반영하여 제조공정 중 발생하는 부품의 소진을 방지하며, 필요이상으로 부품 재고가 쌓이는 것을 방지한다.
이를 통해, 제조공정과 부품수급이 원활하게 진행되게 하며 악성재고를 최소화하여 경비를 절감한다.
또한, 선반과 보관함을 구비하는 형식에 RFID 자동입출고 시스템을 제안함으로써, 기존 인력 및 시간을 대폭 줄일 수 있으며 실시간으로 변동성이 있는 생산라인에 자재 수량을 파악하여 자동주문 시스템까지 적용, 제조공장의 공급성, 원가 절감에 지대한 기여를 꾀할 수 있다.
나아가, 부품에 대한 주문과 입고에 관한 정보를 기반으로 기계학습모델을 생성하여, 자동화된 부품 주문 및 입고 시스템을 제공할 수 있다.
도1은 본 발명의 일 실시 예에 따르는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템에 대한 구조도 이다.
도2는 본 발명의 일 실시 예에 따르는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하는 서버의 구성을 나타내는 블록도이다.
도3a는 본 발명의 일 실시 예에 따르는 자재관리 시스템을 구성하는 선반의 예시도 이다.
도3b는 본 발명의 일 실시 예에 따르는 자재관리 시스템을 구성하는 보관함의 예시도 이다.
도4a는 본 발명의 일 실시 예에 따르는 기계학습모델의 학습데이터 입력값의 예시이다.
도4b는 본 발명의 일 실시 예에 따르는 기계학습모델의 학습데이터 출력값의 예시이다.
도5는 본 발명의 일 실시 예에 따르는 최적 재고 변수를 고려해 다음 주문 계획 수립에 반영하는 순서도이다.
도6는 본 발명의 일 실시 예에 따르는 경제적 주문량 모형의 예시도 이다.
도7은 본 발명의 일 실시 예에 따르는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법의 수행 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 "사용자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
본 발명의 일 실시 예에 따르는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법은 자재 및 부품에 대한 관리하며, 주문과 입고에 관한 정보를 기반으로 기계학습모델을 생성하여, 자동화된 부품 주문 및 입고 시스템을 제공하는 것을 목적으로 한다.
도1을 참조하면, 본 발명의 일 실시 예에 따르는, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템은 부품주문업체서버(100), 자재관리시스템(200), 및 부품공급업체서버(300)를 포함하여 구성될 수 있다.
자재관리시스템(200)은 적어도 하나 이상의 선반(210) 및 적어도 하나 이상의 보관함(220)이 결합되어 구성될 수 있다.
선반은(210) 적어도 하나 이상의 보관함(220)을 지지하도록 구비되고, 확장부재를 설치하여 보관함(220)을 지지하는 공간을 확장할 수 있고, 보관함(220)은 RFID 라벨이 부착된 것일 수 있다.
부품공급업체서버(300)는 부품주문업체서버(100)와 유무선으로 연결되어 통신하며, 주문데이터를 기반으로 보관품목을 부품주문업체서버로 주문하여 제공하는 기능을 수행한다.
도2를 참조하면, 본 발명의 일 실시 예에 따르는 부품주문업체서버(100)는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하는 프로그램(또는 애플리케이션)이 저장된 메모리와 위 프로그램을 실행하는 프로세서를 포함하여 구성될 수 있다. 여기서 프로세서는 메모리에 저장된 프로그램의 실행에 따라 다양한 기능을 수행할 수 있는데, 각 기능에 따라 프로세서에 포함되는 세부 구성요소들을 검색/색인부(110), 통신부(120), 기계학습모델관리부(130) 및 DB(140)로 나타낼 수 있으며, DB(140)는 메타정보 DB(141), 기계학습모델 DB(142), 평가정보 DB(143)를 더 포함할 수 있다.
이때, 메타정보는 기계학습모델에 활용되는 학습데이터 중 입력값을 의미하며, 본 발명의 또 다른 실시 예에 따르면, 메타정보는 학습데이터 중 출력값을 포함할 수 있다.
검색/색인부(110)는 메타정보, 즉 학습데이터 중 입력값을 기반으로 학습 중 또는 학습 완료된 기계학습모델을 검색하고 메타정보를 기반으로 검색된 적어도 하나 이상의 기계학습모델을 포함하는 기계학습모델 리스트를 생성할 수 있다.
통신부(120)는 기계학습모델관리부(130)의 요청에 따라 부품주문업체서버(100)에서 검색에 의해 요청된 기계학습모델 또는 기계학습모델 리스트를 전송할 수 있다.
기계학습모델관리부(130)는 부품주문업체서버(100)로부터 생성된 기계학습모델을 수신하여 기계학습모델이 메타정보를 이용하여 검색 가능하도록 데이터베이스화하여 관리하고, 부품주문업체서버(100)에서 요청한 기계학습모델을 검색/색인부(110)에서 메타정보를 이용하여 검색하도록 명령하고, 검색결과인 기계학습모델 리스트를 통신부(120)에서 전송하도록 명령한다.
본 발명의 일 실시 예에 따르면, 기계학습모델 리스트에는 검색결과로서 하나 이상의 기계학습모델이 포함될 수 있다. 각각의 기계학습모델은 학습 중 또는 학습이 완료된 기계학습모델을 포함하는 것으로써, 부품주문업체서버(100)로부터 저장되는 것일 수 있다.
본 발명의 추가 실시 예에 따르는 기계학습모델은 복수 개가 존재하여 서로 학습에 활용하는 입력값 및 출력값을 공유할 수 있으며, 이를 통해 학습의 전 과정에서의 모든 정보를 평균 및 분산 데이터로 생성하여 저장할 수 있다.
상술한 기계학습모델 간의 학습데이터 공유와 평균 및 분산데이터 저장 및 그 활용은 추후 더 자세히 서술하도록 한다.
메타정보 DB(141)는 기계학습모델의 검색을 위한 메타정보를 부품주문업체서버(100)로부터 기계학습모델과 함께 제공받아 각 기계학습모델에 대응하는 메타정보를 주기적으로 저장하고 검색/색인부(110)의 요청으로 특정 메타정보를 제공한다.
기계학습모델 DB(142)는 기계학습모델관리부(130)의 요청으로 부품주문업체서버(100)에서 수신한 기계학습모델을 포함하는 기계학습모델을 메타정보를 기반으로 검색 가능하게 설정할 수 있으며, 설정된 기계학습모델들을 주기적으로 갱신하여 저장한다.
평가정보 DB(143)는 기계학습모델의 출력값에 해당하는 평점정보를 저장하며, 기계학습모델관리부(130)의 요청으로 각각의 기계학습모델에 대응되는 평점정보를 해당 기계학습모델에 포함하여 저장할 수 있다.
이하에서, 본 발명의 일 실시 예에 따르는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법에 대하여 설명하도록 한다.
도3a를 참조하여, 작업자는 자재관리시스템(200)의 선반(210)에 설치된 복수의 보관함(220) 중 보관품목이 소진된 보관함(220)을 지정위치로 이동시킨다.
도3b를 참조하면, 본 발명의 일 실시 예에 따르는 보관함(220)은 보관품목 별로 용량이 정해진 것으로, 2개로 구비되어, 하나는 현재사용보관함, 다른 하나는 예비보관함인 것으로써, 현재사용보관함이 소진되는 경우, 현재사용보관함이 지정위치로 이동하여 RFID 스캔을 수행함에 따라, 예비보관함이 상기 현재사용보관함의 역할을 수행하여 안전재고를 보장할 수 있다.
지정위치에는 RFID(Radio Frequency IDentifier) 리더가 설치되어 있으며, 설치된 RFID리더가 이동된 보관함(220)의 RFID라벨을 스캔하여 보관함정보(400)를 획득한다.
이때, 보관함정보(400)는 보관함 식별정보, 보관함(220)이 보관함 식별정보, 보관함에 담긴 부품의 식별정보, 부품의 수량 및 기존 구매업체명을 포함할 수 있다.
이후, RFID리더는 부품주문업체서버(100)로 획득한 보관함정보(400)를 제공할 수 있다.
부품주문업체서버(100)는 RFID리더로부터 제공받은 보관함정보(400)를 저장하고 기계학습모델을 생성한다.
이때, 기계학습모델은 복수의 보관함정보(400)에 대하여 각 보관함정보(400)에 대응하는 부품주문업체와 부품공급업체와의 거리, 부품공급업체의 주문접수 이후 발송까지의 소요시간, 부품주문업체가 주문한 부품 종류에 대해서 부품공급업체가 주문한 부품의 불량율 및 수량미달율, 부품공급업체가 각 부품 별로 보유하고 있는 재고수량를 학습데이터 입력 값으로 설정할 수 있다.
이때, 부품주문업체가 주문한 부품 종류에 대해서 부품공급업체가 주문한 부품의 불량율은 부품주문업체가 A라는 부품을 B라는 부품공급업체에 주문하였을 시, 부품공급업체가 A부품에 대해 불량을 일으킨 비율을 말한다.
또한, 수량미달율은 부품주문업체가 C라는 부품을 D라는 부품공급업체에 주문하였을 시, 부품공급업체가 C부품에 대해 1회 주문한 이후 주문한 수량에 미달한 부품의 비율을 의미한다.
도4a를 참조하면, 본 발명의 일 실시 예에 따르는 기계학습모델의 입력값은, 보관함정보(400)에 대응하는 부품주문업체와 부품공급업체와의 거리, 부품공급업체의 주문접수 이후 발송까지의 소요시간, 부품주문업체가 주문한 부품 종류에 대해서 부품공급업체가 주문한 부품의 불량율 및 수량미달율, 부품공급업체가 각 부품 별로 보유하고 있는 재고수량을 포함하는 것으로써, 본 발명의 또 다른 실시 예에 따르면, 학습데이터의 입력값을 구성하는 각 항목 별로 기 설정된 가중치를 부여하여 산출되는 것일 수 있다.
본 발명의 일 실시 예에 따르는 기계학습모델은 상기 입력값을 기 설정된 알고리즘에 따라 학습하여, 출력값으로 부품공급업체의 평점정보를 산출할 수 있다.
예를 들어, 본 발명의 일 실시 예에 따르는 기계학습모델이 도4a에 도시된 바와 같은 입력값으로 학습하는 경우, 기계학습모델은 모델명, 부품명, 구매업체수, 기존 구매업체명, 평균사용량, 공급기간, 이전 평점정보 항목 별로 각 항목마다 기 설정된 가중치를 곱하거나 더하여, 비교 대상군 중 가장 높은 점수를 받은 부품공급업체를 10점으로 부여하고 이후, 가장 높은 점수 순으로 내림차순 반영하여 도4b에 도시된 바와 같이 출력값으로 평점정보를 산출할 수 있다.
부품주문업체서버(100) 는 도4b와 같이 산출된 평점정보를 기반으로 평점정보가 높은 업체에 해당하는 부품공급업체서버(300)로 주문을 요청할 수 있다.
또한, 산출된 평점정보는 기계학습모델의 출력값으로써, 기계학습모델 별로 구분되어 평가정보 DB(143)에 저장될 수 있다.
본 발명의 추가 실시 예에 따르면, 각 입력값 별로 기 설정된 가중치는 기계학습모델의 학습결과에 따라 기계학습모델이 스스로 변경할 수 있으며, 각 가중치의 변경 결정은 기계학습모델에서 수행될 수 있으나, 부품주문업체서버(100)로부터 수신한 승인신호를 입력 받은 이후 변경될 수 있다.
상술한 바와 같이, 부품주문업체서버(100)는 학습데이터 입력 값 및 추가 학습데이터 입력 값을 학습하여 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하는 기계학습모델을 생성하고, 기계학습모델의 학습결과에 기반하여 주문데이터를 생성한다.
주문데이터는, 기계학습모델로의 출력값인, 복수의 부품공급업체에 대한 평점정보 중 적어도 하나를 고려하여 평점정보가 높은 정도에 따라 평점점보가 가장 높은 부품공급업체에 주문하도록 생성될 수 있다.
다음으로, 부품주문업체서버(100)는 기계학습모델을 기반으로 생성된 주문데이터를 저장하고, 부품공급업체서버(300)로 제공하여 주문을 요청할 수 있다.
이하에서, 본 발명의 일 실시 예에 따르는 부품주문업체서버(100)의 기계학습모델이 특정 부품에 대한 수요를 예측하는 과정에 대하여 서술하도록 한다.
종래의 수요예측에는 다양한 방법이 사용되고 있는데, 대표적인 방법으로 실제 수요량과 예측하는 날의 요일, 리드타임 등 외부 영향 데이터를 변수로 한 전이함수를 이용한다.
리드타임은 주문일로부터 입고일까지의 기간까지의 소요시간을 의미하며, 본 발명에서는 기계학습모델의 학습데이터 및 메타정보가 리드타임을 포함할 수 있다.
전이함수는 현재 상태를 기반으로 출력 상태를 결정하는 함수로서, 현재 상태(실제 수요데이터)와 입력정보(외부영향 데이터에 해당)로 출력상태(예측 수요량)을 도출하고, 이 출력상태가 일정 패턴을 가져서 지난 과거의 현상을 반복하는 경우에 사용한다.
종래의 ARIMA모델을 이용하여 예측되는 값은 실측값과 조금씩 벗어나는 경우가 있고, 단순 사용으로 예측되는 값의 정확도가 다소 떨어지기 때문에, 본 발명의 기계학습모델은 이를 보완하기 위하여 지수평활법을 이용한 신뢰구간 측정 및 신경망모델과의 혼합한 Hybrid ARIMA 수요예측 모델을 활용할 수 있다.
따라서, 본 발명의 일 실시 예에 따르는 기계학습모델은 연간 재고유지비용과 주문비용의 합을 최소화하는 고정된 주문량을 알아내기 위해 사용될 수 있다.
이때, 정량주문 시 주문의 목표는 보유중인 재고량이 리드타임 동안의 수요를 충분히 만족시킬 수 있다고 판단되는 시점에 정확히 주문하는 것이다.
주문 시점 결정요인은 수요예측, 리드타임, 수요나 리드타임의 변동성 정도 및 경영자가 받아들일 수 있는 재고부족의 위험의 정도를 포함할 수 있다.
이때, 과거 부품공급업체의 출고데이터를 포함한 공급관리 데이터가 입수되었을 때 일반적인 통계분석에서 쓰이는 전처리 방법을 거친 후 시계열성을 제거한 지수평활법을 이용하여 수요예측값을 도출하여 ARIMA-딥러닝 하이브리드 수요예측 알고리즘에서 도출한 수요예측값의 평가를 도울 수 있다.
또한, 본 발명의 일 실시 예에 따르면, 전처리된 데이터 또는 수집된 보관함정보(400)에서 출고, 시간 데이터만 추출 후 ARIMA 예측값을 도출할 수 있으며, 이후 남은 데이터에서 Correlation 기법을 이용하여 상관관계가 높은 데이터를 추출할 수 있다.
상술한 바와 같은 작업을 통하여 예측 및 추출된 데이터가 병합되고 인공지능 네트워크에 들어가기 위하여 동일한 크기의 배치로 나뉠 수 있는데, 배치에는 여러 항목이 포함되며 각 항목에는 과거 출고데이터, ARIMA 예측값, 추출된 출고데이터와 상관관계가 높은 창고데이터가 들어갈 수 있다.
예를 들어, 기계학습모델이 2021년 6월까지의 출고 데이터를 감안하여 7월의 출고 데이터를 예측하기로 되어 있다고 하면, 첫 번째는 6월까지의 출고 데이터, ARIMA 모델을 통해 예측된 7월 매출 전망치, 추출된 출고 데이터와 상관관계가 높은 창고 데이터가 들어가게 된다.
이 모델을 통하여 우리는 비선형적인 분석은 물론, ARIMA가 예측하는 선형적인 가치 또한 포함할 수 있게 된다.
또한, 본 발명의 일 실시 예에 따르는 기계학습모델은 스스로 학습한 데이터에 대한 평가를 내릴 수 있다.
기계학습모델은 기 설정된 평가기준 값에 따라 기 설정된 오차범위만큼 신뢰구간을 설정하고, 학습한 데이터가 이 신뢰구간에 들어오지 않을 시 문제가 있다고 판단하는 경우, 해당 기계학습모델을 폐기하고 학습과정을 최초부터 재수행 할 수 있다.
이 작업이 필요한 이유는 중소기업의 경우 일반적으로 신뢰할 수 있는 데이터가 없고 있다고 하더라도 매출이 일정하지 않거나 일부의 기업이 매출에 큰 영향을 끼쳐 시계열 분석이 의미성을 많이 낮추기 때문이다.
도5는 본 발명의 일 실시예에 따라 최적 재고 변수를 고려해 다음 주문 계획 수립에 반영하는 순서도이다.
ARIMA 기법에서 이미 재고를 반영하고 재주문하는 점을 고려하였으나 실제 실행 값은 예상치와 늘 다를 수 밖에 없고, 그 차이를 다음 주문 계획을 반영할 때 추가로 최적 재고로 고려하면 보다 정확한 재고 및 손익 관리가 가능하고 예상치와 실행치의 차이를 최대한 줄이는 것이 가능할 수 있으며, 이것이 재고 운영의 새로운 지침이 될 수 있다.
ARIMA를 통해 기계학습모델이 주문 계획을 수립하고 수시로 변하는 시황을 반영하고 여기서 다루는 최적 재고 변수를 고려한 다음 번 주문 계획 수립에 반영하는 순서도는 도 5와 같이 표현될 수 있다.
도5에 도시된 바와 같이, 본 발명의 일 실시 예에 따르는 부품주문업체서버(100)는 ARIMA 기법으로 과거 주문계획을 작성하고, 예상 적정 재고를 기계학습모델에 기반하여 평가한다. 이후, 주문계획을 실시한 이후, 잔여 재고를 평가하여, 재고 변수를 조정함으로써, 이후 주문계획을 생성하는데 반영할 수 있다.
예를 들어, 다품종 소량 생산에 적합한 주문 예측 시뮬레이션의 경우, 본 발명의 일 실시 예에 따르는 기계학습모델은 다품종 소량 생산에 적합한 수정된 원료주문모델을 기반으로 합리적인 자재관리를 위한 데이터 시뮬레이션 예측 결과를 제시하여 중소기업의 의사결정 시점에서 지금까지의 실제 데이터를 기반으로 변수를 설정하고 향후 예측 가능 변수를 도출할 수 있다.
이를 통해, 기계학습모델은 재고부족위험도, 리드타임 변수, 안전재고 등의 설정에 따른 주문량의 예측 시뮬레이션 결과를 제시하고, 재고부족위험 및 서비스수준을 다르게 설정하면서 이에 대한 시뮬레이션 시각화 결과를 비교 분석하고, 각 설정 값에 따른 시뮬레이션 결과를 바탕으로 최적의 주문량과 주문 시점을 결정할 수 있다.
도6을 참조하면, 정량주문 시 주문의 목표는 보유중인 재고량이 리드타임 동안의 수요를 충분히 만족시킬 수 있다고 판단되는 시점에 정확히 주문하는 것이다.
따라서, 본 발명의 일 실시 예에 따르는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템은 도시된 바와 같이, 주문 이후 입고까지 안전재고를 보장함으로써 주문된 물품이 일정대로 도착하지 않아 지장이 생기는 일을 미연에 방지할 수 있다.
추가 실시 예로, 이하에서, 본 발명의 일 실시 예를 따르는 복수의 기계학습모델 간의 학습데이터 공유와 평균 및 분산데이터 저장 및 그 활용에 대하여 설명하도록 한다.
본 발명의 일 실시 예에 따르면, 본 발명의 부품주문업체서버(100)는 학습한 기계학습 모델 또는 학습 중인 기계학습모델을 DB(140)의 기계학습모델DB(142)에 저장할 수 있으며, 저장된 복수의 기계학습모델은 입력 및 출력값을 포함하는 학습데이터를 공유할 수 있으며, 공유한 학습데이터를 기계학습모델에 반영할 수 있다.
이때, 평균 및 분산데이터를 활용하는 방식으로 기계학습모델에 공유된 학습데이터가 반영될 수 있다.
일반적인 딥 러닝 알고리즘은 때로 오차가 크거나 틀린 결과를 도출했음에도 결과를 과도하게 신뢰하는 문제점이 있다.
더욱이 Regression 문제는 보통 단일 값으로 결과를 도출하기 때문에 결과에 대한 신뢰도를 얻기조차 쉽지 않다.
본 발명은 이러한 문제들을 해결하기 위해 Deep Ensemble Technique for Obtaining the Predictive Uncertainty에서 제안한 Deep Ensemble기법을 도입하여 네트워크가 결과와 함께 결과에 대한 불확실도(Uncertainty)를 도출할 수 있다.
즉, 같은 구조를 가진 5개의 뉴럴네트워크 기반의 서로 다른 기계학습모델은 입력값을 상술한 "보관함정보(400) 별 부품주문업체와 부품공급업체와의 거리, 부품공급업체의 주문접수 이후 발송까지의 소요시간, 부품주문업체가 주문한 부품 종류에 대해서 부품공급업체가 주문한 부품의 불량율 및 수량미달율, 부품공급업체가 각 부품 별로 보유하고 있는 재고수량"로 설정하고, 출력값을 상술한 "평점정보"으로 설정하여 각기 학습을 수행할 수 있다.
이후, 5개 기계학습모델이 출력한 출력값의 평균과 분산을 산출하도록 설계하여, 기계학습모델의 최종 결과, 즉, 출력값의 평균(Final mean)과 분산(Final variance)을 각 기계학습모델이 구성하는 네트워크의 평균과 분산을 통해 유도할 수 있다.
Figure 112021107379262-pat00001
N은 Ensemble Network의 개수, x는 기계학습모델이 구성하는 네트워크의 입력값을 의미한다.
일반적인 딥 러닝 Regression 문제에서는 loss function으로 오차 제곱 평균함수(MSE Function)를 사용하지만, 본 발명에서는 각 기계학습모델이 구성하는 네트워크의 최종 평균과 분산을 동시에 학습시키기 위해 Negative Log Likelihood(NLL)가 기계학습모델이 구성하는 네트워크의 loss function으로 사용될 수 있다.
즉, 딥러닝 기법은 컴퓨터가 신경망 내 각 레이어의 가중치를 찾아가는 과정이라 볼 수 있는데, 임의의 입력값을 대입한 결과값과 실제 사용자가 입력한 출력값의 차이를 최대한 줄이는 방향으로 입력값을 대입하게 되며, 이때의 차이를 loss라고 한다. 이러한 loss를 줄이는 방향으로 학습을 진행할 때, 각기 다른 loss function이 적용될 수 있는 본 발명의 일 실시예에서는, NLL 기법을 적용할 수 있다.
이러한 방법을 통해, 본 발명의 일 실시 예에 따르는 기계학습모델은 데이터의 변동성에 따른 구간 예측의 결과를 도출함으로써, 평균 및 분산데이터를 활용하는 방식으로 기계학습모델에 공유된 학습데이터가 반영할 수 있다.
또한, 각 업체의 규모(직원수 또는 공장 면적, 공장내 기계의 개수 등), 사업분야에 대한 정보를 수집하고, 유사한 규모(즉, 기설정된 차이값 이내를 갖는 규모)의 업체들의 실제 주문량과 주문의뢰한 부품공급업체의 식별정보들을 업체별로 비교할 수 있다.
이때, 실제 주문량의 차이가 서로 크게 나는 업체들을 두 개 이상 찾아내고, 찾아진 업체들 중 주문량이 많은 업체에게 다른 업체의 주문량이나 다른 업체가 주문의뢰한 부품공급업체의 식별정보를 제공함으로써, 동종업계의 타업체에 비하여 얼마나 많은 량을 소비하고 있는지, 어느 부품공급업체에서 주문의뢰하고 있는지를 안내할 수 있다. 이로써, 해당 업체의 관리자에게 업무효율성 저하나 불필요한 부품 소진 등은 없는지를 알려줄 수 있다.
상술한 바와 같은 과정을 통해 생성된 주문데이터를 기반으로 부품주문업체서버(100)는 보관품목을 부품공급업체서버(300)로 주문한다.
이때, 부품주문업체서버(100)는 보관품목에 대하여 상기 보관품목 별로 하나씩 주문하여 개별주문하거나 상기 보관품목이 기 설정된 개수 이상 누적되는 경우, 상기 기 설정된 개수 이상 누적된 상기 보관품목을 모두 한번에 일괄주문 할 수 있다.
또는, 보관품목에 대하여 기 설정된 주기마다 주문하거나 지정위치에서 RFID라벨이 스캔될 때마다 주문할 수 있다.
이하에서 도7을 참조하여, 본 발명의 일 실시 예에 따르는, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법의 수행 순서에 대하여 설명하도록 한다.
먼저, 자재관리시스템(200)의 선반(210)에 설치된 복수의 보관함(220) 중 보관품목이 소진된 보관함(220)을 지정위치로 이동시키고, 해당보관함의 RFID라벨을 스캔하여 보관함정보(400)를 획득한다(S101).
부품주문업체서버(100)는 RFID리더로부터 보관함정보(400)를 수신하여 저장하고, 기계학습모델을 생성한다(S102).
부품주문업체서버(100)는 기계학습모델을 기반으로 주문데이터를 생성하여 저장하고, 부품공급업체서버(300)로 제공한다(S103).
부품공급업체서버(300)가 주문데이터를 기반으로 부품주문업체로 보관품목을 발송한다(S104).
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 부품주문업체서버 110: 검색/색인부
120: 통신부 130: 기계학습모델관리부
140: DB 141: 메타정보DB
142: 기계학습모델DB 143: 평가정보DB
200: 자재관리시스템 210: 선반
220: 보관함 300: 부품공급업체서버
400: 보관함정보(400)

Claims (10)

  1. 부품주문업체서버에 의해 수행되는 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법에 있어서,
    (a) 선반에 설치된 복수의 보관함 중 보관품목이 소진된 상기 보관함을 지정위치로 이동시키고, 해당 보관함정보를 획득하는 단계로서,상기 보관함은 상기 보관품목 별로 용량이 정해진 것으로, 2개로 구비되어, 하나는 현재사용보관함인 것이고, 다른 하나는 예비보관함인 것으로써, 상기 현재사용보관함이 소진되는 경우, 상기 예비보관함이 상기 현재사용보관함의 역할을 수행하는 것이고, 상기 선반은 적어도 하나 이상의 상기 보관함을 지지하도록 구비되고, 확장부재를 설치하여 상기 보관함을 지지하는 공간을 확장하는 것인, 단계;
    (b) RFID리더로부터 상기 보관함정보를 수신하여 저장하고, 상기 보관함정보에 대응하는 입력값과 출력값을 기초로 복수의 기계학습모델을 생성하는 단계;
    (c) 상기 복수의 기계학습모델을 통하여 도출된 결과값을 기반으로 주문할 부품종류 및 수량에 관한 정보를 포함하는 주문데이터를 생성하여 저장하고, 부품공급업체서버로 제공하는 단계; 및
    (d) 상기 부품주문업체서버가 ARIMA 기법으로 과거 주문계획 정보를 생성하고, 기계학습모델에 기반하여 예상 적정 재고를 평가하여 재고 변수를 조정함으로써, 이후 주문계획을 생성하는데에 반영하는 단계; 를 포함하고,
    상기 (b)단계는,
    (b-1) 상기 보관함정보에 대응하는 부품주문업체와 부품공급업체와의 거리, 부품공급업체의 주문접수 이후 발송까지의 소요시간, 부품주문업체가 주문한 부품 종류에 대해서 부품공급업체가 주문한 부품의 불량율 및 수량미달율, 부품공급업체가 각 부품 별로 보유하고 있는 재고수량을 상기 입력 값으로 설정하되, 상기 입력 값을 구성하는 각 항목 별로 기 설정된 가중치를 부여하고, 부품공급업체 별 평점정보를 출력 값으로 설정하여 학습을 수행하는 단계;
    (b-2) 상기 (b-1) 단계의 입력값과 출력값을 서로 다른 5개의 기계학습모델을 통해 학습하고, 각 기계학습모델에서 출력한 출력값의 평균과 분산을 산출하는 단계; 및
    (b-3) 상기 기계학습모델에 대하여 기 설정된 평가기준 값에 따라 기 설정된 오차범위만큼 신뢰구간을 설정하고, 상기 기계학습모델이 학습한 데이터가 상기 신뢰구간에 들어오지 않는 경우, 해당 기계학습모델을 폐기하고 학습과정을 최초부터 재수행하는 단계;를 포함하고,
    상기 (c)단계는,
    상기 보관품목에 대하여 기계학습모델에서 출력한 출력 값인 평점정보가 가장 높은 부품공급업체로 부품 주문을 요청하는 상기 주문데이터가 생성되고, 상기 보관품목에 대하여 상기 보관품목 마다 하나 씩 개별 주문하거나 상기 보관품목이 기 설정된 개수 이상 누적되는 경우, 상기 기 설정된 개수 이상 누적된 상기 보관품목을 모두 한번에 일괄주문 하되, 상기 보관품목에 대하여 수요예측 값, 리드타임 값 및 상기 수요예측 값이나 상기 리드타임 값의 변동성 정도에 대한 값을 통하여 결정되는 주기마다 주문하는 단계를 포함하고,
    상기 (c) 단계 이후, 직원수 또는 공장 면적 및 공장내 기계의 개수를 포함하는 복수의 부품주문업체의 규모 정보를 수집하고, 규모가 기 설정된 차이 값 이내인 복수의 부품주문업체의 실제 주문량을 비교하여, 상기 실제 주문량의 차이가 가장 큰 부품주문업체를 두 개 이상 찾아내고, 해당 부품주문업체 중 상기 실제 주문량이 많은 부품주문업체에게 다른 부품주문업체의 상기 실제 주문량 및 상기 다른 부품주문업체가 주문의뢰한 부품공급업체의 식별정보를 제공하는 것이고,
    상기 기 설정된 가중치는, 상기 기계학습모델의 학습결과에 따라 상기 기계학습모델에서 자동으로 변경될 수 있으며, 각 가중치의 변경 결정은 상기 기계학습모델에서 수행되거나, 상기 부품주문업체서버로부터 수신한 승인신호를 입력받은 이후, 변경되는 것인, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 (a)단계는,
    지정위치에 설치된 RFID리더가 상기 보관함의 RFID라벨을 스캔하는 단계; 및
    상기 보관함정보를 상기 서버로 제공하는 단계;를 포함하고,
    상기 보관함정보는 상기 보관함이 보관하고 있는 상기 보관품목에 대한 모델명, 부품명, 수량 및 기존 구매업체를 포함하는 것인, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하는 부품주문업체서버에 있어서,
    인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하기 위한 프로그램이 저장된 메모리; 및
    상기 프로그램을 실행하기 위한 프로세서;를 포함하며,
    상기 방법은,
    (a) 선반에 설치된 복수의 보관함 중 보관품목이 소진된 상기 보관함을 지정위치로 이동시키고, 해당 보관함정보를 획득하는 단계로서,상기 보관함은 상기 보관품목 별로 용량이 정해진 것으로, 2개로 구비되어, 하나는 현재사용보관함인 것이고, 다른 하나는 예비보관함인 것으로써, 상기 현재사용보관함이 소진되는 경우, 상기 예비보관함이 상기 현재사용보관함의 역할을 수행하는 것이고, 상기 선반은 적어도 하나 이상의 상기 보관함을 지지하도록 구비되고, 확장부재를 설치하여 상기 보관함을 지지하는 공간을 확장하는 것인, 단계;
    (b) RFID리더로부터 상기 보관함정보를 수신하여 저장하고, 상기 보관함정보에 대응하는 입력값과 출력값을 기초로 복수의 기계학습모델을 생성하는 단계;
    (c) 상기 복수의 기계학습모델을 통하여 도출된 결과값을 기반으로 주문할 부품종류 및 수량에 관한 정보를 포함하는 주문데이터를 생성하여 저장하고, 부품공급업체서버로 제공하는 단계; 및
    (d) 상기 부품주문업체서버가 ARIMA 기법으로 과거 주문계획 정보를 생성하고, 기계학습모델에 기반하여 예상 적정 재고를 평가하여 재고 변수를 조정함으로써, 이후 주문계획을 생성하는데에 반영하는 단계; 를 포함하고,
    상기 (b)단계는,
    (b-1) 상기 보관함정보에 대응하는 부품주문업체와 부품공급업체와의 거리, 부품공급업체의 주문접수 이후 발송까지의 소요시간, 부품주문업체가 주문한 부품 종류에 대해서 부품공급업체가 주문한 부품의 불량율 및 수량미달율, 부품공급업체가 각 부품 별로 보유하고 있는 재고수량을 상기 입력 값으로 설정하되, 상기 입력 값을 구성하는 각 항목 별로 기 설정된 가중치를 부여하고, 부품공급업체 별 평점정보를 출력 값으로 설정하여 학습을 수행하는 단계;
    (b-2) 상기 (b-1) 단계의 입력값과 출력값을 서로 다른 5개의 기계학습모델을 통해 학습하고, 각 기계학습모델에서 출력한 출력값의 평균과 분산을 산출하는 단계; 및
    (b-3) 상기 기계학습모델에 대하여 기 설정된 평가기준 값에 따라 기 설정된 오차범위만큼 신뢰구간을 설정하고, 상기 기계학습모델이 학습한 데이터가 상기 신뢰구간에 들어오지 않는 경우, 해당 기계학습모델을 폐기하고 학습과정을 최초부터 재수행하는 단계;를 포함하고,
    상기 (c)단계는,
    상기 보관품목에 대하여 기계학습모델에서 출력한 출력 값인 평점정보가 가장 높은 부품공급업체로 부품 주문을 요청하는 상기 주문데이터가 생성되고, 상기 보관품목에 대하여 상기 보관품목 마다 하나 씩 개별 주문하거나 상기 보관품목이 기 설정된 개수 이상 누적되는 경우, 상기 기 설정된 개수 이상 누적된 상기 보관품목을 모두 한번에 일괄주문 하되, 상기 보관품목에 대하여 수요예측 값, 리드타임 값 및 상기 수요예측 값이나 상기 리드타임 값의 변동성 정도에 대한 값을 통하여 결정되는 주기마다 주문하는 단계를 포함하고,
    상기 (c) 단계 이후, 직원수 또는 공장 면적 및 공장내 기계의 개수를 포함하는 복수의 부품주문업체의 규모 정보를 수집하고, 규모가 기 설정된 차이 값 이내인 복수의 부품주문업체의 실제 주문량을 비교하여, 상기 실제 주문량의 차이가 가장 큰 부품주문업체를 두 개 이상 찾아내고, 해당 부품주문업체 중 상기 실제 주문량이 많은 부품주문업체에게 다른 부품주문업체의 상기 실제 주문량 및 상기 다른 부품주문업체가 주문의뢰한 부품공급업체의 식별정보를 제공하는 것이고,
    상기 기 설정된 가중치는, 상기 기계학습모델의 학습결과에 따라 상기 기계학습모델에서 자동으로 변경될 수 있으며, 각 가중치의 변경 결정은 상기 기계학습모델에서 수행되거나, 상기 부품주문업체서버로부터 수신한 승인신호를 입력받은 이후, 변경되는 것인, 인공지능을 이용한 RFID 기반의 자재사용량 예측 및 자동발주 시스템 제공방법을 수행하는 서버.
KR1020210123677A 2021-09-16 2021-09-16 인공지능을 이용한 rfid 기반의 자재사용량 예측 및 자동발주 시스템 제공방법 KR102355320B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210123677A KR102355320B1 (ko) 2021-09-16 2021-09-16 인공지능을 이용한 rfid 기반의 자재사용량 예측 및 자동발주 시스템 제공방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210123677A KR102355320B1 (ko) 2021-09-16 2021-09-16 인공지능을 이용한 rfid 기반의 자재사용량 예측 및 자동발주 시스템 제공방법

Publications (1)

Publication Number Publication Date
KR102355320B1 true KR102355320B1 (ko) 2022-02-08

Family

ID=80252223

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210123677A KR102355320B1 (ko) 2021-09-16 2021-09-16 인공지능을 이용한 rfid 기반의 자재사용량 예측 및 자동발주 시스템 제공방법

Country Status (1)

Country Link
KR (1) KR102355320B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102509392B1 (ko) * 2022-06-15 2023-03-14 주식회사 광덕철강 뉴럴 네트워크를 이용하여 서버가 품목별 예측 주문량에 따라 원자재 요청 메시지를 전송하는 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120017262A (ko) * 2010-08-18 2012-02-28 케어캠프 주식회사 재고 물품의 수량 관리 장치 및 방법
KR20130082528A (ko) * 2011-12-07 2013-07-22 삼성에스디에스 주식회사 창고 관리 시스템 및 창고 관리 방법
KR20190130195A (ko) * 2018-04-19 2019-11-22 조진성 실시간 매장 재고 관리 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120017262A (ko) * 2010-08-18 2012-02-28 케어캠프 주식회사 재고 물품의 수량 관리 장치 및 방법
KR20130082528A (ko) * 2011-12-07 2013-07-22 삼성에스디에스 주식회사 창고 관리 시스템 및 창고 관리 방법
KR20190130195A (ko) * 2018-04-19 2019-11-22 조진성 실시간 매장 재고 관리 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102509392B1 (ko) * 2022-06-15 2023-03-14 주식회사 광덕철강 뉴럴 네트워크를 이용하여 서버가 품목별 예측 주문량에 따라 원자재 요청 메시지를 전송하는 방법 및 장치

Similar Documents

Publication Publication Date Title
Kang et al. A Hierarchical structure of key performance indicators for operation management and continuous improvement in production systems
JP6564916B2 (ja) インテリジェント倉庫保管管理方法、装置、システム、及び無人インテリジェント倉庫保管機器
CN101639687B (zh) 一种集成化工艺质量控制系统及其实现方法
CN110910060B (zh) 一种染化料消耗模型的自动控制管理系统
AU2015282362A1 (en) Power distribution transformer load prediction analysis system
KR102297955B1 (ko) 컴퓨터 구현 인공 지능 배치 픽업 최적화 및 통신을 위한 시스템 및 방법
Deng et al. A Deep Learning‐Based Inventory Management and Demand Prediction Optimization Method for Anomaly Detection
CN116843156A (zh) 一种装配式建筑构件的供应链管理与控制方法
Keskin et al. Production/distribution system design with inventory considerations
CN110826980A (zh) 一种基于云平台的erp系统及其运行方法
KR20230115970A (ko) 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법
KR102355320B1 (ko) 인공지능을 이용한 rfid 기반의 자재사용량 예측 및 자동발주 시스템 제공방법
KR20210109499A (ko) 데이터의 동적 집계와 데이터 손실의 최소화를 위한 시스템 및 방법
Sihotang Optimization of Inventory Ordering Decision in Retail Business using Exponential Smoothing Approach and Decision Support System
US11334847B2 (en) Systems and methods for dynamic balancing of virtual bundles
Zhang et al. Big data-enabled intelligent synchronisation for the complex production logistics system under the opti-state control strategy
CN113592378A (zh) 一种大型复杂设备的bom构建方法及其管理系统
CN116308494A (zh) 供应链需求预测方法
KR102340179B1 (ko) 머신러닝 기반 수요예측을 이용한 피킹 로케이션 보충 서비스 제공 방법
Zheng et al. Big data analytics in flexible supply chain networks
US11393002B2 (en) Transaction system, method, and medium
US11315201B2 (en) Intelligent bill of materials advisor
CN101499147A (zh) 产品生命周期管理系统及其方法
Ramakrishnan et al. Adaptive Supply Chain Systems: IoT Based Conceptual Framework
CN112036789B (zh) 基于仓储数据的薪资统计方法、装置、计算机设备

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant