KR102375880B1 - Estimate and blueprint prediction system in manufacturing process based on artificial intelligence model - Google Patents

Estimate and blueprint prediction system in manufacturing process based on artificial intelligence model Download PDF

Info

Publication number
KR102375880B1
KR102375880B1 KR1020210118380A KR20210118380A KR102375880B1 KR 102375880 B1 KR102375880 B1 KR 102375880B1 KR 1020210118380 A KR1020210118380 A KR 1020210118380A KR 20210118380 A KR20210118380 A KR 20210118380A KR 102375880 B1 KR102375880 B1 KR 102375880B1
Authority
KR
South Korea
Prior art keywords
data
drawing data
estimate
input
final
Prior art date
Application number
KR1020210118380A
Other languages
Korean (ko)
Inventor
이지훈
Original Assignee
이지훈
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 이지훈 filed Critical 이지훈
Application granted granted Critical
Publication of KR102375880B1 publication Critical patent/KR102375880B1/en

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

Disclosed is an estimate and blueprint calculation system in a manufacturing process based on an artificial intelligence (AI) model, which performs an estimation process reasonably and quickly. According to one aspect of the technical idea of the present invention, a method comprises the following steps: receiving at least one of initial drawing data for a product, environmental factors occurring in a manufacturing process of the product, initial estimate data for the product, final drawing data changed according to the environmental factors, final estimate data changed according to the environmental factors, and part data including part information of the product on the basis of the final estimate data and the final estimate data; tagging the final drawing data to the initial drawing data and tagging the final estimate data to the initial estimate data; and learning relationship between the initial drawing data and the final drawing data and relationship between the initial estimate data and the final estimate data through an AI model.

Description

인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템{ESTIMATE AND BLUEPRINT PREDICTION SYSTEM IN MANUFACTURING PROCESS BASED ON ARTIFICIAL INTELLIGENCE MODEL}ESTIMATE AND BLUEPRINT PREDICTION SYSTEM IN MANUFACTURING PROCESS BASED ON ARTIFICIAL INTELLIGENCE MODEL

본 개시의 기술적 사상은 견적 및 설계도 산출 시스템에 관한 것으로서, 상세하게는 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템에 관한 것이다.The technical idea of the present disclosure relates to an estimate and design calculation system, and more particularly, to an estimate and design calculation system in an artificial intelligence model-based manufacturing process.

이 부분에 기술된 내용은 단순히 본 발명의 일 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section merely provides background information on an embodiment of the present invention and does not constitute the prior art.

산업의 디지털화가 빠르게 진행됨에 따라, 스마트 공장의 필요성이 대두되었다. 스마트 공장이란, 소비자 중심의 지능화된 공장을 의미한다. 구체적으로 각 공정을 모듈화하여 하나의 생산라인에서도 고객의 니즈에 따라 유기적 및 능동적으로 다양한 맞춤형 제품 생산이 가능하다. 또한 가상공간 등을 통해 실시간으로 현장 및 품질을 관리, 제어하며 에너지, 인력 등 자원 활용 면에서 효율을 향상시킬 수 있고, 결과적으로 생산 원가를 절감하여 제품 경쟁력을 강화할 수 있다.As the digitalization of the industry progresses rapidly, the need for a smart factory has emerged. A smart factory means a consumer-oriented intelligent factory. Specifically, by modularizing each process, it is possible to organically and actively produce a variety of customized products according to customer needs even in one production line. In addition, it is possible to manage and control the field and quality in real time through virtual space, etc., and improve efficiency in terms of resource utilization such as energy and manpower, and consequently, it can reduce production cost and strengthen product competitiveness.

스마트 팩토리의 하위 카테고리로서, 제조 분야에서도 제조의 전 과정, 즉 기획, 설계, 유통 및 판매 등의 과정을 정보통신기술(ICT)로 통합해 고객 맞춤형 스마트 제품을 생산할 수 있다. 이를 스마트 제조라고 호칭한다.As a sub-category of the smart factory, even in the manufacturing field, it is possible to produce customized smart products by integrating the entire manufacturing process, namely planning, design, distribution, and sales, with information and communication technology (ICT). This is called smart manufacturing.

스마트 제조에 사용되는 기술은 실제 공장의 생산 공정에 관여하는 공정 모델 분야, 산업용 데이터를 기록 및 관리하는 산업 데이터 분야, 스마트 제조 생태계에서 전체 주기 동안 관여하는 모든 객체가 유기적으로 연결되도록 하는 상호 호환성 분야, 그리고 스마트 제조 생태계 전반에 걸쳐 데이터를 보호하는 제조 보안 분야로 나뉠 수 있다.The technology used in smart manufacturing is the field of process model involved in the production process of the actual factory, the field of industrial data that records and manages industrial data, and the field of interoperability that enables all objects involved during the entire cycle in the smart manufacturing ecosystem to be organically connected. , and manufacturing security, which protects data across the smart manufacturing ecosystem.

종래에는 표준적인 단계 없이 각 프로젝트마다 고객의 니즈에 맞는 설계 및 견적을 개별적, 단독적으로 수행하고, 해당 견적이 수용되지 않거나 설계 상 변경이 발생하는 경우 다시 설계 및 견적 과정을 반복해야 한다. 이에 견적 과정이 지체됨에 따라 견적 이후의 단계인 수주, 생산 및 납품 과정에 이르는 전체 공정이 지연될 수 있다.In the prior art, without a standard step, design and estimate for each project are individually and independently performed, and if the estimate is not accepted or a design change occurs, the design and estimate process must be repeated again. As a result of the delay in the quotation process, the entire process from the process of receiving orders, production, and delivery, which is the stage after the quotation, may be delayed.

본 개시의 기술적 사상이 해결하려는 과제는, 인공지능 모델을 이용하여 제조 공정에서의 견적 및 설계도를 자동으로 산출하는 시스템에을 제공하는 데 있다.The problem to be solved by the technical idea of the present disclosure is to provide a system for automatically calculating estimates and design drawings in a manufacturing process using an artificial intelligence model.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical task to be achieved by the present embodiment is not limited to the technical task as described above, and other technical tasks may exist.

상기와 같은 목적을 달성하기 위하여, 본 개시의 기술적 사상의 일측면에 따른 제조 공정에서의 견적 산출 방법에 있어서, 제조물에 대한 초기 도면 데이터, 상기 제조물의 생산 과정에서 발생하는 환경 요인, 상기 제조물의 초기 견적 데이터, 상기 환경 요인에 따라 변경된 최종 도면 데이터, 상기 환경 요인에 따라 변경된 최종 견적 데이터, 및 상기 최종 도면 데이터 및 최종 견적 데이터을 기초로 상기 제조물의 부품의 정보를 포함하는 부품 데이터 중 적어도 하나를 수신하는 단계, 상기 초기 도면 데이터에 상기 최종 도면 데이터를 태깅하고, 상기 초기 견적 데이터에 상기 최종 견적 데이터를 태깅하는 단계 및 인공지능 모델을 통해, 상기 초기 도면 데이터와 상기 최종 도면 데이터 간의 관계 및 상기 초기 견적 데이터와 상기 최종 견적 데이터와의 관계를 학습하는 단계를 포함하는 것을 특징으로 한다.In order to achieve the above object, in the method of calculating an estimate in the manufacturing process according to one aspect of the technical idea of the present disclosure, initial drawing data for the product, environmental factors occurring in the production process of the product, and the product At least one of initial estimate data, final drawing data changed according to the environmental factor, final estimate data changed according to the environmental factor, and parts data including information of parts of the product based on the final drawing data and the final estimate data receiving, tagging the initial drawing data with the final drawing data, and tagging the initial quotation data with the final quotation data, and through an artificial intelligence model, the relationship between the initial drawing data and the final drawing data and the and learning the relationship between the initial estimate data and the final estimate data.

한 실시예에 따른, 상기 환경 요인은 상기 제조물의 생산을 수행하는 인력, 상기 인력의 인건비, 상기 인력의 가동 가능 시간 및 상기 부품의 관리 환경 중 적어도 하나를 포함할 수 있다.According to an embodiment, the environmental factor may include at least one of a manpower performing the production of the product, a labor cost of the manpower, an operating time of the manpower, and a management environment of the part.

한 실시예에 따른, 상기 학습하는 단계는, 상기 인공지능 모델을 통해, 상기 환경 요인이 변화함에 따라 상기 초기 도면 데이터가 상기 최종 도면 데이터로 변화하는 과정 및 상기 초기 견적 데이터가 상기 최종 견적 데이터로 변화하는 과정을 학습하는 단계를 포함할 수 있다.According to an embodiment, the learning may include, through the artificial intelligence model, a process in which the initial drawing data is changed to the final drawing data as the environmental factors change, and the initial estimate data is converted to the final estimate data. It may include the step of learning the changing process.

한 실시예에 따른, 상기 초기 도면 데이터, 상기 환경 요인, 상기 초기 견적 데이터, 상기 최종 도면 데이터, 상기 최종 견적 데이터 및 상기 부품 데이터를 데이터베이스에 저장하는 단계를 더 포함할 수 있다.According to an embodiment, the method may further include storing the initial drawing data, the environmental factors, the initial estimate data, the final drawing data, the final estimate data, and the parts data in a database.

한 실시예에 따른, 입력 도면 데이터를 수신하는 단계, 상기 데이터베이스에서, 상기 입력 도면 데이터와 유사한 유사 도면 데이터를 획득하는 단계, 상기 입력 도면 데이터와 상기 유사 도면 데이터의 차이점을 기초로, 상기 입력 도면 데이터를 변경하여 수정 도면 데이터를 생성하는 단계를 더 포함할 수 있다.According to an embodiment, receiving input drawing data; obtaining, in the database, similar drawing data similar to the input drawing data; based on a difference between the input drawing data and the similar drawing data, the input drawing data The method may further include changing the data to generate corrected drawing data.

한 실시예에 따른, 상기 수정 도면 데이터를 상기 인공지능 모델에 입력하는 단계, 상기 인공지능 모델을 통해 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터 중 적어도 하나를 출력하는 단계를 더 포함할 수 있다.According to an embodiment, the method may further include inputting the revised drawing data into the artificial intelligence model, and outputting at least one of output drawing data, output parts data, and output estimate data through the artificial intelligence model. .

한 실시예에 따른, 상기 입력 도면 데이터에 대응되는 제1 제조물의 생산 과정에 대한 입력 환경 요인을 수신하는 단계를 더 포함할 수 있다.According to an embodiment, the method may further include receiving an input environmental factor for a production process of the first product corresponding to the input drawing data.

한 실시예에 따른, 상기 출력 도면 데이터, 상기 출력 부품 데이터 및 상기 출력 견적 데이터는 각각 상기 입력 환경 요인에 따른 변경 가능성 및 상기 변경 가능성에 대한 오차 범위를 포함할 수 있다.According to an embodiment, the output drawing data, the output parts data, and the output estimate data may include a change possibility according to the input environmental factor and an error range for the change possibility, respectively.

한 실시예에 따른, 상기 인공지능 모델에 상기 입력 환경 요인을 추가로 입력하는 단계, 상기 입력 환경 요인을 기초로 상기 출력 도면 데이터, 상기 출력 부품 데이터 및 상기 출력 견적 데이터 중 적어도 하나를 수정하는 단계를 더 포함할 수 있다.According to an embodiment, further inputting the input environmental factor into the artificial intelligence model, and modifying at least one of the output drawing data, the output part data, and the output estimate data based on the input environmental factor may further include.

한 실시예에 따른, 상기 수정 도면 데이터를 생성하는 단계는, 상기 입력 도면 데이터에 대응되는 제1 제조물의 생산 제약 조건의 범위를 기초로, 상기 입력 도면 데이터와 상기 수정 도면 데이터의 차이의 정도가 결정되는 단계를 포함할 수 있다.According to an embodiment, the generating of the modified drawing data may include determining a degree of difference between the input drawing data and the modified drawing data based on a range of production constraints of a first product corresponding to the input drawing data. It may include a step to be determined.

본 개시의 기술적 사상의 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템에 따르면, 변화하는 환경 요인을 고려하여 설계를 수정하고, 최적의 견적을 도출할 수 있는바, 견적 변경에 따른 전체적인 제조 공정의 기간이 연장되는 것을 방지하고, 견적 공정을 합리적으로 신속하게 수행할 수 있다.According to the estimation and blueprint calculation system in the manufacturing process based on the artificial intelligence model of the technical idea of the present disclosure, it is possible to revise the design in consideration of changing environmental factors and derive an optimal estimate, The period of the manufacturing process is prevented from being extended, and the quotation process can be performed reasonably quickly.

도 1은 본 개시의 예시적인 실시예에 따른 자동 견적 시스템을 나타내는 블록도이다.
도 2는 본 개시의 예시적인 실시예에 따른 인공지능 모델을 나타내는 예시도이다.
도 3은 본 개시의 예시적인 실시예에 따른 학습 데이터를 나타내는 예시도이다.
도 4는 본 개시의 예시적인 실시예에 따른 자동 견적 시스템의 학습 과정을 나타내는 흐름도이다.
도 5는 본 개시의 예시적인 실시예에 따른 자동 견적 시스템의 동작을 나타내는 흐름도이다.
도 6은 본 개시의 예시적인 실시예에 따른 자동 견적 시스템이 견적 민 설계도를 출력하는 동작을 나타내는 흐름도이다.
도 7은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.1 is a block diagram illustrating an automatic quotation system according to an exemplary embodiment of the present disclosure;
2 is an exemplary diagram illustrating an artificial intelligence model according to an exemplary embodiment of the present disclosure.
3 is an exemplary diagram illustrating learning data according to an exemplary embodiment of the present disclosure.
4 is a flowchart illustrating a learning process of an automatic estimation system according to an exemplary embodiment of the present disclosure.
5 is a flowchart illustrating the operation of an automatic quotation system according to an exemplary embodiment of the present disclosure.
6 is a flowchart illustrating an operation of outputting an estimate min design by the automatic quotation system according to an exemplary embodiment of the present disclosure.
7 is a hardware configuration diagram of a computing device according to an embodiment.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 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.Hereinafter, with reference to the accompanying drawings, the embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. However, the present invention may be embodied in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 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. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated. In addition, terms such as “…unit”, “…group”, and “module” described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software. there is.

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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is "connected" with another part, this includes not only the case of being "directly connected" but also the case of being "electrically connected" with another element interposed therebetween. . In addition, when a part "includes" a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated, and one or more other features However, it is to be understood that the existence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded in advance.

본 명세서에서 자동 견적 시스템은 컴퓨터 이용 공학(computer-aided engineering, CAE)을 기반으로 할 수 있다. 컴퓨터 이용 공학이란 컴퓨터 기술을 활용하여 제품의 설계 제조 및 공정 설계 사전 검토 지원을 실시하는 기술을 의미한다. CAE를 통해 시제품 제작과 실험에 앞서 작성한 설계 모델의 성능을 확인, 검토하고 검토 결과를 바탕으로 설계 모델을 수정, 개선할 수 있다.In the present specification, the automatic estimation system may be based on computer-aided engineering (CAE). Computer-aided engineering refers to technology that utilizes computer technology to support product design, manufacturing, and process design preliminary review. CAE allows you to check and review the performance of the design model created prior to prototyping and experimentation, and to revise and improve the design model based on the review results.

또한 자동 견적 시스템은 생산 관리 시스템의 일부분으로서 동작할 수 있다. 생산 관리 시스템(Manufacturing Execution System, MES)란, 주문부터 최종적으로 제품이 생산될 때까지, 생산 과정 전반에 걸친 데이터를 실시간으로 집계하여, 통계적인 분석 자료를 제공하는 시스템을 의미한다.The automated quotation system may also operate as part of a production management system. Manufacturing Execution System (MES) refers to a system that provides statistical analysis data by aggregating data throughout the production process in real time, from order to final production.

이하, 첨부한 도면을 참조하여 본 개시의 실시예에 대해 상세히 설명한다.Hereinafter, embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.

도 1은 본 개시의 예시적인 실시예에 따른 자동 견적 시스템을 나타내는 블록도이다.1 is a block diagram illustrating an automatic quotation system according to an exemplary embodiment of the present disclosure.

도 1을 참조하면, 자동 견적 시스템(100)은 학습부(110), 전처리부(120), 데이터 베이스(130) 및 예측부(140)를 포함할 수 있다. 자동 견적 시스템(100)은 도면 데이터를 수신하고, 인공지능 모델(111)을 이용하여 도면 데이터에 대한 적절한 견적 데이터를 출력할 수 있다. 고객 또는 사용자는 견적 데이터를 확인하고 해당 견적을 사용 가능한지 여부를 확인하고, 수정 사항이 있는 경우 자동 견적 시스템(100)에 수정 사항을 입력할 수 있다. 자동 견적 시스템(100)은 수정 사항에 기초하여 견적을 수정할 수 있다.Referring to FIG. 1 , the automatic estimation system 100 may include a learning unit 110 , a preprocessing unit 120 , a database 130 , and a prediction unit 140 . The automatic estimate system 100 may receive drawing data, and output appropriate estimate data for the drawing data using the artificial intelligence model 111 . The customer or the user may check the quotation data, check whether the quotation is available, and if there is a correction, input the correction into the automatic quotation system 100 . The automatic estimate system 100 may modify the estimate based on the modifications.

학습부(110)는 인공지능 모델(111)을 포함할 수 있고, 학습 데이터를 수신하여 학습 데이터 간 관계를 학습할 수 있다. 예를 들어 학습 데이터는 초기 도면 데이터, 환경 요인, 초기 견적 데이터, 최종 도면 데이터, 최종 견적 데이터 및 부품 데이터 중 적어도 하나를 포함할 수 있다. 자세한 내용은 도 3을 통해 설명한다.The learning unit 110 may include the artificial intelligence model 111 , and may receive learning data and learn a relationship between the learning data. For example, the learning data may include at least one of initial drawing data, environmental factors, initial estimate data, final drawing data, final estimate data, and parts data. Details will be described with reference to FIG. 3 .

학습부(110)는 환경 요인이 변화함에 따라 초기 도면 데이터가 어떻게 최종 도면 데이터로 변화하였는지, 및 환경 요인이 변화함에 따라 초기 견적 데이터가 최종 견적 데이터로 어떻게 변화하였는지를 학습할 수 있다. 이를 기초로 자동 견적 시스템(100)은 환경 요인에 따라 도면 및 견적이 유지될지 여부 또는 변화될지 여부, 변화될 가능성 등을 산출할 수 있다.The learning unit 110 may learn how the initial drawing data changes into the final drawing data as the environmental factors change, and how the initial estimate data changes into the final estimate data as the environmental factors change. Based on this, the automatic estimation system 100 may calculate whether drawings and estimates will be maintained or changed according to environmental factors, the possibility of change, and the like.

데이터 베이스(130)는 외부에서 입력받은 데이터 및 자동 견적 시스템(100) 내부에서 생성된 데이터를 저장 및 관리할 수 있다. 예를 들어, 데이터 베이스(130)는 SQL(Structured Query Language) 기반으로, 관계형 데이터 베이스 관리 시스템(Relational Database Management System, RDMBS)에 따라 데이터를 관리할 수 있다. 구체적으로, 입력받은 데이터들을 테이블의 형태로 저장하고, 초기 도면 데이터 및 초기 견적 데이터를 테이블로 저장하고, 최종 도면 데이터 및 최종 견적 데이터의 테이블을 서로 연결시킬 수 있다. 이에 따라 환경 요인에 따른 변화를 쉽게 파악할 수 있다.The database 130 may store and manage data input from the outside and data generated inside the automatic estimation system 100 . For example, the database 130 may manage data based on Structured Query Language (SQL) and according to a Relational Database Management System (RDMBS). Specifically, it is possible to store the received data in the form of a table, store the initial drawing data and the initial estimate data as a table, and connect the tables of the final drawing data and the final estimate data to each other. Accordingly, changes according to environmental factors can be easily identified.

한편 도 1에서, 데이터 베이스(130)는 자동 견적 시스템(100) 내부에 도시되었으나 이에 제한되지 않으며, 데이터 베이스(130)는 자동 견적 시스템(100)과 네트워크를 통해 통신하는 외부의 클라우드에 위치할 수 있다. 이 경우 자동 견적 시스템(100)은 상기 클라우드와의 연결을 위한 통신부 및 네트워크 설정 장치를 더 포함할 수 있다.On the other hand, in FIG. 1, the database 130 is shown inside the automatic quotation system 100, but is not limited thereto, and the database 130 is located in an external cloud communicating with the automatic quotation system 100 through a network. can In this case, the automatic estimation system 100 may further include a communication unit and a network setting device for connection with the cloud.

전처리부(120)는 입력 도면 데이터 및 입력 환경 요인을 수신할 수 있다. 입력 도면 데이터 및 입력 환경 요인은 인공지능 모델(111)의 추론 동작에 사용될 수 있다. 전처리부(120)는 입력 도면 데이터 및 입력 환경 요인을 학습이 완료된 인공지능 모델(111)에 입력하기 이전에, 일련의 전처리 과정을 수행할 수 있다. 예를 들어 입력 도면 데이터의 사이즈 및 차원을 수정할 수 있고, 입력 환경 요인의 일부 정보만을 선택할 수 있다.The preprocessor 120 may receive input drawing data and input environmental factors. The input drawing data and input environmental factors may be used in the reasoning operation of the artificial intelligence model 111 . The preprocessor 120 may perform a series of preprocessing processes before inputting the input drawing data and input environmental factors into the artificial intelligence model 111 that has been trained. For example, the size and dimension of the input drawing data may be modified, and only some information of input environmental factors may be selected.

이때 입력 환경 요인이란, 입력 도면 데이터에 대응되는 제조물의 생산 과정에 대한 다양한 환경 조건들을 포함할 수 있다.In this case, the input environmental factors may include various environmental conditions for a production process of a product corresponding to the input drawing data.

또한 전처리부(120)는 데이터 베이스(130)에 저장된 데이터로부터 입력 도면 데이터와 유사한 유사 도면 데이터를 획득할 수 있다. 자동 견적 시스템(100)은 입력 도면 데이터를 곧바로 이용하지 않고, 인공지능 모델(111)의 학습에 사용된 유사 도면 데이터를 이용하여 인공지능 모델(111)의 추론의 정확도를 높이고, 동작 속도를 향상시킬 수 있다.Also, the preprocessor 120 may obtain similar drawing data similar to the input drawing data from the data stored in the database 130 . The automatic estimation system 100 does not directly use the input drawing data, but uses the similar drawing data used for learning the artificial intelligence model 111 to increase the accuracy of inference of the artificial intelligence model 111 and improve the operation speed can do it

또한 전처리부(120)는 입력 도면 데이터와 유사 도면 데이터 간의 차이점을 분석할 수 있다. 차이점을 기초로 입력 도면 데이터를 수정할 수 있고, 수정된 수정 도면 데이터를 인공지능 모델(111)에 입력할 수 있다. 이때 고객 및 사용자의 요청에 따라 수정 정도가 결정될 수 있으며, 이는 입력 환경 요인에 반영될 수 있다. 예를 들어, 제품의 생산 과정에 제약 조건이 존재할 수 있으며, 전처리부(120)는 해당 제약 조건을 벗어나는 정도로 입력 도면 데이터를 수정할 수는 없다. 제약 조건은 유사 도면 데이터를 찾는 과정에서 사용될 수도 있다. 즉 제약 조건을 벗어나는 도면은 유사 도면 데이터로 결정되지 않을 수 있다.Also, the preprocessor 120 may analyze a difference between the input drawing data and similar drawing data. The input drawing data may be corrected based on the difference, and the corrected modified drawing data may be input to the artificial intelligence model 111 . At this time, the degree of modification may be determined according to the request of the customer and user, and this may be reflected in the input environment factor. For example, a constraint may exist in the production process of a product, and the preprocessor 120 cannot modify the input drawing data to the extent that it deviates from the constraint. Constraints may be used in the process of finding similar drawing data. That is, a drawing out of the constraint may not be determined as similar drawing data.

예측부(140)는 학습이 완료된 인공지능 모델(111)을 기초로, 입력 도면 데이터와 입력 환경 요인에 대한 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터 중 적어도 하나를 획득할 수 있다. 한편, 예측부(140)는 입력 도면 데이터 대신에 유사 도면 데이터 또는 전처리부(120)에서 생성된 수정 도면 데이터를 이용할 수 있다.The prediction unit 140 may acquire at least one of input drawing data, output drawing data for input environmental factors, output parts data, and output estimation data based on the artificial intelligence model 111 that has been trained. Meanwhile, the prediction unit 140 may use similar drawing data or modified drawing data generated by the preprocessor 120 instead of the input drawing data.

한편, 입력 환경 요인은 시간에 따라 변화할 수 있으며, 변화에 대한 범위에 제한을 포함할 수 있다. 예를 들어 인건비의 최소값 및 최대값, 부품 수급 시기에 대한 최소 가능 일자 및 최대 가능 일자를 포함할 수 있다. 즉 입력 환경 요인은 특정값일 수 있고, 특정 범위일 수 있다.On the other hand, the input environment factor may change with time, and may include a limit on the range for the change. For example, it may include a minimum value and a maximum value of labor cost, a minimum possible date and a maximum possible date for a part supply period. That is, the input environmental factor may be a specific value or a specific range.

이에 따라, 예측부(140)는 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터 각각에 대하여, 입력 환경 요인의 범위에 따라 변경 가능 여부를 계산할 수 있다. 변경 가능성이 존재하는 경우, 예측부(140)는 변경 가능성에 대한 오차 범위를 출력할 수 있다. 이를 통해 고객 또는 사용자는 다양한 가능성을 고려하여 제품의 견적을 확정하고, 견적 단계 이후의 수주, 생산 및 납품을 진행할 수 있다.Accordingly, the prediction unit 140 may calculate whether the output drawing data, the output parts data, and the output estimate data can be changed according to the range of the input environmental factor, respectively. When the possibility of change exists, the prediction unit 140 may output an error range for the possibility of change. Through this, the customer or user can confirm the quotation for the product by considering various possibilities and proceed with the order, production, and delivery after the quotation stage.

예측부(140)는 입력 환경 요인에 따라 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터 중 적어도 하나를 수정할 수 있다. 예를 들어, 인공지능 모델(111)의 추론 동작에 입력 도면 데이터만을 사용하고, 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터를 출력한 이후, 입력 환경 요인을 추가로 수신하는 경우 입력 환경 요인에 따라 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터 중 적어도 하나를 수정할 수 있다. 입력 환경 요인이 수정되는 경우에도 이와 유사할 수 있다.The prediction unit 140 may correct at least one of output drawing data, output parts data, and output estimate data according to input environmental factors. For example, when only input drawing data is used for the reasoning operation of the artificial intelligence model 111, output drawing data, output part data, and output estimate data are output, and input environmental factors are additionally received, the input environmental factors are At least one of the output drawing data, the output part data, and the output estimate data may be corrected accordingly. It may be similar if the input environmental factors are modified.

한편 설명을 위해, 학습부(110), 전처리부(120), 데이터 베이스(130) 및 예측부(140)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치이다. 여기서, 학습부(110), 전처리부(120), 데이터 베이스(130) 및 예측부(140)는 하나의 컴퓨팅 장치에 구현되거나, 별도의 컴퓨팅 장치에 분산 구현될 수 있다. 별도의 컴퓨팅 장치에 분산 구현된 경우, 학습부(110), 전처리부(120), 데이터 베이스(130) 및 예측부(140)는 통신 인터페이스를 통해 서로 통신할 수 있다. 컴퓨팅 장치는 본 발명을 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하고, 예를 들면, 서버, 랩탑 컴퓨터 등일 수 있다.Meanwhile, for the sake of explanation, the learning unit 110 , the preprocessing unit 120 , the database 130 , and the prediction unit 140 are named and called, but these are computing devices operated by at least one processor. Here, the learning unit 110 , the preprocessing unit 120 , the database 130 , and the prediction unit 140 may be implemented in one computing device or distributed in separate computing devices. When distributed in a separate computing device, the learning unit 110 , the preprocessing unit 120 , the database 130 , and the prediction unit 140 may communicate with each other through a communication interface. The computing device may be any device capable of executing a software program written to carry out the present invention, and may be, for example, a server, a laptop computer, or the like.

도 2는 본 개시의 예시적인 실시예에 따른 인공지능 모델을 나타내는 예시도이다.2 is an exemplary diagram illustrating an artificial intelligence model according to an exemplary embodiment of the present disclosure.

자동 견적 시스템(100)의 인공지능 모델(111)은 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), LSTM(Long Short Term Memory Network), GRUs(Gated Recurrent Units) 등으로 구현될 수 있으며 이들의 조합으로 구현될 수 있다.The artificial intelligence model 111 of the automatic estimation system 100 is a Convolutional Neural Network (CNN), a Recurrent Neural Network (RNN), a Long Short Term Memory Network (LSTM), and Gated Recurrent Units (GRUs). and the like, and may be implemented as a combination thereof.

예시적으로 도 2를 참조하면, 인공지능 모델(111)은 합성곱 신경망으로 구현될 수 있다. 합성곱 신경망은 입력 데이터의 각 성분의 인접 성분들을 조사해 특징을 파악하고, 파악한 특징을 컨벌루션 레이어(Convolution layer)로 생성한다. 이후 풀링(Pooling) 과정을 통해 컨벌루션 과정을 거친 레이어의 사이즈를 줄인다. 이 과정에서 노이즈가 상쇄되고, 미세한 부분에서 일관적인 특징이 제공될 수 있다. 풀링 방법은 Sub-sampling, Max-pooling, Average-pooling, L2-norm pooling 등이 사용될 수 있다. 컨벌루션 동작과 풀링 동작을 반복하고, 마지막에 완전 연결 레이어(Fully Connected) 및 소프트 맥스(Softmax)를 거쳐 적용하여 분류 동작을 완료할 수 있다.Exemplarily referring to FIG. 2 , the artificial intelligence model 111 may be implemented as a convolutional neural network. The convolutional neural network examines the adjacent components of each component of the input data to identify the characteristics, and generates the identified characteristics as a convolution layer. Thereafter, the size of the convolutional layer is reduced through a pooling process. In this process, noise is canceled, and consistent characteristics can be provided in minute parts. As the pooling method, sub-sampling, Max-pooling, Average-pooling, L2-norm pooling, etc. may be used. The classification operation can be completed by repeating the convolution operation and the pooling operation, and finally applying it through a fully connected layer and a softmax.

도 3은 본 개시의 예시적인 실시예에 따른 학습 데이터를 나타내는 예시도이다.3 is an exemplary diagram illustrating learning data according to an exemplary embodiment of the present disclosure.

도 3을 참조하면, 학습부(110)는 견적 및 설계를 생성하기 위해 다양한 데이터를 학습 데이터로 사용할 수 있다. 예를 들어 학습 데이터는 제조물에 대한 초기 도면 데이터, 제조물의 생산 과정에서 발생하는 환경 요인, 제조물의 초기 견적 데이터, 환경 요인에 따라 변경된 최종 도면 데이터, 환경 요인에 따라 변경된 최종 견적 데이터, 및 최종 도면 데이터 및 최종 견적 데이터을 기초로 제조물의 부품의 정보를 포함하는 부품 데이터 중 적어도 하나를 포함할 수 있다.Referring to FIG. 3 , the learning unit 110 may use various data as learning data to generate estimates and designs. For example, the learning data may include initial drawing data for a product, environmental factors occurring in the production process of the product, initial estimate data of the product, final drawing data changed according to environmental factors, final estimated data changed according to environmental factors, and final drawings It may include at least one of data and parts data including information on parts of a product based on the final estimate data.

예를 들어 부품 데이터는 부품의 수급 가능 여부, 부품의 개수, 부품의 원가 등을 포함할 수 있으며, 제품을 생산하는데 소요되는 원재료 또는 부품에 대한 상세내역을 포함하는 자재 명세서(Bill of Material, BOM)를 포함할 수 있다.For example, the parts data may include availability of parts, the number of parts, the cost of parts, etc. ) may be included.

예를 들어, 환경 요인은 제조물의 생산을 수행하는 인력, 인력의 인건비, 인력의 가동 가능 시간 및 부품의 관리 환경 중 적어도 하나를 포함할 수 있다. 한편 환경 요인은 시간의 흐름에 따라 변화할 수 있다. 예를 들어 자연 환경에 따라 부품의 수급 시기, 수급 가능성이 달라질 수 있고, 원가가 달라질 수 있다. 또한 인력 및 인건비도 다양한 원인에 의해 변경될 수 있다.For example, the environmental factor may include at least one of a manpower performing production of a product, a labor cost of the manpower, an uptime of the manpower, and a management environment of the part. Meanwhile, environmental factors can change over time. For example, depending on the natural environment, the timing and availability of parts may vary, and the cost may vary. In addition, manpower and labor costs may change due to various reasons.

도 4는 본 개시의 예시적인 실시예에 따른 자동 견적 시스템의 학습 과정을 나타내는 흐름도이다.4 is a flowchart illustrating a learning process of an automatic estimation system according to an exemplary embodiment of the present disclosure.

도 4를 참조하면, 자동 견적 시스템(100)은 초기 도면 데이터, 부품 데이터, 환경 요인, 초기 견적 데이터, 최종 도면 데이터 및 최종 견적 데이터 수신할 수 있다(S110).Referring to FIG. 4 , the automatic estimate system 100 may receive initial drawing data, parts data, environmental factors, initial estimate data, final drawing data, and final estimate data (S110).

자동 견적 시스템(100)은 초기 도면 데이터에 최종 도면 데이터를 태깅하고, 초기 견적 데이터에 최종 견적데이터를 태깅할 수 있다(S120). 또한 최종 도면 데이터 및 최종 견적데이터에 환경 요인을 태깅할 수 있다.The automatic quotation system 100 may tag the final drawing data to the initial drawing data, and tag the final estimate data to the initial estimate data (S120). In addition, environmental factors can be tagged in the final drawing data and final estimate data.

자동 견적 시스템(100)은 인공지능 모델(111)을 통해 데이터 간 관계를 학습할 수 있다(S130).The automatic estimation system 100 may learn the relationship between data through the artificial intelligence model 111 (S130).

도 5는 본 개시의 예시적인 실시예에 따른 자동 견적 시스템의 동작을 나타내는 흐름도이다.5 is a flowchart illustrating the operation of an automatic estimating system according to an exemplary embodiment of the present disclosure.

도 5를 참조하면, 자동 견적 시스템(100)은 입력 도면 데이터를 수신할 수 있다(S210).Referring to FIG. 5 , the automatic estimation system 100 may receive input drawing data (S210).

자동 견적 시스템(100)은 데이터 베이스(130) 내에서 입력 도면 데이터와 유사한 유사 도면 데이터를 획득할 수 있다(S220).The automatic estimation system 100 may acquire similar drawing data similar to the input drawing data in the database 130 (S220).

자동 견적 시스템(100)은 데이터 입력 도면 데이터와 유사 도면 데이터와의 차이점을 기초로 얼마나 수정될지 예측하여 수정 도면 데이터를 생성할 수 있다(S230).The automatic estimation system 100 may generate modified drawing data by predicting how much will be modified based on the difference between the data input drawing data and similar drawing data (S230).

도 6은 본 개시의 예시적인 실시예에 따른 자동 견적 시스템이 견적 민 설계도를 출력하는 동작을 나타내는 흐름도이다.6 is a flowchart illustrating an operation of outputting an estimate min design by the automatic quotation system according to an exemplary embodiment of the present disclosure.

도 6을 참조하면, 자동 견적 시스템(100)은 수정 도면 데이터를 도 4의 S110 내지 S130 단계를 통해 학습이 완료된 인공지능 모델(111)에 입력할 수 있다(S310). 입력 이전에, 입력 도면 데이터의 사이즈 및 차원을 수정할 수 있고, 입력 환경 요인의 일부 정보만을 선택할 수 있다.Referring to FIG. 6 , the automatic estimation system 100 may input the revised drawing data into the artificial intelligence model 111 that has been trained through steps S110 to S130 of FIG. 4 ( S310 ). Before input, the size and dimension of the input drawing data may be modified, and only some information of input environmental factors may be selected.

자동 견적 시스템(100)은 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터 출력할 수 있다(S320).The automatic quotation system 100 may output the output drawing data, the output parts data, and the output estimate data (S320).

도 7은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.7 is a hardware configuration diagram of a computing device according to an embodiment.

도 7을 참고하면, 학습부(110), 전처리부(120), 데이터 베이스(130) 및 예측부(140)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치(400)에서, 본 발명의 동작을 실행하도록 기술된 명령들(instructions)이 포함된 프로그램을 실행한다.Referring to FIG. 7 , the learning unit 110 , the preprocessing unit 120 , the database 130 , and the prediction unit 140 perform the operation of the present invention in the computing device 400 operated by at least one processor. Executes a program containing instructions written to be executed.

컴퓨팅 장치(400)의 하드웨어는 적어도 하나의 프로세서(410), 메모리(420), 스토리지(430), 통신 인터페이스(440)를 포함할 수 있고, 버스를 통해 연결될 수 있다. 이외에도 입력 장치 및 출력 장치 등의 하드웨어가 포함될 수 있다. 컴퓨팅 장치(400)는 프로그램을 구동할 수 있는 운영 체제를 비롯한 각종 소프트웨어가 탑재될 수 있다.Hardware of the computing device 400 may include at least one processor 410 , a memory 420 , a storage 430 , and a communication interface 440 , and may be connected through a bus. In addition, hardware such as an input device and an output device may be included. The computing device 400 may be loaded with various software including an operating system capable of driving a program.

프로세서(410)는 컴퓨팅 장치(400)의 동작을 제어하는 장치로서, 프로그램에 포함된 명령들을 처리하는 다양한 형태의 프로세서(410)일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 등 일 수 있다. 메모리(420)는 본 발명의 동작을 실행하도록 기술된 명령들이 프로세서(410)에 의해 처리되도록 해당 프로그램을 로드한다. 메모리(420)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다. 스토리지(430)는 본 발명의 동작을 실행하는데 요구되는 각종 데이터, 프로그램 등을 저장한다. 통신 인터페이스(440)는 유/무선 통신 모듈일 수 있다.The processor 410 is a device for controlling the operation of the computing device 400 , and may be a processor 410 of various types that processes instructions included in a program, for example, a central processing unit (CPU), an MPU ( It may be a micro processor unit), a micro controller unit (MCU), a graphic processing unit (GPU), or the like. The memory 420 loads the corresponding program so that the instructions described to execute the operation of the present invention are processed by the processor 410 . The memory 420 may be, for example, read only memory (ROM), random access memory (RAM), or the like. The storage 430 stores various data and programs required to execute the operation of the present invention. The communication interface 440 may be a wired/wireless communication module.

이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.The embodiment of the present invention described above is not implemented only through the apparatus and method, and may be implemented through a program for realizing a function corresponding to the configuration of the embodiment of the present invention or a recording medium in which the program is recorded.

이상에서와 같이 도면과 명세서에서 예시적인 실시예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시예들을 설명되었으나, 이는 단지 본 개시의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 청구범위에 기재된 본 개시의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 개시의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.Exemplary embodiments have been disclosed in the drawings and specification as described above. Although the embodiments have been described using specific terms in the present specification, these are used only for the purpose of explaining the technical spirit of the present disclosure, and not used to limit the meaning or the scope of the present disclosure described in the claims. Therefore, it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present disclosure should be defined by the technical spirit of the appended claims.

Claims (10)

컴퓨팅 장치에 의해 수행되는 제조 공정에서의 견적 산출 방법에 있어서,
제조물에 대한 초기 도면 데이터, 상기 제조물의 생산 과정에서 발생하는 환경 요인, 상기 제조물의 초기 견적 데이터, 상기 환경 요인에 따라 변경된 최종 도면 데이터, 상기 환경 요인에 따라 변경된 최종 견적 데이터, 및 상기 최종 도면 데이터 및 최종 견적 데이터을 기초로 상기 제조물의 부품의 정보를 포함하는 부품 데이터를 수신하고 데이터베이스에 저장하는 단계;
상기 초기 도면 데이터에 상기 최종 도면 데이터를 태깅하고, 상기 초기 견적 데이터에 상기 최종 견적 데이터를 태깅하는 단계;
인공지능 모델을 통해, 상기 초기 도면 데이터와 상기 최종 도면 데이터 간의 관계 및 상기 초기 견적 데이터와 상기 최종 견적 데이터와의 관계를 학습하는 단계;
입력 도면 데이터를 수신하는 단계;
상기 데이터베이스에서, 상기 입력 도면 데이터와 유사한 유사 도면 데이터를 획득하고, 상기 입력 도면 데이터와 상기 유사 도면 데이터의 차이점을 기초로, 상기 입력 도면 데이터를 전처리하여 수정 도면 데이터를 생성하는 단계; 및
상기 수정 도면 데이터를 상기 인공지능 모델에 입력하는 단계;
를 포함하는 것을 특징으로 하는 견적 산출 방법.
A method for calculating an estimate in a manufacturing process performed by a computing device, the method comprising:
Initial drawing data for a product, environmental factors occurring in the production process of the product, initial estimated data of the product, final drawing data changed according to the environmental factors, final estimated data changed according to the environmental factors, and the final drawing data and receiving part data including information on parts of the product based on the final estimate data and storing the parts data in a database;
tagging the final drawing data to the initial drawing data and tagging the final quotation data to the initial quotation data;
learning the relationship between the initial drawing data and the final drawing data and the relationship between the initial estimate data and the final estimate data through an artificial intelligence model;
receiving input drawing data;
obtaining, from the database, similar drawing data similar to the input drawing data, and pre-processing the input drawing data based on a difference between the input drawing data and the similar drawing data to generate modified drawing data; and
inputting the modified drawing data into the artificial intelligence model;
Estimate calculation method comprising a.
 제1항에 있어서,
상기 환경 요인은 상기 제조물의 생산을 수행하는 인력, 상기 인력의 인건비, 상기 인력의 가동 가능 시간 및 상기 부품의 관리 환경 중 적어도 하나를 포함하는 것을 특징으로 하는 견적 산출 방법.
According to claim 1,
The environmental factor comprises at least one of a manpower performing production of the product, a labor cost of the manpower, an operating time of the manpower, and a management environment of the part.
 제2항에 있어서,
상기 학습하는 단계는,
상기 인공지능 모델을 통해, 상기 환경 요인이 변화함에 따라 상기 초기 도면 데이터가 상기 최종 도면 데이터로 변화하는 과정 및 상기 초기 견적 데이터가 상기 최종 견적 데이터로 변화하는 과정을 학습하는 단계;
를 포함하는 것을 특징으로 하는 견적 산출 방법.
3. The method of claim 2,
The learning step is
learning, through the artificial intelligence model, a process in which the initial drawing data changes into the final drawing data and a process in which the initial estimate data changes into the final estimate data as the environmental factors change;
Estimate calculation method comprising a.
 삭제delete 삭제delete 제1항에 있어서,
상기 입력하는 단계 이후에,
상기 인공지능 모델을 통해 출력 도면 데이터, 출력 부품 데이터 및 출력 견적 데이터 중 적어도 하나를 출력하는 단계;
를 더 포함하는 것을 특징으로 하는 견적 산출 방법.
According to claim 1,
After the input step,
outputting at least one of output drawing data, output parts data, and output estimate data through the artificial intelligence model;
Estimate calculation method, characterized in that it further comprises.
 제6항에 있어서,
상기 입력 도면 데이터를 수신하는 단계는,
상기 입력 도면 데이터에 대응되는 제1 제조물의 생산 과정에 대한 입력 환경 요인을 수신하는 단계;를 더 포함하는 것을 특징으로 하는 견적 산출 방법.
7. The method of claim 6,
Receiving the input drawing data comprises:
Receiving an input environmental factor for the production process of the first product corresponding to the input drawing data; Estimation calculation method further comprising a.
 제7항에 있어서,
상기 출력 도면 데이터, 상기 출력 부품 데이터 및 상기 출력 견적 데이터는 각각 상기 입력 환경 요인에 따른 변경 가능성 및 상기 변경 가능성에 대한 오차 범위를 포함하는 것을 특징으로 하는 견적 산출 방법.
8. The method of claim 7,
The output drawing data, the output parts data, and the output estimate data each include a change possibility according to the input environmental factor and an error range for the change possibility.
 제7항에 있어서,
상기 인공지능 모델에 상기 입력 환경 요인을 추가로 입력하는 단계; 및
상기 입력 환경 요인을 기초로 상기 출력 도면 데이터, 상기 출력 부품 데이터 및 상기 출력 견적 데이터 중 적어도 하나를 수정하는 단계;
를 더 포함하는 것을 특징으로 하는 견적 산출 방법.
8. The method of claim 7,
further inputting the input environment factor into the artificial intelligence model; and
modifying at least one of the output drawing data, the output parts data, and the output estimate data based on the input environmental factor;
Estimate calculation method, characterized in that it further comprises.
 제1항에 있어서,
상기 수정 도면 데이터를 생성하는 단계는,
상기 입력 도면 데이터에 대응되는 제1 제조물의 생산 제약 조건의 범위를 기초로, 상기 입력 도면 데이터와 상기 수정 도면 데이터의 차이의 정도가 결정되는 단계;를 포함하는 것을 특징으로 하는 견적 산출 방법.According to claim 1,
The step of generating the revised drawing data includes:
and determining a degree of difference between the input drawing data and the revised drawing data based on a range of production constraints of a first product corresponding to the input drawing data.
KR1020210118380A 2021-08-24 2021-09-06 Estimate and blueprint prediction system in manufacturing process based on artificial intelligence model KR102375880B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210111578 2021-08-24
KR20210111578 2021-08-24

Publications (1)

Publication Number Publication Date
KR102375880B1 true KR102375880B1 (en) 2022-03-17

Family

ID=80936329

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210118380A KR102375880B1 (en) 2021-08-24 2021-09-06 Estimate and blueprint prediction system in manufacturing process based on artificial intelligence model

Country Status (1)

Country Link
KR (1) KR102375880B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102646478B1 (en) * 2023-04-24 2024-03-11 임병준 Apparatus and method for generating design information of motion control box based on consumer request

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03168865A (en) * 1989-11-29 1991-07-22 Hitachi Ltd Pattern learning type ordering device and cad device
KR102151733B1 (en) * 2019-10-22 2020-09-03 김병복 Automated method of reflecting changes in process safety management drawings when changes occur due to high-tech manufacturing operations
KR20210026633A (en) * 2019-08-30 2021-03-10 주식회사 이수시스템 Change management method and system for managing change elements utilizing drawing information

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03168865A (en) * 1989-11-29 1991-07-22 Hitachi Ltd Pattern learning type ordering device and cad device
KR20210026633A (en) * 2019-08-30 2021-03-10 주식회사 이수시스템 Change management method and system for managing change elements utilizing drawing information
KR102151733B1 (en) * 2019-10-22 2020-09-03 김병복 Automated method of reflecting changes in process safety management drawings when changes occur due to high-tech manufacturing operations

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102646478B1 (en) * 2023-04-24 2024-03-11 임병준 Apparatus and method for generating design information of motion control box based on consumer request

Similar Documents

Publication Publication Date Title
CN109086031B (en) Business decision method and device based on rule engine
US11327935B2 (en) Intelligent data quality
US20220343172A1 (en) Dynamic, automated fulfillment of computer-based resource request provisioning using deep reinforcement learning
Wang et al. Manifold learning based rescheduling decision mechanism for recessive disturbances in RFID-driven job shops
US8443351B2 (en) Parallel loops in a workflow
US20200333772A1 (en) Semantic modeling and machine learning-based generation of conceptual plans for manufacturing assemblies
KR101729694B1 (en) Method and Apparatus for Predicting Simulation Results
US20200334293A1 (en) Computation platform agnostic data classification workflows
US20200034750A1 (en) Generating artificial training data for machine-learning
US20070203810A1 (en) Supply chain modeling method and system
US20180007145A1 (en) Graphically managing data classification workflows in a social networking system with directed graphs
US9043344B1 (en) Data mining and model generation using an in-database analytic flow generator
US20210042168A1 (en) Method and system for flexible pipeline generation
CN110796416B (en) Industrial networking based order processing method and computer storage medium
KR102375880B1 (en) Estimate and blueprint prediction system in manufacturing process based on artificial intelligence model
Figueiras et al. Big data provision for digital twins in industry 4.0 logistics processes
Wang et al. Large-scale inventory optimization: A recurrent neural networks–inspired simulation approach
KR20230081501A (en) Apparatus and method for estabilishing production plan
CN112288484A (en) Commodity automatic pricing method and device, electronic equipment and storage medium
US20230342626A1 (en) Model processing method and related apparatus
CN108830480B (en) ERP purchasing calculation method and system
KR20210103834A (en) Method and Apparatus for Demand Expectation Based on Machine Learning
CN114722729A (en) Automatic cutter recommendation method and device, terminal and storage medium
US11599783B1 (en) Function creation for database execution of deep learning model
CN111273893A (en) Financial data processing method and device, computer equipment and storage medium

Legal Events

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